操作环境MATLAB 2024a1、算法描述基于MATLAB的图像去雾系统设计与实现摘要雾霾天气会显著削弱成像系统获取场景信息的能力使图像出现对比度下降、颜色失真、边缘模糊及远景细节衰减等问题从而影响目标检测、场景理解、智能监控与辅助驾驶等后续视觉任务的可靠性。图像去雾的核心目标是在单幅退化图像条件下恢复场景的真实辐射信息提高图像的清晰度、层次感与可用性。围绕这一问题本文设计并实现了一套基于 MATLAB 的图像去雾系统。系统以大气散射机理为理论基础在整体框架上采用合成雾图构建、透射率估计、去雾恢复、细节增强、质量评价与结果可视化相结合的方式形成了较为完整的图像去雾处理流程。针对传统方法在真实雾天场景中容易出现颜色失衡、局部过增强及亮度恢复不稳定等问题本文在暗通道先验和颜色衰减信息的基础上构建了透射率融合与细化策略并加入亮度约束、色彩校正和局部对比度修正模块以提升系统在不同场景下的恢复稳定性。实验部分选取多类清晰场景图像构造合成雾样本同时引入真实雾天道路图像进行补充验证并利用峰值信噪比、结构相似性、平均梯度和信息熵等指标对结果进行综合分析。结果表明所设计系统能够较好地恢复受雾图像的整体可见度和主要结构信息在细节提升、层次表达和视觉自然性方面具有较好的工程应用价值。关键词图像去雾MATLAB大气散射模型透射率估计暗通道先验颜色衰减先验1 引言单幅图像去雾是计算机视觉与图像处理领域的重要研究方向之一。雾天气会导致场景辐射在传播过程中发生吸收与散射使图像表现出对比度降低、色彩发灰、远处区域细节衰减等问题。这类退化并非均匀噪声而是与场景深度、光 照条件以及雾浓度空间分布密切相关因此其恢复过程具有明显的病态特征。随着智能监控、交通感知和自动驾驶等应用对复杂环境视觉信息的依赖程度不断提高图像去雾已成为低层视觉增强与高层视觉理解之间的重要桥梁。从研究脉络来看图像去雾方法大致经历了从图像增强、物理模型驱动到深度学习驱动的发展过程。相关综述指出当前去雾算法已可归纳为传统增强类方法、基于物理模型的方法、基于深度网络的方法以及结合不同训练策略的混合方法。其中物理模型方法由于具有较强的可解释性在工程实现和系统设计中仍然占有重要地位而深度学习方法在合成数据集上表现突出但其跨场景泛化、真实雾天适应性及训练代价等问题依然值得关注。在现有研究中大气散射模型被普遍视为图像去雾的理论基础而透射率估计则是决定恢复质量的关键环节。近年来的代表性研究包括 DCPDN、GridDehazeNet、FFA-Net、AECR-Net、DeHamer 与 DEA-Net 等它们分别从物理嵌入、多尺度建模、注意力机制、对比学习、Transformer 融合和细节增强等方面推动了去雾研究的发展。与此同时综述研究也指出合成数据与真实数据之间仍存在明显的域偏差这也是很多方法在真实雾天场景中视觉效果不稳定的重要原因。基于上述背景本文选择以 MATLAB 为平台开展图像去雾系统设计。一方面MATLAB 在图像读写、颜色空间变换、滤波、引导处理、指标统计与结果可视化方面具有较高的实现效率适合完成系统化原型验证另一方面面向毕业设计的系统构建不仅需要得到较好的图像恢复结果还需要形成清晰的处理流程、可复现实验方案和较完整的评价体系。因此本文工作的重点并不局限于单一去雾公式的实现而是围绕“理论基础—算法设计—系统实现—实验评价”这一主线构建一套具有工程完整性的图像去雾系统。2 图像去雾理论基础图像去雾问题的基本出发点是分析雾天气条件下场景辐射到达成像设备之前所经历的传播衰减和空气光叠加过程。相关研究表明大气散射模型为图像去雾提供了统一的理论描述框架其中透射率反映了场景信息在传播过程中未被散射而到达成像端的比例场景深度与雾浓度共同影响该量的空间分布。因此如何估计透射率并合理恢复场景辐射是物理模型类去雾算法的核心。基于该模型发展的经典思路通常围绕场景先验信息展开。暗通道先验通过统计自然清晰图像在局部窗口中的低亮度通道分布特征为非天空区域的雾浓度判断提供依据颜色衰减先验则通过亮度与饱和度之间的关系推断场景深度变化。近年的研究在介绍传统与现代去雾方法时仍将 Dark Channel Prior 和 Color Attenuation Prior 作为具有代表性的先验模型说明这类方法在可解释性和工程稳健性方面仍具有参考价值。然而单一先验往往存在适用范围受限的问题。暗通道先验在天空、高亮区域或低纹理区域容易产生透射率偏差进而造成过恢复、偏色或光晕颜色衰减方法在复杂照明、夜间场景和纹理不均匀区域也可能出现深度判断不稳定的现象。深度学习方法虽然在公开数据集上取得了较强性能但综述与竞赛研究都表明真实非均匀雾场景仍然是当前图像去雾的重要难点真实数据的获取难度大、标准配对数据少以及场景差异大直接影响方法的泛化能力。因此从工程实现角度出发采用“物理模型约束 多先验融合 后处理校正”的思路具有较强现实意义。它既能保持算法流程的可解释性又能够通过模块化方式缓解单一先验的局限更适合在 MATLAB 环境中构建结构清晰、结果直观且便于分析的图像去雾系统。3 系统总体设计本文所设计的图像去雾系统由图像输入模块、合成雾图生成模块、去雾处理模块、结果评价模块和图像展示模块五部分组成。系统首先读取清晰图像与真实雾天图像并对输入进行尺寸统一与数据类型规范化处理。对于清晰图像系统依据大气散射思想构造不同程度的合成雾图用于验证算法在已知参考图条件下的恢复性能对于真实雾图则直接进入去雾流程以检验算法在工程场景中的适应能力。在核心处理阶段系统首先对输入雾图进行颜色空间分析与暗通道计算得到对场景雾浓度分布的初步判断随后结合颜色衰减信息构建另一组透射率估计并通过权重融合的方式综合两类先验的优势。为减少块效应和边界误差系统利用导向滤波对粗透射率进行细化使恢复结果在边缘位置更贴合真实结构。完成透射率细化后系统根据恢复模型获得初步去雾图再对亮度、色彩和局部层次进行后处理修正以避免出现过暗、偏蓝、过饱和或纹理失真等现象。在质量评价方面系统对合成雾图去雾结果采用全参考指标与无参考指标相结合的方式进行分析。全参考部分主要采用峰值信噪比和结构相似性用于衡量恢复图像与清晰参考图像之间的保真程度无参考部分选取平均梯度和信息熵用于描述图像边缘清晰度和信息丰富程度。已有综述研究明确指出PSNR 和 SSIM 是当前图像去雾研究中最常用的全参考评价指标在公开挑战赛中也被持续采用。此外系统还输出典型样本的整体对比图、局部细节对比图、中间量可视化图以及真实雾天恢复展示图以便从视觉层面对算法性能进行直观分析。这样的设计不仅能够反映数值指标的变化也有助于判断图像是否存在伪边缘、颜色漂移、亮度失衡等主观质量问题。4 关键算法设计本文的去雾算法强调稳健性与可解释性的统一。首先在透射率估计阶段采用暗通道先验提取非天空区域的局部低值特征。该步骤能够较敏感地反映雾对远景区域的覆盖程度尤其适用于山地、道路与建筑边缘等具有明显深度层次的场景。考虑到暗通道方法在亮区和天空区域可能出现误判系统同时引入基于颜色衰减思想的辅助估计使亮度与饱和度变化能够参与场景深度判断。两者融合后既保留了暗通道对主体区域的恢复能力又在一定程度上缓解了高亮区域和低纹理区域的不稳定现象。其次在透射率细化阶段本文不直接采用粗糙窗口估计结果而是引入边缘保持型平滑策略使透射率图在结构边界附近能够更好地与原图强度变化保持一致。这样做的目的并不是单纯追求数值平滑而是尽量减少恢复后常见的光晕、边缘发白和局部块效应。对于图像去雾来说透射率图的平滑方式会直接影响山脊、道路边缘、树干与楼体轮廓等区域的自然性因此该环节对系统整体视觉质量具有基础性作用。再次在恢复后的颜色与亮度修正方面本文针对真实雾天场景中常见的“去雾后变暗”“局部偏蓝”“色彩失真”问题进行约束性后处理。具体而言系统通过白平衡与亮度拉伸改善整体灰雾感通过对非天空区域和天空区域采用不同的亮度调节策略避免远景被过度压暗也避免天空过曝后形成失真区域。同时通过适度控制饱和度增益使恢复结果保持自然观感而不是简单地将图像处理为过分鲜艳或锐利的状态。该策略本质上是一种面向工程可用性的视觉校正其目标是使去雾结果在真实场景中具有更高的可读性和更稳定的主观质量。最后在系统验证方式上本文同时采用合成雾图和真实雾图进行实验。合成雾图的优势在于具有清晰参考可定量分析恢复误差真实雾图则更能体现系统在复杂环境下的实际表现。公开竞赛报告显示近年来 O-Haze、Dense-Haze 以及 NH-Haze2 等数据集的构建均强调通过专业造雾设备获得更真实的退化场景并采用 PSNR、SSIM 以及主观评价相结合的方式进行评估这也说明真实场景验证在去雾研究中的重要性不断提升。5 实验设计与结果分析实验部分选取了多类具有代表性的清晰图像作为测试对象场景覆盖山地、城市建筑、林间道路和夜间交通等不同类型并基于大气散射思想生成对应的合成雾图。这样的设置能够在同一系统中同时考察不同纹理强度、不同景深层次以及不同光照条件下的去雾表现。为进一步考察系统在实际环境中的恢复能力实验还加入了真实雾天道路图像作为补充测试样本。从整体结果看系统对合成雾图具有较好的恢复能力。对于具有明显深度层次的山地与道路场景去雾后远处地形边界和近处纹理细节能够得到较明显恢复画面的层次感优于输入雾图对于城市建筑场景系统能够改善因空气光叠加导致的泛白现象使楼体边缘和玻璃结构更加清晰对于夜间场景系统在提升亮区对比度的同时尽量保持高亮照明区域的可读性避免大面积发白或整体失真。这说明所构建的先验融合与亮度修正策略能够在一定程度上兼顾不同场景类型下的恢复需求。从指标角度分析PSNR 与 SSIM 主要反映结果与清晰参考图之间的接近程度适合评估合成雾图去雾的保真性平均梯度与信息熵则更适合作为辅助指标反映图像在清晰度和信息丰富度上的变化。对本系统而言去雾结果通常表现为平均梯度与信息熵相较输入雾图有所提升说明图像边缘和局部纹理得到了强化与此同时PSNR 与 SSIM 的变化则表明恢复过程不仅提高了清晰度也在一定程度上保留了原场景结构关系。由于图像去雾本质上兼具恢复与增强双重属性因此评价时不能仅依赖单一指标而应将客观指标与视觉效果结合起来综合判断。在真实雾天图像测试中系统能够改善道路区域与路侧植被的可见度使前景和中景区域的纹理较输入图像更为明确。这说明基于物理模型和先验融合的处理方式对于工程场景仍然具有实用价值。不过也应当看到真实雾图通常包含更复杂的非均匀雾分布、光照变化和颜色偏移其退化特征往往难以被单一模型完全刻画。近年来的综述和挑战赛研究普遍认为真实场景数据不足、合成到真实的域偏差以及非均匀雾对算法鲁棒性的影响仍是图像去雾研究中的核心难题。因此本文系统的实验结论应当客观理解为所设计方法在 MATLAB 平台上实现了从退化建模、透射率估计到结果恢复与评价分析的完整闭环能够较有效地改善典型雾图的可见度与层次表达在真实雾天场景下系统具备较好的基础恢复能力但在色彩稳定性、极端高亮区域控制以及复杂非均匀雾环境下的鲁棒性方面仍有进一步优化空间。这种结论与当前图像去雾研究的发展现状是相符的也说明基于 MATLAB 的系统化实现对于后续算法迭代和模型升级具有良好的实验基础。6 结论本文围绕图像去雾问题完成了一套基于 MATLAB 的图像去雾系统设计与实现。研究工作从大气散射机理出发结合暗通道先验与颜色衰减信息构建透射率融合策略并通过导向细化、亮度校正和色彩调整等步骤形成了较完整的去雾处理流程。实验结果表明所设计系统能够在合成雾图和真实雾图上实现较为稳定的可见度恢复对提升图像层次感、结构清晰度和视觉可读性具有积极作用。本文工作的价值主要体现在三个方面。其一系统保留了物理模型方法较强的可解释性使去雾过程具有较清晰的理论依据其二系统在 MATLAB 平台上实现了输入、处理、评价和展示的一体化流程便于实验复现和后续扩展其三研究同时关注合成场景与真实场景有助于从工程角度认识图像去雾方法的实际效果与局限性。当然本文研究仍存在一定不足。对于高亮天空区域、非均匀浓雾区域以及复杂光照条件下的真实图像系统仍可能出现局部恢复不足或颜色调节不够理想的情况。后续工作可从三个方向继续深入一是引入更稳定的天空区域识别与区域自适应恢复机制二是结合轻量级深度网络提升真实雾天场景的泛化能力三是引入更完善的主观评价和无参考质量评价体系以进一步提升系统在实际视觉应用中的适应性。总体来看本文完成的系统具有较好的研究和应用基础可为后续图像增强、目标识别和智能视觉感知任务提供有效支撑。参考文献[1] Li R, Pan J, Li Z, et al. Single Image Dehazing via Conditional Generative Adversarial Network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 8202-8211.[2] Zhang H, Patel V M. Densely Connected Pyramid Dehazing Network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 3194-3203.[3] Ancuti C O, Ancuti C, Timofte R, et al. NTIRE 2019 Image Dehazing Challenge Report[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2019: 2241-2253.[4] Liu X, Ma Y, Shi Z, et al. GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 7314-7323.[5] Qin X, Wang Z, Bai Y, et al. FFA-Net: Feature Fusion Attention Network for Single Image Dehazing[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2020, 34(7): 11908-11915.[6] Wu H, Qu Y, Lin S, et al. Contrastive Learning for Compact Single Image Dehazing[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 10551-10560.[7] Ancuti C O, Ancuti C, Sbert M, et al. NTIRE 2021 NonHomogeneous Dehazing Challenge Report[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2021: 627-646.[8] Guo C L, Yan Q, Anwar S, et al. Image Dehazing Transformer With Transmission-Aware 3D Position Embedding[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022: 5812-5820.[9] Gui J, Cong X, Cao Y, et al. A Comprehensive Survey and Taxonomy on Single Image Dehazing Based on Deep Learning[J]. ACM Computing Surveys, 2023, 55(13s): 1-37.[10] Shen M, Zhao M, Wei Z, et al. A Comprehensive Review of Traditional and Deep-Learning-Based Defogging Algorithms[J]. Electronics, 2024, 13(17): 3392.2、仿真结果演示3、关键代码展示略4、MATLAB 源码获取V点击下方名片关注公众号获取