在計算機視覺領域，霧天等惡劣天氣會導致圖像對比度下降、細節模糊，嚴重影響後續的目標檢測、圖像分割等任務。圖像去霧算法作為解決這一問題的核心技術，已廣泛應用於自動駕駛、監控安防、遙感航拍等場景。本文將從基礎原理出發，系統梳理傳統去霧算法與深度學習去霧算法的核心思想、實現流程，並附上Python實操代碼，幫助大家快速掌握圖像去霧技術。

一、圖像去霧的核心原理：大氣散射模型

霧天圖像的退化本質是大氣散射導致的光線衰減，所有去霧算法的核心都是基於這一物理模型反向求解。

1. 大氣散射模型公式

霧天退化圖像的數學表達為：

• ：輸入的霧天圖像（觀測值）
• ：無霧原始圖像（待求解目標）
• ：透射率，反映光線到達相機的衰減程度（，
• ：大氣光，霧天環境中的全局光照強度（通常為常數）

2. 去霧的核心目標

通過已知的 ，估算出 和 ，再代入公式推導得到無霧圖像 ：

其中

二、經典傳統去霧算法：原理與實現

傳統去霧算法的核心是通過先驗知識估算透射率 和大氣光 ，無需大量數據訓練，實時性強。

1. 暗通道先驗算法（DCP）：最經典的傳統方法

1.1 核心先驗假設

自然無霧圖像中，除了天空等亮區域，絕大多數局部區域（如 15×15 窗口）至少有一個通道（R/G/B）的像素值接近 0，這一區域稱為“暗通道”。

1.2 算法步驟

1. 計算暗通道：對霧天圖像的每個像素，在局部窗口內取 R/G/B 三通道最小值，再對整個窗口取最小值，得到暗通道圖像 。
2. 估算大氣光 A：在暗通道圖像中選取亮度最高的前 0.1% 像素，對應到原始霧天圖像中取這些像素的最大值作為 。
3. 估算初始透射率：基於暗通道假設推導初始透射率 （
4. 透射率優化：用軟matting或導向濾波對初始透射率進行平滑處理，避免去霧後圖像出現塊效應。
5. 恢復無霧圖像：代入公式計算 。

1.3 Python 實現（OpenCV）

import cv2
import numpy as np

def dark_channel(img, window_size=15):
    """計算暗通道圖像"""
    min_rgb = cv2.erode(cv2.min(img, axis=2), np.ones((window_size, window_size), np.uint8))
    return min_rgb

def estimate_atmospheric_light(img, dark_img):
    """估算大氣光 A"""
    h, w = img.shape[:2]
    # 選取暗通道中前0.1%的亮像素
    num_pixels = int(h * w * 0.001)
    flat_img = img.reshape(-1, 3)
    flat_dark = dark_img.flatten()
    # 按暗通道亮度降序排序
    indices = np.argsort(-flat_dark)[:num_pixels]
    # 取這些像素在原始圖像中的最大值作為A
    A = np.max(flat_img[indices], axis=0)
    return A.astype(np.float64)

def estimate_transmission(img, A, omega=0.95, window_size=15):
    """估算初始透射率"""
    normalized_img = img.astype(np.float64) / A
    min_norm = cv2.erode(cv2.min(normalized_img, axis=2), np.ones((window_size, window_size), np.float64))
    transmission = 1 - omega * min_norm
    return transmission

def guided_filter(img, guide, radius=60, eps=1e-3):
    """導向濾波優化透射率"""
    return cv2.ximgproc.guidedFilter(guide=guide, src=img, radius=radius, eps=eps)

def dehaze(img, window_size=15, omega=0.95, t0=0.1):
    """暗通道先驗去霧主函數"""
    # 1. 計算暗通道
    dark_img = dark_channel(img, window_size)
    # 2. 估算大氣光A
    A = estimate_atmospheric_light(img, dark_img)
    # 3. 估算初始透射率
    t_init = estimate_transmission(img, A, omega, window_size)
    # 4. 導向濾波優化透射率
    t_refined = guided_filter(t_init, img[:, :, 0], radius=60, eps=1e-3)
    # 5. 限制最小透射率，避免失真
    t_refined = np.maximum(t_refined, t0)
    # 6. 恢復無霧圖像
    img_float = img.astype(np.float64)
    J = (img_float - A) / t_refined[..., np.newaxis] + A
    # 像素值裁剪到[0,255]
    J = np.clip(J, 0, 255).astype(np.uint8)
    return J

# 測試代碼
if __name__ == "__main__":
    # 讀取霧天圖像
    foggy_img = cv2.imread("foggy_image.jpg")
    # 去霧處理
    dehazed_img = dehaze(foggy_img)
    # 保存結果
    cv2.imwrite("dehazed_image.jpg", dehazed_img)
    # 顯示對比
    cv2.imshow("Foggy Image", foggy_img)
    cv2.imshow("Dehazed Image", dehazed_img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

2. 其他傳統去霧算法對比

三、深度學習去霧算法：端到端的解決方案

傳統算法依賴人工設計的先驗，在厚霧、不均勻霧場景下效果有限。深度學習通過數據驅動自動學習去霧規律，實現端到端去霧，性能更優。

1. 深度學習去霧的核心思路

• 把去霧視為圖像復原任務：輸入霧天圖像 ，輸出無霧圖像 ，模型直接學習
• 無需手動估算透射率和大氣光，由網絡自動學習退化模型的逆過程。

2. 經典深度學習去霧模型

2.1 DehazeNet（2016）：首個CNN去霧模型

• 核心結構：5層卷積網絡，通過“特徵提取→多尺度融合→透射率估計→圖像恢復”四步實現去霧。
• 創新點：首次用CNN替代人工先驗估算透射率，驗證了深度學習在去霧任務中的有效性。

2.2 AOD-Net（2017）：輕量級端到端模型

• 核心結構：簡化網絡設計，僅用3層卷積，直接輸出無霧圖像。
• 創新點：提出“所有霧都可被表示為 ”，簡化模型參數，實時性大幅提升（FPS達30+）。

2.3 基於Transformer的去霧模型（2020後）

• 核心優勢：CNN擅長提取局部特徵，而Transformer的自注意力機制能捕捉全局霧濃度分佈，解決不均勻霧去霧難題。
• 代表模型：DehazeFormer、Restormer（通用圖像復原模型，去霧效果頂尖）。

3. 深度學習去霧的關鍵要素

• 數據集：常用公開數據集有 RESIDE（最大去霧數據集，含合成霧和真實霧圖像）、HazeRD。
• 損失函數：採用 L1 損失（減少模糊）+ 感知損失（提升視覺質量）+ 對抗損失（GAN-based模型，增強細節）。
• 訓練技巧：使用數據增強（隨機裁剪、翻轉、霧濃度變化）提升模型泛化能力。

四、算法性能評估與對比

1. 客觀評價指標

• 峯值信噪比（PSNR）：衡量去霧後圖像與真實無霧圖像的像素誤差，值越高越好（通常≥25dB為優秀）。
• 結構相似性（SSIM）：衡量圖像的結構一致性，值越接近1越好。
• 運行速度（FPS）：實時場景（如自動駕駛）需≥30FPS。

2. 不同算法性能對比

五、總結與未來展望

1. 核心總結

• 傳統去霧算法（如DCP）依賴物理先驗，實現簡單、實時性強，但對複雜霧場景適應性差。
• 深度學習去霧通過端到端學習，能處理厚霧、不均勻霧，視覺效果更優，但需大量數據訓練，部分模型計算量較大。
• 實際應用中需根據場景選擇：實時場景用AOD-Net，高精度場景用DehazeFormer，資源受限場景用DCP。

2. 未來趨勢

• 實時高精度去霧：結合輕量化網絡（如MobileNet、ShuffleNet）與Transformer，平衡速度和性能。
• 跨場景適配：解決真實霧與合成霧的域差異，提升模型在真實場景的泛化能力。
• 多任務融合：將去霧與目標檢測、語義分割等任務聯合訓練，滿足端到端視覺系統需求。