暗通道先验图像去雾：从原理到MATLAB实现与调参

简介：何凯明去雾算法的MATLAB实现包，面向图像处理入门者、计算机视觉研究者及课程设计人员，解决雾天图像清晰化与算法复现问题。资源基于大气散射模型，覆盖核心去雾算法、引导滤波细化及盒滤波快速处理等关键环节，并配有GUI交互界面与多张不同雾度测试图，方便直观调整参数、对比恢复效果。压缩包共12个文件，以4个M脚本（含主程序、引导滤波、盒滤波、界面逻辑）为主，辅以JPG/PNG测试图、MATLAB FIG界面文件和PPT讲解文稿，整体15.42MB，结构清晰。已有763人学习，适合作为理解何凯明算法、开展图像去雾实验或完成相关课程设计的参考工具。凭借这套完整程序包，读者不仅能复现经典流程，还能借助配套界面与演示文稿快速掌握思路修改与效果评估方法。

1. 暗通道先验为什么是去雾算法的默认起点：何凯明图像去雾的破局点

在 matlab 图像处理大作业和各类视觉项目的预处理环节，何凯明图像去雾算法几乎是绕不开的复现对象。它发布于 2009 年，核心主张简单到反直觉：无雾图像的局部暗通道亮度趋近于零，而雾度会线性抬高这一数值。于是，透射率不再需要多帧或深度信息，直接从单张图就能估算出来。这个算法真正的贡献并不是提出了某个新滤波器，而是把一个欠定物理模型用一条统计规律压出了可解性。这里按从业者验证算法的路径来写：先梳理大气散射模型和暗通道先验的推导，再给出可运行的 MATLAB 实现，接着讨论参数调节与先验失效边界，最后讲怎么验证效果。适合需要用 MATLAB 快速出结果、又要能说清原理的人。

2. 大气散射模型与暗通道先验：何凯明去雾公式怎么一步步落地

2.1 大气散射模型：一张雾图等于场景衰减加环境光

去雾算法普遍建立的物理基础是大气散射模型：

$I(x) = J(x) \cdot t(x) + A(1 - t(x))$

其中 $I(x)$ 是相机接收到的有雾像素，$J(x)$ 是场景原本的辐射亮度，$t(x)$ 是透射率，$A$ 是全局大气光。直观理解：光线从物体表面到相机，一部分被空气中粒子散射掉，强度衰减为 $J \cdot t$；同时粒子散射的环境光叠加进来，构成 $A(1-t)$。透射率与景深满足 $t(x)=e^{-\beta d(x)}$，$\beta$ 是散射系数，$d$ 是深度，所以远处场景通常更雾。

把 $A$ 当成全局常量是一种简化，严格说并不总是成立，尤其在室内彩色光源场景；但常量假设带来的求解稳定性明显超过误差，所以几乎所有工程实现都保留这一假设。参数含义值得先固化下来，调试时对照着看：

只要把 $J$、$t$、$A$ 求出来，问题就算解决。但 $I$ 已知时，每像素有 3 个通道方程、却要解 $J$ 的 3 个通道加 $t$ 共 4 个未知数，天然欠定。所以算法真正的分水岭在于：用什么额外约束把这个方程封闭。

2.2 暗通道先验：一句关于彩色图像的统计规律

何凯明的破局点是暗通道先验。对任意无雾自然图像，定义暗通道为最小颜色通道再做局部最小值滤波：

$J^{dark}(x) = \min_{c \in {r,g,b}} \left( \min_{y \in \Omega(x)} J_c(y) \right)$

统计结果显示，对于非天空区域，$J^{dark}(x)$ 几乎处处趋近于 0。原因很好理解：彩色物体总存在某个通道反射率低；阴影区域所有通道都暗；暗色表面整体就暗。换句话说，在每个局部窗口里，RGB 三通道至少有一个出现极小值的概率非常高。用 MATLAB 很容易验证：

img = im2double(imread('clear.png')); % 读一张无雾图 min_rgb = min(img, [], 3); % 逐像素取RGB最小值 patch = 15; dark_clear = ordfilt2(min_rgb, 1, ones(patch)); % 局部最小值滤波 histogram(dark_clear(:)); % 检查数值分布

代码说明：min(img, [], 3)沿第三维取最小值，得到单通道图；ordfilt2做顺序统计滤波，第 2 个参数设为 1 表示取窗口内最小值，等价于滑动窗口最小值滤波。运行后如果直方图峰值压在 0 附近，就说明先验对这张图成立。雾气会引入白光叠加，直接抬高暗通道数值，这正是后续估计透射率的依据。

这个验证步骤建议保留在工程里，换数据集时先跑一次，确认先验是否成立。如果暗通道直方图峰值已经在 0.2 以上，说明画面本身有大量灰白区域，后续直接套用原公式很容易出事。注意，暗通道先验的统计基础依赖彩色自然图像；灰度图、红外图、水下偏色严重的图，通道数量退化或响应失衡，暗通道不再趋近零，公式推导就塌了。在 matlab 图像处理实践里，有人把监控灰度视频直接套暗通道，结果要么过曝要么出现伪彩色，第 4 章会专门谈失效边界。

2.3 透射率推导：把先验塞回模型

假设局部窗口内透射率恒定，对模型两侧同时取暗通道。因为 $A$ 是常量向量，做逐通道除法后可得：

$\min_{c}\min_{\Omega} \frac{I_c}{A_c} = 1 - t(x) \cdot \left(1 - \min_{c}\min_{\Omega} \frac{J_c}{A_c}\right)$

在暗通道先验成立的区域，右侧第二个因子趋近 1，于是得到透射率估计：

$t(x) = 1 - \min_{c}\min_{\Omega} \frac{I_c(x)}{A_c}$

实际操作中会给 $t$ 乘一个系数 $\omega$，论文默认 $\omega=0.95$。原因是完全去除所有雾会让图像塑料感过重，保留 5% 的薄雾能让景深感更自然。大气光 $A$ 的估计也依赖暗通道：先取暗通道最亮的前 0.1% 像素，再到原图这些位置里找亮度最大值作为 $A$，避免直接取全图最亮像素时选中白色车或灯。到这里，模型、先验和估计路径已经闭环，下一步就是把这三个步骤翻译成 MATLAB 函数。

3. 在MATLAB实现暗通道去雾：从暗通道算到透射率恢复的五个函数

3.1 主函数与参数结构

写一个入口函数把流程串起来，参数用结构体传入，方便后续批量调参。各模块职责先列出来：

function J = dehaze_dark_channel(img, prm) if nargin < 2 prm = struct('patch', 15, 'omega', 0.95, 't0', 0.1, ... 'r', 40, 'eps', 1e-3); end img = im2double(img); % uint8转double[0,1] dark = dark_channel(img, prm.patch); % 步骤1：暗通道 A = estimate_atmospheric_light(img, dark); % 步骤2：大气光 A = reshape(A, 1, 1, 3); % 变成1x1x3便于按通道除法 t = 1 - prm.omega * dark_channel(img ./ A, prm.patch); % 步骤3：透射率 t_refined = guided_filter(rgb2gray(img), t, prm.r, prm.eps); % 步骤4：细化 J = recover_scene(img, t_refined, A, prm.t0); % 步骤5：恢复 end

代码说明：im2double把 uint8 转到 double 的 $[0,1]$ 区间，这一步不做，后面的减法、除法会直接截断或被放大；reshape(A,1,1,3)让矩阵除法沿通道广播；rgb2gray是把灰度图作为导向滤波的引导图，边缘结构与原始图像一致。

3.2 暗通道：最小值滤波是核心

function dark = dark_channel(img, patch) if mod(patch, 2) == 0 patch = patch + 1; % 保证窗口中心像素存在 end min_rgb = min(img, [], 3); % RGB三通道逐像素取最小 dark = ordfilt2(min_rgb, 1, ones(patch)); % 滑动窗口最小值滤波 end

代码说明：ordfilt2第二个参数是顺序，1 表示最小值。窗口默认补零，暗通道在图像边缘会偏低一点，但它影响的只是前几像素，对其他区域的透射率排序影响很小；如果要严格处理，可先用padarray复制边缘再滤波。窗口大小patch建议取奇数，默认 15 在 0.5K 到 2K 分辨率的图片上都比较稳。

3.3 大气光估计：暗通道前 0.1% 像素

function A = estimate_atmospheric_light(img, dark) [rows, cols] = size(dark); n = max(1, floor(rows * cols * 0.001)); % 最亮0.1%像素数 flat_dark = dark(:); [~, idx] = maxk(flat_dark, n); % 前n个最大值下标 [r_idx, c_idx] = ind2sub([rows, cols], idx); A = zeros(1, 3); for ch = 1:3 values = img(sub2ind([rows, cols], r_idx, c_idx) + (ch-1)*rows*cols); A(ch) = max(values); % 原图对应位置取最亮 end end

代码说明：这里取的是原图对应暗通道高亮位置的通道最大值，而不是亮度的均值，符合原始论文取最亮大气光的思路。maxk在较新的 MATLAB 版本中可用，老版本可以先用sort(flat_dark, 'descend')截取前 n 个下标替换。如果大气光估出来偏红或偏蓝，通常是因为暗通道最亮像素落在彩色光源上，可以对前 0.1% 像素的通道值求均值，鲁棒性更好。

3.4 透射率估计与导向滤波

透射率初估计带有窗口状方块，直接恢复会在景深边缘形成光晕，所以要做边缘保持平滑。原论文用导向滤波，MATLAB 里一般自己实现一个简化版：

function q = guided_filter(I, p, r, eps) win = fspecial('average', [2*r+1, 2*r+1]); % 平均窗口 mean_I = imfilter(I, win, 'replicate'); mean_p = imfilter(p, win, 'replicate'); corr_I = imfilter(I .* I, win, 'replicate'); corr_Ip = imfilter(I .* p, win, 'replicate'); var_I = corr_I - mean_I .* mean_I; cov_Ip = corr_Ip - mean_I .* mean_p; a = cov_Ip ./ (var_I + eps); % 边缘保持系数 b = mean_p - a .* mean_I; q = imfilter(a, win, 'replicate') .* I + imfilter(b, win, 'replicate'); end

代码说明：这段代码把导向滤波化简为局部线性模型的均值滤波近似。假设在窗口内输出是引导图的线性变换，a、b是线性系数，取邻域均值后得到最终的q。严格版本会用积分图做盒式滤波，这里的imfilter+fspecial在效率上略低，但一对 800×600 图像完全够用。如果你的 MATLAB 里 Image Processing Toolbox 版本较新，也可以直接查imguidedfilter的文档，参数语义对应这里的r和eps。

透射率估计与细化这样串：

A = reshape(A, 1, 1, 3); t = 1 - prm.omega * dark_channel(img ./ A, prm.patch); % 初始透射率 t_refined = guided_filter(rgb2gray(img), t, prm.r, prm.eps); % 细化

代码说明：把img逐通道除以大气光，再做暗通道，得到了透射率初值；omega=0.95时实际保留 5% 薄雾，后续恢复结果不会显得过于生硬。用灰度原图做引导，透射率图的边缘与物体轮廓对齐，天空这类平坦区域则被平滑。

3.5 恢复场景与完整调用

function J = recover_scene(img, t, A, t0) t = max(t, t0); % 防止除零和噪声放大 J = zeros(size(img)); for ch = 1:3 J(:,:,ch) = (img(:,:,ch) - A(ch)) ./ t + A(ch); end J = min(max(J, 0), 1); % 截断到[0,1] end

模型反解就是J = (I - A)/t + A。t0论文里默认 0.1，对应雾最浓、透射率最低的区域也不能完全信 0，否则除以 0 会把噪声放大成雪花。最后min(max(J,0),1)把结果压回有效范围，这行建议保留，因为t下界虽然挡住了除零，数值误差仍然可能让个别像素越界。

调用示例：

I = im2double(imread('haze.jpg')); prm = struct('patch', 15, 'omega', 0.95, 't0', 0.1, 'r', 40, 'eps', 1e-3); J = dehaze_dark_channel(I, prm); imshow([I, J]);

3.6 参数结构为什么用 struct

所有中间量理论上都能写成嵌套脚本，但用 struct 的好处是批量实验时可以在循环里改字段，而不用改函数签名。比如针对一张低分辨率图：

prm.patch = 9; prm.omega = 0.97; J = dehaze_dark_channel(I, prm);

代码说明：patch从 15 降到 9，暗通道窗口变小，透射率细节更锐利；omega提高则去雾更彻底。这样改参不会破坏主函数接口，第 4 章的参数表也能逐字段对应上。

4. 参数怎么设、什么时候失效：暗通道去雾的三个坑位与边界

4.1 五个参数的对照表与调节方向

去雾效果的好坏，80% 集中在下面五个数字上：

实际调试建议先固定patch=15, omega=0.95, t0=0.1，只动r和eps；这两个参数组合决定透射率图是否干净。r调大后eps也要跟着调大，否则平滑区域会出现亮度波纹。

比如一张分辨率 1920×1080 的雾图，可以用patch=21, omega=0.97, t0=0.12, r=60, eps=1e-3；天空占比大时把t0改到0.18。而手机拍的 400×600 缩略图，patch=9就明显比 15 干净。另一个容易忽视的点是：去雾不是把omega推到 1 就最强——许多城市雾霾图中，完全去掉雾会把远处楼体边缘压出黑边，保留 3% 到 5% 的雾反而让结果更像真景。

4.2 天空区域过曝与先验失效

暗通道先验的成立条件是局部窗口内至少一个通道有暗值。天空、白色墙面、白车身这类区域不满足先验，暗通道偏亮，导致透射率被低估，恢复时补偿过度，结果就是天空发灰、发暗甚至偏色。处理手段按顺序做：优先把t0从 0.1 提到 0.15 以上，强制限制最大增强幅度；其次是修改大气光的选取，避免 $A$ 落在霓虹灯或彩色反光面；如果天空面积很大，建议对天空区域单独做 mask，透射率不再用暗通道推导，而是直接平滑插值。

提示：判断是不是先验失效，把透射率可视化出来看，天空区域出现明显的凹坑或方块状突变，基本就是暗通道高估了雾浓度。

4.3 halo 边缘光晕的成因与三个缓解方向

halo 来自窗口跨过深度突变边缘：窗口内同时包含近处清晰物体和远处浓雾背景，最小值滤波被背景低值污染，透射率在边缘附近估计不准。减少 halo 的方向有三条：一是缩小patch，让窗口更难跨深度边界；二是对透射率做强平滑，代价是边缘细节损失；三是调整 omega，不完全恢复，视觉上掩盖过度补偿。工程上通常先减patch再调r，三步就能压掉大部分光晕。

调试顺序建议：先停到t_refined生成后看透射率图，再停到恢复后看J。如果透射率正常但结果发灰，问题在A；如果透射率本身就是块状，问题在patch或导向滤波；如果透射率呈现整体偏移，检查是否对img./A用错了矩阵除号。/和./在这里差别很大，前者会尝试求解线性方程组而不是逐通道除法，报错信息通常是维度不匹配。

4.4 常见误用与排错清单

• 对 uint8 数据直接做img - A，负数被截断为零，恢复图整体发黑。先im2double，恢复完成后再转回 uint8 保存。
• 大气光估计用了全图最亮像素而不是暗通道前 0.1% 像素，白色车身会被当成大气光，整体色温严重偏移。
• 恢复时A是 1×3 向量，直接和 H×W×3 矩阵做./会报维度不匹配，必须先reshape(A,1,1,3)。
• 忘记截断t的下界，浓雾区域出现大量彩色噪点。
• 透射率可视化时没做归一化，输出一片白，误以为是算法失败。

这一套查下来，九成报错集中在类型和维度上，先看工作区变量大小再执行。

5. 透射率可视化与无参考验证：让去雾结果可解释的三个技巧

5.1 把透射率画出来，比盯结果图更容易发现问题

t_show = mat2gray(t_refined); % 映射到[0,1] figure; subplot(1,2,1); imshow(t_show); title('transmittance'); colormap(jet); colorbar; subplot(1,2,2); imshow([img, J]);

代码说明：mat2gray会把透射率线性拉伸，方便观察相对结构。合格的透射率图应该和景深结构一致：近处亮、远处暗，边缘过渡连续。如果图上出现方块边界，说明patch太大或导向滤波没有真正生效，先确认guided_filter的输出变量是否被后续代码使用。

5.2 无参考质量指标：梯度与熵的组合

没有无雾真值图时，用梯度均值和信息熵给结果做客观描述。有雾图细节被压缩，去雾后梯度通常会上升；但噪声放大也会拉高梯度，所以要和熵一起看：熵太低说明细节仍然不足或过度平滑，太高说明噪声被一起放大了。

gI = imgradient(rgb2gray(img)); gJ = imgradient(rgb2gray(J)); fprintf('grad before: %.3f / after: %.3f\n', mean(gI(:)), mean(gJ(:))); fprintf('entropy before: %.3f / after: %.3f\n', ... entropy(rgb2gray(img)), entropy(rgb2gray(J)));

代码说明：entropy是图像处理工具箱函数，对 double 输入会先转 uint8 再算直方图，所以两张图要同条件对比；两张图来自同一曝光设置时结论才可靠，自动曝光会改变直方图基线，跨批次比较没有意义。

5.3 批量回归测试：固定参数跑完一组图再调参

单张图调参容易过拟合到一张样本上。建议把去雾函数存成独立 m 文件，然后批量跑目录下所有雾图：

files = dir(fullfile('haze_set', '*.jpg')); prm = struct('patch', 15, 'omega', 0.95, 't0', 0.1, 'r', 40, 'eps', 1e-3); for i = 1:numel(files) I = im2double(imread(fullfile(files(i).folder, files(i).name))); J = dehaze_dark_channel(I, prm); imwrite(J, fullfile('output', files(i).name)); end

跑完在缩略图模式下扫一遍，重点看三个位置：天空、远处物体边缘、暗部区域。如果大多数图透射率细节平滑、颜色偏移只出现在天空，就继续调t0；如果边缘光晕普遍存在，先减小patch。这套流程同样适合把暗通道去雾作为预处理步骤接到深度学习 matlab 工作流里，比如用结果透射率当伪标签训练一个轻量估计网络，算是老算法衔接新方向比较自然的一种扩展。

本文还有配套的精品资源，点击获取