結合天空分割和霧氣濃度估計的圖像去霧

呂建威，錢 鋒，韓昊男，張 葆*

（1. 中國科學院 長春光學精密機械與物理研究所，吉林 長春 130033；2. 中國科學院大學，北京 100049）

1 引 言

隨著科技和工業的高速發展，霧霾天氣成為了非常常見的自然現象。在這樣的天氣條件下，大氣光經過空氣中的懸浮粒子發生了散射，導致光學系統獲取到的圖像出現對比度下降、細節不清晰、局部亮度偏高，飽和度降低等一系列降質退化現象。圖像降質退化給后續的目標檢測與跟蹤、圖像識別等計算機視覺領域的技術工作造成了很大的影響，給醫學、軍事、工業以及交通等行業的工作帶來了極大的不便。因此，研究如何復原有霧的圖像，提高有霧條件下圖像的清晰度，降低有霧天氣對成像系統的影響有著極其重要的意義。

現有的圖像去霧算法主要可分為三大類：基于圖像增強的方法［1-2］、基于物理模型的方法［3-5］以及基于深度學習的方法。基于圖像增強的方法有直方圖均衡化［6］、Retinex 圖像增強理論［7-8］、高斯濾波、中值濾波、快速傅里葉變換以及小波變換等。這類方法并沒有考慮霧的形成機制，而是通過對比度增強的方式來提高圖像質量，無法真正有效地實現去霧。基于物理模型的方法是以Narasimhan 和Nayar 提出的大氣散射模型為基礎［9］，根據不同的先驗知識和大氣光估計方法來求解模型并復原無霧圖像。He 等人［10］提出了暗通道先驗（Dark Channel Prior，DCP）理論，具體過程為首先估計出暗通道圖并結合大氣散射模型推導出透射率的值，然后利用軟摳圖原理［11］或者引導濾波［12］對透射率圖進行優化。該算法原理簡單，運行效率高，應用廣泛，許多去霧算法都是以該算法為基礎被提出的［13-16］。但是，當圖像中出現大面積濃霧、高亮以及白色物體時，大氣光及透射率估計不準確，暗通道先驗失效。Zhu 等人［16］提出了顏色衰減先驗（Color Attenuation Prior，CAP）方法，具體做法是通過實驗規律發現霧氣的濃度分布與亮度和飽和度之差呈正相關并建立線性模型，然后學習訓練大量樣本得到透射率估計圖。Berman 等人［17］提出的非局部先驗（Non-local Prior，NLP）去霧法是將無霧圖像的RGB 值利用K-means 聚類后形成了不同的簇，在霧的影響下這些像素點不再形成簇，而是形成了霧線，根據霧線可以進一步估計每個像素點的透射率值。Meng 等［18］在暗通道先驗方法的基礎上加入邊界約束條件，使得改進后的去霧圖片中對于天空的處理效果會有顯著提升。Ancuti等人［19］提出了RGB 和LAB 之間的顏色變換方法來進行圖像去霧。

近年來，基于深度學習的去霧方法受到了越來越多研究者們的關注，此類方法通過建立神經網絡學習圖像間的內在關聯，通過大量訓練獲得無霧圖像。Cai 等人［20］提出基于卷積神經網絡的DehazeNet 結構來提高恢復的無霧圖像的質量，DehazeNet 是一種端到端的訓練模型，利用神經網絡來對大氣退化模型中的透射率進行估計。但該方法存在的缺點是將大氣光值設置為全局常量，去霧后的圖像往往顏色失真。Li 等人［21］將大氣散射模型中的大氣光和透射率兩個參數通過變形合并成一個參數，在此基礎上提出了一種基于CNN 的輕量級端到端卷積神經網絡模型AOD-Net。AOD-Net 最終輸出的是復原后的無霧圖像，并沒有輸出透射率和大氣光的估計圖，這樣可以有效避免大氣光和透射率帶來的誤差，但由于網絡模型深度淺，無法提取到圖像中更深層次的信息。Ren 等人［22］提出了一種多層深度神經網絡，通過有霧圖像和對應的無霧圖像的數據集來學習它們之間存在的映射關系，先采用粗尺度卷積神經網絡來估計粗略的透射率分布，再利用細尺度卷積神經網絡進一步優化透射率。基于深度學習的算法往往需要大量的樣本訓練，但目前沒有大量真實的有霧圖像數據集，用于訓練的都是經過合成的有霧圖像數據集，所以恢復圖像存在缺陷［23-26］。

總之，基于圖像增強的方法不考慮圖像中霧的形成機制，只考慮視覺增強效果，容易造成對比度過度增強、顏色失真等現象，無法真正實現去霧。基于深度學習的方法不考慮圖像的先驗信息，去霧性能易受訓練圖像類型限制，占用內存較大，往往會出現顏色失真、過飽和等現象。基于此，本文提出一種天空分割和霧氣濃度估計的去霧方法，有效解決了天空區域恢復不真實問題。針對非天空區域霧氣濃度分布問題，提出了霧氣濃度估計模型提高霧氣濃度的估計精度。為了獲得透射率圖，分別估計天空和非天空區域的透射率，結合像素點概率分布得到疊加后的透射率結果，最終能夠得到去霧更徹底、細節更清晰的復原圖像。

2 圖像去霧的原理和模型

2.1 圖像去霧模型

最常用的白天去霧模型中認為相機捕獲的大氣中的散射光包含文獻［27］中提出的直接傳輸和空氣光：

其中：I(x)是在像素x處觀察到的圖像像素大小，J(x)是場景反射或沒有霧時的理想的恢復圖像，A是在白天除霧時被認為是恒定常數的大氣光值，t(x)是到達攝像機之前場景的透射率，β是經霧中顆粒散射后的衰減因子，d(x)是相機與被稱為景深的場景之間的光學厚度或距離。J(x)t(x) 稱 為 直 接 傳 輸，A[1-t(x)] 是 空氣光。

2.2 暗通道先驗方法

暗通道先驗理論表明：在絕大多數的非天空的局部區域中，對于每一幅圖像的每一個像素的RGB 三個顏色通道，某一些像素總會有至少一個顏色通道具有很低的值。暗通道表示如下：

其中：Jc表示實際無霧圖像的一個顏色通道，ω(x)表示以像素點位置x為中心的鄰域圖像塊，Jdark表示實際無霧圖像的暗通道。暗通道先驗的原理表明：Jdark的值總是趨近于0。

式（1）兩邊同時進行暗通道操作，可以得到粗略的透射率值為：

在進行算法模擬時發現，若利用上述公式徹底去霧，圖像會丟失部分信息，造成圖像看起來不真實，因此引入有霧因子υ，保留圖像中的一部分霧，υ=0.95。修正后的公式如下：

為了提高透射率的精度，最開始采用軟摳圖的方法來精細化透射率，由于軟摳圖的運行效率低，后來采用引導濾波的方法具有更好地保持邊緣能力，大大提高運行效率。得到精細化的透射率之后，最終的圖像去霧結果為：

一般情況下取t0為0.1。

3 本文算法

3.1 算法原理

算法原理框圖如圖1 所示。首先由梯度圖像進行閾值分割并設定亮度約束條件分割出天空區域，根據改進的暗通道先驗法和四叉樹細分法得到大氣光的估計值。然后，對于非天空區域提出了線性霧氣濃度估計模型得到透射率的值。對于天空區域利用亮通道先驗方法得到透射率的值，再結合像素點概率值進行疊加得到新的透射率圖像。最后，利用大氣散射模型得到去霧圖像結果。

圖1 算法原理圖Fig.1 Block diagram of algorithm principle

3.2 圖像天空區域的分割方法

在對圖像大氣光和透射率進行估計時，通常由于天空區域的存在導致霧的濃度估計精度不足，得到的結果會在天空區域出現顏色失真等現象。因此，為了提高圖像透射率的估計精度，本文提出了新的圖像分割天空區域的方法，并獲得像素點是否屬于天空區域的概率分布。

本文所提出的天空分割方法步驟如下：

步驟1：將圖像轉換為灰度圖像，并通過Sobel 算子計算圖像的梯度，得到梯度圖像信息；

步驟2：對梯度信息進行適當的去噪和濾波，這里采用引導濾波的方法，能夠較好地去噪和保邊；

步驟3：將梯度圖像進行最大值最小值歸一化，隨機設置梯度閾值將圖像進行二值化，超過該閾值的區域像素值大小為0（黑色），反之為1（白色），最終得到能夠初步分割出圖像天空區域的閾值N=0.02；

步驟4：對步驟3 中梯度圖二值化分割后的每個連通的白色區域統計其原始圖像在對應位置的像素的亮度大小，即變換到HSV 空間中亮度V 的大小；統計V 的大小后，盡可能保留較大的亮度值，如果大于閾值T則保留，閾值設置為T=0.80 時能夠在之后的步驟中識別出天空區域；

步驟5：在符合步驟3 和步驟4 條件下，圖像中最大的連通區域可以作為識別出的天空區域，一般情況下連通區域大小超過整幅圖像的5%時可以認為是天空區域。

得到天空分割結果后，可以利用概率值α(x)來表示像素點是否屬于天空區域，如果像素點對應的梯度值大于閾值N，說明像素點梯度較大，認為不屬于天空區域，反之，則認為像素點屬于天空區域。這樣，可以利用分段函數表示為：

其中：G(x)表示圖像歸一化后的梯度分布圖，V表示HSV 空間中亮度V 的大小，T表示亮度閾值，N表示對梯度圖進行閾值分割后獲得的能夠分割天空區域的閾值大小。圖像天空分割結果如圖2 所示，可以看出本文所提出的方法能夠有效提取天空區域的信息，如圖2（a）和圖2（b）所示。若圖像中沒有天空區域時，如圖2（c）所示，可以看到結果全是黑色，說明算法可以識別無天空區域的圖像。

圖2 圖像天空分割結果Fig.2 Results of sky segmentation.

3.3 圖像大氣光的估計方法

在暗通道先驗中，大氣光的估計方法是將暗通道中的像素點值大小進行排序，選擇0.1%的最亮像素的平均值作為大氣光估計值。然而，當場景中白色部分較多（如過亮的天空，濃度很厚的霧，白色物體等）時，可能會錯誤選取大氣光的估計位置，造成后續處理的結果出現顏色失真等現象。圖3 為有霧圖像及其大氣光估計結果，其中填滿紅色區域為最終選定區域。Kim 等［28］首先對圖像進行四叉樹分割，得到像素平均值最大的圖像子塊，繼續對該子塊進行分割，重復上述步驟，直到分割次數達到預先設定的值為止。最后，從得到的最后子塊中選取距離（255，255，255）最小的RGB 分量作為大氣光值。這種方法在大部分圖像中，大氣光估計較為精確，但如果圖像中存在白色過多的區域或者過曝的白光區域，大氣光估計往往會出現偏差，四叉樹分割方法的偏差示例如圖3（b）所示。為了提高大氣光值的估計精度，提取不重疊區域l(x)，在各個不重疊區域中選取全部像素的最小值作為改進的暗通道估計圖［29］，表示如下：

根據文獻中的敘述，選擇子塊大小為30×30。

圖3（c）展示了本節方法的暗通道改進圖。可以發現，改進后的暗通道像素強度值比原始圖像子塊平均值更低一些，之后就可以利用四叉樹細分方法來估計大氣光的值。經過以上改進后就可以排除上述的干擾問題，如圖3（c）所示，選擇大氣光的估計點并不是在下方的建筑區，而是左上方的天空區域，大氣光的估計精度有了明顯的提高。

圖3 有霧圖像及其大氣光估計結果Fig.3 Hazy image and its atmosphere light estimation results

3.4 霧氣濃度估計模型

在絕大部分有霧的場景中，霧中的懸浮顆粒會對大氣光產生散射，造成光學成像設備獲取到的圖像出現飽和度低，局部亮度高，細節模糊等現象。對于任意的場景，霧越濃的區域，懸浮顆粒對經過物體反射的光線產生的散射作用越大，該區域的細節越模糊，亮度越大，飽和度越低。

為了能夠更準確地描述霧的濃度特點，需要在Zhu 等人［16］和鞠銘燁等人［30］方法的基礎上進行改進，具體的改進方法是假設霧的濃度與圖像的深度呈線性關系，霧氣的濃度分布與局部亮度、飽和度和梯度三者有關，以此為基礎并建立了線性霧氣濃度估計模型，表示如下：

其中：a1，a2，a3代表線性權重系數；ζ代表模型的隨機誤差；L(x)，S(x)，G(x)分別表示圖像在像素點位置x的亮度，飽和度以及梯度；霧氣濃度圖c(x)取決于像素點鄰域內局部的梯度平均值、飽和度平均值和亮度平均值，霧氣越濃的區域，亮度值越大，飽和度和梯度值越小，反之亦然。這里圖像的梯度用Sobel 算子計算得到，具體的特征描述為：

其中：Ω(x)表示以像素點x為中心的鄰域；|Ω|表示像素總數；?I，L，S分別表示梯度，亮度以及飽和度分布（均需要歸一化處理）。

為了求得圖像深度估計模型的線性系數，從O-HAZY 和D-HAZY 數據集［31］中整理出大量圖片，通過合成隨機深度的1 000 幅有霧圖像以及對應的無霧圖像獲得訓練樣本。在無霧圖像中隨機合成深度為0.5～1 的霧，合成的霧圖需要設置大氣光的向量值為A（k，k，k），其中大氣光向量的三個維度分別代表RGB 空間中的三個分量，k的取值在0.8～1.0。設置好參數之后就得到1 000 張合成的有霧圖像和對應的無霧圖像。此外，通過合成的樣本獲取了所有其中有霧圖像的局部亮度、飽和度、梯度等特征。部分無霧圖像和對應合成的有霧圖像如圖4 所示。

圖4 部分無霧圖像和對應合成的有霧圖像Fig.4 Parts of haze-free images and the corresponding synthetic hazy images

此外，獲取了所有夜間有霧圖像的亮度，飽和度以及梯度等特征，采用文獻［32］里面的方法，這樣圖像深度模型表示為：

其中：i表示第i組訓練樣本，aT=[a1，a2，a3]T。

Xi=[L(xi)，S(xi)，G(xi)]，第i組訓練樣本的有霧圖像的深度圖為di(x)，通過線性表示的深度圖模型為d(xi)，根據1000 幅訓練樣本，利用最小化損失誤差來求得線性系數和線性誤差，表示法如下：

這樣最小化損失誤差E就可以表示為：

為了解決最小化損失函數的問題，我們將作以下的求導，令該求導值為0，可以得到：

其中，XTX為滿秩的正則矩陣，這樣可以求得a*為：

由于上述提到霧氣濃度與圖像的深度呈線性關系，說明霧氣濃度和圖像深度的變化趨勢相似，所以我們可以近似地認為霧的濃度分布變化等價于圖像的深度分布。這樣圖像的透射率與霧氣濃度的關系表示為：

經過反復實驗，所獲得的最終線性系數的結果 為a1=1.026 7，a2=-0.626 5，a3=0.185 5，隨機誤差ζ=0.014 34，局部塊大小取15×15時，得到的霧氣濃度分布較為精準。與此同時，得到量化的霧氣濃度估計圖通常在深度變化較小的位置比較粗糙，在細節邊界處會產生許多噪聲。由于引導濾波具有非常優秀的保持邊緣、減少噪聲的能力，因此可利用引導濾波進行平滑處理。本節采用不同濃度霧的圖像進行濃度估計，最終得到霧氣濃度估計結果和對應的去霧結果如圖5 所示。

圖5 霧氣濃度估計結果和去霧結果Fig.5 Results of haze density estimation and image dehazing

由霧氣濃度分布圖中可知，得到的結果對于處在不同深度的場景有明顯的區分，大部分區域都處在濃霧場景中，較小區域則處在薄霧場景中。對比處理前后效果可得出，本文算法的恢復圖像顏色看起來更加自然，對比度和可視度提升較大。另外，從霧氣的濃度圖來看，其內在的深度結構基本可以大體刻畫出原圖像的深度信息，原圖像的細節之處能夠明顯地體現出來。

3.5 不同區域透射率的估計及圖像恢復

對于天空區域和高亮區域，通常會有較多的白色區域，而較濃的霧的顏色接近于高亮，如果只是通過霧氣濃度估計模型來獲得透射率，得到的結果就會出現顏色失真、恢復不自然等情況。因此在本文的算法中，為了提高透射率的估計精度，需要單獨對天空區域進行處理。

為了更好地處理天空區域的透射率估計問題，本文采用了亮通道先驗［33］的方法，即在較亮區域內，某些像素在至少一個顏色通道內有較高的值并趨近于1，表達式為：

其中：Jc表示實際無霧圖像的一個顏色通道，ω(x)表示以像素點位置x為中心的鄰域圖像塊，Jbright表示實際無霧圖像的亮通道。

公式（1）兩邊同時進行亮通道操作，可以得到粗略的透射率值為：

這樣就可以得到天空區域的透射率的估計值。對于非天空區域，結合公式（2）可以求得非天空區域透射率的估計值tnon-sky(x)。

最后利用像素點的概率值將天空區域和非天空區域的透射率估計值進行線性疊加，就可以得到整幅圖像的透射率，得到的表達式為：

其中，α(x)表示像素點x屬于天空區域的概率值，為公式（7）的結果。

為了更好地得到去霧圖像，需要利用引導濾波對透射率圖進行優化，保持邊緣并減少噪聲。獲得大氣光和透射率的值后，利用大氣散射模型得到圖像復原表達式如下：

得到透射率和對應的去霧的結果如圖6 所示，從透射率圖中能夠明顯觀察到圖像中的細節之處，恢復后的圖像細節非常清晰。

圖6 有霧圖像的透射率估計和去霧結果Fig.6 Results of hazy images transmission and dehazing

4 實驗結果

為了驗證所提出的去霧算法的有效性，本文從圖像主觀質量評價，客觀質量評價以及算法運行時間三個方面對所提出的算法和其它的去霧算法進行比較。

本實驗采用的軟件和環境為：ASUS X556URK Inter Corei7-7500U 2.90 GHz，8 GB RAM，NVIDIA GEFORCE 930MX。經過對測試樣本的訓練，得到的數據如下：a1=1.026 7，a2=-0.626 5，a3=0.185 5，ζ= 0.014 34，局 部塊大小取15×15。本節從Flickr 和Getty Image網站和D-HAZY［31］數據集選取了白天有霧測試圖像運用現有的主流去霧算法進行去霧處理，將其結果和本文算法的恢復圖像進行對比。

4.1 圖像主觀質量評價

本文將圖像分成含天空區域和不含天空區域兩類進行主觀質量評價比較，所選擇的算法有Zhu 等的顏色衰減先驗算法［16］、He 等的暗通道先驗 算 法［10］、Berman 等 的 非 局 部 先 驗 算 法［17］、Cai等的端對端神經網絡算法［20］，結果如圖7 和圖8所示。

對于不含天空區域的有霧圖像，去霧后的結果如圖7 所示。從第二和第三幅圖可以看出，Cai的算法無法徹底地去霧，尤其對于第三幅航拍圖像，本文的方法與其它方法相比能夠消除更多的霧。比較第一幅圖右上角紅樓處、第二幅圖的娃娃頭部以及第三幅圖下方的白樓處，Berman 算法恢復的結果顏色出現失真的現象。He 算法、Zhu 的算法和本文算法對于不含天空區域的圖像都具有良好的去霧效果。

圖7 不含天空圖像去霧算法比較Fig.7 Comparison of the dehazing methods without sky

圖8 為含有不同顏色天空區域的圖像去霧效果比較。Cai 算法在有天空的場景中同樣保留了許多霧的成分。從圖8（c）的第一和第二幅圖、圖8（d）第二和第三幅圖中可以看出，He 算法和Berman 算法在天空區域的處理會出現明顯的顏色失真現象，天空區域的恢復看起來不真實，特別是圖8（c）的第二幅圖產生了大量的光暈現象，本文算法相比于其它算法在天空區域的顏色恢復效果更真實自然。比較第三幅圖的左下角的灰色樓房區域，Zhu 算法和Cai 的算法在該區域細節恢復不清晰。Zhu 在第四幅圖黑色帽子周圍產生了白色光暈。在第一和第四幅圖的遠處場景，本文算法去霧效果更好，能夠更清楚地觀察細節。總之，本文算法可以適用于不同類型的圖像，在含有天空和不含有天空的有霧圖像中不僅都能實現有效地去霧，而且可以完整復原圖像各處的細節和顏色，更好地解決了天空區域的恢復問題。但本文的算法也存在著一定的缺點，例如，部分圖像如第一和第四幅圖像顏色恢復之后存在飽和度偏高的現象，這需要在之后的工作中進一步解決。另外，在霧氣濃度估計模型中加入梯度因素可更清晰地體現出原圖像模糊或者暗處的細節，通過適當的線性參數還能更好地平衡圖像的整體亮度和顏色。

圖8 含天空白天圖像去霧算法比較Fig.8 Comparison of the dehazing methods with sky

4.2 圖像客觀質量評價

經過以上實驗中圖像主觀質量評價比較后，為了更全面地驗證去霧效果，本文采用圖像盲評價和結構相似度方法，從圖像細節、顏色、對比度以及結構信息等角度來衡量圖像質量的好壞。

圖像盲評價指標是Hautiere 等人［34］所提出的用于霧天復原圖像質量的評價參數指標，利用原始有霧圖像與恢復后的去霧圖像的新可見邊數比e、可見邊梯度比r等評價圖像的去霧效果。大多數情況下，e和r值越大，說明圖像的邊緣和細節增強越明顯，進而增加了圖像的清晰度，原始圖像的復原效果越好。圖像結構相似度（Structural Similarity Index Measurement，SSIM）方法可以用來度量圖像的結構。峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）方法是通過計算復原圖像與參考標準圖像的對應像素點全局差異大小來量化圖像質量。PSNR 值越大，表明復原圖像與參考標準圖像之間的失真程度越小，圖像恢復效果越好。Jobson 等人［35］提出了統計特征參數H，可用來測量色彩的恢復程度。通常情況下，SSIM 值越大表示圖像結構越完整，H值越小就代表色彩保真度會越高。表1 利用圖8 中的四幅有霧圖像對比了其它去霧算法與本文算法去霧結果的評價參數e，r和H。表2 利用圖9 中的四幅有霧圖像和對應的無 霧圖像獲得參數PSNR 和SSIM。

圖9 有霧圖像和對應的無霧圖像Fig.9 Hazy images and the corresponding ground truth images

從表1 參數e和r值的比較來看，本文算法的e值比其它算法更大一些，r值僅僅比Berman算法更低一些，說明本文算法在圖像去霧，對比度和細節表現方面同樣有著很高的水準，表現較為均衡。比較所有算法的H值，可以發現在第2 和第3 幅圖中，本方法的H值更低，說明在含有非藍色的天空的圖像顏色恢復上普遍較好。但對于含有藍色的天空的圖像（第1 和第4幅圖）H值更高，本文算法結果出現飽和度偏高的現象，這是因為所提出的算法是對整體的圖像深度作估計，并沒有局部進行優化，會導致在圖像局部的透射率估計存在一些偏差，在以后的工作中我們會進一步改進優化方法。

表1 圖像質量評價參數比較Tab.1 Comparison of the parameters of image quality assessment

通過對表2 中的數據進行分析，本文的算法的PSNR 值僅在第一幅圖中接近并低于Berman 算法，第一和第二幅圖的SSIM 值略小于Berman 算法，其它圖像中均略高于另外幾種算法。這說明本文算法表現出了高質量的去霧效果，圖像的結構恢復更加完整，失真程度更小，對比度增強明顯，細節清晰，顏色自然。總之，本文的算法可以適用于不同類型的圖像，不僅可以有效處理含有薄霧或較濃的霧的圖像，還能復原含有天空和不含有天空的圖像。利用本文方法最終可以獲得去霧效果明顯，高質量的復原圖像。

表2 PSNR 和SSIM 參數比較Tab.2 Comparison of PSNR and SSIM values

4.3 算法運行時間比較

為了驗證算法的運行速率，本節選取了圖8所示的四幅測試圖像進行算法的運行時間比較。每一幅圖像的大小和每個算法測試時間如表3 所示。從運行時間結果中不難看出，本文算法的運行速度僅次于Zhu 算法，相比于另外三種算法運行耗時更少。這說明本文所提出的算法的運行速率與其它主流算法相當，可以推測本文算法在經過算法優化或是經硬件加速后可以滿足實時性的要求。在未來的研究工作中，我們將進一步驗證算法的實時性。

表3 圖像去霧算法運行時間比較Tab.3 Comparison of running time of image dehazing algorithms

5 結 論

本文針對圖像去霧中存在的天空區域圖像恢復失效的問題，提出了圖像天空區域分割的方法，并分別進行天空區域和非天空區域的透射率估計。針對霧氣濃度估計精度不足的問題，提出了線性霧氣濃度估計模型解決了在非天空區域的透射率估計問題。實驗結果表明，本文算法在天空區域圖像恢復效果良好，去霧徹底且不存在顏色失真現象，非天空區域去霧效果表現良好，圖像細節體現更加清晰，整體圖像復原比較理想。雖然本文算法的運行速度僅次于Zhu算法，但從圖像的去霧恢復效果來看，本文算法的圖像恢復質量比Zhu 方法更高。另外，本文算法相比于另外三種算法運行耗時更少，從圖像質量評價指標上來看，本文算法在不同場景下的去霧穩定性優于其它算法。綜上所述，本文所提出的算法運行速率快，去霧效果明顯，適用于圖像去霧領域。