1. 图像去雾概述：雾霾图像退化模型、去雾算法分类与课程目标

大家好，欢迎来到《图像去雾与光照校正算法实战》的第一章。

说实话，我第一次接触图像去雾，是在一个安防监控项目里。客户拍回来的视频，雾蒙蒙一片，人脸都看不清。那时候我就在想，这玩意儿到底能不能靠算法救回来？后来我发现，不仅能，而且方法还挺多。

这一章，我们先不急着写代码。先把雾霾是怎么让图像变质的搞清楚，再把市面上主流的去雾路子捋一遍。嗯，打好地基，后面盖楼才稳。

1.1 雾霾图像退化模型：一张照片是怎么被雾“毁掉”的？

你想想看，一张清晰的照片，光线从物体表面反射，一路跑到相机传感器里。但雾霾天就不一样了，空气中飘着大量悬浮颗粒——水滴、尘埃、烟尘。光线撞上这些颗粒，一部分被散射掉，一部分被吸收掉。结果就是：

• 对比度下降——画面发灰，像蒙了一层纱
• 颜色偏移——整体偏白偏蓝，饱和度降低
• 细节丢失——远处的纹理完全糊掉

学术界把这种现象总结成一个经典模型，叫大气散射模型。公式长这样：

I(x) = J(x) * t(x) + A * (1 - t(x))

别被符号吓到，我拆开给你讲：

符号	含义	通俗理解
I(x)	观测到的雾图	你拍到的模糊照片
J(x)	无雾的清晰图像	我们想恢复的目标
t(x)	透射率（0~1）	光线穿过雾的能力，越远越小
A	大气光值	天空或远处最亮区域的亮度

这个模型告诉我们一件事：去雾的本质，就是从 I(x) 反推 J(x)。但问题来了——我们只有一个方程，却有 J(x)、t(x)、A 三个未知数。这就是典型的“病态问题”。

1.2 去雾算法分类：两条完全不同的路

我个人习惯把去雾算法分成两大类。一条路靠物理模型硬算，另一条路靠数据喂出来的神经网络。各有各的脾气。

1.2.1 基于物理模型的方法

这类方法的核心思路是：既然我们知道雾是怎么形成的，那就反过来推。先估计出大气光 A 和透射率 t(x)，然后代入模型反解出 J(x)。

经典代表有：

• 暗通道先验（DCP）——何恺明老师的成名作。他发现无雾图像的局部区域里，总有一个通道的像素值特别低。利用这个先验，就能算出透射率。
• 颜色衰减先验——利用雾图在 HSV 空间的亮度-饱和度关系来估计深度。
• 基于滤波的方法——比如引导滤波、双边滤波，用来细化透射率图，避免出现光晕。

1.2.2 基于深度学习的方法

这条路更“暴力”——直接拿大量成对的雾图/清晰图去训练一个神经网络，让模型自己学会映射关系。

主流方向包括：

• 端到端去雾网络——输入雾图，直接输出清晰图。代表有 DehazeNet、AOD-Net。
• 基于生成对抗网络（GAN）——用生成器去雾，用判别器判断结果是否真实。比如 GCANet。
• 基于 Transformer 的方法——最近两年兴起，利用自注意力机制捕捉全局依赖，效果更细腻。

1.3 两类方法的对比

我把它们的差异整理成一张表，方便你对照：

对比维度	基于物理模型	基于深度学习
理论基础	大气散射模型	数据驱动的映射学习
是否需要训练数据	不需要	需要大量成对数据
计算速度	快（毫秒级）	依赖硬件（GPU 秒级）
泛化能力	场景受限（天空、白墙易失效）	依赖训练数据分布
效果上限	中等，易出现光晕/颜色失真	高，细节恢复更自然
可解释性	强，每一步都有物理含义	弱，黑盒模型

说白了，物理模型像老中医——靠经验方子，稳定但上限有限。深度学习像西医——靠大量数据做诊断，效果好但需要“对症下药”。

1.4 本章知识体系总览

下面这张图，把第一章的核心脉络画出来了。你可以把它当作整个课程的导航图：

1.5 课程目标与学习路径

这门课不是纯理论课，也不是纯调包课。我的目标是：让你学完就能动手写代码，并且知道为什么这么写。

具体来说，学完这门课，你应该能做到：

1. 理解核心原理——能用自己的话讲清楚大气散射模型和暗通道先验。
2. 手写经典算法——用 Python + OpenCV 实现 DCP、颜色衰减先验等物理模型方法。
3. 搭建深度学习模型——用 PyTorch 训练一个简单的去雾网络，并调优。
4. 评估与对比——会用 PSNR、SSIM 等指标量化效果，也能肉眼判断好坏。
5. 工程化落地——能处理真实场景中的噪声、光照不均、天空区域等棘手问题。