4、暗通道先验改进：导向滤波优化透射率、解决天空区域过曝问题、自适应参数调整

暗通道先验去雾，说白了就是利用「无雾图像至少有一个颜色通道值很低」这个统计规律。我最早接触这个算法时觉得挺神奇的——一张雾图，算个最小值，再抠个透射率，居然就能把雾去掉大半。

但用着用着就发现问题了。天空区域、白色物体、还有那些边缘光晕，处理得都不太理想。嗯，今天我们就来聊聊怎么把这些坑填上。

4.1 原始暗通道先验的三大痛点

先回顾一下经典暗通道去雾的流程：

1. 计算暗通道图
2. 估计大气光值 A
3. 估计粗透射率 t_粗
4. 用软抠图或导向滤波细化 t
5. 恢复无雾图像

我在项目中跑通这个流程后，发现三个明显的问题：

你想想看，一张图里既有浓雾区域又有薄雾区域，用同一个参数去处理，怎么可能都合适？

4.2 导向滤波：让透射率边缘更干净

解决边缘光晕最直接的办法，就是用导向滤波代替软抠图。软抠图计算量太大，而且对边缘的保持能力其实一般。

导向滤波的核心思想很简单：用一张引导图的结构来约束输出图。我们通常用原图的灰度图作为引导图，这样透射率的边缘就能和原图对齐。

我个人习惯用半径为 40-60 的窗口，正则化参数 ε 取 0.01 左右。导向滤波的复杂度是 O(N)，比软抠图的 O(N²) 快太多了。

import cv2
import numpy as np

def guided_filter(I, p, r, eps):
    """
    导向滤波实现
    I: 引导图像 (灰度图)
    p: 输入图像 (粗透射率)
    r: 窗口半径
    eps: 正则化参数
    """
    # 均值滤波
    mean_I = cv2.boxFilter(I, cv2.CV_64F, (r, r))
    mean_p = cv2.boxFilter(p, cv2.CV_64F, (r, r))
    mean_Ip = cv2.boxFilter(I * p, cv2.CV_64F, (r, r))
    mean_II = cv2.boxFilter(I * I, cv2.CV_64F, (r, r))

    # 计算协方差和方差
    cov_Ip = mean_Ip - mean_I * mean_p
    var_I = mean_II - mean_I * mean_I

    # 线性系数
    a = cov_Ip / (var_I + eps)
    b = mean_p - a * mean_I

    # 均值滤波得到最终系数
    mean_a = cv2.boxFilter(a, cv2.CV_64F, (r, r))
    mean_b = cv2.boxFilter(b, cv2.CV_64F, (r, r))

    # 输出
    q = mean_a * I + mean_b
    return q

# 使用示例
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) / 255.0
t_coarse = ...  # 粗透射率
t_fine = guided_filter(gray, t_coarse, r=60, eps=0.01)

4.3 天空区域过曝：加一个保护机制

天空区域过曝，本质上是暗通道先验失效了。天空的 RGB 三个通道值都很高，暗通道值不接近 0，导致估计出的透射率偏小，去雾时把天空拉得太亮。

我曾经在项目里处理一张海景图，天空部分直接变成了白色色块，客户看了直摇头。后来我加了一个天空检测步骤，问题就解决了。

解决方案分两步：

1. 检测天空区域：用亮度阈值 + 梯度信息判断哪些像素属于天空
2. 限制透射率下限：对天空区域的透射率设置一个下限 t_min，避免过度增强

def refine_t_with_sky(t, img, t_min=0.3, sky_thresh=0.85):
    """
    针对天空区域优化透射率
    t: 细化后的透射率图
    img: 原图 (归一化到 [0,1])
    t_min: 透射率下限
    sky_thresh: 天空判断阈值
    """
    # 计算亮度
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 天空区域：亮度高 + 梯度小
    grad_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
    grad_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
    grad_mag = np.sqrt(grad_x**2 + grad_y**2)

    sky_mask = (gray > sky_thresh) & (grad_mag < 0.05)

    # 对天空区域设置透射率下限
    t_refined = t.copy()
    t_refined[sky_mask] = np.maximum(t_refined[sky_mask], t_min)

    return t_refined, sky_mask

4.4 自适应参数调整：让算法自己学会调参

固定参数的问题在于：一张雾图可能同时包含浓雾区和薄雾区。浓雾区需要小窗口、小 ω，薄雾区需要大窗口、大 ω。怎么办？

我的做法是：根据暗通道的统计特性，自适应地调整窗口大小和 ω 值。

def adaptive_params(dark_channel):
    """
    根据暗通道均值自适应调整参数
    """
    mean_dark = np.mean(dark_channel)

    if mean_dark < 0.1:
        win_size, omega = 15, 0.85
    elif mean_dark < 0.3:
        win_size, omega = 25, 0.90
    elif mean_dark < 0.5:
        win_size, omega = 35, 0.95
    else:
        win_size, omega = 45, 0.98

    return win_size, omega

4.5 完整流程与知识图谱

把上面三块整合起来，就得到了一个改进版的暗通道去雾流程：

def improved_dark_channel_dehaze(img, r=60, eps=0.01, t_min=0.3):
    """
    改进暗通道先验去雾
    img: 输入雾图 (BGR, uint8)
    r: 导向滤波窗口半径
    eps: 导向滤波正则化参数
    t_min: 透射率下限
    """
    img_f = img / 255.0
    h, w, c = img_f.shape

    # 1. 计算暗通道
    dark = np.min(img_f, axis=2)
    # 自适应参数
    win_size, omega = adaptive_params(dark)

    # 2. 估计大气光
    flat_dark = dark.ravel()
    flat_img = img_f.reshape(-1, 3)
    num_pixels = h * w
    top_k = int(num_pixels * 0.001)
    indices = np.argpartition(flat_dark, -top_k)[-top_k:]
    A = np.max(flat_img[indices], axis=0)

    # 3. 粗透射率
    t_coarse = 1 - omega * np.min(img_f / A, axis=2)
    t_coarse = np.clip(t_coarse, 0.1, 1.0)

    # 4. 导向滤波细化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) / 255.0
    t_fine = guided_filter(gray, t_coarse, r, eps)

    # 5. 天空保护
    t_final, sky_mask = refine_t_with_sky(t_fine, img_f, t_min)

    # 6. 恢复无雾图像
    result = np.zeros_like(img_f)
    for i in range(3):
        result[:,:,i] = (img_f[:,:,i] - A[i]) / t_final + A[i]

    result = np.clip(result, 0, 1)
    return (result * 255).astype(np.uint8), sky_mask