2、暗通道先验理论：暗通道定义、统计规律、数学推导、暗通道先验去雾公式

暗通道先验（Dark Channel Prior, DCP）是图像去雾领域最经典的算法之一。我第一次接触它是在2011年，当时何恺明这篇刚出来，我试着跑了一下代码——效果确实惊艳。后来在项目中，我用它处理过雾霾天的监控视频，也处理过水下模糊图像。说实话，它并不是万能的，但理解它的思路，能帮你打开一扇门。

2.1 暗通道的定义

什么叫暗通道？说白了，就是一张图里最暗的那些像素。对于一张无雾的户外图像，大部分局部区域（除了天空区域）总有一些像素的某个颜色通道值非常低，趋近于0。

数学上，暗通道定义为：

J_dark(x) = min_{y ∈ Ω(x)} ( min_{c ∈ {r,g,b}} J_c(y) )

其中：

• J 是无雾图像
• Ω(x) 是以像素 x 为中心的局部块（通常 15×15）
• c 是 RGB 三个通道

这个公式做了两件事：先取每个像素 RGB 三通道的最小值，再在局部窗口内取最小值。结果就是一张单通道的暗通道图。

2.2 统计规律：为什么暗通道是"暗"的？

你想想看，一张正常的户外图像，为什么暗通道会这么暗？我统计过几百张无雾图像，发现三个规律：

1. 阴影——建筑物、树木、车辆的阴影区域，RGB 值都很低
2. 彩色物体——比如红色花朵，它的绿色和蓝色通道值很低
3. 深色表面——黑色路面、深色岩石，整体亮度低

这些区域加起来，覆盖了图像的大部分。所以暗通道先验说：无雾图像的暗通道值趋近于0。

但有一个例外——天空区域。天空的暗通道值不低，因为天空是亮的。这也是 DCP 算法在处理天空时容易出问题的原因。

2.3 雾天成像模型

在讲数学推导之前，我们先确认一个基础模型。雾天成像可以用一个公式描述：

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

其中：

• I(x) —— 你拍到的有雾图像
• J(x) —— 你要恢复的无雾图像
• t(x) —— 透射率，表示光线穿过雾的能力
• A —— 大气光值，可以理解为天空的亮度

这个模型很直观：你看到的 = 物体本色 × 透射率 + 大气光 × (1 - 透射率)。雾越浓，t(x) 越小，大气光占的比例越大。

2.4 数学推导：从暗通道到透射率

好，现在我们把暗通道先验和雾天模型结合起来。推导过程分三步：

第一步：两边取暗通道

对雾天模型两边取暗通道操作：

min( min( I_c(y) ) ) = min( min( J_c(y) * t(y) + A_c * (1 - t(y)) ) )

这里我假设在局部窗口 Ω(x) 内，透射率 t(x) 是常数。这个假设合理吗？嗯，对于大部分场景是成立的，除非雾的浓度在局部剧烈变化。

第二步：利用暗通道先验

根据暗通道先验，无雾图像的暗通道趋近于0：

min( min( J_c(y) ) ) ≈ 0

代入后化简：

min( min( I_c(y) ) ) = A_c * (1 - t(x))

第三步：解出透射率

t(x) = 1 - min( min( I_c(y) / A_c ) )

这就是暗通道先验去雾的核心公式。你只需要知道有雾图像 I 和大气光 A，就能算出每个像素的透射率 t。

t(x) = 1 - ω * min_{y ∈ Ω(x)} ( min_{c} ( I_c(y) / A_c ) )

2.5 暗通道先验去雾完整流程

我把整个流程整理成了一张图，方便你理解各步骤的关系：

2.6 大气光值 A 的估计方法

大气光 A 怎么取？我见过有人直接取图像最亮的像素，但这样容易出错——比如图像里有白色汽车，它比天空还亮。

何恺明的方法很巧妙：

1. 从暗通道图中选出最亮的 0.1% 像素
2. 在原图 I 中找到这些像素对应的位置
3. 取这些位置像素的最大值作为 A

这样做的好处是：暗通道最亮的像素通常就是雾最浓的区域（也就是天空），而不是白色物体。

2.7 暗通道先验的优缺点

说到白色物体误判，我记得有一次处理雪景图，结果雪地被当成雾去掉了，整个画面灰蒙蒙的。后来我加了白色物体检测，才把这个问题解决。

2.8 代码实现：暗通道计算

下面是我常用的暗通道计算代码，用 NumPy 实现，简洁高效：

import numpy as np
import cv2

def dark_channel(image, patch_size=15):
    """
    计算暗通道图
    :param image: 输入图像 (H, W, 3)
    :param patch_size: 局部窗口大小
    :return: 暗通道图 (H, W)
    """
    # 取每个像素 RGB 三通道的最小值
    min_channel = np.min(image, axis=2)
    
    # 在局部窗口内取最小值（腐蚀操作）
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (patch_size, patch_size))
    dark = cv2.erode(min_channel, kernel)
    
    return dark

这段代码只有三行核心逻辑。第一行取通道最小值，第二行创建矩形核，第三行做腐蚀——其实就是取局部最小值。OpenCV 的 erode 函数默认取最小值，正好符合我们的需求。