基于散射模糊先验的单幅图像去雾算法
《Optics & Laser Technology》:Single image dehazing algorithm based on scattering blur prior
【字体:
大
中
小
】
时间:2026年10月24日
来源:Optics & Laser Technology 4.6
编辑推荐:
- 实验证实了浓雾中前向散射引起的边界模糊现象,并可用卷积进行建模。
- 由对比度编码图像引导的空间变化滤波可以在不进行反卷积的情况下消除前向散射。
- 该方法在严重退化图像上的表现优于当前最优方法,且计算成本相当。
引言
悬浮气溶胶(如雾和霾)由于光的吸收和散射[1],
- 实验证实了浓雾中前向散射引起的边界模糊现象,并可用卷积进行建模。
- 由对比度编码图像引导的空间变化滤波可以在不进行反卷积的情况下消除前向散射。
- 该方法在严重退化图像上的表现优于当前最优方法,且计算成本相当。
引言
悬浮气溶胶(如雾和霾)由于光的吸收和散射[1],会显著阻碍光的传输。因此,捕获的图像会经历多维度退化,表现为亮度降低、对比度下降、颜色偏差以及高频边缘细节的丢失。为了恢复视觉真实性,研究者提出了多种去雾方法,包括基于偏振的方法[2][3][4]、多模态红外辅助方法[5][6]以及多视角计算技术[7]。其中,单帧RGB去雾[8][9][10]因其硬件需求最低且可无缝集成到标准视觉流水线中而受到广泛关注。从单帧雾霾RGB输入中重建无约束的清晰场景是一个高度不适定问题,但它仍然是空中成像[11]、视觉检索[12][13]、遥感[14][15]和图像分类[16][17]等下游应用的关键前提。
现有的单帧RGB去雾技术大致可分为三种范式:图像增强、深度学习和基于物理模型的方法。增强方法具有场景适应性,但本质上会将大气光与目标辐亮度混合,通常导致次优的重建效果,并在中度到重度雾霾条件下加剧色彩失真[18][19][20]。相比之下,数据驱动的深度学习方法面临一个根本性瓶颈,即真实雾霾-清晰图像对数据的匮乏。尽管合成数据集被广泛用于训练数据增强,但合成生成雾霾与物理真实雾霾之间固有的域差距严重损害了模型在真实场景中的泛化性能[21][22]。为了克服对配对训练数据的依赖,近期研究利用最优传输框架和生成扩散模型来实现稳健的非配对学习,并在多种天气条件下实现统一图像修复[23][24][25]。此外,为缓解纯数据驱动模型固有的弱归纳偏置并增强对真实场景的泛化能力,近期进展明确地将物理先验和结构约束纳入新型深度学习架构中——例如感知解码扩散模型和先验引导的Transformer网络[26][27][28][29]。然而,数据驱动的深度学习方法通常受限于泛化能力,尤其是在出现严重图像细节丢失时。基于物理模型的方法——其基于McCartney大气散射模型[30]——在很大程度上避免了这些泛化问题。值得注意的是,开创性的暗通道先验(DCP)[8]通过估计介质透射率图实现了单图像重建。然而,DCP依赖于刚性假设,这些假设在天空或强光照区域常常失效,导致由于忽略波长相关的透射率变化而出现严重的色彩伪影。虽然后续工作改进了DCP——例如,Long等人[9]使用低通滤波来抑制光晕伪影,Li等人[10]应用粒子群优化进行天空区域分割——但根本性局限仍然存在。除DCP外,还提出了其他物理先验。Zhu等人[31]引入了颜色衰减先验用于线性场景深度估计,Berman等人[32]提出了一种非局部去雾算法,利用清晰图像颜色簇的雾霾线分布。此外,He等人[33]开发了基于异质大气光先验引导的边缘保持滤波的透射率估计框架,并在遥感中表现出色。与此同时,经典物理模型通过融合精细解析先验和高级变分框架——特别是贝叶斯启发的分数阶模型和混合正则化策略——经历了重要复兴,从而实现了对包括非均匀光照和夜间辉光在内的复杂真实世界退化的稳健抑制[34][35][36][37]。尽管如此,这些方法存在一个共同的局限性:其参数估计严重依赖于相对清晰图像区域的存在。在极端浓雾条件下——其特征为严重的空间模糊和大幅信号衰减——此类数学受限的估计表现出明显的稳定性不足,从而损害了基础技术的稳健性。
为应对极端浓雾中视觉信号的灾难性退化,我们提出了一种新颖的散射模糊先验(SBP)。我们的核心认识是,浓雾中图像的退化源于两个不同的模糊过程:后向散射降低对比度,前向散射导致空间模糊。基于此,SBP直接从物理形成机制出发,对观测图像进行基于卷积的分解,以有效分离多散射目标光与模糊的大气背景。具体而言,我们构建了一个轻量级大气散射估计模块,建立从退化观测到其各个散射分量的物理基础映射。我们进一步引入了一种联合处理框架,将全局预处理与局部自适应精化平滑整合,以实现高保真去雾。由于我们的先验精确捕捉了散射引起模糊的物理本质,算法对严重掩盖的弱纹理获得了锐利的感知能力,并自适应地增强局部细节。大量实验表明,我们的方法在极端环境(尤其是低光照浓雾)中表现出卓越的稳健性。通过在极端浓雾条件下实现计算效率与感知恢复保真度之间的有利平衡,所提出的SBP框架可作为现有视觉系统的稳健预处理模块——从而根本性地拓展其在恶劣视觉条件下的操作能力。
段落摘要
大气散射模型
在雾霾环境中,相机传感器捕获的光学信号不仅包含衰减的场景辐亮度,还包括散射进入视线的环境光。Narasimhan等人[38]提出的大气散射模型描述了这一信号混叠过程。数学上,雾霾图像的形成被表述为直接衰减的目标光与大气光的线性组合:
I(x,y,λ) = J(x,y,λ)·e^(-β_λ·d) + A∞(λ)·(1-e^(-β_λ·d)) = J(x,y,λ)·t(x,y,λ) + A∞(λ)·(1-t(x,y,λ)) = D(x,y,λ) + A
全局预处理
在严重雾霾条件下,目标物体的空间层次和深度线索严重退化——损害了参数估计的可靠性。为应对这一挑战,我们引入一个全局预处理阶段来恢复粗糙的结构信息,从而为后续的精细估计建立物理基础。
首先,将雾霾观测图像 I(x,y) 与高斯低通滤波器(参数化标准差为σ?)进行卷积,以
场景辐亮度恢复
场景辐亮度可以基于初始大气散射模型进行恢复。
首先,无穷远处的全局大气光 A_f(x,y) 通过将估计的大气光图 A_f(x,y) 的峰值强度乘以经验放大因子η(在我们的实现中设为1.35)来近似。回顾基本的大气光公式:
A(x,y) = A∞·(1-t(x,y))
我们可以显式地将空间透射率图 t(x,y) 表达为:
t(x,y) = 1 - A(x,y)/A∞ = 1 - A_f(x,y) / (η·max[A_f(:)])
代入此
去雾质量与其他算法的对比
为验证所提出的基于大气模糊先验的单图像去雾算法的有效性,我们在八种不同的雾霾场景(场景6~8源自BeDDE[44]数据集)中进行了全面评估。所提出的SBP与多种当前最优(SOTA)方法进行对比:AMEF[45]、CAP[31]、CEEF[46]、DCP[8]、HALP[33]、IDE[47]、NLD[32]、IHDCP[35]、4KDehazing[48]、DehazeFormer[49]和SFMN[50]。通过严格的定性(视觉)和定量
结论
基于对大气散射模型中图像退化机制的严格物理分析,本文提出了一种新颖的散射模糊先验(SBP)。在物理学领域,该SBP将浓雾的模糊效应描述为后向散射引起的对比度压缩和前向散射引起的边界扩散的叠加结果。基于此先验,我们开发了一个单帧去雾框架,将全局预处理与局部平滑整合
CRediT作者贡献声明
刘宇:撰写——审稿与编辑、撰写——原稿、监督、项目管理、方法论、调查、资金获取、正式分析、概念化。邓文豪:撰写——原稿、可视化、验证、软件、方法论、调查、正式分析、数据整理。黄峰:撰写——原稿、监督、资源、项目管理。
利益冲突声明
作者声明他们不存在可能影响本论文所述工作的已知竞争性经济利益或个人关系。
致谢
本工作部分由国家自然科学基金资助(批准号62305062)。
刘宇 | 邓文豪 | 黄峰
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号