基于新型解耦散射模型结合中性像素与视觉深度先验的自适应大气光估计去雾方法

《Journal of Imaging》：Adaptive Atmospheric Light Estimation for Dehazing via a Novel Decoupled Scattering Model with Neutral-Pixel and Visual-Depth Priors

　　

准确的大气光（Atmospheric Light, AL）估计是实现高质量图像去雾的关键前提。现有方法通常假设大气光在空间上均匀分布，并依赖从远景像素进行启发式估计，往往导致去雾结果出现色彩失真与曝光失衡。针对该问题，本研究提出了一种将大气光解耦为独立的颜色与强度分量的新型框架。具体而言，引入中性像素先验（Neutral Pixel Prior, NPP）以实现精确的大气光颜色估计，从而消除色偏现象；对于大气光强度估计，研究人员开发了一种自适应全局-局部融合策略，该策略整合亮度感知变换（Luminance Perception Transformation, LPT）与深度相关颜色先验（Depth-Related Color Prior, DRCP），以实现均衡曝光。大量实验表明，该方法在大气光估计精度上显著优于现有先进方法，所得去雾图像具有更优的色彩保真度与自然光照效果。

图像去雾技术是计算机视觉与图像处理领域的重要研究方向，其核心目标是从单幅有雾图像中恢复出清晰的无雾场景。大气散射模型（Atmospheric Scattering Model, ASM）是当前图像去雾的主流理论框架，该模型将雾天成像过程描述为场景辐射与大气光的线性组合，其中大气光（Atmospheric Light, AL）参数的准确估计直接影响去雾结果的色彩保真度与曝光均衡性。然而，现有大气光估计方法存在两个根本性局限：一是过度简化的全局均匀性假设，忽视了自然光照条件的空间变化特性；二是颜色与强度分量的纠缠恢复机制，未能将光谱色偏与局部自适应作为独立的物理实体分别处理。具体而言，早期启发式方法直接从原始像素统计量推断大气光，如选取最亮强度、假设标准白光或采用各通道最大值，这些方法难以区分环境 illumination 与场景物体的固有反射特性，易将明亮的前景物体误判为无穷远处的光源，导致大气光幅度的高估与欠曝光结果。后续研究虽引入了暗通道先验（Dark Channel Prior, DCP）、非局部雾线模型、秩一先验（Rank-One Prior, ROP）、颜色恒常性先验（Color Constancy Prior, CCP）等复杂场景先验，或利用内部块重复性、四叉树递归搜索等结构递归方法，但仍在全局均匀性假设下采用耦合估计机制，在复杂非均匀光照环境中仍存残留色偏与曝光失衡问题。

为克服上述局限，本研究提出了一种基于物理的解耦框架，其核心贡献包括三个方面：第一，对大气散射模型进行物理重构，将大气光分解为独立的颜色向量与强度标量；第二，提出中性像素先验（Neutral Pixel Prior, NPP），利用大气光与中性场景元素之间的固有色度一致性实现鲁棒的光谱色偏估计；第三，构建双路径强度估计策略，通过自适应全局-局部融合实现最优曝光平衡。该研究成果发表于《Journal of Imaging》期刊。

研究采用的关键技术方法主要包括以下方面。在模型层面，将传统大气散射模型中的大气光参数重构为归一化颜色向量^H与空间自适应强度标量^l的乘积形式，实现颜色与强度的物理解耦。在颜色估计方面，提出中性像素先验，通过对数域局部方差分析识别细节区域中的可检测中性像素（Detectable Neutral Pixel, DNP），采用Minkowski范数聚合候选像素颜色以估计全局大气光颜色；该方法涉及3×3方差窗口与5×5平滑滤波的最优参数配置，以及0.15%的采样率。在强度估计方面，提出基于亮度感知变换（Luminance Perception Transformation, LPT）的局部强度估计与基于深度相关颜色先验（Depth-Related Color Prior, DRCP）的全局强度估计，并通过受Beer-Lambert定律启发的自适应指数衰减加权机制融合两者；其中DRCP利用蓝通道亮度与视觉深度的正相关性以及图像细节与深度的负相关性构建感知因子，LPT通过局部区域最大值提取并辅以引导滤波平滑，融合权重由Otsu阈值自适应确定。

研究结果部分按照以下结构展开。

一、大气光解耦与模型重构。研究人员将大气光分解为归一化颜色向量^H与标量强度^l(x)，相应重构的大气散射模型为^I(x)=^t(x)^J(x)+^H·^l(x)·(1?^t(x))。该模型在颜色向量为光谱中性且强度空间恒定时退化为传统模型，保持了向后兼容性；颜色分量用于消除色偏，强度分量用于解决曝光失衡。

二、基于中性像素先验的大气光颜色估计。研究发现中性像素在SOTS、D-HAZE、NH-HAZE、I-HAZE、O-HAZE五个标准有雾数据集中普遍存在（图3）。鉴于均匀感知区域因颜色 cast 导致检测困难，研究人员在具有局部强度变化的纹理区域识别可检测中性像素，利用对数域三通道局部方差相等性作为判别依据。通过定义尺度不变的中性指数^P(x)并引入强度加权过滤，选取最优0.15%采样率的候选像素集合，以Minkowski范数（阶数为5）聚合估计大气光颜色。除以估计颜色向量^H可对有雾图像进行颜色校正，得到保留强度自适应的传统模型形式。

三、基于亮度感知变换与深度相关颜色先验的大气光强度估计。针对全局均匀强度假设导致的曝光伪影，研究人员提出全局-局部双路径策略。局部强度^l_local通过亮度感知变换获取，基于局部区域最大像素强度为大气光强度提供渐近无偏估计，并经引导滤波正则化；全局强度^l_global通过深度相关颜色先验估计，该先验利用蓝通道亮度与视觉深度的正相关性及图像细节与深度的负相关性构建感知因子D(x)，选取最小D(x)值的0.1%像素作为候选相对无穷远像素。融合阶段采用受散射介质中能见度指数衰减启发的自适应加权：^l_fused=^w_l·^l_local+(1?^w_l)·^l_global，其中权重^w_l由Otsu阈值自适应确定。消融实验（图8）验证了该融合策略在局部强光源干扰场景下的必要性，仅使用全局或局部强度均会导致局部欠曝光或高光欠曝光。

四、实验结果与讨论。研究在SOTS（500幅户外图像）、D-HAZE（55幅）、I-HAZE（30幅）、NH-HAZE（55幅）、O-HAZE（45幅）五个公开数据集及35幅自然有雾图像自定义数据集上进行评估。与DCP、HL、IPR、ROP、CCP五种基线方法的比较显示（图9-10），该方法在35幅自然图像上实现了最小的L2误差中值、均值和方差，且局部区域估计的内容不变性最优。在SOTS和NH-HAZE数据集的扩展评估中（图11），同样获得最低中值误差和最小四分位距。计算复杂度分析表明总复杂度为O(NlogN)，优于优化驱动范式。

五、泛化性验证。将该框架集成至四种基于先验的方法（DCP、ALSP、HL、ROP）和四种深度学习架构（DehazeNet、MixDehazeNet、RIDCP、MSCNN）中，采用即插即用替换或预处理校正两种策略。视觉对比（图13-14）显示该方法一致改善各框架的色彩保真度和曝光稳定性。无参考指标（FADE、e、^r₀）和全参考指标（PSNR、SSIM、CIEDE2000）的定量评估（表2-4）表明，替换后多数方法性能提升且具有统计显著性（p<0.01），在D-HAZE和NH-HAZE等密集非均匀雾数据集上提升尤为明显。少数退化案例（表2-3中红色标记）源于HL的图像增强步骤与自适应强度调谐的冲突、ROP各向传输预防过度去雾、以及合成数据真值本身含轻微色偏等。

研究讨论部分指出，当前方法假设大气光颜色全局均匀，在空间变化色度场景（如图15中的多色偏场景）中可能无法完全消除色偏。未来研究方向包括：发展空间自适应大气光估计以放松全局均匀性假设；将解耦物理先验嵌入为深度去雾架构中的轻量可训练模块；以及结合物理模型可解释性与深度学习表征能力的联合优化，以应对夜间雾和混合光照等更复杂场景。

结论部分翻译如下：本研究针对单幅图像去雾中普遍存在的色偏和曝光失衡问题，提出了一种新型解耦大气光估计框架。通过将大气光分离为独立的颜色和强度分量，该方法采用中性像素先验实现鲁棒光谱校正，并采用深度引导的自适应融合机制实现均衡曝光。这种解耦策略为大气散射模型提供了更具物理基础的重新表述。在五个公开数据集上的大量实验表明，该方法不仅实现了更优的大气光估计精度，而且持续提升多种基于大气散射模型的去雾算法在色彩保真度、曝光平衡和结构清晰度方面的性能。