一種自適應多態特征融合的交通圖像去霧算法

摘 要：霧天戶外獲取的交通圖像質量差，使用現有算法會錯誤估計大氣光值和透射率，產生天空區域顏色失真和光暈現象，為此提出了一種自適應多態特征融合的交通圖像去霧算法。根據霧天交通圖像天空區域的特征，利用明暗區域檢測模型劃分天空和非天空區域，分別估算相應的大氣光值以消除顏色失真；同時使用多尺度圖像分解模型逐像素自動發掘多態特征，進一步利用自適應特征融合策略，突出局部顯著特征并重組特征，細化出精準的透射圖，解決光暈效應。實驗結果表明：新算法復原后的交通圖像視覺效果真實，客觀評價指標整體優于其他經典算法，相比耗時最短。該算法有效解決了色彩失真和光暈效應，很好地滿足了速度快和高精度的要求，對智慧交通建設領域具有重要的應用價值。

關鍵詞：明暗區域檢測；多尺度圖像分解；多態特征；自適應特征融合；智慧交通

中圖分類號：TP391

文獻標志碼：A

文章編號：1001-3695（2023）07-044-2210-07

doi：10.19734/j.issn.1001-3695.2022.11.0530

Defogging traffic images with adaptive multi-state feature fusion algorithm

Hu Mengting，Fan Tao^?，Wang Guozhong

（School of Electronic amp; Electrical Engineering，Shanghai University of Engineering Science，Shanghai 201620，China）

Abstract：The quality of traffic images obtained outdoors in foggy weather is poor，and the use of existing algorithms will misestimate the atmospheric light values and transmittance，resulting in color distortion and halo phenomenon in the sky region，so that this paper proposed an adaptive multi-state feature fusion algorithm to remove fog from traffic images.According to the characteristics of the sky area in the foggy traffic images，the method used a light-dark area detection model to divide the sky and non-sky regions，and separately estimated the corresponding atmospheric light values to eliminate color distortion.At the same time，it created a multi-scale image decomposition model to automatically discover multi-state features pixel by pixel，and further based adaptive feature fusion strategy to highlight locally significant features and recombining the features，refining the precise transmission diagram，to solve the halo effect.The experimental results show that the visual effect of the new algorithm is real，the objective evaluation index is better than other classical algorithms，and is the shortest compared to time.The algorithm effectively solves color distortion and halo effect，satisfies fast speed and high precision requirements，and has important application value in the field of intelligent traffic construction.

Key words：light-dark area detection；multi-scale image decomposition； multi-state feature；adaptive feature fusion；intelligent transportation

0 引言

室外的天氣情況瞬息萬變，在惡劣天氣下，尤其是霧霾天，目標物光源反射到成像設備的過程中被許多微小粒子吸收或散射，導致采集的交通圖像出現模糊、對比度下降等現象，將直接降低后續對其分析和處理的準確度。因此，如何對霧天采集的交通模糊圖像進行快速又準確的處理，降低惡劣天氣情況對智慧交通^［1］監測系統的干擾具有重要的研究價值。

圖像去霧的研究方法大致分為基于圖像增強算法、基于深度學習算法以及基于物理模型算法三類^［2，3］。第一類算法是有選擇地補償圖像中感興趣區域的對比度、亮度、飽和度等，抑制存在的噪聲，進而還原出清晰圖像。這類算法應用范圍廣，但是容易造成顏色失真。第二類算法主要可以分為兩種：一是延用大氣散射模型，基于神經網絡細化模型中的參數；二是使用端到端網絡，將有霧圖輸入，可直接得到清晰的輸出圖像?；谏疃葘W習的去霧算法往往依賴于同一場景下的有霧圖像和無霧清晰圖像對，在實際情況中難以獲取，所以該類方法通常通過大量仿真霧天數據進行學習得到網絡結構，在真實霧天場景下效果欠佳。目前，第三類算法根據假設數據或先驗知識分析可較大程度恢復圖像中色彩、細節等特征，去霧效果自然，被廣泛應用于。

在基于物理模型的復原算法中，He等人^［4］對大量室外自然清晰圖像的統計后提出暗原色先驗的概念，利用暗原色信息對透射率與大氣光強進行估計，進而利用軟摳圖方法對透射率進行細化，最終恢復無霧圖像。該方法計算周期長，且不適用于天空等明亮區域。后來，He等人^［5］又提出用引導濾波代替軟摳圖，從而提高時效性。然而透射率易受場景深度影響，尺寸統一的濾波窗口會固定框內的場景深度，實際景深不連續處會發生光暈效應。近年來，不斷有學者們提出基于暗原色先驗的改進方法，分別對大氣光值與透射率這兩個重要參數進行單獨處理，提高了交通圖像去霧后的質量。邢曉敏等人^［6］基于最大類間方差法分割出交通圖像的天空區域，將天空區域的平均強度值作為大氣光值，從而改進場景傳輸率的估計。該方法有效解決了光暈現象，但對于濃霧環境下景深較遠的物體，其復原效果不好。徐喆等人^［7］提出基于改進的均值漂移方法對霧天交通圖像進行分割，進而分別復原分割后的天空區域與非天空區域，再將不同區域的處理結果進行圖像融合，最終獲得的交通圖像不存在過渡區域和色彩失真現象。但是該方法的算法復雜度高，需要進一步優化。汪貴平等人^［8］提出了一種新的梯度相似度核，并設計了基于改進梯度相似度核的雙邊濾波算法，再根據暗原色先驗原理對濾波后的交通圖像進行去霧處理。復原圖像有效避免了噪聲斑塊，然而該方法無法還原含有大量脈沖混合噪聲的圖像。 Li等人^［9］結合天空區域分割和暗原色先驗算法對道路交通圖像進行復原，同時他們認為類似圖像之間的暗通道變化有限，因此可以直接對幾幀連續的圖像進行一次性去霧。研究發現，該算法的運行時間很短，但是如果一個目標從提取去霧參數到使用參數的過程中變化巨大，很容易在其原來的位置產生偽影現象。

現存算法仍受限于區域分割的精度和濾波器的選擇，同時目前缺乏針對霧天交通圖像特征設計的去霧算法。針對以上問題，本文嘗試探索一種自適應多態特征融合的交通圖像去霧算法。基于明暗區域大氣散射矯正模塊，快速獲取交通圖像明、暗區域的檢測結果，進而分別估算不同情形下的大氣光值；引入分解與融合特征的思想，使用多尺度圖像分解模型逐像素搜集多態特征，進一步利用自適應特征融合模型，自動地確定局部顯著細節的權重，最終將局部顯著特征與全局特征相融合，細化出精準的透射率。去霧后的圖像可視性好，而且有效解決傳統算法計算速度慢的問題。

1 相關工作

在計算機視覺和圖形學領域中，大氣散射模型常被用來刻畫去霧后的圖像，該物理模型可簡化為^［4］

I（x）=J（x）t（x）+A（1-t（x））（1）

其中：I（x）是設備上采集的模糊圖片；A是大氣光成分；J（x）是來自目標的輻射信息（即待恢復的去霧圖）；t（x）是傳輸損耗函數（即透射率）^［4］。

文獻［4］對大量戶外無霧晴天圖像觀察分析后提出暗通道先驗原理（dark channel prior，DCP），用于簡化大氣散射模型。DCP指出，在非天空部分，圖像的R、G、B三個通道中至少存在一個通道的像素值非常小，若選擇某一個像素點x的鄰域Ω內所有像素三通道的最小值作為該像素的暗通道值，則其值無限接近于0，具體數學模型為

其中：J^c（x）是像素x的某一顏色通道；J^dark（x）是該像素的暗通道值。若大氣光A已知，依據暗通道先驗規律可求得透射率t（x），即

其中：minx∈Ω（minc∈{R，G，B}I^c（x）A^c）可以看做I^c（x）A^c的暗通道值；通常為0.9～0.95^［4］。

將大氣光值A和透射率t（x）代入式（1），即得清晰地復原圖J（x），為了保持圖像的可視性，防止因t（x）值太小而造成恢復圖像亮度過大，引入因子t₀將式（1）轉換為^［4］

J（x）=I（x）-Amax（t（x），t₀）+A（4）

2 本文算法

去霧算法的實質就是從霧天圖像中對大氣光強度和透射率做最優估計，進而恢復出清晰的圖像。根據式（3）的定義，透射率t（x）是以A為變量的函數^［10］。誤估大氣光值A會間接影響對透射率的估計，最終導致復原圖像天空區域顏色失真、景深不連續處出現嚴重的halo效應等問題。受文獻［4］啟發，本文提出一種針對交通圖像去霧算法，更好地還原圖像的大氣光值和透射率，利用明暗區域大氣散射矯正模塊估算大氣光強度，并提出自適應多態特征融合模型，用于細化透射率圖。圖1所示為本文算法具體流程。

2.1 明暗區域大氣散射矯正

2.1.1 明暗區域檢測

霧天采集的交通圖像中普遍存在大片天空區域（明區域），此情況下使用文獻［4］的大氣估值方法可能會放大噪聲，進而低估該區域的透射率，造成圖像的色彩失真和偏移。因此，本文收集大量有霧場景下的交通圖像，從中隨機抽取308張圖片（每張圖片均包含明區域），并對該類圖像進行探索：

如圖2（a）（b）所示，統計分析全體藍色通道圖，明區域像素點具有高亮度而且亮度值大于128的占78%；全部藍色通道圖明、暗區域亮度均值之差diff=f_aveMAX-f_aveMIN（明區域MAX為亮度值前0.1%的像素集合、暗區域MIN則是后0.1%的像素集合、f_ave是均值函數）分布如圖2（c）所示，圖像明暗區域亮度差值高于100的部分占比92.21%，剩余部分占比7.79%；另外，天空一般位于圖片的上方。分析發現，有霧場景下的交通圖像天空部分通常呈藍色或灰白色，同時具有亮度高、梯度變化緩慢等特點。

根據上文已知的天空區域特征，本文提出一種基于瑞利散射模型的明暗區域檢測模塊（light and dark area detection module based on the Rayleigh scattering，LDD），具體檢測步驟如下：

a）計算原始圖像I_origin藍色通道中的差值diff，若diffgt;T_db，則說明輸入圖像包含明區域；反之，圖像則僅包含暗區域。

b）對包含明區域的輸入圖像，分別獲取其藍色通道分量的亮度圖和梯度圖，搜索亮度前0.1%的像素點集記為B，計算梯度圖中值較小的10%，并將其對應像素點集記為C。取B與C的交集作為候選區域P（明區域）。

為驗證分割算法有效性，隨機選擇兩張包含明區域的霧天交通圖像，得出文獻［4］與本文算法的實驗結果，圖3（b）（e）為利用文獻［4］區域分割結果，圖3（c）（f）為本文算法的檢測結果。文獻［4］選擇的參考像素落在天空、車輛以及建筑物的高亮反光區域，本文算法的參考點多數落在天空區域內。顯然，經本文算法調整后對霧天交通圖像明區域的檢測效果更好，而且還可以減弱白色物體、強亮光源等對大氣光強度取值的干擾。

2.1.2 大氣光值估算

文獻［4］的估算方法，搜索灰度圖gray中強度前0.1%的像素，取其在原始圖origin中最大亮度的均值作為大氣光值A。這種處理方式只適用于整體亮度不高的圖像，對于包含明區域的霧天交通圖像，該方法易受圖中高亮度像素干擾，造成去霧圖像色彩失真。

本文結合LDD模塊與上述文獻［4］估算方法，提出一種新的大氣光估算方法。利用LDD模塊快速判斷輸入圖像是否包含明區域，對包含明區域的圖像，利用上述模塊的分割結果，計算明區域P對應原圖中最大通道亮度的均值作為大氣光值A；反之，則繼續沿用文獻［4］的大氣光值估算方法。對應圖3的明暗區域檢測結果，利用上述方法估計大氣光并對圖像進行復原，復原結果如圖4所示。圖（c）（g）為使用文獻［4］的去霧結果，圖像色彩嚴重失真，本文方法去霧結果如圖4（d）（h）所示，可以有效地解決文獻［4］存在的失真問題。

2.2 透射圖細化

霧天交通圖像中學者們感興趣的研究對象，如汽車、行人等，通常只占畫面比例很小的一部分。若去霧程度不徹底，復原后物體細節不夠明顯，尤其是景深遠處的小物體細節模糊，這將嚴重影響后續的視覺任務。因此，本文提出一種自適應多態特征融合方法，對不同圖像進行多尺度分解，突出感興趣的局部顯著細節，建立不同源圖像的多態特征與重構圖像之間的自主映射，最后自動融合不同特征，有效增強圖像細節信息的同時，提升計算速率。

2.2.1 多尺度圖像分解

1）多尺度圖像集

通過觀察大量霧天交通圖像可知，對圖像進行多次下采樣后，縮小的圖像雖然丟失局部的紋理信息，但仍能保持原始圖像的全局基礎視覺信息?；诳s小的圖像提取全局特征，進而對照其他尺度的圖像進行局部特征提取，可實現高效快速獲取原始圖像的多態特征。在本文實現中，依次對圖像進行等比下采樣，直至丟失辨別圖像的全局基礎信息為止，最終確定將原圖、1/4原圖、1/16原圖、1/64原圖以及1/256原圖定義為源圖像I_i，i∈［1，5］ ，它們共同構成一個多尺度圖像集，如圖5所示，其中所有下采樣圖像都調整為原始圖像尺寸。

2）多尺度引導濾波分解

利用引導濾波^［5］對圖像進行平滑，模糊輸入圖像p、引導圖F和清晰輸出圖q之間的函數關系定義如下：

q=f（p，F，win）（5）

假設在以像素j為中心的局部窗口win_i內，引導圖F_j與輸出圖q_j之間存在線性映射^［5］：

其中：a_i、b_i分別為局部窗口win_i內的線性函數；ε是正則化參數；p_i為待濾波圖像在窗口win_i內的均值； μ_i、σ²_i為局部窗口win_i內引導圖F_j的均值和方差；cov是協方差函數。

不同于以往算法強調最優濾波半徑，為了避免固定濾波窗口對透射率造成錯誤的估計，本文提出利用不同半徑的濾波核{win^k_i，k∈［1，n］∩（win^k-1_igt;win^k_i）}對上述源圖像I_i進行多尺度引導濾波分解，獲得更多特征用于重構圖像。特別地，本文利用式（9）分別獲取源圖像I₁-I₅的暗通道圖作為各自最初的引導圖q^k_0i，并且基于式（10）求得透射率圖像。

式（9）可以在一次循環中獲取暗通道值^［19］，逐像素對圖像進行處理，計算速度更快。

假設源圖像I_i通過多尺度引導濾波分解后的輸出為q_i，連續的分解結果可由式（11）計算得到。任意源圖像經歷一次分解后獲得的特征為某一種狀態的特征q^k_i，它代表使用尺度為win^k_i的核對I_i進行第k次分解的輸出，此時的輸入為前一種狀態的特征q^k-1_i，引導圖為源圖像I_i-1經第k-1次分解后的輸出q^k-1_i-1。那么，分解不同源圖像可細化出原始圖像的多態特征。前后兩次分化后可由式（12）得到源圖像I_i的部分紋理信息差，記為I^k_i。

為避免對圖像進行過度細化造成計算資源浪費，本文使用分解因子e^k_i作為中止分解的評判依據。若在局部窗口win^k_i內進行第k次分解，定義域內待濾波圖像與引導圖的差值在當前圖像中占比為分解因子e^k_i，當e^k_ilt;T時停止分解。

2.2.2 自適應特征融合模型

對源圖像進行多尺度分解，以便盡可能提取更多信息，但卻無法直接判斷獲取的信息是重要的輪廓信息亦或是冗余。因此，為了突出不同尺度源圖像I_i的輪廓信息，本文提出局部顯著細節的概念。假設對源圖像I_i和I_i-1進行多尺度引導濾波分解，并且令其互為對方引導圖的來源。利用對方的結構信息對自身進行解構，可分別提取出總濾波細節D_i、D_i-1，取其中的較大值作為局部顯著細節E_i，其值影響待還原圖像的清晰程度，計算公式為

借助局部顯著細節E_i可以突出多態特征中值得關注的邊緣信息，進而利用權重參數m_i，自動建立不同源圖像上的局部顯著細節E_i與重構圖像的局部特征E之間的映射關系。

E=∑m_iE_i（16）

其中：m_i為源圖像I_i上提取出的局部顯著特征對應權重值。

m_i=E_i/∑E_i（17）

按照下采樣升序依次對源圖像I_i進行分解，得到不同源圖像的全局輸出q_i。將第i張源圖像的輸出q_i與前一源圖像的輸出q_i-1結合，求均值后作為待融合的全局特征G_i。

G_i=（q_i+q_i-1）/2（18）

對不同尺度的源圖像進行重構，重構后的圖像不僅包含基礎全局特征G_i，同時也體現了所需的局部顯著細節E，可在極大程度上還原透射率圖的細節。重構后的圖像Y可由式（19）計算得到，再依據式（10）得到最終細化后的透射率圖。

Y=E+∑G_i（19）

所提算法既可節省計算時間，又最大程度地保留了圖像細節。圖6為利用本文算法進行透射圖細化的過程，其中，（a）為霧天低質量交通圖像；（b）為原始透射圖；（c）為對應多尺度圖像集；（d）為源圖像I_i經多尺度引導濾波分解后的輸出；（e）為提取出的局部顯著特征（為保持視覺效果有一定尺度的放大）；（f）為細化后的透射圖。如圖6（e）所示重點突出了汽車部分的細節，對比（b）（f）結果，顯然本文算法對車輛恢復出的細節豐富，細化效果較好。

3 實驗分析與討論

實驗在SOTS^［11］數據集中選取一組霧天非交通圖像（圖7）以及自行搜集一組霧天交通圖像（圖8～13）作為測試對象。選擇四個具有代表性的去霧算法與所提算法進行對比，包括基于引導濾波的暗通道先驗算法（GF）^［5］、霧天道路交通圖像的去霧算法（LI）^［9］、門控上下文聚合網絡（GCA）^［12］以及特征融合注意網絡（FFA）^［13］。

實驗運行環境為：Intel? Core^TM i5-10200HCPU@2.40 GHz，GeForce GTX2080Ti GPU加速，64位Windows 10，編程語言為Python；關鍵參數為：T_db=100、t₀=0.1、T=0.01以及=0.95。

3.1 在霧天非交通圖像數據集上的實驗

3.1.1 視覺效果分析

圖7為各算法在非交通數據集SOTS^［11］上的效果對比。GF^［5］算法恢復了圖像的大部分細節，但是對Img 1～3窗口、地面以及墻面等原圖對應的高亮度區域，還原結果出現明顯失真，這是由于高亮度區域暗通道值不趨于零，該算法放大了噪聲，導致對透射率的錯誤估計；GCA^［12］算法的結果中，Img1壁畫上方和Img2窗沿處存在黑影，而且Img2中有團霧，原因是該算法依賴訓練權重，然而霧的情況復雜多變，訓練數據種類不全面導致模型泛化能力弱。與上述算法相比，文獻［9］、FFA^［13］和本文算法可有效消除顏色失真和黑影等問題，去霧徹底，并且保持原始圖像大部分場景細節，視覺效果真實、清晰。

3.1.2 客觀分析

新算法使用有參考的圖像評價指標峰值信噪比（PSNR）和結構相似性（SSIM）進行評估。其中，PSNR衡量圖像失真水平，SSIM表征有霧圖與復原圖結構的相似程度，理論上，上述指標取值越大則表明恢復效果越好。表1為各算法在霧天非交通圖像數據集SOTS^［11］上得到的平均對比結果， PSNR、SSIM的取值僅次于FFA^［13］，相較于GF^［5］分別提升了12.861 dB和18.3%，說明本文方法能保留下更多、更全面的圖像細節，對圖像的還原程度高。

3.2 在霧天交通圖像數據集上的實驗

3.2.1 視覺效果分析

目前，大部分算法都可在合成模糊圖像上取得不錯的視覺結果，在真實有霧圖像上卻效果不佳，難以應用于實際場景。因此，基于真實模糊圖像的實驗也有助于驗證算法的有效性。

圖8～13為各算法復原霧天交通圖像的視覺效果。其中，GF算法對明區域的色彩還原能力很弱，每幅復原圖像均出現不同程度的色彩失真，圖9（Img6）、圖11（Img8）中行人身側存在明顯的光暈，圖10（Img7）丟失遠處汽車區域景物信息；GCA算法的復原結果中，圖8（Img5）、圖11（Img8）遠處汽車區域存在明顯黑影，圖9（Img6）、圖10（Img7）近處行人身側顏色過渡不自然，出現塊效應，整體還原圖像存在一定的失真；FFA算法對霧濃度低的區域有一定的復原效果，如圖10（Img7）恢復了近處行人和汽車的部分細節，但是在霧濃度高的情形下去霧效果甚微；文獻［9］提出的算法總體還原效果自然，但對如圖11（Img8）、圖12（Img9）景深遠處的小目標去霧效果不明顯；本文算法的復原結果色彩自然，保持了原始圖像大部分場景細節，并恢復了遠處小目標大部分的細節，視覺效果真實、清晰。

3.2.2 客觀分析

為克服單一指標的片面性，本文增設四個客觀評價指標^{［14，15］}對算法進行補充驗證，采用熵（entropy，E）、方差（variance）、灰度差分函數（SMD）以及平均梯度（r）作為霧天交通圖像復原結果的無參考測試指標，上述指標取值越大表明恢復效果越好。E、variance、SMD以及r的計算方式為

其中：P（i）是某個像素值i在圖像中出現的概率；n是灰度值范圍（一般為0～255）；M、N表示圖像的寬度和高度；f（x，y）為像素（x，y）的灰度值；r_i是P_i處復原圖像與原有霧圖像的梯度比；υ_r是復原圖像的可見邊的集合^［16］。

表2為不同算法對霧天交通圖像的評估結果對比，E的取值保持先進水平，說明恢復后的圖像包含豐富的信息，在Img5中相較GF算法有最大程度的提升，為81.57%。variance和SMD在Img6、7中的取值僅次于GF算法，但如圖9、10所示，對應圖像使用GF^［5］算法進行復原的結果中存在明顯的失真，故本文算法在variance和SMD的表現整體優于其他算法，說明復原后的圖像可視性高、灰度分布均勻、輪廓分明。variance以及SMD在Img8中相較于FFA算法有最大程度的提升，分別為12.75倍和9.77倍。r值基本處于一個較高的水平，說明處理后的圖像清晰度得到有效提升，可視性強。

除了上述無參考評價指標外，本文記錄各算法處理圖像的平均用時T，對比不同算法的時間復雜度。從表3可以看出，所提算法在實驗中消耗的時間最少、平均運行時間最短。用時遠低于第二名GCA^［12］算法的結果，相比于GF^［5］，本文算法減少了約10.34倍的用時。結合圖8～13和表2、3，總體上本文算法能有效復原霧天交通圖像的色彩、細節，耗時短，符合智能交通系統準確、快速的需求。

3.2.3 不同模塊對去霧算法的貢獻

為進一步驗證本文算法的有效性，設計拆分出明暗區域大氣散射矯正模塊（LDD）與自適應多態特征融合模塊（MSFF），在三組霧天拍攝的用于目標檢測的交通圖像上進行對比測試。其中，base表示原始圖像，base+MSFF表示僅使用MSFF模塊，base+LDD表示僅使用LDD模塊， MSFF+LDD表示使用所提算法，結果如圖14所示。在人物圖中，圖（b）（d）利用MSFF模塊清晰刻畫出人物輪廓，如藍色羽絨服的花紋，但未使用LDD模塊的圖（b）中出現明顯的光暈，降低了圖像的可視性，類似的圖像色彩偏差會影響檢測結果；在汽車圖中，相較于圖（c）的結果，圖（d）中近處車牌區域的細節信息豐富，同時可以看到，遠處圖像細節得到一定復原，汽車尾部還原效果好，而圖（b）未使用LDD模塊導致復原色彩失真；在多種類目標圖（person+car）中，圖（d）最大程度地還原了全部目標的輪廓和細節，特別是路邊的行人，圖（b）的右上方卻丟失了部分圖像信息?？傮w上，MSFF和LDD模塊對最終的復原視覺結果都有較大的貢獻。

霧天場景下拍攝的交通目標圖像利用不同模塊逐步去霧，所提算法利用客觀評價參數E和r評估各模塊對圖像復原結果的貢獻，結果如圖15所示。圖15（a）中， MSFF+LDD對應折線的E值最高，base+MSFF次之，表明使用MSFF模塊可復原目標大部分的輪廓細節信息。圖15（b）中，base+MSFF的r值遠高于第二名MSFF+LDD，但是圖14中base+MSFF的結果出現不同程度的色彩和亮度失真，MSFF+LDD的復原結果卻真實清晰，說明是失真影響了r的取值。整體上看，MSFF以及 LDD模塊均對去霧效果有較大貢獻。

4 結束語

目前，機器視覺領域缺乏快速且精準的去霧算法，針對此難題，本文提出一種新型霧天交通圖像快速去霧算法。結合明暗區域大氣散射矯正模塊提出大氣光估算方法，在有效調整明暗區域檢測結果的基礎上，全面衡量大氣光值A，從而避免圖像失真。對不同源圖像進行多尺度分解，突出多尺度的局部顯著細節，再進一步利用多態特征自動融合模型，自動地將局部特征與全局特征相融合。實驗結果表明，算法還原的圖像色彩真實、細節豐富，而且所需運行時間最短。在室內合成數據集上，PSNR、SSIM的取值相較于GF算法分別提升了13.461 dB和18.3%，在霧天交通圖像上，E、 variance和SMD的表現整體優于其他算法，r值僅次于GF與GCA算法，運行時間最短，相較于GF算法減少了約10.34倍的用時，符合智能交通系統的準確、快速的需求。下一步計劃將該算法部署在交通目標檢測和跟蹤系統中，以求緩解惡劣天氣對智慧交通領域的影響。

參考文獻：

［1］曹行健，張志濤，孫彥贊，等.面向智慧交通的圖像處理與邊緣計算［J］.中國圖象圖形學報，2022，27（6）：1743-1767.（Cao Xingjian，Zhang Zhitao，Sun Yanzan，et al.Image processing and edge computing for intelligent transportation［J］.Journal of Image and Graphics，2022，27（6）：1743-1767.）

［2］Sharma N，Kumar V，Singla S K.Single image defogging using deep learning techniques：past，present and future［J］.Archives of Computational Methods in Engineering，2021，28（7）：4449-4469.

［3］Tang Jialin，Zhang Zhongda，Niu Lihong，et al.Research on image defogging algorithms based on color attenuation prior［C］//Proc of the 3rd International Conference on Robotics，Intelligent Control and Artificial Intelligence.2022：012080.

［4］He Kaiming，Sun Jian，Tang Xiao’ou，et al.Single image haze removal using dark channel prior［J］.IEEE Trans on Pattern Analysis amp; Machine Intelligence，2011，33（12）：2341-2353.

［5］He Kaiming，Sun Jian，Tang Xiao’ou.Guided image filtering［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2013，35（6）：1397-1409.

［6］邢曉敏，劉威.霧天交通場景中單幅圖像去霧［J］.中國圖象圖形學報，2016，21（11）：1440-1447.（Xing Xiaomin，Liu Wei.Haze removal for single traffic image［J］.Journal of Image and Graphics，2016，21（11）：1440-1447.）

［7］徐喆，陳美竹.改進的霧霾天氣交通標志圖像去霧算法［J］.計算機應用，2017，37（8）：2329-2333.（Xu Zhe，Chen Meizhu.Modified image dehazing algorithm of traffic sign image in fog and haze weather［J］.Journal of Computer Applications，2017，37（8）：2329-2333.）

［8］汪貴平，宋京，杜晶晶，等.基于改進梯度相似度核的交通圖像去霧算法［J］.中國公路學報，2018，31（6）：264-271，280.（Wang Guiping，Song Jing，Du Jinjin，et al.Haze defogging algorithm for traffic images based on improved gradient similarity kernel［J］.China Journal of Highway and Transport，2018，31（6）：264-271，280.）

［9］Li Chuanxiu，Xu Yongqi.Image defogging method for road traffic in haze days［C］//Proc of International Conference on Advanced Algorithms and Signal Image Processing.2021：012024.

［10］宋傳鳴，唐媛，喬明澤，等.緩解平滑區域光暈和偏色失真的圖像去霧算法［J］.計算機輔助設計與圖形學學報，2022，34（6）：953-969.（Song Chuanming，Tang Yuan，Qiao Mingze，et al.Image defogging algorithm for mitigating smooth area halo and color distortion［J］.Journal of Computer-Aided Design and Graphics，2022，34（6）：953-969.）

［11］Li Boyi，Ren Wenqi，Fu Dengpan，et al.Benchmarking single-image dehazing and beyond［J］.IEEE Trans on Image Processing，2019，28（1）：492-505.

［12］Chen Dongdong，He Mingming，Fan Qingnan，et al.Gated context aggregation network for image dehazing and deraining［C］//Proc of IEEE Winter Workshop on Applications of Computer Vision.Pisca-taway，NJ：IEEE Press，2019：1375-1383.

［13］Qin Xu，Wang Zhilin，Bai Yuanchao，et al.FFA-Net：feature fusion attention network for single image dehazing［C］//Proc of AAAI Confe-rence on Artificial Intelligence.2020：11908-11915.

［14］張小利，李雄飛，李軍.融合圖像質量評價指標的相關性分析及性能評估［J］.自動化學報，2014，52（2）：306-315.（Zhang Xiaoli，Li Xiongfei，Li Jun.Correlation analysis and performance evaluation of fusion image quality evaluation index［J］.Chinese Journal of Automation，2014，52（2）：306-315.）

［15］Hautiere N，Tarel J，Aubert D，et al.Blind contrast enhancement assessment by gradient ratioing at visible edges［J］.Image Analysis amp; Stereology，2011，27（2）：87-95.

［16］Ehsan S，Imran M，Ullah A，et al.A single image dehazing technique using the dual transmission maps strategy and gradient-domain guided image filtering［J］.IEEE Access，2021，9：89055- 89063.

［17］Chen Ting，Liu Mengni，Gao Tao，et al.A fusion-based defogging algorithm［J］.Remote Sensing，2022，14（2）：425.

［18］Zhu Qingsong，Mai Jiaming，Shao Ling.A fast single image haze removal algorithm using color attenuation prior［J］.IEEE Trans on Image Processing，2015，24（11）：3522-3533.

［19］Cui Yani，Zhi Shuaiqing，Liu Wenjin，et al.An improved dark channel defogging algorithm based on the HSI colour space［J］.IET Image Processing，2022，16（3）：823-838.

［20］Yue Boxuan，Liu Kangling，Wang Ziyang，et al.Accelerated haze removal for a single image by dark channel prior［J］.Frontiers of Information Technology amp; Electronic Engineering，2019，20（8）：1109-1118.