在工業(yè)化進(jìn)程不斷加快以及環(huán)境惡化的大背景下，霧霾天氣愈發(fā)頻繁，這給近地遙感與智能感知系統(tǒng)帶來(lái)了嚴(yán)峻挑戰(zhàn)。大氣中的微小水滴、氣溶膠粒子等懸浮顆粒會(huì)對(duì)光波產(chǎn)生散射作用，尤其是在可見(jiàn)光等短波段，會(huì)造成嚴(yán)重的能量衰減和雜散光增強(qiáng)，使得圖像清晰度下降、細(xì)節(jié)模糊，嚴(yán)重影響了圖像后續(xù)的分析處理。因此，如何有效去除霧霾影響、提高圖像質(zhì)量成為了研究的熱點(diǎn)問(wèn)題。
    北京航空航天大學(xué)張穎團(tuán)隊(duì)針對(duì)這一難題，提出了一種融合可見(jiàn)光與近紅外偏振光譜圖像的圖像去霧方法，并將其研究成果發(fā)表于《紅外與激光工程》2025年“高光譜技術(shù)及其應(yīng)用”專(zhuān)欄。該方法充分利用了目標(biāo)反射或散射光在偏振特性上的差異，以及不同波長(zhǎng)對(duì)霧霾粒子穿透能力的不同，有效提升了去霧圖像的細(xì)節(jié)恢復(fù)效果。

    創(chuàng)新方法：雙步處理實(shí)現(xiàn)高效去霧
    張穎團(tuán)隊(duì)的去霧方法主要分為兩個(gè)步驟。第一步是基于大氣光偏振態(tài)分布模型估算相關(guān)參數(shù)并進(jìn)行可見(jiàn)光偏振光譜去霧。團(tuán)隊(duì)引入了RT3矢量輻射傳輸模型，該模型能夠模擬半球天空中大氣光的偏振態(tài)分布，有效解決了傳統(tǒng)Schechner偏振去霧算法依賴(lài)天空區(qū)域估計(jì)大氣光參數(shù)的問(wèn)題。通過(guò)半球視場(chǎng)全天空光偏振成像探測(cè)系統(tǒng)進(jìn)行的霧霾天氣實(shí)驗(yàn)驗(yàn)證，該模型模擬結(jié)果與實(shí)際探測(cè)結(jié)果誤差極小。利用該模型，找到半球天空大氣光偏振態(tài)分布數(shù)據(jù)中大氣光強(qiáng)值最大的點(diǎn)，將該點(diǎn)的大氣光強(qiáng)值和偏振度值分別作為無(wú)窮遠(yuǎn)處的大氣光強(qiáng)（A∞）和大氣光偏振度（p）的估計(jì)值。接著，通過(guò)Stokes矢量與穆勒矩陣的關(guān)系得到光強(qiáng)最大和最小的偏振光譜圖像，從而得到可見(jiàn)光偏振光譜去霧圖像。
    第二步是可見(jiàn)光與近紅外偏振光譜圖像的融合去霧。團(tuán)隊(duì)采用基于滾動(dòng)導(dǎo)向?yàn)V波（RGF）和高斯濾波的多尺度分解（MSD）方法，將輸入的可見(jiàn)光去霧圖像和近紅外偏振光譜圖像的光強(qiáng)最小圖像分解為基礎(chǔ)層與四幅不同尺度的細(xì)節(jié)層。然后，通過(guò)提出的基于透射率圖的自適應(yīng)檢測(cè)融合方法獲得融合的細(xì)節(jié)層，最后將基礎(chǔ)層和細(xì)節(jié)層通過(guò)逆MSD得到融合圖像。這種多尺度分解與自適應(yīng)融合的方式，能夠有效融合不同尺度的圖像信息，增強(qiáng)圖像的細(xì)節(jié)和邊緣。

    實(shí)驗(yàn)驗(yàn)證：多項(xiàng)指標(biāo)彰顯方法優(yōu)勢(shì)
    為了驗(yàn)證該方法的有效性，團(tuán)隊(duì)利用集成的多光譜偏振成像探測(cè)系統(tǒng)進(jìn)行了室外霧天探測(cè)實(shí)驗(yàn)。該系統(tǒng)結(jié)合了電動(dòng)濾波轉(zhuǎn)輪與分焦平面相機(jī)，可獲取六個(gè)可見(jiàn)光波段和2個(gè)近紅外波段的偏振光譜圖像，工作波段覆蓋400-1000nm，分辨率為2448×2048像素，能夠在雨霧天氣條件下對(duì)1.3km處的目標(biāo)場(chǎng)景進(jìn)行有效探測(cè)。
    將該方法與Schau、He、FFA-Net以及Frederik等去霧方法進(jìn)行對(duì)比，結(jié)果表明：Schau的方法雖能恢復(fù)部分細(xì)節(jié)，但會(huì)將近紅外譜段圖像中的灰度信息錯(cuò)誤帶入，不符合人眼視覺(jué)習(xí)慣；He的方法雖能增強(qiáng)對(duì)比度和清晰度，但對(duì)大氣光敏感，處理天空區(qū)域時(shí)易出現(xiàn)失真；FFA-Net在處理某些區(qū)域像素時(shí)存在不足，導(dǎo)致建筑物表面出現(xiàn)斑點(diǎn)；Frederike的方法對(duì)遠(yuǎn)場(chǎng)場(chǎng)景去霧效果有限，細(xì)節(jié)模糊。而張穎團(tuán)隊(duì)的方法獲得了清晰且細(xì)節(jié)豐富的去霧圖像，既保留了植被在可見(jiàn)光譜段的灰度信息，又恢復(fù)了遠(yuǎn)場(chǎng)場(chǎng)景的細(xì)節(jié)。
    在定量評(píng)價(jià)方面，基于SSIM、信息熵（IE）、對(duì)比度（IC）和PSNR等指標(biāo)，團(tuán)隊(duì)方法表現(xiàn)優(yōu)異。其中，信息熵相比原始圖像提升約3.6%，對(duì)比度提升約3.26倍，PSNR達(dá)到20.1831，各項(xiàng)指標(biāo)均顯著優(yōu)于其他方法，充分證明了該方法在圖像信息保留和去霧效果上的有效性和優(yōu)越性。

    未來(lái)展望：拓展應(yīng)用場(chǎng)景與技術(shù)融合
    盡管該融合去霧方法在圖像細(xì)節(jié)恢復(fù)與質(zhì)量提升方面取得了良好效果，但由于實(shí)驗(yàn)系統(tǒng)基于靜態(tài)場(chǎng)景與單次成像數(shù)據(jù)，尚未充分考慮復(fù)雜動(dòng)態(tài)環(huán)境下的光照變化與霧霾時(shí)變特性，在一定程度上限制了方法的適應(yīng)性與實(shí)用性。
    針對(duì)這些不足，團(tuán)隊(duì)提出了未來(lái)的研究方向。一方面，計(jì)劃將物理建模方法與深度學(xué)習(xí)模型相結(jié)合，在保證模型物理可解釋性的同時(shí)，利用神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)與模式識(shí)別能力，提升算法在多樣化場(chǎng)景下的魯棒性和泛化能力。另一方面，考慮結(jié)合多通道、多時(shí)相的偏振光譜成像數(shù)據(jù)，構(gòu)建支持時(shí)序信息建模的圖像處理框架，并將其拓展應(yīng)用于動(dòng)態(tài)遙感、低能見(jiàn)度導(dǎo)航等復(fù)雜任務(wù)場(chǎng)景，進(jìn)一步推動(dòng)圖像去霧技術(shù)在實(shí)際中的廣泛應(yīng)用。
    張穎團(tuán)隊(duì)的這項(xiàng)研究為霧霾環(huán)境下的圖像去霧提供了新的有效途徑，其創(chuàng)新的方法和顯著的實(shí)驗(yàn)效果為該領(lǐng)域的發(fā)展奠定了堅(jiān)實(shí)基礎(chǔ)，期待團(tuán)隊(duì)在未來(lái)能帶來(lái)更多突破性的成果，推動(dòng)相關(guān)技術(shù)在更多實(shí)際場(chǎng)景中的應(yīng)用與發(fā)展。