基于多尺度大气光的夜间去雾算法设计与实现

1. 算法核心思想

针对夜间场景中人工光源干扰、环境光分布不均及噪声显著的特点，提出多尺度大气光估计与自适应透射率优化的夜间去雾框架。通过融合低频环境光分布与高频细节特征，解决传统方法在夜间场景中的伪光晕、色彩失真和细节丢失问题。

2. 关键技术模块

2.1 多尺度环境光估计

小波金字塔分解：将图像分解为多尺度子带（低频/中频/高频）
```
[cA, cH, cV, cD] = dftmtx2(Img, 3);  % 三级小波分解
```
局部环境光建模：低频子带（cA）：估计全局大气光分布中频子带（cH/cV）：捕捉光源扩散效应高频子带（cD）：抑制噪声干扰

2.2 自适应大气光融合

加权融合策略：

A_fused = (0.6*cA + 0.3*cH + 0.1*cD);  % 动态权重调整

非局部均值优化：消除孤立噪声点

A_denoised = nlfilter(A_fused, [5,5], @(x) mean(x(:)));

2.3 多尺度透射率估计

暗通道先验改进：

dark_channel = min(Img(:,:,1:3), [], 3);
t = 1 - 0.95*(dark_channel/max(dark_channel(:)));

边缘增强处理：

G = fspecial('unsharp');  % 锐化滤波器
t_enhanced = imfilter(t, G, 'replicate');

2.4 复原模型优化

改进大气散射模型：

J = (Img - A_fused)./(t + eps) + A_fused;

颜色校正：

J = lab2rgb(rgb2lab(J));  // Lab空间色彩校正

3. 核心创新点

3.1 动态环境光建模

多尺度权重分配：根据雾浓度自适应调整各尺度贡献度
```
weight = exp(-0.1*std(cA(:)));  % 雾浓度与权重负相关
```
光源方向估计：通过梯度方向场识别主要光源位置

3.2 混合滤波策略

空间域约束：引导滤波保持边缘

t_guided = guided_filter(Img, t, 8, 0.01);

频域优化：小波阈值去噪

[thr, sorh, keepapp] = wdencmp('gbl', t, 'sym4', 2, 0.1, 's');

3.3 色彩恢复机制

Retinex理论改进：分离光照与反射分量

[L, R] = Retinex(J(:,:,1));  // 单通道Retinex处理

自适应饱和度增强：

S = hsv2rgb(hsv(J));  // HSV空间饱和度调整

4. MATLAB实现代码

function dehazed = multi_scale_dehaze(Img)
    % 参数设置
    levels = 3;  % 分解层数
    lambda = 0.1;  // 正则化参数
    
    % 多尺度分解
    [cA, cH, cV, cD] = dftmtx2(Img, levels);
    
    % 环境光估计
    A_low = medfilt2(cA, [5,5]);
    A_med = wiener2(cH, [3,3]);
    A_high = imgaussfilt(cD, 1);
    
    % 自适应融合
    weight = [0.6, 0.3, 0.1];
    A = weight(1)*A_low + weight(2)*A_med + weight(3)*A_high;
    
    % 透射率估计
    dark = min(Img(:,:,1:3), [], 3);
    t = 1 - 0.95*(dark/max(dark(:)));
    t = guided_filter(Img, t, 8, 0.01);
    
    % 图像复原
    J = (Img - A)./max(t, 0.1) + A;
    
    % 色彩校正
    J = hsv2rgb(rgb2hsv(J));
    dehazed = imadjust(J);
end

参考代码基于多尺度大气光的夜间去雾算法 www.youwenfan.com/contentcni/65716.html

5. 应用场景优化

5.1 低能见度监控

动态范围扩展：处理10^-3至102 lx照度范围
实时性优化：GPU加速后达30fps（NVIDIA Jetson平台）

5.2 自动驾驶系统

障碍物检测：结合YOLOv5实现雾天目标识别
深度估计：利用立体视觉补偿大气散射误差

5.3 航空摄影测量

地形重建：与SFM算法融合提升精度
动态目标跟踪：卡尔曼滤波优化运动轨迹