双重方法提升无人机图像：基于软件处理与FPGA实现

摘要

本工作提出了一种针对无人机拍摄图像的实时去雾的全面方法，采用不同的滤波技术并结合后处理改进。提升雾霾环境下的可见度和图像清晰度是主要目标，因为这对环境监测、导航和监控等应用至关重要。为了估计大气光和传输图，所建议的方法利用暗通道。随后应用 Farrow 滤波器和引导滤波器来改善传输。通过基于 Python 的图像处理实现，获得 PSNR、SSIM、执行时间和 MSE 等指标，用以评估去雾算法的有效性。实验结果显示，在处理效率和图像清晰度方面均有显著提升。为加速性能，该方法被实现于基于 FPGA 的 SoC。评估了 FPGA 基础方案的功耗和吞吐量，证明其在实时应用中的有效性和适用性。

作者

Arun T Nair 卡利卡特国家电子与信息技术研究院

Nanditha N Varma 卡利卡特国家电子与信息技术研究院

Nandakumar R 卡利卡特国家电子与信息技术研究院

发表信息

期刊： 2024 International Conference on Smart Electronics and Communication Systems (ISENSE) 年份： 2024 页码： 01-06 DOI： 10.1109/ISENSE63713.2024.10872246 文章编号： 10872246

指标

总下载量： 55

关键词

IEEE 关键词： 监控, 视频序列, 随机存取存储器, 灰度, 滤波算法, 吞吐量, 实时系统, 芯片系统, 现场可编程门阵列, 调整

索引术语: 软件处理, 峰值信噪比, 滤波技术, 系统芯片, 大气透射率, 图像清晰度, 引导滤波器, 传输图, 大气光, 暗通道, 均方误差, 图像质量, 高复杂度, 必要步骤, 生成对抗网络, 查找表, 应用性能, 视觉质量, 深度信息, 训练数据量, 直方图均衡化, 更高峰值信噪比, 腐蚀操作, 结构相似性指数, 硬件实现, 变分自编码器, 大量功率, 级联流水线, 计算机视觉应用, 多尺度卷积神经网络

作者关键词: 去雾, 暗通道先验, MSE, PSNR, SSIM

未定义

第一节. 引言

图像去雾是涉及无人机拍摄图像的计算机视觉应用中的关键预处理步骤。 图像质量因雾霾条件常常降低，影响这些应用的准确性和性能。 解决这一挑战对于提高清晰度和改善各种航空成像任务的后续分析至关重要。 雾是由于光被细小的空气中颗粒（如烟雾、灰尘和水滴）散射所产生的。 这会降低视觉效果并扭曲图像的对比度和细节。 由于这种散射效应，图像变得雾蒙蒙且失去颜色，使得区分关键信息和物体变得困难。 由于无人机成像常常从高空和宽角度拍摄，视觉问题更为突出，雾霾效应在这些场景中更为显著。 图像质量差会显著阻碍监控等任务，在这些任务中，检测和识别对象或动作至关重要。 同样，当视觉因雾霾而模糊时，依赖清晰视觉信息来引导无人机穿越复杂环境的导航系统会面临严重困难。 为了提供准确可靠的数据，环境监测（包括观察和评估植被健康、水质以及野生动物活动）也在很大程度上依赖无人机拍摄照片的清晰度。 鉴于这些困难，开发实用且高效的去雾方法至关重要。 这些方法旨在消除雾霾、提升细节可见度并恢复图像清晰度。 为了支持实时应用，高效的去雾方法不仅需要提升图像视觉质量，还要以计算效率高的方式实现。 由于无人机操作中处理能力和电池寿命有限，效率非常重要。 能够实时进行去雾可大幅提升无人机的功能性和任务成功率。 总之，图像去雾是提升无人机拍摄照片质量的关键预处理步骤。 去雾算法是现代技术中的重要工具，因为它们通过消除大气散射导致的可见度和细节损失，提升了不同基于无人机的计算机视觉应用的性能和可靠性。

本研究结合导向滤波器与 Farrow 滤波器方法的优势，提出了一种综合的图像去雾方法。黑色通道先验（DCP）是所建议方法估计大气光与透射图的第一步。广泛接受的去雾技术 DCP 利用这样一个发现：大多数无雾的户外照片至少在一个颜色通道上具有极低亮度的像素。通过使用最暗像素估计大气光，我们可以准确近似雾效。

我们在估计环境光后，使用导向滤波器和 Farrow 滤波器来修改透射图。为提升初始透射估计，采用了以其高效线性相位滤波能力著称的 Farrow 滤波器。利用输入图像的结构，导向滤波器并行使用，以进一步改进透射图。将这两种元素结合，可保证平滑且保边的透射图，这是卓越去雾的关键。作为后处理手段，我们使用直方图均衡和对比度修改来提升去雾图像的视觉质量。这些方法解决了去雾照片中常见的颜色漂白问题，显著提升图像清晰度和细节。使用基于 Python 的图像处理实现（如均方误差 MSE、结构相似度指数 SSIM、峰值信噪比 PSNR 以及执行时间）评估所建议方法的有效性。我们还在基于 FPGA 的片上系统（SoC）上实现实时性能，并进行了软件测试。该硬件实现对高吞吐量和低延迟应用至关重要。我们在吞吐量和功耗方面评估 FPGA 实现，证明其对实时应用有效且合适。实验结果显示，所建议方法有效降低雾气并提升图像细节，基于无人机捕获的照片。该坚实基础为广泛的无人机成像应用提供了支持。我们解决方案的高质量、实时图像去雾潜力体现在其对比增强、复杂滤波算法和基于 FPGA 的实现的结合。

第 II 节 文献综述

[1]本文采用线性模型与颜色衰减相结合的技术，以估计雾天场景的深度并恢复清晰图像。速度快于传统技术，在多种雾天环境下效果良好。可能在极厚雾或浓云中效果不佳。 ¹本文提出使用非局部雾线来消除照片中的雾并估计传输图。该方法基于非局部补丁中的雾线相似的发现。效果良好，能很好地保留多种照片的细节。但可能需要大量处理能力，因非局部过程导致速度较慢。 ²它通过将非线性颜色映射与物理雾模型相结合来增强模糊照片。为提高可见度，该技术根据雾的物理特性修改颜色映射。能很好地保留细节并恢复颜色。但计算成本高，在极度雾天环境中可能不可靠。 ³本文利用深度信息，通过将 LiDAR 数据与单张图像相结合来重建无雾照片。该方法使用 LiDAR 生成精准的深度图，从而清除雾气，既高效又能准确提供深度信息。但 LiDAR 需要更多硬件，使其不适用于所有场景。 ⁴本文提出 AOD-Net，一种端到端的深度学习网络，用于去雾单幅图像。该网络旨在同时估计传输图和大气光。其成本低，几乎不需要预处理即可获得卓越结果。但需要大量处理能力和训练数据。 ⁵本文使用多尺度卷积神经网络估计传输图并恢复无雾照片。该技术通过在多个尺度处理图像，捕获细节与粗略信息，能够处理不同雾量的图像。但计算量大，且需要大量训练数据。

[7]]它建议使用多尺度特征来去雾一个稠密连接的金字塔网络。该网络通过捕获不同尺度的特征来改进去雾过程。提供细节丰富且锐利去雾的照片。由于网络架构的高复杂度和计算成本。 ⁶ 它呈现了一个门控上下文聚合网络，处理图像的去雨和去雾。为了提高可见度，该网络使用门控单元聚合上下文数据。它也具有可适应性，并成功解决了各种与天气相关的图像退化问题。训练和推理都需要大量处理能力。 ⁷ 本论文通过使用深度信息提高雾除方法的精度和效率。仅使用一张图像，该方法计算场景深度并应用于消除雾。快速且高效，尤其是在深度线索清晰定义的场景中。深度信息不清晰或不明显时效果较差。 ⁸ 它侧重于专门针对实际天气情况的视觉恢复方法。通过使用自适应滤波和增强技术来提高可见度。适用于多种天气情况和现实应用。许多情况下需要进行相当多的参数调整。为了改进去雾性能，Proximal Dehaze-Net 提出了一种深度学习网络，从模糊照片中提取图像先验。该网络通过利用训练期间获得的先验知识来引导去雾过程并增强图像清晰度。该网络通过利用学习到的先验知识来引导去雾过程并增强图像清晰度。使用较少的预处理，并通过利用已学习的先验最大化去雾性能。它需要大量的计算能力和训练数据，可能并不能在所有类型的模糊图像上有效工作。 ⁹ 为了提升在真实世界雾照片上的性能，该工作构建了一个在合成雾图像上训练的去雾网络。通过合成数据实现更好的泛化，帮助抵消缺乏真实模糊图像用于训练的不足。使用合成数据训练有效提升了真实场景中的性能。

合成数据可能无法准确代表真实多云环境中所有变量，这可能会影响性能。 ¹⁰ 提出了一种名为 DehazeNet 的端到端深度学习系统。 它的目的是直接去除照片中的雾。 为了恢复清晰图像，该网络整合了传输图和大气光的估计。 在准备工作少、实现简单的情况下，提供了出色的去雾效果。 训练和推理都需要大量计算资源，且可能无法处理所有类型的雾。 ¹¹ 它采用多尺度卷积神经网络来恢复去雾图像并估计传输图。 该方法通过在多尺度下处理图像来提升去雾性能并捕获细节信息。 成功处理不同强度的雾，并记录局部和全局特征。 计算量大，训练困难，资源密集。 ¹² 本文将对抗训练加入 Pix2Pix 框架，以提升去雾效果。 为了改进去雾过程并生成更准确的结果，网络使用生成式对抗网络（GAN）。 它采用对抗训练来生成高质量、细节保留更好的去雾照片。 GAN 训练可能困难，需要大量计算资源和训练数据。 ¹³ 为提升去雾性能，GridDehazeNet 集成了多尺度网络和注意力机制。 为增强清晰度和细节，网络聚焦重要位置，在多个尺度上记录特征。 它在细粒度图像增强和不同雾浓度下都高效。 由于基于注意力和多尺度设计，计算成本和复杂度高。 ¹⁴ 该方法使用带条件学习的生成式对抗网络（GAN）对单张照片进行去雾。 网络利用 GAN 提升逼真度和细节，条件化模糊图像以生成清晰图像。 生成逼真、高质量、细节保留良好的去雾照片。 需要大量训练数据和强大的计算资源。 ¹⁵ 这提出了一种稠密去雾网络，通过组合不同尺度的特征来增强去雾效果。

通过捕获细粒度特征，该技术提升了网络处理各种雾天情况的能力。它在控制不同雾度和保持细节方面高效。需要高度计算，需复杂的网络架构和大量资源。 ¹⁶ 它呈现了一种使用门控机制集成多种去雾方法的门控融合网络。该技术结合多种策略以提升去雾效果。它提供优异的去雾照片，具有灵活性和良好的细节保留。需要复杂的训练流程和大量的处理能力。 ¹⁷In 本文中，该方法通过将自适应融合和细化与分层方法相结合来改进去雾。通过多层次、有组织的处理方法，分阶段处理图像提升可见度。它在保持细节和处理复杂雾天情况方面高效。分层处理实现困难且计算负荷大。 ¹⁸ 它使用条件变分自编码器（VAE）执行图像去雾。该概率模型在模糊输入上训练，直到生成清晰图像。产生优异的去雾照片，细节保留良好且结果准确。需要大量训练数据和强大计算机，且模型泛化可能存在困难。 ¹⁹ 该方法通过将条件GAN与图像先验相结合来提升单幅图像去雾。该技术通过利用对抗训练和学习的先验提升图像清晰度和去雾性能。在保持细节和处理不同雾度方面表现良好。由于GAN与先验的集成，计算成本和复杂度很高。

第三节：提出的方法

在本工作中，我们提出了一种针对无人机拍摄图像的全新去雾方法，旨在解决大气条件导致的能见度和质量挑战。通过利用无人机获取的高分辨率图像，我们的方法旨在提升图像清晰度并为计算机视觉应用优化预处理。该方法结合了先进的滤波技术和算法优化，以减轻雾气干扰，确保输入图像在不同环境条件下保持真实性。我们提出的方法不仅提升了视觉质量，还提高了后续图像分析任务的准确性。在进入预处理之前，这些无人机拍摄的图像作为我们去雾方法的输入，确保我们有效解决大气干扰带来的挑战。所提出方法的框图如图1所示。

图1. 所提图像去雾方法的框图

1. 预处理

La. 读取图像

在预处理阶段，图像被导入系统，并转换为可处理的格式。由于大多数图像处理算法期望 RGB 输入，将图像转换为 RGB 可以与经常以 BGR 格式读取图像的 OpenCV 保持一致。

Lb. 标准化

为使输入便于处理，将像素值归一化至 [0, 1] 范围。这样可确保所有像素值位于 0 与 1 之间，帮助在保持数值一致性与稳定性的同时进行处理。归一化后的范围为 [0, 1]，但原始像素值范围为 [0]、[255]。

\begin{equation*} I_{norm}(x)=\dfrac{I(x)}{255}\tag{1}\end{equation*}

2. 暗通道先验计算

以最暗像素为引导，确定图像的雾厚度。首先计算所有颜色通道（RGB）中最低像素值，然后执行形态学腐蚀操作，得到暗通道先验 D(x)。

D(x) 是通道的像素值。通过使用结构元素，腐蚀操作有助于捕获最暗像素。

\begin{equation*} D(x)= \mathop{min}\limits_{c\in\{R,G, B\}} I_{c}(x)\tag{2}\end{equation*}

结构元素尺寸：确定侵蚀窗口的尺寸，例如 15×15 像素。

\begin{equation*} D(x) =\mathop{min}\limits_{x^{\prime}\in structuring \ element} \left[\mathop{min}\limits_{c}\ \ I_{c}(x^{\prime})\right]\tag{3}\end{equation*}

3. 大气光估计

确定大气光散射的颜色。选择最亮像素：确定暗通道像素中最亮的部分。人们认为雾对这些像素的影响最小。

\begin{equation*} A=\frac{1}{N}\Sigma_{i\in top0.1\%}I(i)\tag{4}\end{equation*}

4. 传输图估计

此公式计算每个像素中存在的雾量。环境光和暗通道是传输 t(x) 的来源。它表示进入相机的光量。\omega 是雾效控制参数，通常设为 0.95。

\begin{equation*} t(x)=1-\omega\ast D\left(\frac{I(x)}{A}\right)\tag{5}\end{equation*}

5. 引导滤波器应用

使用保边局部平滑来细化传输图。引导滤波器通过使用原始图像作为导引来修改传输图。在保持边缘完整性的同时平滑传输图。

\begin{equation*} q(x)=a(x)\ast I(x)+b(x)\tag{6}\end{equation*}

I(x) 表示像素位置 x 处的输入图像，a(x) 是表示引导滤波器输出与输入图像之间线性关系的系数，b(x) 是像素位置 xxx 的常数项，同样源自图像的局部统计。

6. Farrow 滤波器应用

为进一步减少伪影，使用分数延迟滤波器对传输图进行进一步平滑。滤波系数：由滤波器设计预先确定。

\begin{equation*} Filtered_{T}(x)=\Sigma_{ij} coeff_{ij}\ast T(x+(i,j))\tag{7}\end{equation*}

7. 图像恢复

将估计的大气光和传输图与雾图像结合，以去除雾。通过最小传输 t(0) 防止除以极小值。

\begin{equation*} J(x) =\frac{J(x)-A}{t(x)}+A\tag{8}\end{equation*}

8. 后处理

8a. 对比度调整 提高可见度，调整去雾图像的对比度。Alpha (\alpha): 用于修改对比度的缩放因子。

\begin{equation*} I_{contrast}(x)=\alpha\ast I(x)\tag{9}\end{equation*}

8 B. 直方图均衡化

通过调整像素强度设置来提高图像整体对比度。

\begin{equation*} I_{eq}=equalizeIIist(I)\tag{10}\end{equation*}

9. 性能指标

9A. 均方误差 (mse)

要计算均方误差，请取原始图像与去雾图像之间的平均平方差。

\begin{equation*} MSE=\dfrac{1}{N}\Sigma_{i=1}^{N}(I_{orig}(i)-I_{proc}(i))^{2}\tag{11}\end{equation*}

9B. 峰值信噪比 (PSNR)

通过将最大像素值除以噪声水平来分析图像质量。最大像素值 (R)：对于 8 位图像，通常为 255。

\begin{equation*} PSNR= 10\ast \text{log}(\text{R2/MSE})\tag{12} \end{equation*}

9C. 结构相似性指数 (ssim)

\begin{equation*} PSNR=10\ast\log_{10}\left(\frac{R^{2}}{MSE}\right)\tag{13}\end{equation*}

利用亮度、对比度和结构作为感知视觉质量的指标，评估图像质量。常数 (C1, C2)： 用于保持除零运算稳定的小常数。方差为 \sigma_{\mathrm{y}}^{2} 和 \sigma_{\mathrm{x}}^{2}，协方差为 \sigma_{\text{xy}}，均值为 \mu_{\mathrm{x}\&}\mu_{\mathrm{y}}

\begin{equation*}\text{SSIM}=\frac{\left(2 \mu_{\mathrm{x}} \mu_y+\mathrm{C}_1\right)\left(2 \sigma_{\text{xy}}+\mathrm{C}_2\right)}{\left(\mu_{\mathrm{x}}^2+\mu_{\mathrm{y}}^2+\mathrm{C}_1\right)\left(\sigma_x^2+\sigma_x^2+\mathrm{C}_2\right)}\tag{14}\end{equation*}

10. 总理论执行时间

暗通道先验计算: \mathrm{O}(\mathrm{n}\times \mathrm{m}\times \mathrm{k}^{2}) 大气光估计: \mathrm{O}(\mathrm{n}\times \mathrm{m}\log(\mathrm{n}\times \mathrm{m})) 传输图估计: \mathrm{O}(\mathrm{n}\times\mathrm{m}\times \mathrm{k}^{2})

引导滤波应用: O(n x m x r2) Farrow 滤波应用: O(n x m x k2) 图像恢复: O(n x m) 后处理: O(n x m) O(n log(n x m)) 用于大气光估计。对于大图像，O(n x mlog(n x m)) 这一项相较于 O(n x m) 项可能变得显著。主导复杂度: O(n x m x k2) + O(n log(n x m)) 理论执行时间可近似为 TTOTAL≈ C1**× O** (n×m×k2) + C2 x O(nlog (n × m)) 其中 C1 和 C2 是代表各项比例因子的常数。

第四节. 硬件实现

在此基于FPGA的图像去雾方法中，我们首先通过实现接口将图像数据读取到FPGA，使用块RAM (BRAM)²⁰ 或外部存储接口。如果需要，图像会转换为灰度图，因为暗通道先验 (DCP) 方法主要在灰度图像上操作。DCP 计算涉及基于图块的最小化操作，滑动窗口（例如15×15）决定每个图块的最小强度以构成暗通道。为了加快速度，该操作被流水线化，并通过腐蚀操作进一步细化暗通道。随后，通过识别暗通道中最亮的像素来估计大气光，这有助于使用定点算术（适用于FPGA）计算透射图。为细化透射图，采用引导滤波器，其结构类似二维卷积，但由原始图像引导。为提高效率，除法和平方根运算使用查找表（LUT） ²¹或迭代方法近似。接下来，实施Farow滤波器对细化后的透射图或去雾图像进行插值。最终的去雾步骤通过结合透射图、大气光和原始图像来重建去雾图像，并输出结果。采用流水线和并行处理等优化技术，以最大化吞吐量，并仔细管理FPGA资源。系统的原理图见图2。系统的片上功耗为0.105W，工作时结点温度为26.2°（Figure3）。该系统部署在ZC702 Xilinx Zynq上。

图 2. 使用 Farrow 和引导滤波器的图像去雾示意图

图 3. 功率报告

利用率设计信息为 FPGA 设计中的资源使用提供了全面概述。它以切片逻辑开始，其中包含了设计中使用的寄存器、查找表（LUT）和触发器的细节（图5）。更深入的细分在按类型划分的寄存器摘要中给出，该摘要根据寄存器的功能进行分类。接下来，内存部分概述了片上块 RAM 及其他内存资源的利用情况。DSP 部分聚焦于数字信号处理块的使用，这对于高速算术运算至关重要。最后，实例化网表涵盖了手动实例化到设计中的预先存在的网表元素。去雾图像系统的仿真波形如图4所示。

图4. 去雾图像的仿真波形

在本工作中，使用了9个切片寄存器、4个切片、11个 bonded IOBs,^{22 23} 以及32个缓冲器。切片寄存器和切片代表设计中使用的基本逻辑资源，而 bonded IOBs（输入/输出块）负责与外部信号接口。32个缓冲器用于时钟和信号路由，确保 FPGA 结构内的高效通信。这种资源利用率反映了紧凑高效的设计，适合目标应用。

图5. 设备利用率表（xilinxvivado）

第四节：结果与讨论

已使用若干重要指标，包括 PSNR（峰值信噪比）、SSIM（结构相似性指数）、MSE（均方误差）以及执行时间，用于评估使用 Farrow 过滤器和引导过滤器的去雾过程。根据输出图像、性能指标表（1）、图5、6 以及图表（7）的结果，具体发现及其影响如下：

直方图均衡化和对比度修改对图像质量的影响各不相同。对比度修改被发现能提升视觉吸引力，但会降低定量质量测量（PSNR 和 SSIM 在两种滤波器下均下降）。具体而言，Farrow 滤波器在对比度调整后得到 PSNR 7.44 和 SSIM 0.5458，而引导滤波器得到 PSNR 7.57 和 SSIM 0.5890。另一方面，直方图均衡化使两种滤波器的 PSNR 提升，达到引导滤波器 11.98 和 Farrow 滤波器 12.09。引导滤波器在 SSIM 上有所改善，而 Farrow 滤波器略有下降，暗示图像结构与直方图均衡化之间存在复杂关系。

图 6. 去雾图像输出（opencv）

表 1：

该基于 FPGA 的图像去雾系统利用 ZC702 Xilinx Zynq 平台，实现了对无人机拍摄图像的高效、实时处理。功耗仅为 0.105W，工作时接合温度保持在 26.2°C，适合用于无人机等便携应用。关键资源（切片寄存器、捆绑 IOB 和缓冲区）得到有效分配，最大化 FPGA 利用率。去雾过程首先进行预处理，读取图像数据并可选择将其转换为灰度，以获得最佳的 Dark Channel Prior（DCP）性能。DCP 计算采用滑动窗口方法，并通过腐蚀操作进行精细化。大气光估计和透射图计算采用定点运算，以保持与 FPGA 硬件的兼容性。引导滤波器利用查找表进行除法和平方根近似，细化透射图。随后，Farrow 滤波器对细化后的透射图进行插值，提升输出图像的清晰度和对比度。通过仿真波形验证输出质量，确认可见度得到提升。该紧凑设计在功耗、速度和 FPGA 资源之间取得平衡，为实时应用提供稳健的去雾效果。

就 PSNR 和 SSIM 来说，引导滤波器的表现优于 Farrow 滤波器，这表明它在保持更多结构和画面特征的同时，实现了更优的去雾效果。具体而言，使用引导滤波器得到的去雾图像的 PSNR 为 9.76，而 Farrow 滤波器的 PSNR 为 9.52。引导滤波器的 SSIM 为 0.7011，超过了 Farrow 滤波器的 0.6331。通过将直方图均衡化与引导滤波器相结合，获得了最高的 PSNR（12.09）和 SSIM（0.6111），在提升去雾后图像质量方面优于所有其他技术。在检查误差指标时，引导滤波器在均方误差（MSE）方面始终优于 Farrow 滤波器。引导滤波器产生的图像在像素值上更接近原始图像，MSE 为 6868. 6522（引导滤波器），而 Farrow 滤波器为 7265.9160。此外，在所有研究的方法中，直方图均衡化的引导滤波器实现了最低的均方误差（MSE）4016.3784，表明它提供了对原始图像最精确的重建。仅需 0.0521 秒的执行时间，引导滤波器在效率上明显优于 Farrow 滤波器（后者耗时 10.8056 秒）。这一显著对比凸显了引导滤波器非常适用于需要高速计算的实时应用。

总之，引导滤波器在计算效率和去雾质量方面均优于 Farrow 滤波器。总体最优方法是将引导滤波器与直方图均衡化相结合，它在降低误差（更低 MSE）的同时提升质量（更高 PSNR 和 SSIM）。对比度调整应仅在必要时谨慎使用，因为尽管视觉吸引力强，但可能对定量质量指标产生负面影响。建议在需要高质量去雾且计算开销低的应用中使用引导滤波器。它与直方图均衡化结合时，能够实现图像改进与结构保持之间的最佳平衡。

V. 结论

在基于FPGA的图像去雾方法中，所提出的方法从图像预处理开始，该图像被加载到FPGA中，使用块RAM（BRAM）或外部存储接口。图像被转换为灰度，因为暗通道先验（DCP）方法在灰度图像上表现最佳。DCP使用滑动窗口（例如15×15）计算每个补丁的最小强度，并通过流水线和腐蚀操作对暗通道进行细化。通过识别最亮像素来估计大气光，从而使用定点算术计算透射图。研究表明，导向滤波器在效率和图像质量方面明显优于Farrow滤波器，获得更高的SSIM和PSNR值，同时保持低MSE，从而证明其速度快且适用于实时应用。当与直方图均衡结合时，导向滤波器显著提升PSNR和SSIM。然而，虽然对比度调整视觉效果好，但可能会破坏结构完整性。未来工作将探索机器学习技术以进行自适应参数调优和多尺度处理方法，以更好地管理不同程度的雾。还计划将此方法应用于不同类型的图像，例如视频序列，以扩大其适用范围。在ZC702 Xilinx Zynq上的硬件实现中，系统在片上功耗为0.105 W，保持26.2°C的节点温度。

图 7. 不同方法下 mse、psnr、ssim 与执行时间值的图形表示

参考文献

附加参考文献

1. Q. Zhu, J. Mai, and L. Shao, “一种使用颜色衰减先验的快速单幅图像去雾算法,” IEEE Transactions on Image Processing, vol. 24, no. 11, pp. 3522–3533, Nov 2015.

2. H. Zhang, “密集连接金字塔去雾网络,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3194–3203, 2018.

3. Z. Jiang, “一种使用图像先验和条件生成对抗网络的单幅图像去雾新算法,” IEEE Transactions on Multimedia, vol. 21, no. 7, pp. 1689–1701, Jul 2019.