【前沿资讯】北航张颖团队提出融合偏振光谱图像的去雾新方法，助力雾霾环境下图像清晰化

    在工业化进程不断加快以及环境恶化的大背景下，雾霾天气愈发频繁，这给近地遥感与智能感知系统带来了严峻挑战。大气中的微小水滴、气溶胶粒子等悬浮颗粒会对光波产生散射作用，尤其是在可见光等短波段，会造成严重的能量衰减和杂散光增强，使得图像清晰度下降、细节模糊，严重影响了图像后续的分析处理。因此，如何有效去除雾霾影响、提高图像质量成为了研究的热点问题。
    北京航空航天大学张颖团队针对这一难题，提出了一种融合可见光与近红外偏振光谱图像的图像去雾方法，并将其研究成果发表于《红外与激光工程》2025年“高光谱技术及其应用”专栏。该方法充分利用了目标反射或散射光在偏振特性上的差异，以及不同波长对雾霾粒子穿透能力的不同，有效提升了去雾图像的细节恢复效果。

    创新方法：双步处理实现高效去雾
    张颖团队的去雾方法主要分为两个步骤。第一步是基于大气光偏振态分布模型估算相关参数并进行可见光偏振光谱去雾。团队引入了RT3矢量辐射传输模型，该模型能够模拟半球天空中大气光的偏振态分布，有效解决了传统Schechner偏振去雾算法依赖天空区域估计大气光参数的问题。通过半球视场全天空光偏振成像探测系统进行的雾霾天气实验验证，该模型模拟结果与实际探测结果误差极小。利用该模型，找到半球天空大气光偏振态分布数据中大气光强值最大的点，将该点的大气光强值和偏振度值分别作为无穷远处的大气光强（A∞）和大气光偏振度（p）的估计值。接着，通过Stokes矢量与穆勒矩阵的关系得到光强最大和最小的偏振光谱图像，从而得到可见光偏振光谱去雾图像。
    第二步是可见光与近红外偏振光谱图像的融合去雾。团队采用基于滚动导向滤波（RGF）和高斯滤波的多尺度分解（MSD）方法，将输入的可见光去雾图像和近红外偏振光谱图像的光强最小图像分解为基础层与四幅不同尺度的细节层。然后，通过提出的基于透射率图的自适应检测融合方法获得融合的细节层，最后将基础层和细节层通过逆MSD得到融合图像。这种多尺度分解与自适应融合的方式，能够有效融合不同尺度的图像信息，增强图像的细节和边缘。

    实验验证：多项指标彰显方法优势
    为了验证该方法的有效性，团队利用集成的多光谱偏振成像探测系统进行了室外雾天探测实验。该系统结合了电动滤波转轮与分焦平面相机，可获取六个可见光波段和2个近红外波段的偏振光谱图像，工作波段覆盖400-1000nm，分辨率为2448×2048像素，能够在雨雾天气条件下对1.3km处的目标场景进行有效探测。
    将该方法与Schau、He、FFA-Net以及Frederik等去雾方法进行对比，结果表明：Schau的方法虽能恢复部分细节，但会将近红外谱段图像中的灰度信息错误带入，不符合人眼视觉习惯；He的方法虽能增强对比度和清晰度，但对大气光敏感，处理天空区域时易出现失真；FFA-Net在处理某些区域像素时存在不足，导致建筑物表面出现斑点；Frederike的方法对远场场景去雾效果有限，细节模糊。而张颖团队的方法获得了清晰且细节丰富的去雾图像，既保留了植被在可见光谱段的灰度信息，又恢复了远场场景的细节。
    在定量评价方面，基于SSIM、信息熵（IE）、对比度（IC）和PSNR等指标，团队方法表现优异。其中，信息熵相比原始图像提升约3.6%，对比度提升约3.26倍，PSNR达到20.1831，各项指标均显著优于其他方法，充分证明了该方法在图像信息保留和去雾效果上的有效性和优越性。

    未来展望：拓展应用场景与技术融合
    尽管该融合去雾方法在图像细节恢复与质量提升方面取得了良好效果，但由于实验系统基于静态场景与单次成像数据，尚未充分考虑复杂动态环境下的光照变化与雾霾时变特性，在一定程度上限制了方法的适应性与实用性。
    针对这些不足，团队提出了未来的研究方向。一方面，计划将物理建模方法与深度学习模型相结合，在保证模型物理可解释性的同时，利用神经网络的特征学习与模式识别能力，提升算法在多样化场景下的鲁棒性和泛化能力。另一方面，考虑结合多通道、多时相的偏振光谱成像数据，构建支持时序信息建模的图像处理框架，并将其拓展应用于动态遥感、低能见度导航等复杂任务场景，进一步推动图像去雾技术在实际中的广泛应用。
    张颖团队的这项研究为雾霾环境下的图像去雾提供了新的有效途径，其创新的方法和显著的实验效果为该领域的发展奠定了坚实基础，期待团队在未来能带来更多突破性的成果，推动相关技术在更多实际场景中的应用与发展。