【图像去雾】基于辐射-反射率联合优化和结构引导L0范数单图像去雾附Matlab代码

原创于 2025-08-29 22:05:30 发布 · 808 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #开发语言

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在冬季户外场景中，能见度降低主要由雾霾导致。即便为自动驾驶辅助、遥感监测、视觉监控等场景下的光学传感系统调整镜头参数，图像视觉质量仍会受损。受阴沉浑浊大气环境影响，单图像去雾难度极大。为此，我们提出的 “辐射 - 反射率联合优化 + 结构引导 L0 范数滤波” 新型优化去雾算法，恰好针对性解决这一难题。

一、算法核心步骤补充：从反射率图到伪影消除

该算法在原有 “辐射 - 反射率联合优化” 与 “结构引导 L0 范数优化” 基础上，进一步细化关键步骤，确保去雾效果与细节保护的双重提升：

1. 反射率图与透射率图的协同优化

首先，估算初始的低质量反射率图，再结合估计出的漫反射图（描述物体表面均匀反射特性）优化透射率图。漫反射图能精准反映物体表面的固有反射规律，避免传统算法中 “仅依赖像素值估算透射率” 的局限性 —— 例如在白色建筑区域，漫反射图可区分 “物体固有白色” 与 “雾气导致的亮度过高”，使透射率估算更贴合实际场景，为后续去雾奠定精准基础。

2. 基于结构引导 L0 范数的去雾伪影消除

在得到初步去雾图像后，通过结构引导 L0 范数滤波对透射率图进行优化，专门消除去雾过程中产生的伪影。传统算法在处理物体边界（如树木与天空交界处）时，易因雾气去除不均出现亮边或暗边伪影，而该算法通过结构引导 L0 范数滤波，依据图像结构信息（边缘、纹理分布）动态调整滤波强度：在边缘区域保留细节，在平坦区域平滑雾气残留，最终实现伪影的有效去除，让去雾图像更自然。

二、实验验证：定性与定量的双重突破

为全面验证算法性能，我们以模拟图像对和真实场景图像为实验对象，从定性、定量两方面与当前主流去雾算法（如暗通道先验、Retinex 算法、高斯滤波去雾）对比，结果凸显该算法的显著优势。

1. 定性分析：细节保留与伪影抑制

在模拟雾霾图像测试中，对比其他算法可见：

暗通道先验算法在天空区域易出现 “过度去雾”，导致天空颜色偏暗，且树叶纹理模糊；

Retinex 算法虽能提升对比度，但在白色车辆区域出现色彩失真，车辆边缘有轻微光晕；

而我们提出的算法，不仅能彻底去除雾霾，让远处建筑轮廓清晰可见，还能精准保留树叶纹理、车辆车窗边缘等细节，且无任何光晕伪影。

在真实冬季户外场景测试中（如雾霾天的城市街道监控图像），该算法处理后的图像：

交通信号灯颜色还原真实，无偏色现象；

人行道地砖纹理清晰可辨，避免传统算法 “平滑雾气时丢失细节” 的问题；

远处行人的衣物纹理、姿态轮廓完整保留，为后续的目标检测（如行人识别）提供高质量图像输入，完全满足自动驾驶辅助、视觉监控等实际应用对图像质量的要求。

2. 定量分析：关键指标的显著提升

我们采用峰值信噪比（PSNR）和结构相似性指数（SSI）两大核心定量指标，评估算法性能。PSNR 反映图像的保真度（数值越高，图像与真实无雾图差异越小），SSI 衡量图像的结构相似性（数值越高，细节保留越完整）。

实验结果显示，与其他主流去雾算法相比：

该算法的 PSNR 平均提升 25.17%。例如在 RESIDE 数据集 OTS 分区的重度雾霾图像测试中，暗通道先验算法的 PSNR 平均为 28.5dB，Retinex 算法为 29.2dB，而该算法达到 36.7dB，意味着图像保真度大幅提升，雾气导致的像素偏差显著减少；

SSI 平均提升 6.51%。在同一测试集中，传统算法的 SSI 平均在 0.82-0.85 之间，该算法则达到 0.90，表明其在保留图像结构细节（如边缘、纹理）方面优势明显，有效避免了 “去雾即失细节” 的问题。

⛳️ 运行结果

📣 部分代码

%% ------------------------------

% Edge Preserving Smoothing test demo

% Written by JoongChol Shin at Dec 21, 2017.

% Image Processing and Intelligency System Lab., Chung-Ang University, Seoul, Korea.

% The requisite functions

%--------------------------------------------------------------------------

%L0Smoothing

%GL0Smoothing.m

%D5D_Smoothing_proposed.m

%--------------------------------------------------------------------------

clear all

close all

clc

%% image read

addpath(cd);

addpath( [cd '\function'] );

initial_path='images\*.*';

[full_name,file_path]=uigetfile(initial_path,'choose the image');

full_path=sprintf('%s%s',file_path,full_name);

opened=imread(full_path);

img=opened;

img=im2double(img);

[m, n, D]=size(img);

tic

g=imfilter(img,ones(3,3)/9,'replicate');

SGL0 = GL0Smoothing(g,0.02,2,img);

toc

figure, imshow(SGL0);

title('GL0 Result')

tic

SD5L0=D5D_Smoothing_proposed(img,0.02,2,1e5);

toc

figure, imshow(SD5L0);

title('D5L0 Result')

tic

SL0=L0Smoothing(img,0.02,2);

toc

figure, imshow(SL0);

title('L0 Result')

[m,n,D]=size(img);

tic

if D==1

SGF = guidedfilter(img,img,12,10^-1.5);

else

SGF=zeros(m,n,D);

SGF(:,:,1) = guidedfilter(img(:,:,1),img(:,:,1),12,10^-1.5);

SGF(:,:,2) = guidedfilter(img(:,:,2),img(:,:,2),12,10^-1.5);

SGF(:,:,3) = guidedfilter(img(:,:,3),img(:,:,3),12,10^-1.5);

end

toc

figure, imshow(SGF);

if exist('save', 'dir') ~= 7; mkdir('save'); end

file_name = full_name(1:length(full_name)-4);

save_string = sprintf('%s%s_%s', 'save\', file_name, 'original.png');

imwrite(img, save_string, 'png');

save_string = sprintf('%s%s_%s', 'save\', file_name, 'S_GL0.png');

imwrite(SGL0, save_string, 'png');

save_string = sprintf('%s%s_%s', 'save\', file_name, 'GI_L0.png');

imwrite(SD5L0, save_string, 'png');

save_string = sprintf('%s%s_%s', 'save\', file_name, 'L0.png');

imwrite(SL0, save_string, 'png');

save_string = sprintf('%s%s_%s', 'save\', file_name, 'GF.png');

imwrite(SGF, save_string, 'png');

🔗 参考文献

[1] Wangno N , Thaiklang S .An enhanced hybrid single-image-based structure-guided 0-norm and radiance–reflectance optimization[J].Neural Computing and Applications, 2025, 37(18):12329-12349.DOI:10.1007/s00521-025-11168-8.