1. 暗通道先验到底在讲什么从一张雾霾照片说起如果你手头有一张在雾天、霾天或者水汽很重的清晨拍到的照片画面灰蒙蒙的远处的景物像蒙了一层纱对比度低、颜色发白那这篇内容就是为你准备的。Single Image Haze Removal Using Dark Channel Prior翻译过来就是基于暗通道先验的单幅图像去雾它是图像处理领域里一个非常经典的算法思路。说它经典是因为它第一次让只给一张图就能把雾去掉这件事变得既简单又有效而且背后的统计规律直观到可以用一句话讲清楚。这个算法能做什么简单说输入一张有雾的照片输出一张去雾后的清晰照片不需要额外的深度信息、不需要多张不同天气的图、也不需要任何硬件辅助。它适合谁看如果你是做图像处理的开发者、计算机视觉方向的学生、摄影后期的爱好者或者只是单纯好奇手机相册里那个去雾按钮背后到底干了啥这篇内容都能让你从原理到代码实现完整走一遍。我先抛出一个反直觉的结论这个算法最核心的洞察不是某个复杂的数学模型而是一个关于自然图像里总有一些像素特别暗的统计观察。正是这个观察让去雾从一个病态问题未知数比方程多变成了一个可解的问题。接下来我会把这个观察拆开讲透然后一步步带你把算法实现出来最后聊聊我在实际调参时踩过的那些坑。2. 雾天成像的物理模型为什么去雾本质上是个解方程问题2.1 大气散射模型的三项构成要去雾先得知道雾是怎么来的。在计算机视觉里雾天成像通常用大气散射模型来描述I(x) J(x) * t(x) A * (1 - t(x))这个公式看起来简单但每一项都有明确含义。I(x)是我们观察到的有雾图像也就是输入。J(x)是我们想要恢复的无雾图像也就是输出。A是大气光值可以理解为无穷远处天空的颜色通常是一个全局常量或者接近全局的向量。t(x)是透射率表示光线穿过雾霾到达相机的比例取值范围在0到1之间。把公式拆开看会更清楚J(x) * t(x)是物体反射的光经过雾霾衰减后到达相机的部分A * (1 - t(x))是雾霾本身散射进来的环境光。雾越浓t(x)越小第二项占比越大画面就越灰白。2.2 为什么单幅图像去雾是个病态问题问题来了对于一张有雾图I(x)每个像素我们只知道一个观测值如果是彩色图就是RGB三个值但要求解的未知数有J(x)三个通道、t(x)一个值再加上全局的A三个值。未知数远多于方程数这在数学上叫病态问题理论上没有唯一解。那怎么办必须引入额外的约束或先验知识。不同的去雾算法本质上就是用了不同的先验。有的假设对比度最大化有的假设局部平滑而暗通道先验用的是另一个更简单、更普适的统计规律。理解了这一点你就明白为什么先验这两个字这么关键——它决定了算法能不能work以及在什么场景下会失效。2.3 透射率与深度的关系再补充一个细节透射率t(x)和景深是有关系的通常可以写成t(x) exp(-β * d(x))其中β是大气散射系数d(x)是场景深度。也就是说物体离相机越远透射率越低雾的影响越大。这个关系解释了为什么去雾后近处景物变化不大远处景物会明显变清晰——因为算法实际上是在估计每个像素的深度信息。注意这个深度关系是理解去雾效果的关键。如果一张图里所有景物都在同一深度去雾算法很难判断哪些是雾、哪些是物体本身的浅色这也是后面会讲到的失效场景之一。3. 暗通道先验一个统计规律如何破解病态问题3.1 什么是暗通道暗通道先验的核心观察是这样的在绝大多数无雾的户外自然图像中如果我们在每个像素的局部邻域内取RGB三个通道的最小值再对这个最小值做局部区域的最小值滤波得到的这个暗通道图像绝大部分像素的值都非常低接近于0。用公式表达对于像素x暗通道J_dark(x)定义为J_dark(x) min over y in Ω(x) of ( min over c in {R,G,B} of J_c(y) )翻译成人话先对每个像素取三个颜色通道里最小的那个然后在以该像素为中心的一个小窗口内再取最小值。这个双重最小值操作就是暗通道的计算方式。3.2 为什么自然图像的暗通道接近0这个规律为什么成立想想自然场景里那些暗的东西绿树的阴影、红色花朵的暗部、蓝色天空下的建筑物背光面、深色的石头和土壤。这些物体至少有一个颜色通道的值非常低。比如一片绿叶红色和蓝色通道的值都很低一块红砖绿色和蓝色通道很低。所以在局部区域内总能找到某个像素某个通道接近0。那什么情况下暗通道不接近0雾。因为雾会散射环境光给所有通道都加上一个正的偏移量把原本接近0的暗通道抬高了。这就是关键暗通道的值直接反映了雾的浓度。雾越浓暗通道越亮无雾时暗通道接近0。3.3 从暗通道到透射率的推导有了这个观察就可以反推透射率了。对大气散射模型两边同时取暗通道操作I_dark(x) J_dark(x) * t(x) A * (1 - t(x))由于无雾图像的暗通道J_dark(x)接近0可以近似忽略于是I_dark(x) ≈ A * (1 - t(x))整理得到透射率的估计t(x) 1 - ω * I_dark(x) / A这里的ω是一个经验参数通常取0.95左右。为什么要加这个ω因为完全去雾会让画面看起来不自然保留一点点雾能增加景深感让远处景物有层次。这是工程上的一个trick后面调参部分会详细说。3.4 大气光A的估计方法大气光A怎么求最常用的做法是在暗通道图像中选取最亮的前0.1%的像素然后回到原图I中在这些位置里找亮度最高的那个像素用它的值作为A。这个逻辑是暗通道最亮的地方雾最浓最可能是天空或无穷远处那里的颜色就代表大气光。提示这个估计方法在大多数场景下够用但如果图像里有大面积白色物体比如雪地、白墙可能会被误选为大气光导致去雾后偏色。后面会讲怎么处理。4. 手把手实现从暗通道计算到无雾图像恢复4.1 环境准备与依赖选择我用Python来实现依赖主要是numpy做矩阵运算opencv-python做图像读写和滤波matplotlib用来对比显示。这几个库都是标配安装很直接pip install numpy opencv-python matplotlib为什么用OpenCV而不是PIL因为OpenCV的erode和dilate函数做最小值/最大值滤波非常方便而且速度比纯numpy实现快很多。暗通道计算本质上就是两次最小值滤波用OpenCV的形态学操作正好对口。4.2 暗通道计算的关键细节先看暗通道的计算代码import cv2 import numpy as np def dark_channel(img, patch_size15): # img: 输入图像float类型范围0-1形状(H,W,3) # 先取三通道最小值 min_channel np.min(img, axis2) # 再做局部最小值滤波用腐蚀操作实现 kernel cv2.getStructuringElement(cv2.MORPH_RECT, (patch_size, patch_size)) dark cv2.erode(min_channel, kernel) return dark这里有个容易忽略的点patch_size的选择。窗口太小暗通道估计不稳定容易受噪声影响窗口太大透射率图会过于平滑去雾后边缘会出现光晕。我实测下来15x15是一个比较稳妥的默认值对于分辨率在500到1000像素之间的图像效果最好。如果图像分辨率很高可以适当增大到25或35。另一个细节是数据类型。OpenCV读进来的图像是uint8范围0到255。做运算前一定要转成float并归一化到0到1否则后面除以A的时候会出问题。这个坑我踩过当时忘了归一化结果透射率全是负数画面一片黑。4.3 大气光估计的稳健做法def estimate_atmospheric_light(img, dark, top_percent0.001): h, w dark.shape num_pixels max(int(h * w * top_percent), 1) # 暗通道展平后取最大的前num_pixels个 dark_flat dark.ravel() indices np.argsort(dark_flat)[-num_pixels:] # 回到原图找这些位置里最亮的 img_flat img.reshape(-1, 3) candidates img_flat[indices] # 用亮度之和最大的作为A brightness np.sum(candidates, axis1) best candidates[np.argmax(brightness)] return best这里我做了个小改进不是直接取暗通道最亮的单个像素而是取前0.1%的像素后再在这些候选里选亮度最高的。这样比直接取单个最亮像素更稳健能避免个别噪声点的干扰。top_percent取0.001是个经验值图像大可以适当调小图像小可以调大。4.4 透射率估计与引导滤波拿到A之后透射率的初步估计def estimate_transmission(img, A, omega0.95, patch_size15): # 归一化 norm_img img / A trans 1 - omega * dark_channel(norm_img, patch_size) return trans但这样得到的透射率图是块状的因为暗通道用了局部最小值滤波边缘处会有明显的方块效应。直接用这个透射率去恢复图像边缘会出现光晕和伪影。解决办法是用引导滤波Guided Filter对透射率图做精细化以原图作为引导图让透射率在边缘处跟随原图的边缘。def guided_filter(guide, src, radius60, eps1e-3): # guide: 引导图原图灰度src: 待滤波的透射率 mean_I cv2.boxFilter(guide, -1, (radius, radius)) mean_p cv2.boxFilter(src, -1, (radius, radius)) mean_Ip cv2.boxFilter(guide * src, -1, (radius, radius)) cov_Ip mean_Ip - mean_I * mean_p mean_II cv2.boxFilter(guide * guide, -1, (radius, radius)) var_I mean_II - mean_I * mean_I a cov_Ip / (var_I eps) b mean_p - a * mean_I mean_a cv2.boxFilter(a, -1, (radius, radius)) mean_b cv2.boxFilter(b, -1, (radius, radius)) return mean_a * guide mean_b引导滤波的radius和eps是两个关键参数。radius控制滤波窗口大小一般取图像尺寸的1/10到1/20eps是正则化参数防止除以0取1e-3左右。我试过用双边滤波替代效果也行但引导滤波速度更快而且边缘保持更好。4.5 恢复无雾图像与边界处理最后一步根据大气散射模型反解Jdef recover(img, trans, A, t00.1): # 限制透射率下限防止除零和噪声放大 trans np.maximum(trans, t0) # 扩展A的维度以便广播 A A.reshape(1, 1, 3) trans trans[:, :, np.newaxis] J (img - A) / trans A return np.clip(J, 0, 1)t0这个下限非常重要。透射率接近0的地方浓雾区域除法会把噪声放大到爆炸画面会出现大片噪点。设一个下限t00.1相当于对浓雾区域做保护宁可保留一点雾也不要引入噪声。这是工程上必须做的妥协。5. 实测效果与参数调优那些文档里不会写的经验5.1 不同场景下的参数表现我把算法在几类典型场景下跑了一遍参数调整的规律总结如下场景类型patch_sizeomegat0效果评价轻度薄雾风景150.950.1效果好色彩自然浓雾城市街景150.850.15需降低omega保留层次天空占比大的图250.900.1窗口需增大避免天空过曝近景人像带雾150.950.2t0需提高保护肤色从表里能看出omega和t0是最需要根据场景调整的两个参数。omega越大去雾越彻底但画面越容易显得干、不自然t0越大保护越强但浓雾区域去不干净。5.2 天空区域的处理技巧暗通道先验最大的软肋就是天空。天空本身亮度高、颜色均匀暗通道值不接近0算法会误判为浓雾导致去雾后天空过曝、出现色块。我的处理办法有两个一是增大patch_size让暗通道在天空区域更平滑二是对天空区域做检测如果某个区域三个通道值都很高且方差很小就降低该区域的去雾强度。一个简单的天空检测思路计算每个像素的亮度和饱和度亮度高且饱和度低的区域大概率是天空。对这些区域单独调低omega能明显改善天空的观感。5.3 色彩偏移的修正去雾后画面偏蓝或偏黄是常见问题根源在于大气光A的估计有偏差。如果A偏蓝去雾后整体会偏黄因为减去了过多的蓝反之亦然。修正方法是在估计A之后检查它的三个通道比例如果某个通道明显偏高可以做一个白平衡校正把A拉回到接近中性灰。我一般会先看看A的值如果A的RGB差异超过20%就手动干预一下。这个经验值不是绝对的但能覆盖大部分情况。5.4 性能优化从秒级到毫秒级原始实现里暗通道计算和引导滤波是耗时大头。优化思路有几个一是用积分图加速最小值滤波把复杂度从O(N*r^2)降到O(N)二是引导滤波本身可以用boxFilter加速OpenCV的boxFilter已经很快了三是如果做视频去雾可以复用上一帧的透射率做初始化减少迭代。我在一台普通笔记本上测试1080p的图像优化前大概要2到3秒优化后能压到200毫秒以内。对于实时应用这个速度基本够用了。6. 暗通道先验的边界什么时候它会失效6.1 大面积白色或浅色物体前面提过白色物体雪地、白墙、白色汽车的暗通道值本身就高算法会把它当成雾来处理导致这些区域被过度去雾颜色失真甚至出现暗斑。这是暗通道先验的固有缺陷因为它假设无雾图像的暗通道接近0而白色物体违反了这个假设。应对办法是结合其他先验比如颜色衰减先验或者对高亮度低饱和度区域做特殊标记降低去雾强度。如果只是偶尔处理这类图手动调低omega也能凑合。6.2 夜间或低光照图像夜间图像整体偏暗暗通道本来就低算法会认为没有雾去雾效果很弱。而且夜间光源复杂大气光估计容易出错。这类图像更适合用基于深度学习的方法暗通道先验在这里基本无能为力。6.3 浓雾且景深变化剧烈的场景如果一张图里既有近处的清晰物体又有远处的浓雾透射率的估计会很难兼顾。近处透射率接近1远处接近0引导滤波的窗口大小很难同时适配两个尺度。这种场景下多尺度或者分区域处理会更靠谱。注意任何先验都有适用范围暗通道先验不是万能的。理解它的边界比会调参更重要。遇到失效场景及时换方法不要硬调参数。7. 从暗通道先验延伸出去的几个方向暗通道先验虽然经典但这十几年里围绕它的改进和延伸非常多。一个方向是透射率估计的精细化除了引导滤波还有用中值滤波、联合双边滤波、甚至深度学习网络来做的。另一个方向是大气光估计的鲁棒性比如用聚类、用局部区域投票来避免白色物体干扰。还有一个有意思的延伸是去雾与其他任务的联合比如去雾加超分辨率、去雾加目标检测。因为去雾本质上是估计深度而深度信息对很多视觉任务都有用。如果你做的是自动驾驶或者监控场景去雾往往是预处理的第一步。我自己在实际项目里会把暗通道先验作为一个baseline先用它快速看效果如果效果不够再上深度学习方法。它的优势是无需训练、可解释性强、参数少适合快速验证和资源受限的场景。深度学习方法效果更好但需要大量配对数据而且模型体积和推理速度都是要考虑的。最后分享一个小技巧如果你只是想快速看一张图的去雾效果不用完整实现整个流程用OpenCV的cv2.createCLAHE做自适应直方图均衡也能在一定程度上改善雾天图像的对比度。虽然它不是真正的去雾但胜在简单快速适合做效果预览。真正要出图还是得老老实实走暗通道先验或者深度学习这条路。