1. 暗通道先验到底在讲什么：从一张雾霾照片说起

如果你手头有一张在雾天、霾天或者水汽很重的清晨拍到的照片，画面灰蒙蒙的，远处的景物像蒙了一层纱，对比度低、颜色发白，那这篇内容就是为你准备的。Single Image Haze Removal Using Dark Channel Prior，翻译过来就是"基于暗通道先验的单幅图像去雾"，它是图像处理领域里一个非常经典的算法思路。说它经典，是因为它第一次让"只给一张图，就能把雾去掉"这件事变得既简单又有效，而且背后的统计规律直观到可以用一句话讲清楚。

这个算法能做什么？简单说，输入一张有雾的照片，输出一张去雾后的清晰照片，不需要额外的深度信息、不需要多张不同天气的图、也不需要任何硬件辅助。它适合谁看？如果你是做图像处理的开发者、计算机视觉方向的学生、摄影后期的爱好者，或者只是单纯好奇"手机相册里那个去雾按钮背后到底干了啥"，这篇内容都能让你从原理到代码实现完整走一遍。

我先抛出一个反直觉的结论：这个算法最核心的洞察，不是某个复杂的数学模型，而是一个关于"自然图像里总有一些像素特别暗"的统计观察。正是这个观察，让去雾从一个病态问题（未知数比方程多）变成了一个可解的问题。接下来我会把这个观察拆开讲透，然后一步步带你把算法实现出来，最后聊聊我在实际调参时踩过的那些坑。

2. 雾天成像的物理模型：为什么去雾本质上是个"解方程"问题

2.1 大气散射模型的三项构成

要去雾，先得知道雾是怎么来的。在计算机视觉里，雾天成像通常用大气散射模型来描述：

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

这个公式看起来简单，但每一项都有明确含义。I(x)是我们观察到的有雾图像，也就是输入。J(x)是我们想要恢复的无雾图像，也就是输出。A是大气光值，可以理解为"无穷远处天空的颜色"，通常是一个全局常量或者接近全局的向量。t(x)是透射率，表示光线穿过雾霾到达相机的比例，取值范围在0到1之间。

把公式拆开看会更清楚：J(x) * t(x)是物体反射的光经过雾霾衰减后到达相机的部分，A * (1 - t(x))是雾霾本身散射进来的环境光。雾越浓，t(x)越小，第二项占比越大，画面就越灰白。

2.2 为什么单幅图像去雾是个"病态问题"

问题来了：对于一张有雾图I(x)，每个像素我们只知道一个观测值（如果是彩色图就是RGB三个值），但要求解的未知数有J(x)（三个通道）、t(x)（一个值），再加上全局的A（三个值）。未知数远多于方程数，这在数学上叫病态问题，理论上没有唯一解。

那怎么办？必须引入额外的约束或先验知识。不同的去雾算法本质上就是用了不同的先验。有的假设对比度最大化，有的假设局部平滑，而暗通道先验用的是另一个更简单、更普适的统计规律。理解了这一点，你就明白为什么"先验"这两个字这么关键——它决定了算法能不能work，以及在什么场景下会失效。

2.3 透射率与深度的关系

再补充一个细节：透射率t(x)和景深是有关系的，通常可以写成t(x) = exp(-β * d(x))，其中β是大气散射系数，d(x)是场景深度。也就是说，物体离相机越远，透射率越低，雾的影响越大。这个关系解释了为什么去雾后近处景物变化不大，远处景物会明显变清晰——因为算法实际上是在估计每个像素的深度信息。

注意：这个深度关系是理解去雾效果的关键。如果一张图里所有景物都在同一深度，去雾算法很难判断哪些是雾、哪些是物体本身的浅色，这也是后面会讲到的失效场景之一。

3. 暗通道先验：一个统计规律如何破解病态问题

3.1 什么是暗通道

暗通道先验的核心观察是这样的：在绝大多数无雾的户外自然图像中，如果我们在每个像素的局部邻域内，取RGB三个通道的最小值，再对这个最小值做局部区域的最小值滤波，得到的这个"暗通道"图像，绝大部分像素的值都非常低，接近于0。

用公式表达，对于像素x，暗通道J_dark(x)定义为：

J_dark(x) = min over y in Ω(x) of ( min over c in {R,G,B} of J_c(y) )

翻译成人话：先对每个像素取三个颜色通道里最小的那个，然后在以该像素为中心的一个小窗口内再取最小值。这个双重最小值操作，就是暗通道的计算方式。

3.2 为什么自然图像的暗通道接近0

这个规律为什么成立？想想自然场景里那些"暗"的东西：绿树的阴影、红色花朵的暗部、蓝色天空下的建筑物背光面、深色的石头和土壤。这些物体至少有一个颜色通道的值非常低。比如一片绿叶，红色和蓝色通道的值都很低；一块红砖，绿色和蓝色通道很低。所以在局部区域内，总能找到某个像素某个通道接近0。

那什么情况下暗通道不接近0？雾。因为雾会散射环境光，给所有通道都加上一个正的偏移量，把原本接近0的暗通道抬高了。这就是关键：暗通道的值直接反映了雾的浓度。雾越浓，暗通道越亮；无雾时，暗通道接近0。

3.3 从暗通道到透射率的推导

有了这个观察，就可以反推透射率了。对大气散射模型两边同时取暗通道操作：

I_dark(x) = J_dark(x) * t(x) + A * (1 - t(x))

由于无雾图像的暗通道J_dark(x)接近0，可以近似忽略，于是：

I_dark(x) ≈ A * (1 - t(x))

整理得到透射率的估计：

t(x) = 1 - ω * I_dark(x) / A

这里的ω是一个经验参数，通常取0.95左右。为什么要加这个ω？因为完全去雾会让画面看起来不自然，保留一点点雾能增加景深感，让远处景物有层次。这是工程上的一个trick，后面调参部分会详细说。

3.4 大气光A的估计方法

大气光A怎么求？最常用的做法是：在暗通道图像中，选取最亮的前0.1%的像素，然后回到原图I中，在这些位置里找亮度最高的那个像素，用它的值作为A。这个逻辑是：暗通道最亮的地方雾最浓，最可能是天空或无穷远处，那里的颜色就代表大气光。

提示：这个估计方法在大多数场景下够用，但如果图像里有大面积白色物体（比如雪地、白墙），可能会被误选为大气光，导致去雾后偏色。后面会讲怎么处理。

4. 手把手实现：从暗通道计算到无雾图像恢复

4.1 环境准备与依赖选择

我用Python来实现，依赖主要是numpy做矩阵运算，opencv-python做图像读写和滤波，matplotlib用来对比显示。这几个库都是标配，安装很直接：

pip install numpy opencv-python matplotlib

为什么用OpenCV而不是PIL？因为OpenCV的erode和dilate函数做最小值/最大值滤波非常方便，而且速度比纯numpy实现快很多。暗通道计算本质上就是两次最小值滤波，用OpenCV的形态学操作正好对口。

4.2 暗通道计算的关键细节

先看暗通道的计算代码：

import cv2 import numpy as np def dark_channel(img, patch_size=15): # img: 输入图像，float类型，范围0-1，形状(H,W,3) # 先取三通道最小值 min_channel = np.min(img, axis=2) # 再做局部最小值滤波，用腐蚀操作实现 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (patch_size, patch_size)) dark = cv2.erode(min_channel, kernel) return dark

这里有个容易忽略的点：patch_size的选择。窗口太小，暗通道估计不稳定，容易受噪声影响；窗口太大，透射率图会过于平滑，去雾后边缘会出现光晕。我实测下来，15x15是一个比较稳妥的默认值，对于分辨率在500到1000像素之间的图像效果最好。如果图像分辨率很高，可以适当增大到25或35。

另一个细节是数据类型。OpenCV读进来的图像是uint8，范围0到255。做运算前一定要转成float并归一化到0到1，否则后面除以A的时候会出问题。这个坑我踩过，当时忘了归一化，结果透射率全是负数，画面一片黑。

4.3 大气光估计的稳健做法

def estimate_atmospheric_light(img, dark, top_percent=0.001): h, w = dark.shape num_pixels = max(int(h * w * top_percent), 1) # 暗通道展平后取最大的前num_pixels个 dark_flat = dark.ravel() indices = np.argsort(dark_flat)[-num_pixels:] # 回到原图找这些位置里最亮的 img_flat = img.reshape(-1, 3) candidates = img_flat[indices] # 用亮度之和最大的作为A brightness = np.sum(candidates, axis=1) best = candidates[np.argmax(brightness)] return best

这里我做了个小改进：不是直接取暗通道最亮的单个像素，而是取前0.1%的像素后，再在这些候选里选亮度最高的。这样比直接取单个最亮像素更稳健，能避免个别噪声点的干扰。top_percent取0.001是个经验值，图像大可以适当调小，图像小可以调大。

4.4 透射率估计与引导滤波

拿到A之后，透射率的初步估计：

def estimate_transmission(img, A, omega=0.95, patch_size=15): # 归一化 norm_img = img / A trans = 1 - omega * dark_channel(norm_img, patch_size) return trans

但这样得到的透射率图是块状的，因为暗通道用了局部最小值滤波，边缘处会有明显的方块效应。直接用这个透射率去恢复图像，边缘会出现光晕和伪影。解决办法是用引导滤波（Guided Filter）对透射率图做精细化，以原图作为引导图，让透射率在边缘处跟随原图的边缘。

def guided_filter(guide, src, radius=60, eps=1e-3): # guide: 引导图（原图灰度），src: 待滤波的透射率 mean_I = cv2.boxFilter(guide, -1, (radius, radius)) mean_p = cv2.boxFilter(src, -1, (radius, radius)) mean_Ip = cv2.boxFilter(guide * src, -1, (radius, radius)) cov_Ip = mean_Ip - mean_I * mean_p mean_II = cv2.boxFilter(guide * guide, -1, (radius, radius)) var_I = mean_II - mean_I * mean_I a = cov_Ip / (var_I + eps) b = mean_p - a * mean_I mean_a = cv2.boxFilter(a, -1, (radius, radius)) mean_b = cv2.boxFilter(b, -1, (radius, radius)) return mean_a * guide + mean_b

引导滤波的radius和eps是两个关键参数。radius控制滤波窗口大小，一般取图像尺寸的1/10到1/20；eps是正则化参数，防止除以0，取1e-3左右。我试过用双边滤波替代，效果也行，但引导滤波速度更快，而且边缘保持更好。

4.5 恢复无雾图像与边界处理

最后一步，根据大气散射模型反解J：

def recover(img, trans, A, t0=0.1): # 限制透射率下限，防止除零和噪声放大 trans = np.maximum(trans, t0) # 扩展A的维度以便广播 A = A.reshape(1, 1, 3) trans = trans[:, :, np.newaxis] J = (img - A) / trans + A return np.clip(J, 0, 1)

t0这个下限非常重要。透射率接近0的地方（浓雾区域），除法会把噪声放大到爆炸，画面会出现大片噪点。设一个下限t0=0.1，相当于对浓雾区域做保护，宁可保留一点雾，也不要引入噪声。这是工程上必须做的妥协。

5. 实测效果与参数调优：那些文档里不会写的经验

5.1 不同场景下的参数表现

我把算法在几类典型场景下跑了一遍，参数调整的规律总结如下：

从表里能看出，omega和t0是最需要根据场景调整的两个参数。omega越大去雾越彻底，但画面越容易显得"干"、不自然；t0越大保护越强，但浓雾区域去不干净。

5.2 天空区域的处理技巧

暗通道先验最大的软肋就是天空。天空本身亮度高、颜色均匀，暗通道值不接近0，算法会误判为浓雾，导致去雾后天空过曝、出现色块。我的处理办法有两个：一是增大patch_size，让暗通道在天空区域更平滑；二是对天空区域做检测，如果某个区域三个通道值都很高且方差很小，就降低该区域的去雾强度。

一个简单的天空检测思路：计算每个像素的亮度和饱和度，亮度高且饱和度低的区域大概率是天空。对这些区域单独调低omega，能明显改善天空的观感。

5.3 色彩偏移的修正

去雾后画面偏蓝或偏黄是常见问题，根源在于大气光A的估计有偏差。如果A偏蓝，去雾后整体会偏黄（因为减去了过多的蓝）；反之亦然。修正方法是在估计A之后，检查它的三个通道比例，如果某个通道明显偏高，可以做一个白平衡校正，把A拉回到接近中性灰。

我一般会先看看A的值，如果A的RGB差异超过20%，就手动干预一下。这个经验值不是绝对的，但能覆盖大部分情况。

5.4 性能优化：从秒级到毫秒级

原始实现里，暗通道计算和引导滤波是耗时大头。优化思路有几个：一是用积分图加速最小值滤波，把复杂度从O(N*r^2)降到O(N)；二是引导滤波本身可以用boxFilter加速，OpenCV的boxFilter已经很快了；三是如果做视频去雾，可以复用上一帧的透射率做初始化，减少迭代。

我在一台普通笔记本上测试，1080p的图像，优化前大概要2到3秒，优化后能压到200毫秒以内。对于实时应用，这个速度基本够用了。

6. 暗通道先验的边界：什么时候它会失效

6.1 大面积白色或浅色物体

前面提过，白色物体（雪地、白墙、白色汽车）的暗通道值本身就高，算法会把它当成雾来处理，导致这些区域被过度去雾，颜色失真甚至出现暗斑。这是暗通道先验的固有缺陷，因为它假设无雾图像的暗通道接近0，而白色物体违反了这个假设。

应对办法是结合其他先验，比如颜色衰减先验，或者对高亮度低饱和度区域做特殊标记，降低去雾强度。如果只是偶尔处理这类图，手动调低omega也能凑合。

6.2 夜间或低光照图像

夜间图像整体偏暗，暗通道本来就低，算法会认为没有雾，去雾效果很弱。而且夜间光源复杂，大气光估计容易出错。这类图像更适合用基于深度学习的方法，暗通道先验在这里基本无能为力。

6.3 浓雾且景深变化剧烈的场景

如果一张图里既有近处的清晰物体，又有远处的浓雾，透射率的估计会很难兼顾。近处透射率接近1，远处接近0，引导滤波的窗口大小很难同时适配两个尺度。这种场景下，多尺度或者分区域处理会更靠谱。

注意：任何先验都有适用范围，暗通道先验不是万能的。理解它的边界，比会调参更重要。遇到失效场景，及时换方法，不要硬调参数。

7. 从暗通道先验延伸出去的几个方向

暗通道先验虽然经典，但这十几年里围绕它的改进和延伸非常多。一个方向是透射率估计的精细化，除了引导滤波，还有用中值滤波、联合双边滤波、甚至深度学习网络来做的。另一个方向是大气光估计的鲁棒性，比如用聚类、用局部区域投票来避免白色物体干扰。

还有一个有意思的延伸是去雾与其他任务的联合，比如去雾加超分辨率、去雾加目标检测。因为去雾本质上是估计深度，而深度信息对很多视觉任务都有用。如果你做的是自动驾驶或者监控场景，去雾往往是预处理的第一步。

我自己在实际项目里，会把暗通道先验作为一个baseline，先用它快速看效果，如果效果不够再上深度学习方法。它的优势是无需训练、可解释性强、参数少，适合快速验证和资源受限的场景。深度学习方法效果更好，但需要大量配对数据，而且模型体积和推理速度都是要考虑的。

最后分享一个小技巧：如果你只是想快速看一张图的去雾效果，不用完整实现整个流程，用OpenCV的cv2.createCLAHE做自适应直方图均衡，也能在一定程度上改善雾天图像的对比度。虽然它不是真正的去雾，但胜在简单快速，适合做效果预览。真正要出图，还是得老老实实走暗通道先验或者深度学习这条路。