結(jié)合天空分割和金字塔融合的多尺度圖像去霧

肖新杰，李志偉，，張楠楠，孫雨晴，周武能

（1.上海工程技術(shù)大學 電子電氣工程學院，上海 201620；2.東華大學 信息科學與技術(shù)學院，上海 201620）

0 概述

霧霾是光在空氣中傳播產(chǎn)生散射的主要因素之一，霧霾場景所獲得的圖像存在對比度下降、細節(jié)丟失和色彩失真等視覺退化現(xiàn)象，不利于目標檢測和目標追蹤等高水平的計算機視覺任務［1-3］。因此，實現(xiàn)圖像的有效去霧，復原出高質(zhì)量的清晰圖像對開展高水平計算機任務具有重要的理論意義和應用價值。

目前的主流圖像去霧方法包括使用先驗知識的方法［4-6］和基于深度學習的方法［7-9］。使用先驗知識的方法采用大量清晰圖像所遵循的客觀規(guī)律估計介質(zhì)透射率和大氣光值，進而采用大氣散射模型［10-12］復原無霧圖像。文獻［13-14］根據(jù)清晰圖像中至少有一個通道的強度值接近于零的假設提出了暗通道先驗（DCP）方法，該方法首先通過暗通道先驗理論估計透射率值，然后使用引導濾波細化透射率圖。暗通道先驗方法具有去霧能力強、運行速度快等優(yōu)點，但對于具有大面積天空區(qū)域的圖像，暗通道先驗理論失效，復原的無霧圖像亮度偏低且出現(xiàn)色彩扭曲現(xiàn)象。在上述暗通道先驗理論中，大氣光值和介質(zhì)透射率共同決定了復原無霧圖像的亮度、對比度和色彩準確性。為了精確求取透射率值，文獻［15］提出散射立方法估計暗通道圖像，但復原的無霧圖像天空區(qū)域仍然會存在光暈和亮度偏低的現(xiàn)象。為了克服天空區(qū)域存在的光暈現(xiàn)象，文獻［16］提出四階偏微分方程模型優(yōu)化介質(zhì)透射率，該方法去霧能力強、穩(wěn)定性好，但對于霧霾分布不均勻的圖像，會出現(xiàn)霧霾殘留和亮度偏低的現(xiàn)象。上述基于先驗知識的方法，僅能在特定場景下取得較好的去霧效果，且復原的無霧圖像存在亮度低和色彩扭曲等問題。

基于深度學習的方法又可細分為2 類：第1 類是應用深度學習估計復原無霧圖像所需的參數(shù)，進而得到無霧圖像［7-8］，如文獻［8］將透射率值和大氣光值用一個等價變量表示，并在圖像像素域中通過最小化重建誤差估計等價變量，該方法具有去霧效果好、運行速度快等優(yōu)點，但復原的無霧圖像亮度偏低；第2 類是不借鑒物理模型和先驗知識，直接學習霧霾圖像與清晰圖像之間的轉(zhuǎn)換關(guān)系［17-18］，如文獻［9］提出一個包含多分辨率生成器和多尺度判別器的增強去霧網(wǎng)絡，此網(wǎng)絡不依賴物理模型和先驗知識便可輸出無霧圖像，但所復原無霧圖像存在色彩扭曲和亮度偏低的現(xiàn)象。為解決基于先驗和深度學習的去霧方法所復原無霧圖像普遍存在色調(diào)偏暗和亮度偏低的問題，文獻［19］提出一種具有曝光特性的圖像去霧方法（IDE），該方法對大氣散射模型增加一個光吸收系數(shù)，從而產(chǎn)生曝光效果，提高了所復原無霧圖像的亮度。該方法不依賴于先驗知識和數(shù)據(jù)訓練，運行速度快且具有較高的魯棒性。盡管該方法在解決復原圖像偏暗問題上取得了較好的效果，但存在過度曝光的問題。

為解決傳統(tǒng)去霧方法所復原圖像存在的對比度下降、色調(diào)偏暗和過度曝光的問題，本文提出一種結(jié)合天空分割和金字塔融合的多尺度去霧方法。首先介紹暗通道先驗和增強型大氣散射模型（IDE 去霧理論）；然后利用含有梯度的分水嶺算法與均值濾波處理天空區(qū)域，生成天空區(qū)域得分圖，使用最高得分所對應最亮天空區(qū)域的平均灰度值獲取更準確的大氣光值；最后融合DCP 去霧能力強和IDE 提升復原無霧圖像亮度的優(yōu)點，設計一種基于圖像金字塔的多尺度透射率融合方法，根據(jù)所求大氣光值和透射率融合還原出清晰圖像。

1 暗通道先驗和增強型大氣散射模型

1.1 大氣散射模型

針對霧天能見度低、圖像模糊不清的問題，研究人員通過構(gòu)建大氣散射模型（ASM）來解釋霧天圖像成像的過程［10-12］，其表達式為：

其中：x是圖像中的像素點位置；i為通道索引且i?{r,g,b}；Hi(x)為霧霾圖像；Ci(x)為清晰圖像；Ai為大氣光值；t(x)為透射率。從大氣散射模型表達式可以看出，想復原出高質(zhì)量無霧清晰圖像的關(guān)鍵是精確求取大氣光值A(chǔ)i和透射率t(x)，大氣散射模型的提出為圖像去霧奠定了理論基礎(chǔ)。

1.2 暗通道先驗

文獻［13］根據(jù)無霧圖像的暗通道圖數(shù)據(jù)觀察發(fā)現(xiàn)，無霧圖像中至少有一個顏色通道的像素點非常低，進而提出暗通道先驗（DCP）理論，且將暗通道圖像Cdark表示為：

其中：Ω(x)為局部圖像塊；Ci(y)是清晰圖像中的一個顏色通道圖像。根據(jù)DCP 理論可知：

對式（1）兩端同時進行最小值處理，并進行數(shù)學變換，可以得到透射率圖t(x)：

其中：λ通常取0.95，目的是為了使圖像保持一定的霧感，看起來更自然。

根據(jù)大氣散射模型可知，所復原的無霧圖像為：

其中：t0通常取0.1。

由于天空區(qū)域灰度值偏高，不存在至少有一個顏色通道的像素點非常低的情況，且在顏色較深的場景下，暗通道先驗估計的介質(zhì)透射率強度值較低，導致所復原的無霧圖像中存在對比度下降、色調(diào)偏暗和過度曝光的問題。

1.3 增強型大氣散射模型

由于光可以在紋理中被吸收，且光吸收率與紋理密度成正相關(guān)，即紋理密度越高，光吸收率越大，因此大氣散射模型（ASM）中的大氣光對不同的場景具有不同的照明效果。無霧圖像中景深較小的目標比景深大的目標具有更豐富的紋理，因此景深較小的目標具有更大的光吸收率。而大氣散射模型（ASM）忽略了光吸收率與景深的關(guān)系，致使基于大氣散射模型的去霧方法所復原的無霧圖像中存在偏暗的問題。為消除此問題，文獻［19］提出在大氣散射模型中增加一個光吸收系數(shù)構(gòu)成增強的大氣散射模型，稱為IDE 模型，即：

其中：α(x)是光吸收系數(shù)，且α?(0,1]；ρ(x)是場景反照率。

因為α(x)隨著場景深度d的增加而衰減，且其最大值為1，被定義為：

場景深度d(x)與t(x)相關(guān)且遵循：

其中：β是大氣衰減系數(shù)。聯(lián)立式（6）～式（8），可得具有曝光能力的增強大氣散射模型為：

其中：tmin是t(x)中的最小值。

根據(jù)灰 度世界假設［20］，ρ(x)取0.5，線性擬 合ln(t(x))和使用全局搜索策略求解ln(tmin)，求得t(x)，進而結(jié)合ASM 復原具有曝光特性的無霧圖像。IDE 去霧方法不依賴于任何訓練過程，也不需要與場景深度相關(guān)的額外信息，不僅運算速度快，而且具有較高的魯棒性。然而在IDE 求解透射率的過程中，假定ρ(x)常數(shù)為0.5，而實際場景的ρ(x)是與圖像大小相同的矩陣，且相應數(shù)值不全是0.5，導致所復原無霧圖像中存在過度曝光和霧霾殘留的現(xiàn)象。

2 多尺度圖像去霧方法

2.1 本文方法的去霧原理

在先前的去霧方法中，暗通道先驗（DCP）具有較強的去霧能力，但所復原的無霧圖像的色調(diào)偏暗；IDE 通過引入一個光補償系數(shù)提高了所復原的無霧圖像的亮度和對比度，然而所復原的無霧圖像出現(xiàn)了過度曝光和霧霾殘留的問題。為了規(guī)避圖像中存在對比度下降、色調(diào)偏暗和過度曝光的問題，本文提出結(jié)合天空分割和金字塔融合的多尺度圖像去霧方法，該方法結(jié)合了DCP 去霧能力強和IDE 提高去霧圖像亮度的優(yōu)點，生成高質(zhì)量的去霧圖像，原理如圖1 所示。首先利用與梯度結(jié)合的分水嶺算法粗略分割天空區(qū)域圖像，使用均值卷積核對分割得到的天空區(qū)域圖像進行卷積，得到大氣光值得分圖，選取最高得分對應的最亮天空區(qū)域獲得大氣光值。然后使用基于圖像金字塔的多尺度感知融合方法，融合DCP 和IDE 估計的透射率。最后結(jié)合大氣光值和大氣散射模型復原無霧圖像。

圖1 結(jié)合天空區(qū)域分割和透射率的圖像去霧方法原理Fig.1 Principle of image dehazing method combining sky region segmentation and transmittance

2.2 基于天空區(qū)域得分圖求取大氣光值

文獻［13］使用暗通道圖像中最亮的前0.1%的像素點的平均值作為大氣光值。然而對于含有大面積白色物體的圖像，暗通道先驗的方法往往會選取錯誤的像素點求取大氣光值，導致所復原的無霧圖像出現(xiàn)顏色扭曲等現(xiàn)象。

為了提高估計大氣光值A(chǔ)的準確性，本文提出一種估計天空區(qū)域得分圖的大氣光值求取方法。首先采用與梯度結(jié)合的分水嶺算法，粗略地分割天空區(qū)域，再使用均值卷積核求取天空區(qū)域得分圖，選取最高得分對應的最亮天空區(qū)域的均值作為大氣光值。如圖2 所示，首先把彩色圖像轉(zhuǎn)成灰度圖，再使用具有半徑為5 個像素的圓形濾波器的梯度算子計算梯度圖像，并將梯度值小于10 的點作為開始標記點。其次使用分水嶺算法即可得到粗略分割的天空區(qū)域圖像。根據(jù)文獻［1］可知，灰度值閾值大于204并且連通區(qū)域的像素數(shù)量大于整幅圖像像素數(shù)量的5%的連通區(qū)域可認為是天空區(qū)域。

圖2 天空區(qū)域得分圖計算流程Fig.2 Calculation procedure of sky area score map

值得注意的是，這里將天空區(qū)域圖像分割分為多個固定大小的圖像塊，并計算其得分，可以準確地找到最亮的天空區(qū)域。本文采用均值卷積核與天空區(qū)域圖像進行卷積，計算天空區(qū)域的得分圖，且卷積核的大小為輸入霧霾圖像的0.1%。

其中：天空區(qū)域圖像Segmented 的形狀為(H,W)；(KKS,KKS)和(H-KKS,W-KKS)分別表示均值卷積核KKernel和天空區(qū)域得分圖SScoremap的形狀。再找到得分圖中得分最高點的位置坐標ppos，進而獲取最亮的天空區(qū)域bbrightsky，其表達形式為：

其中：argmax(·)和findpos(·)分別表示尋求最大值和尋找坐標操作，使用得分最高點的位置坐標截取最亮的天空區(qū)域。大氣光值可以被表示為：

其中：Ai表示一個通道的大氣光值，且i?{r,g,b}；mean(·)表示均值操作。

2.3 基于圖像金字塔的多尺度感知融合方法

針對所復原的無霧圖像中存在對比度下降、色調(diào)偏暗和過度曝光的問題，提出一種基于圖像金字塔的多尺度感知融合方法，通過融合DCP 和IDE 所獲取的透射率，估計出更精確的透射率。圖像金字塔的每個尺度都具有豐富的語義信息，對于融合后的圖像在紋理特征方面具有合理的過渡性，融合后的透射率圖更平滑，該透射率結(jié)合了DCP 和IDE 的優(yōu)點，最大程度地還原了圖像場景的風格特點。

基于圖像金字塔的多尺度感知融合方法原理圖如圖3 所示。

圖3 基于圖像金字塔的多尺度感知融合方法Fig.3 Multi-scale perceptual fusion method based on image pyramid

首先，分別估計暗通道先驗和IDE 的透射率圖，使用Laplacian 圖像金字塔將tDCP和tIDE分解為多個尺度。使用感知融合方法［21］分別融合tDCP和tIDE圖像金字塔的每一層，構(gòu)建tfusedLaplacian 圖像金字塔。最后，重建tfusedGaussian 金字塔，Gaussian 金字塔的最底層G1(F)就是融合后的透射率圖tfused。

tDCP和tIDELaplacian 圖像金字塔的構(gòu)建過程為：

其中：Ln(X)和Ln(Y)分別表示tDCP和tIDELaplacian 圖像金字塔，且n?{1，2，3，4，5}；Gn(X)和Gn(Y)分別表 示tDCP和tIDEGaussian 圖像金字塔；Ln(F) 表 示tfusedLaplacian 圖像金字塔。

感知融合方法［21］被用來融合tDCP和tIDELaplacian圖像金字塔。首先分別使用暗通道先驗（DCP）和IDE 復原的無霧圖像計算與輸入霧霾圖像的相似度，再使用Softmax 計算融合權(quán)重，最后融合暗通道先驗和IDE 的透射率圖Laplacian 金字塔的每一層Ln(X)和Ln(Y)。

暗通道先驗和IDE 復原的無霧圖像與輸入霧霾圖像的相似度計算主要依靠YIQ 和LMN 顏色空間提取特征［22-23］，其計算公式如下：

其中：Y是YIQ 顏色空間中的一個顏色通道；x是圖像中的像素；Gx(x)和Gy(x)是Y通道中在x處的偏導數(shù)；M和N分別是LMN 顏色空間中的顏色通道。根據(jù)文獻［21］中的相似度計算方法分別計算HCDCP和HCIDE，其計算公式如下：

其中：GH(x)、GDCP(x)和GIDE(x)分別表示霧霾圖像、DCP 和IDE 復原的無霧圖像的G(x)值。再通過相似度圖像和Softmax 計算FDCP和FIDE融合權(quán)重，融合權(quán)重可以被表示為：

使用FDCP和FIDE融合權(quán)重融合透射率圖Ln(X)和Ln(Y)，Ln(F)可以被定義為：

其中：⊙為逐像素點乘操作。最后，重建Gaussian 金字塔Gn(F) 復原融合后的透射率圖tfused，重建Gaussian 金字塔的每一層可以被表示為：

其 中：n?{1,2,3,4}；up-sample(·)為上采 樣操作［24］，采用反卷積的方法使Gn+1(F)的大小在行和列方向分別增大一倍。

高斯金字塔Gn(F)的最底層就是復原的融合透射率tfused，即：

受文獻［25-26］啟發(fā)，本文采用導向濾波得到精細的融合透射率trefined：

其中：GGF(·)表示導向濾波操作。

2.4 無霧圖像復原

從大氣散射模型可知，使用大氣光值A(chǔ)和融合透射率trefined可以復原無霧圖像，聯(lián)立式（1）、式（15）和式（29）可以得到復原的無霧圖像Ci(x)：

其中：t1取0.1，為了防止透射率趨近于0，導致復原的無霧圖像過度曝光。所提出的結(jié)合天空分割和金字塔融合的多尺度圖像去霧方法成功去除了霧霾，并規(guī)避了傳統(tǒng)方法復原的無霧圖像色調(diào)偏暗和過度曝光的問題。

3 實驗結(jié)果與分析

實驗是在一臺具有處理器Intel?CoreTMi5-11400HQ CPU@2.70 GHz 和16 GB RAM 的惠普 電腦上使用MATLAB 2022a 和Python 3.9 開展的。所使用測試數(shù)據(jù)集分別是合成目標測試集SOTS 和混合主觀測試集HSTS［27］。本文實驗使用圖像去霧任務中常用的峰值信噪比（PSNR）和結(jié)構(gòu)相似性（SSIM）［28］作為性能指標，其值越高表示復原無霧圖像的質(zhì)量越高。為驗證所提去霧方法的有效性，分別從合成霧霾圖像和真實霧霾圖像兩方面與已報道的典型方法開展對比實驗，對比方法包括傳統(tǒng)方法DCP［13］、CAP［5］和IDE［19］和基于 深度學 習的方 法AOD-Net［8］、TCN［17］。

3.1 主觀評價

3.1.1 主觀分析透射率圖

對于基于大氣散射模型的去霧方法，生成高質(zhì)量的透射率圖是復原無霧圖像的關(guān)鍵。為證明所提基于圖像金字塔的多尺度感知融合方法估計透射率的有效 性，將本文 方法與 典型的DCP［13］、IDE［19］和CAP［5］方法做比較，實驗結(jié)果如圖4 所示。圖4（a）分別是霧霾圖像和其相應的真實圖像，圖4（b）～圖4（e）分別是相應霧霾圖像使用不同方法估計的透射率圖和相應復原的無霧圖像。DCP 得到的透射率結(jié)果天空區(qū)域強度較低，并且在圖像分界處具有不連續(xù)性，導致復原的無霧圖像的天空區(qū)域出現(xiàn)偽邊緣和顏色失真，在DCP 復原的無霧圖像中，霧霾圖像P1 復原的天空區(qū)域出現(xiàn)了嚴重的顏色扭曲和偽邊緣，P2 復原的無霧圖像的左下角明顯偏暗［見圖4（b）］。IDE得到的透射率圖整體強度值偏高，導致復原的無霧圖像亮度過高且有霧霾殘留，復原P1 和P2 的無霧圖像的左下角與真實圖像相比亮度過高，且復原P2 的無霧圖像的左下角疑似有霧霾殘留［見圖4（c）］。由文獻［29］可知，在景深一致時，透射率圖中的同一場景目標的強度值應基本一致，然而CAP 估計的透射率圖違反了這一規(guī)律，其估計的透射率圖強度值偏低，且透射率圖的場景目標有過多的紋理細節(jié)，導致復原的無霧圖像產(chǎn)生色偏［見圖4（d）］。而本文所提方法估計的透射率圖避免了天空區(qū)域強度值偏低的情況，也避免了透射率圖整體強度值偏高，所復原的無霧圖像既不偏暗也不過亮，最接近于真實圖像［見圖4（e）］，這歸因于所提的基于圖像金字塔的多尺度感知融合方法在不同尺度融合了DCP 和IDE 的透射率圖，即結(jié)合了DCP 和IDE 算法的優(yōu)點。

圖4 不同方法生成的透射率圖及復原結(jié)果比較Fig.4 Comparison of the transmittance maps and recovery results generated by different methods

3.1.2 主觀分析圖像的去霧結(jié)果

為了驗證所提方法的有效性，分別在SOTS 數(shù)據(jù)集和HSTS 數(shù)據(jù)集上開展了主觀評價對比實驗。所提方法與典型的5 種方法在SOTS 數(shù)據(jù)集上的主觀評價對比如圖5 所示。實驗從SOTS 的室內(nèi)和室外圖像中分別選取兩張圖像。DCP、CAP和AOD-Net對于去霧的效果具有極好的表現(xiàn)，但是復原的無霧圖像部分區(qū)域存在色調(diào)偏暗、對比度低的現(xiàn)象，圖5中的T1和T2，桌椅處相比于真實圖像較暗［見圖5（b）～圖5（d）］。IDE 和TCN 是為了解決基于大氣散射模型的方法復原的無霧圖像亮度偏低而提出的，IDE 復原的無霧圖像達到了很好的視覺效果，但由于其估計的透射率圖的強度整體偏高，出現(xiàn)了過度曝光的現(xiàn)象［見圖5（e）］，TCN 也提高了所復原無霧圖像的亮度，但卻出現(xiàn)了色彩扭曲的現(xiàn)象。與前5 種典型的方法相比，所提方法更接近于真實圖像，既沒有色調(diào)偏低和對比度低的現(xiàn)象，也沒有過度曝光和顏色扭曲的現(xiàn)象。綜合主觀評價對比實驗，證明所提方法對于圖像去霧的有效性，得益于基于圖像金字塔的多尺度感知融合方法估計的融合透射率圖，融合了DCP 去霧能力強和IDE 提高復原無霧圖像亮度的優(yōu)點，克服了色調(diào)偏暗、對比度低和過度曝光的問題。

圖5 在SOTS 數(shù)據(jù)集上的主觀評價對比實驗Fig.5 Subjective evaluation comparison experiments on the SOTS dataset

圖6 是不同方法在HSTS 測試集真實圖像上的主觀評價對比結(jié)果。DCP 對于含有天空區(qū)域和大塊白色物體圖像的處理結(jié)果，依舊出現(xiàn)了天空區(qū)域顏色失真和色調(diào)偏暗的現(xiàn)象［見圖6（b）］。CAP 由于估計的透射率圖的強度整體偏低，因此其所復原無霧圖像整體亮度偏低［見圖6（c）］。AOD-Net 展現(xiàn)出了良好的去霧能力，但其所復原無霧圖像也存在色調(diào)偏暗的現(xiàn)象［見圖6（d）］。為了提升所復原無霧圖像亮度而提出的IDE 與TCN 確實提升了圖像的亮度和對比度，但IDE 卻因為估計的透射率圖的強度整體偏高而有霧霾殘留，TCN 則是出現(xiàn)了顏色扭曲現(xiàn)象。所提方法展現(xiàn)出了較強的去霧能力，所復原無霧圖像既沒有出現(xiàn)顏色失真的現(xiàn)象，也沒有出現(xiàn)對比度低和過度曝光的情況［見圖6（g）］，得益于本方法所估計的透射率更接近真實值，避免了融合透射率圖的天空區(qū)域強度過低和整體強度偏高的極端情況。

圖6 在HSTS 數(shù)據(jù)集上真實世界圖像上的主觀評價對比實驗Fig.6 Subjective evaluation comparison experiments on real-world images on the HSTS dataset

圖7 是在HSTS 數(shù)據(jù)集中合成圖像上的主觀評價對比實驗。圖7 展現(xiàn)了所提方法與典型的5 種方法的主觀評價比較，DCP、CAP 和AOD-Net 的方法都取得了較為理想的無霧圖像，但其復原無霧圖像中植物的對比度偏低［見圖7（b）～圖7（d）］。IDE 對比度過高且植物的顏色略有失真，TCN 復原的無霧圖像的天空區(qū)域出現(xiàn)失真現(xiàn)象［見圖7（e）和圖7（f）］。所提方法所復原無霧圖像的天空區(qū)域沒有出現(xiàn)顏色失真的現(xiàn)象，植物等顏色較深物體的對比度適中，沒有出現(xiàn)偏暗和過度曝光的問題，所提方法復原的無霧圖像在風格特點上最接近于真實圖像［見圖7（g）］。

圖7 在HSTS 數(shù)據(jù)集上合成圖像上的主觀評價對比實驗Fig.7 Subjective evaluation comparison experiments on synthetic images on the HSTS dataset

3.2 客觀評價

為了客觀地驗證所提方法的普適性，分別在SOTS 數(shù)據(jù)集和HSTS 數(shù)據(jù)集上開展了客觀評價對比實驗，由于真實世界的霧霾圖像沒有真實圖像，因此實驗只對合成霧霾圖像進行了客觀評價對比。在SOTS 數(shù)據(jù)集上與當前國內(nèi)外主要方法的客觀評價對比結(jié)果見表1，分別在室內(nèi)和室外測試圖像上與5 種最先進的方法對比PSNR 和SSIM 指標。可以看出所提方法分別在500 張室內(nèi)測試圖像和500 張室外測試圖像上的PSNR 和SSIM 指標的平均值都得到了最好的結(jié)果，且分別比第2 好的結(jié)果高出1.545 dB、0.005 和0.349 dB、0.014，體現(xiàn)出所提方法具有一定的泛化性，對于室內(nèi)和室外的圖像，都有較理想的去霧效果。

表1 在SOTS 數(shù)據(jù)集上的客觀評價對比Table 1 Objective evaluation comparison on the SOTS dataset

表2 是在HSTS 數(shù)據(jù)集中合成圖像上的客觀評價對比實驗，其對應的視覺效果見圖7。由表2 可知，所提方法對于圖7所示圖像I1、I2、I3 和I4 在PSNR 和SSIM 性能指標上得到了較好的結(jié)果，對于圖像I1 的PSNR 與最優(yōu)值CAP 非常接近，但SSIM 優(yōu)于CAP；圖像I2 和I4 所對應的PSNR 和SSIM 優(yōu)于所有的對比方法；對于圖像I3，所提方法的SSIM 非常接近表現(xiàn)最好的DCP，并且PSNR 超過了DCP。

表2 在HSTS 數(shù)據(jù)集上合成圖像上的客觀評價對比Table 2 Objective evaluation comparison on synthetic images on the HSTS dataset

綜上所述，在真實世界測試圖像和合成圖像上的主觀評價和客觀評價對比實驗中，所提方法不僅展現(xiàn)出了優(yōu)秀的去霧能力，也復原出了高質(zhì)量的無霧圖像，究其原因是所提方法綜合了DCP 和IDE 方法的優(yōu)點，估計出了更合理的透射率圖，遺棄了DCP透射率圖強度值過低的缺點，也改善了IDE 透射率圖整體強度值過高的劣勢，使復原的無霧圖像具有較高的質(zhì)量。

4 結(jié)束語

針對傳統(tǒng)圖像去霧方法所復原的無霧圖像對比度過低、色調(diào)偏暗和過度曝光的問題，提出一種結(jié)合天空分割和金字塔融合的多尺度圖像去霧方法，結(jié)合天空分割和計算天空區(qū)域得分圖，可以精確地估計出大氣光值。通過基于圖像金字塔的多尺度感知融合方法估計合理的透射率圖，避免透射率圖強度值過低和整體強度值偏高的問題，改善無霧圖像中出現(xiàn)的顏色失真和過度曝光現(xiàn)象。實驗結(jié)果表明，所提方法具有較強的去霧能力，且能夠復原出高質(zhì)量的無霧圖像，在主觀評價和客觀評價對比實驗中取得了優(yōu)異的表現(xiàn)。下一步將結(jié)合基于深度學習的圖像生成方法與去霧能力較強的傳統(tǒng)方法進行研究，以生成高質(zhì)量和高可見度的無霧圖像。