一種專用于霧天圖像處理的智能算法

，（，河北石家莊)

【關鍵詞】智能駕駛；去霧算法；去霧效果；色彩還原 中圖分類號：U463.675 文獻標識碼：A 文章編號：1003-8639（2025)06-0063-02 AnIntelligent Algorithm Dedicated to Image Processing in Foggy Days LiYundi，Zhang Yihao，Li Fengbo，ShiXiaoyong，LiBaiying，Xie Miaomiao （Shijiazhuang Institute of Railway Technology，Shijiazhuang O5oO41，China）

【Abstract】 Based onthe technological integrationand development orientation of the \"14th Five-Year Plan\"， traditionalintellgentdrivingassistance technologieshavesignificantlimitationsinfogyweatherscenarios.Inviewof the loweficiency，highcostandcolorrecognitiondefectsof theexistingradarcoordinationandthermalimaging schemes， thispaper adopts the dark channel algorithm to achieve image defogging through parameter optimizationandavoid distortionwithcolorcompensation.Experimentsshow thatthe foggy imagesprocessedbythealgorithm havecomplete detailsandnaturalcolors，significantlyimprovingtheimagequalityinlowvisibilityenvironmentsandprovidinganew path for breakthroughs in intelligent driving technology.

【Key words】 intelligent driving；defogging algorithm；defogging effect；color reproductiol

1傳統智駕方案痛點

智能駕駛依賴精準的道路與交通信息識別，但在霧霾多發城市，信息采集常受干擾，存在效率低、失真嚴重等問題，影響后續處理。當前行業多從硬件入手，以多雷達協同和熱成像攝像頭為代表技術。前者存在探測效率低、成本高、無法識別顏色等缺陷；后者難以呈現物體真實形狀，同樣面臨成本與技術瓶頸。鑒于此，本項目采用暗通道算法，用于行人識別及霧霾環境下的圖像去霧，突破現有技術局限。

2暗通道去霧算法流程及改進策略

暗通道先驗去霧算法以大氣散射模型為核心，剖析霧霾圖像由反射光、大氣散射光與環境人射光混合而成的特性。算法通過分解混合光線成分并建模，重點對大氣光值A和場景透射率 t(x) 兩個關鍵參數進行估計與優化，其準確性直接決定去霧效果。本項目采用該算法，并針對性提出流程及改進策略。

1）構建暗通道圖像：依靠物理濾波理論，生成展現場景暗通道先驗特性的圖像，為接下來的參數

估計提供基礎數據。

2）大氣光值與透射率估算：通過統計暗通道圖的高亮像素區域，確定大氣光值A，并結合暗通道先驗初步推導透射率 t(x) 的粗略估計值。

3）大氣散射模型求解：依托經典大氣散射模型I(x)=J(x)t(x)+A[1-t(x)] ，通過優化 A 和 t(x) 兩個核心參數，實現對霧氣影響的數學剝離，從而完成去霧處理。

具體實現流程框圖如圖1所示。

在本項目中，大氣光值A的自適應估計流程通過圖像預處理、亮度直方圖統計及加權融合算法實現，具體步驟闡述如下。

圖像顏色空間標準化處理。首先對輸入圖像進行格式轉換，將原始RGB色彩空間轉換為適用于亮

度分析的目標格式。

亮度分量直方圖統計與特征提取。完成顏色空 間轉換后，針對分離出的亮度分量進行全局直方圖 統計。

像素區域劃分。先對亮度直方圖做預處理，然后用自適應閾值分割算法動態分組像素點，接著把不同亮度的區域準確劃分出來，再統計這些區域的像素數量。

估計大氣光值A。基于加權融合模型，計算出權重參數 α 和 β ，大氣光值 A 定義為各區域亮度特征的加權和，具體公式為：

A=220×α+255×β+ε

為進一步優化圖像去霧效果，本項目采用雙尺度最小梯度濾波方法求解暗通道圖及透射率 t(x) 。具體實施過程如下：將原始模型定義為 5×5 的網格區域，通過 3×3 滑動窗口在該區域內逐行、逐列移動，計算每個窗口內像素的最大值、最小值及其差值，最終選出最小濾波值當作暗通道值。詳細計算步驟為： ① 對輸入的有霧圖像進行預處理，獲取最小濾波圖像； ② 利用 3×3 滑動窗口遍歷圖像，計算每個窗口內像素的極大值、極小值及其差值； ③ 按照步驟2算出的數值，取最小濾波值當作暗通道值，然后生成暗通道圖； ④ 基于暗通道圖計算透射率t(x) 的具體數值。雙尺度最小梯度濾波示意如圖2所示。

3色彩補償方法

處理完有霧圖像的去霧工作后，可能會出現局部色彩失真的情況，為解決這一問題，本項目設計了一種新的色彩補償方法。該算法通過定義閾值參數 T （默認設定為40），構建像素級的失真檢測模型。其核心原理是通過量化透射率估計值與暗通道特征的差異，實現對圖像區域的分類處理：針對圖像中每個像素點 x ，計算透射率初步估計值 t_pre(x) 與暗通道像素值 J^dark(x) 的絕對差值 （204號該差值反映了去霧過程中色彩信息的潛在失真風險。差值越小，表明該區域在去霧后出現對比度異常（如顏色過飽和、灰白斷層）的可能性越大。其技術實現流程與數學表達式如下所述。

1）通過逐像素計算判別因子 D(x) 并與閾值 T 比較，生成二值化掩碼 M(x) ：

2）對標記為 M(x)=1 的區域，通過以下公式修正透射率 t(x)

t_final(x)=t_pre(x)+φ[T-D(x)]

式中： φ 為補償系數 0<φ?1， ，用于控制修正幅度。該調整機制通過放大差值與閾值的偏離程度，實現對低對比度區域的柔和去霧處理，有效避免傳統算法“一刀切”式處理導致的色彩失真問題。

4 對比試驗

為驗證改進算法在單幅圖像去霧的實際效果，本項目開展對比試驗。選取某戶外場景的兩組同源圖像，一組為霧天拍攝的原始圖像，因大氣散射導致對比度低、細節模糊、色調灰白；另一組是經本算法處理后的圖像，經大氣光自適應估計、雙尺度濾波去霧、閾值補償色彩修復，最終圖像細節完整，高亮區域色彩過渡自然，無光暈和色塊失真，與晴天圖像視覺差異極小，凸顯算法優勢。圖像去霧效果對比如圖3所示。

5結束語

將暗通道先驗去霧算法應用于智能駕駛輔助技術，能夠顯著提升霧天等低能見度環境下的圖像清晰度，增強信息采集能力，為智能駕駛系統提供清晰準確的路面影像，對提升智能駕駛效果具有重要意義，展現出廣闊的市場前景和巨大的發展潛力。

參考文獻

[1]夏以檸.生成式人工智能技術進展及其在自動駕駛領域的應用與展望[J].汽車技術，2023（9)：43-48.

(編輯林子衿)