圖像去霧中圖像增強算法運用分析

doi：10.3969/J.ISSN.1672-7274.2025.06.049

中圖分類號：TP391.41 文獻標志碼：A 文章編碼：1672-7274（2025）06-0147-03

Analysis of the Application of Image Enhancement Algorithm in Mist Removal

REN Zhijiao，LIANG Ling

（DepartmentofComputer Engineering，Shanxi EngineeringVocationalCollge，TaiyuanO3oooo，China）

Abstract：There are Varioussuspended particles in the atmosphere，which easily lead tocolor distortion and low contrastinoutdoorimages.Some detailsareobscuredbyhaze，thereby limiting theefectivenessofoutdoor video surveillance. Using defogging algorithms to process images can reduce the impact of haze on image quality.This article takes image enhancement algorithms as the research object，and on the premise of explaining the theory of image dehazing，introduces indetail the algorithms thatcanbeused for image dehazing，and evaluates the processing effects of different algorithms based on simulation results for reference.

Keywords：image enhancement; image dehazing;algorithm application

隨著圖像采集設備技術的不斷進步，圖像去霧和增強已成為計算機視覺還有圖像處理領域的重要研究方向。霧霾天氣極易導致圖像質量下降，嚴重影響視覺信息的傳遞，去霧技術能夠通過恢復、增強圖像的細節，提高圖像的可視性和可用性。本文旨在分析不同算法在圖像增強方面的應用效果，以期為實際應用提供科學依據，推動相關技術的發展。

1 圖像去霧理論

1.1顏色空間模型

顏色空間模型是用于表示顏色的信息系統，RGB、HSV、Lab均屬于顏色空間模型。其中，RGB主要由三種基本光的強度組合而成，局限性是在處理霧霾圖像時，有較大概率受到光照的影響導致信息丟失。HSV的創新之處是通過分離顏色的屬性，使處理圖像顏色和亮度的過程更加直觀，現已成為處理色彩圖像的主要模型之一。Lab包含明度和色彩成分，由其所表示圖像十分接近人眼的感知，換言之，將Lab用于圖像去霧等高級處理往往能夠取得理想效果，這點應引起重視。

1.2數字圖像

數字圖像由像素構成，每個像素包含特定的顏色和亮度信息，這也決定了處理圖像時，不僅要對所采集的像素信息進行編碼，還要根據工作需要對其進行存儲及顯示。在將圖像去霧前，先要了解圖像的成像模型。霧霾天氣下，圖像信息極易由于受到散射和吸收光的影響而變得模糊，常用的去霧技術包括基于物理模型的方法、基于學習的深度學習方法，通過分離霧霾層與物體表面反射光，恢復真實場景的清晰圖像[1]。

2 圖像增強算法

現有圖像增強算法主要包括直方圖均衡算法、算法兩類，二者的原理和處理效果存在顯著差異。

2.1直方圖均衡算法

2.1.1理論基礎

該算法的原理是通過均衡處理圖像所對應直方圖，優化圖像質量。考慮到降質圖對應灰度直方圖具有灰度級集中的特征，使得圖像整體亮度略暗于原圖，因此，有關人員可以通過拉伸直方圖對比度，使灰度級在固定的灰度空間內得到均勻分布，進而達到優化圖像各處細節及整體質量的目的。降質圖對應變換函數的表達式如下：

式中， s_k 是指圖像經過變換處理的灰度級； Π_T 是指灰度變換對應函數； r_k 是指霧天降質圖實際灰度級，取值為[0，1]； p_r（r） 是指霧天降質圖對應概率密度函數，取值為0·255。

2.1.2算法介紹

2.1.2.1全局均衡化

GHE可以簡單理解為分別處理圖像三層顏色通道，疊加處理后的通道，形成更加清晰的圖像。其原理是通過計算整個圖像的灰度直方圖，將圖像的灰度值重新分配，以達到更均勻的灰度分布。實際操作時，需要先計算圖像中每個灰度級的出現頻率并生成CDF，再使用CDF將原圖像的灰度值映射到新的灰度范圍，實現圖像的對比度增強。仿真效果表明，全局均衡化能夠顯著提高圖像清晰度，同時圖像細節也較處理前更為突出，這表示該算法具有易于實現和能夠有效提升低對比度圖像的視覺效果的優點。當然，該算法同樣存在局限性，具體表現為在處理明顯光照不均的圖像時，容易導致圖像細節丟失或偽影現象，產生過度增強的效果，因此，適用于對比度較低、光照相對均勻的圖像處理[2]。

2.1.2.2局部均衡化

AHE與 GHE 不同，其原理是以全局均衡化為前提，整理原圖所包含顏色通道及各通道對應的信息，將其劃分成多個互不重疊的、獨立存在的子塊，分別處理各子塊并按照順序疊加，獲得更加清晰的圖像[3]。在處理過程中考慮圖像的局部區域，通過對小塊圖像進行獨立均衡化，提升局部對比度。如果有關人員決定利用AHE處理圖像，則要將圖像分成多個重疊的小窗口，并對每個窗口做直方圖均衡化處理，以增強局部對比度，在此基礎上，使用插值方法將局部增強的窗口合成為完整的圖像，從而保留和突出細節。需要注意的是，在處理噪聲較高的圖像時，AHE可能會進一步增強噪聲，導致圖像質量下降。要想避免出現該情況，可以采用CLAHE，在局部均衡化中增加對比度限制。事實證明，這樣做可以有效防止過度增強問題。

2.2算法

2.2.1理論基礎

Retinex理論是以人類視覺系統為基礎的、以色感一致性為核心的增強圖像的理論。其中，色感一致性指的是反射物顏色主要取決于本體反射短、中、長波的能力，而非光照均勻程度、反射光照射強度。若以該理論為導向，則可以將圖像拆解成反射、入射圖像兩部分，反射圖像的表達式為：

S（x，y）=R（x，y）?L（x，y）

式中， S（x，y） 是指觀察人員掌握的反射物的實際圖像； R（x，y） 是指本體反射率； L（x，y） 是指入射光。

2.2.2算法介紹

2.2.2.1單尺度算法

SSR的原理是模擬人眼在不同光照條件下的感知能力，通過對圖像進行局部處理，改善圖像的亮度和對比度，增強圖像細節，消除光照變化的影響，提升視覺質量。具體的處理步驟為：將RGB圖像轉換為灰度圖像，計算輸入圖像的亮度成分一一對輸入圖像做高斯濾波處理，得到光滑的背景亮度圖一一將原圖像的亮度分量與背景亮度圖進行比值運算，實現對光照不均的校正一對增強后的圖像進行顏色恢復處理，確保色彩的自然性和真實感[4]。 SSR 的優點是計算簡單且處理速度快，局限性在于利用其處理包含多層次細節的圖像的效果不如多尺度算法。計算公式如下：

r（x，y）=logS（x，y）-log[F（x，y）^*S（x，y）]

式中， r（x，y） 是指輸出圖像； 是指中心環繞函數； 是指卷積運算過程。

2.2.2.2多尺度算法

該算法可以進一步細分為MSR算法、MSRCR算法。 MSR 的前身為 sSR ，其核心思想是對圖像展開多尺度分析，利用多個不同標準差的高斯濾波器處理對應圖像，在提取不同尺度的亮度成分之后，根據亮度信息及其權重進行重建，獲得增強后的圖像。優點是能夠有效減少光照強度不均勻帶來的影響，增強圖像各處的細節，保持自然的色彩分布。另外，利用該算法所處理的圖像，其色調、動態范圍壓縮通常不會出現明顯的改變。計算公式為：

（4）式中， i∈{R，G，B} 是指顏色通道； R_i（x，y） 是指顏色通道討應的、已經經過處理的圖像； W_n 是指尺度實際權重系數； N 是指尺度具體數量，若 N 的取值為1，代表圖像符合灰度圖像的條件，如果 N 的取值為3，則代表圖像是包含不同顏色的彩色圖像。

MSRCR作為MSR的延伸，其創新之處在于引入了色彩恢復因子，對增強圖像顏色對比度造成的顏色失真問題進行補償，確保圖像在復雜光照條件下仍然能夠保持自然色彩，使圖像的視覺質量和細節得到提高。處理步驟大致為：先對輸入圖像進行多尺度處理，提取亮度信息，同時保留顏色信息。再將信息融合，調整圖像的色彩平衡和對比度，消除陰影和光照變化帶來的影響，重建更真實、更飽滿的圖像。具體的表達式如下：

R_MSRCRi（x，y）=C_i（x，y）?R_MSRi（x，y）

式中， I_i（x，y） 是指顏色通道討應圖像信息； β 是指增益常數； α 是指非線性強度值； C_i 是指通道對應色彩恢復系數，其作用是最大限度縮小處理圖像三層顏色通道的實際分量比與原圖分量比； f（ξ） 是指色彩空間所適用的映射函數。

2.2.2.3改進算法

雖然利用上文所介紹算法處理圖像能夠取得相對理想的去霧效果，但仍然有色彩失真、細節模糊的可能。導致問題出現的原因主要是圖像動態范圍利用程度不足。為徹底解決該問題，有關人員將線性拉伸、CLAHE引入算法的建議。事實證明，這樣做可以使圖像顏色對比度得到顯著增強，其灰度范圍將從初始的 [R_min，R_max 變更為[0，255]。其中，線性拉伸可以通過以下公式表示：

線性拉伸后，對圖像做CLAHE處理，通過限制直方圖均衡化過程中對比度的放大程度，將噪聲被放大的可能性降至最低。

3 圖像質量評價

3.1評價方式

3.1.1主觀評價

主觀評價通常依賴于用戶的視覺感受和滿意度。具體來說，就是通過對比、收集用戶反饋，了解圖像清晰度、自然度、色彩還原以及細節保留效果，從而形成對不同算法效果的綜合主觀評價。

3.1.2客觀評價

主觀評價的內容通常集中在視覺效果層面，且用戶參考的標準各不相同，即使針對同一幅經過處理的圖像，也有可能出現評價大相徑庭的情況。因此，要想做到準確地評價圖像質量，應堅持客觀評價為主、主觀評價為輔的評價模式，通過對比MSE、PSNR，對圖像質量做出相應的評判。

3.2仿真效果

在評價圖像去霧效果時，有關人員應聚焦于兩個方面，分別是對比度以及MSE、PSNR值，通常情況下，對比度高、PSNR高、MSE低的圖像更加清晰，利用改進算法所處理圖像的數據見表1。

通過分析能夠發現，Retinex算法的去霧效果較為理想，其中，利用基于線性拉伸、CLAHE的算法處理的圖像，出現了對比度、PSNR數值加大，MSE數值減小的變化，且整體亮度較其他圖像更低，這表示有關人員所提出改進建議有效。

4 結束語

綜上，圖像去霧可以在提高圖像質量和可視性的同時，極大地豐富圖像處理的應用場景，最大化實現圖像的價值。通過比較不同去霧算法能夠發現，基于深度學習的現代算法普遍展示了更強的適應性和效果，在實際應用中，需要根據具體的使用場景和圖像特征選擇適當的算法并加以利用。未來的研究應當更加關注算法的實時性、普遍適用性，以便在各種常見環境中有效地實現圖像增強，使圖像在交通安全、環境監測等領域發揮更大的作用，為社會的發展貢獻力量。

參考文獻

[1]楊燕，沈汪良.多尺度細節增強與分層抑噪的圖像去霧算法[J].吉林大學學報（工學版），2024，20（11）：1-12.

[2]蘇濤，陳芬，袁卓文，等.基于顏色校正和區域去霧的水下圖像增強算法[J].電子技術與軟件工程，2023（1）：175-181.

[3]王斌，梁宇棟，劉哲，等.亮度自調節的無監督圖像去霧與低光圖像增強算法研究[J].計算機科學，2023，50（1）：123-130.

[4]何立風，周廣彬，姚斌，等.基于引導系數加權和自適應圖像增強去霧算法[J].微電子學與計算機，2020，37（9）：73-77，82