基于交通场景区域增强的单幅图像去雾方法

2018-07-25梁中豪彭德巍金彦旭

计算机应用 2018年5期

梁中豪，彭德巍，金彦旭，郭梁

(武汉理工大学计算机科学与技术学院，武汉430063)

(*通信作者电子邮箱lzhabc007@163．com)

0 引言

近年，大雾天气现象在日常的生活中变得越来越常见，尤其在清晨或是湿度比较高的区域。因为雾是由空气中悬浮的水滴或者大量微小粒子对透过它的光线造成散射和吸收所形成的。大雾天气会导致户外拍摄的图像模糊，对比度、饱和度偏低，颜色衰减，严重影响了交通部门监管、视频监控以及图像识别的正常运行。所以，对含雾图像的处理复原具有很重要的意义，也是计算机视觉方面一个热门的研究方向。

目前，对于雾天图像处理的方法主要分为基于图像处理的增强方法和基于物理模型的复原方法。基于图像处理增强的典型算法有直方图均衡化算法［1］与Retinex算法［2］。通过图像增强的去雾算法，适用性广，一般不用考虑图像退化的主要原因，通过提高图片的对比度、亮度来改善图像的细节和视觉效果，但是正因为没有完全考虑图像退化的主要原因，容易对部分图像信息造成一定程度的损失。基于物理模型的图像复原算法有He算法(暗原色先验算法)［3］、Fattal算法(均匀与非均匀雾的视觉增强算法)［4］、Tan算法(典型的基于深度学习去雾算法)［5］。这种基于物理模型的图像复原主要是研究雾天图像退化的物理机制，建立普适的雾天退化模型，演算退化的过程，补偿退化过程造成的图像信息损失，以便获得无雾图像的良好估计值，改善雾天图像的质量。Tan［5］依据无雾图像相对于有雾图像必然具有更高的对比度，从而最大化提升有雾图像的局部对比度来复原图像;但是该算法容易使复原后的图像颜色过于饱和造成失真。Fattal［4］假设光的传播和场景目标表面遮光部分局部不相关，并在此基础上推导出场景的传输图，但对于缺少足够的颜色信息，颜色暗淡的图像不能够得到良好的恢复效果。为了解决上述两种算法的问题，He等［3］通过收集分析大量的无雾场景图像，发现了一种可以估计雾气浓度的暗原色先验理论，从而提出了基于暗原色的单一图像去雾算法，该算法可以对有雾图像进行自然清晰的复原，但是当图像中的场景目标亮度值与大气光值相近时，暗原色先验信息将失效，并且该算法处理时间长，计算代价大。后续研究人员为了解决He算法的不足，在此基础上进行了多项改进。例如，He等［6］采用引导滤波来代替之前所用的软抠图算法;王一帆等［7］则使用双边滤波来提升去雾算法的效率;曾浩等［8］针对暗原色先验去雾算法出现的边缘残雾、天空色彩失真等问题进行算法改进;陈丹丹等［9］则是通过修正大气耗散函数来解决去雾后色彩失真问题。基于物理模型的图像复原方法的另一大类为根据图像深度关系的雾天图像复原算法，根据图像的深度信息是否已知可将该种算法简单分为两类:其一是由Oakley等［10］提出的根据已知的图像深度信息对场景中的大气光线进行预测的算法，但是此算法对实施的设备要求很高，需要雷达等装置去获取场景深度信息;另一类是用由Narasimhan等［11］根据图像的辅助信息来提取含雾图像的深度的算法，但是该算法同样具有一定的局限性，只适用于雾气稀薄的场景，在大雾天气下效果不理想。近年，Tang等［12］运用学习框架对大量含雾图像中的景物特征进行研究，利用图像的纹理特征、颜色饱和度、对比度和暗原色图生成了更为鲁棒的传播图，从而生成更为自然的复原图像。Cai等［13］也提出了利用卷积神经网络来学习雾天图像的特征，从而像人一样可以运用大量的单目线索来估计传播图，但是由于某些场景的特殊性，会造成特定场景下的传播图评估不准确，去雾效果较差。比如在交通道路这种特殊场景下，近处路面雾气浓度较小而远处含有大片的天空区域，因此会导致中远距离场景去雾强度偏低，而近距离路面区域去雾强度偏强。基于此本文在基于深度学习去雾算法的基础上，提出一种新的方法来实现对雾天交通场景图像的去雾优化。首先，根据深度学习所获得的传播图推导出相对应的场景深度图;然后，根据自适应的阈值来将原图划分为近、中、远三部分，将原有的算法与深度图特征相结合，对雾天近处的薄雾区弱增强，对道路间的行人和驾驶员所关注的中远距离区域进行重点增强，远处的天空区域弱增强，从而实现对雾天交通场景更为有效的去雾处理。

1 大气散射模型

在雾霾天气下，成像质量的降低有两大原因:一方面由于大气中悬浮粒子对入射光的散射作用，造成入射光从景物点传播到成像设备的观测点的过程中出现削弱衰减现象;另一方面由于大气中的大气微粒对周围环境的入射光的反射作用，使部分微粒的反射光射向观测点，造成成像的模糊。因此，大气散射模型经过 McCartney的总结［14］和 He的简化［3］被广泛应用在计算机图像处理与视觉领域，即:

式(1)中，x为输入图像像素点，I为输入的原有雾图像，J为去雾后复原图像，A为周围环境大气光值，t为光路传播图，d为深度值;其中t随着图像的深度d呈现指数型的衰减，β为大气散射系数，表示单位体积的大气对光线的散射能力，一般取较小的常数。去雾的本质是从I中复原J，即式(1)也可以写为:

根据式(3)可以了解到，若想要复原J，除了已知的含雾图像I，还须求解出大气光值A和传播图t;并且由式(2)可知，当d求出后便可以更精细化t的求解，改善复原图像。

2 针对雾天道路场景的去雾算法

基于卷积神经网络的去雾算法对大部分雾霾图像的复原基本可以取得良好的效果，但对于雾天交通图像的处理时，往往会造成中远处雾气浓度较高的区域残留有大量雾气。而类似于He等［3］和Tarel等［15］提出的传统算法则会使近处路面和远处天空区域过度增强，亮度和对比度过低，损失很多景物细节特征，造成复原图像颜色失真或者对比度调节失衡。这是由于道路图像中的前景色彩饱和度较高、雾气浓度较小，而背景尤其是天空区域亮度较高，导致图片的中、远处部分与远处的天空混合在一起，传播图对道路与天空的交界线附近区域的估计出现偏差，不能对图像的近、中、远三部分进行明显的区分处理。为解决该问题，本文提出一个基于道路图像特点的去雾算法，采用卷积神经网络来学习与预测图像中景物特征与传播图之间的关系，并推导出该景物深度图，从而根据道路特点进行图像的区域划分，对各区域进行分别处理，最终完成基于场景深度的去雾算法。

2．1 道路图像的特点

通过收集与分析大量的道路图像，并通过驾驶员视角来审视。道路图像特点可以概括为3点:

1)图像中包含有道路，且图像中部以下的绝大部分是路面。

2)图像近处路面平坦并向中远处区域交界处延伸。

3)图像近处雾气浓度一般较小，雾气浓度与车道线向远处延伸距离成正比。

根据上述3点，本文区别于已有去雾算法对图像整体进行统一增强处理的方式，本算法将图像场景深度的相关表达式与大气散射模型结合起来，对图像近处区域进行弱增强，对中远区域进行重点增强，实线对雾天道路场景更为有效的去雾处理。

2．2 基于道路图像特点的去雾算法步骤

2．2．1 算法流程

对于道路图像，若将道路平面深度信息和卷积神经网络所估计的传播图引入大气散射模型，则可以取得更加良好的雾天道路图像处理效果。由图1可知复原含雾道路图像的主要步骤有3个:1)传播图的估计;2)深度图的估计与划分;3)图像处理幅度的确定。

2．2．2 基于卷积神经网络的传播图估计

为了获取雾天图像与透射率之间的关系，本文根据Cai等［13］和Tang等［12］所提出的深度学习去雾理论来构造和训练一个基于卷积神经网络的传播图预测模型。模型架构如图2所示。

该卷积神经网络主要为4个部分，即特征提取、多尺度映射、局部极值和非线性回归:

1)特征提取。网络首层为卷积层(Convolution Layer)，通过应用16个大小为5×5的卷积核对大小为3×16×16的图像进行特征提取，获取到大小为16×12×12的特征图;第二层为切片层(Slice Layer)，负责将上一层所得到的16×12×12特征图进行Slice操作来将大小转换为4×4×12×12，便于下一层，即按元素操作层(Eltwise Layer)对每4个一组的特征图进行极大化处理，将维度为4×4×12×12的特征图映射为4×12×12。

2)多尺度映射。第四层采用多尺度映射的方法来提高特征提取的精度，多尺度即采用三种尺度不同的卷积核来提取输入图片的特征。该层采用三种尺寸分别为3×3、5×5、7×7的卷积核来进行多尺度映射。

3)局部极值。第五层为池化层(Pooling Layer)。本层利用大小为7×7的卷积核对输入图像进行像素级的邻近最大值提取操作，来克服特征图的局部敏感性，并降低传播图的求解误差。

4)非线性回归。该部分首先设置一卷积层用于将输入数据转化为维度为1×1的特征图，最后用BReLu激活层［13］来将维度为1×1的特征图进行非线性的变化，使输出数据的大小限制在［0，1］内，并最终得出学习到的传播图。

图1 本文算法流程Fig．1 Flow chart of the proposed algorithm

图2 卷积神经网络模型Fig．2 Convolutional neural network model

2．2．3 深度图的估计

对于深度图的估计是该算法中的关键步骤。区别于其他去雾算法使用直接求取的图像传播图来对含雾图像进行处理，本文利用卷积神经网络所求取的传播图t(x)，再根据式(2)，得出深度图d(x):

式(4)中β的取值，即在相同大气介质条件下大气散射系数可以看作较小的常量，这里则令β为2．0，则式(4)可以进一步简化为:

至此，可以得出深度图d(x)。

2．2．4 深度图划分

深度图的划分是将含雾道路图像划分为远、中、近三个区域。根据上文所总结的道路特点，即道路图像的近处雾气浓度较小且路面平坦。本文提出一种方法对场景按照深度进行划分，并且取得了良好的效果。效果如图3所示，该图采用热度图来表示深度图各区域的划分，将原图划分为近、中、远三个区域并分别用c、b、a来表示，且随着深的增加而逐渐增强颜色饱和度，效果如图3(c)所示。

该划分方法首先假定一幅含雾道路图像I符合上文所提出的道路图像特点，则可以很明显地发现道路沿着车道线向远处延伸并达到了可见的极限距离。在该极限距离之上，深度与雾气浓度会突然到达最大且急速变为能见度几乎为0的区域。由此，本文根据深度图d的数值变化率找出能见度等于0的区域分界线L，将图像划分为道路区域Rroad与天空区域Rsky:

式(6)中row与col分别为输入图像I的高度与宽度，d(wi，yc)表示深度图中坐标(wi，yc)的深度值，所以h(wi)表示I中第wi行的平均深度。由此，进一步得出h(wi)的变化率函数h'(wi)，即式(7)。式(7)中diff为求差函数，表示I中各行平均深度的变化数值，分母0．001为缩放因子，便于更直观看出变化率。当输入图3(a)的row为480时，对图像进行式(6)和式(7)操作后，得出h(wi)和h'(wi)分别如图4和图5所示。

图3 场景深度区域划分Fig．3 Division of scene depth area

根据图4可以明显地看出在row为250～350，深度发生了明显的变化，与图5所看到的信息相符。在row的值达到350之上后，远处雾气浓度加重，可见度几乎为0。由此，可对h'(wi)中变化率大小为前百分之0．5的值所对应的wi取均值，来表示对应的区域分界线L。根据分界线L，将L的上区域标记为Rsky，下区域标记为Rroad，并将上下区域中的像素数量分别记作m1与m2。为了精细化各区域的求解，设置下阈值Dmin与上阈值Fmax，则Dmin为:

与下阈值类似，Fmax为:

之后，根据所求得的Dmin与Fmax对图像进行卷积，更新Rroad与Rsky的值，即:

根据上述所求得的上阈值Fmax与下阈值Dmin来对图像进行区域划分是去雾的关键一步，传统方法对不同的深度所伴随的雾气浓度处理强度一致，与本文有着差别。

至此，如图3所示，式(10)和式(11)将输入的含雾图像I，划分为近处路面、远处天空与除前两者之外的中远距离区域三部分。

图4 深度值Fig．4 Depth value

图5 深度值变化率Fig．5 Rate of change in depth value

2．2．5 场景增强幅度的确定

将深度图划分为三部分之后，需要对各区域采用不同的增强处理。场景的增强幅度照H(x，y)可定义为:

式中:H(x，y)为需要求解的场景增强幅度映射图，Depth(x，y)为所估计的深度图。α(x，y)为一种非线性增强函数，该函数依据式(6)得出x所属行的深度平均值h(wx)，并根据当前像素(x，y)所属区域来设置不同的加强系数，这是因为雾天道路图像中雾气的浓度一般和场景点到成像设备的距离成正比，距离越大，场景的雾气浓度越高，愈加需要重点增强去雾强度，本文中深度平均值的系数采用常数0．5与0．9来避免处理的不稳定性，如需加强去雾程度可加大此系数。由于增强系数的非线性特征，造成了区域之间的段落感，为了使处理后的图像更加自然平滑，需要对当前场景映射图H(x，y)进行中值滤波操作来平滑各区域之间的交接处。由此，可以最终确定图片各区域的增强幅度，并根据对各区域赋予的增强系数来对上述不同区域分别进行增强处理。

通过图6可以明显地看出，在根据阈值划分的中、远处区域(对应图3(c)中的b区域)进行增强处理后，与图6(a)没有使用阈值进行区域划分相比，图6(b)具有更真实自然的无雾效果，色彩还原度更高。

图6 划分区域后去雾结果对比Fig．6 Comparison of dehazing results after dividing regions

3 实验结果与分析

3．1 卷积神经网络训练实验

由于收集大量成对的自然景观清晰图像与含雾图像难度非常大，因此本文从网上收集了大量的无雾图像，并如图7所示将每幅图像分割为多个大小为16×16的图像块。之后基于文献［11］的假设，即利用大气透射率的局部性、一致性，对所分割的图像块采用随机的透射率t∈(0，1)和固定的大气光α=1，并使用式(1)合成含雾的图像块。其中上述α设为1的目的是减少合成的不稳定性。

图7 含雾图像块生成Fig．7 Foggy image block generation

根据上述方法，可以利用一组n幅无雾图像块JP={j1，j2，…，jn} 和一组随机的透射率 tp={t1，t2，…，tn} 生成一组有雾图像iset。本文将所收集的图像随机分割后大约有11000张，之后统一的对每个图像块用11种随机透射率t进行合成，生成11张合成的含雾图像块。因此本文使用10万张(去除噪声图像后)含雾图像块和对应的透射率t来充当训练集，余下的1万张含雾图像块来作为测试集。网络中每层的滤波器权值使用标准差为0．001、均值为0的高斯分布进行随机初始化，并且将偏置设为0。学习率初始为0．005，随着训练的迭代，每10万次衰减50%。基于以上参数设置，本文网络训练迭代50万次，并使用均方误差(Mean-Square Error，MSE)作为损失函数，来最小化训练块的透射率与真实值之间的误差。最终，凭借 Caffe框架［16］，使用随机梯度下降法(Stochastic Gradient Descent，SGD)来收敛，完成模型的训练。

相较于传统去雾步骤，本文新增加了场景增强幅度照的求取，并将它与大气散射模型相结合，极大地优化了中远处的场景还原细节，降低了较近区域被过度增强的可能性，并利

由式(14)可知，该复原方法利用增强幅度照H，对预定义的3个区域采用了不同的增强系数进行去雾处理，保证了一般道路行人或驾驶员所关注的中远处区域获得增强，而近处和上方“天空区域”获得适当处理。根据式(2)，在传播图中排除亮度大小为前0．1%的像素，取剩余像素中亮度的最大值作为大气光值A。至此，已得到了复原图像所需的全部参数。

3．2 实验结果与分析

由于目前缺少公开的具有标准结果的自然雾天道路场景数据集，因此为了检验本文算法的有效性，本文实验使用公开的标准雾天道路图像库(Foggy Road Image Database，FRIDA)［17］中所包含的330张数字合成雾天道路图像与36张雾天道路实际图像组成测试数据集，进行了主观对比与客观定量评估两组对比实验，并对不同去雾算法的执行效率进行对比分析。其中FRIDA综合了大量雾天交通场景中不同雾气浓度以及不同雾气种类的数字合成图像，该图像数据库已被多次公开作为评估雾天交通场景去雾算法性能优劣的重要数据集，可以被直接地用作系统评估数据集;并为了评估自然道路中的实际去雾效果，辅以多张人为采集和网络收集的雾天实际道路图像来加入测试集。主观实验中依次对真实雾天道路场景与FRIDA中的合成雾天道路场景进行各算法去雾结果的主观分析，并在随后的客观分析中依据FRIDA中合成雾天道路场景所匹配的标准结果对各算法去雾结果进行定量分析。本文实验的运行系统为64位MacOS10．13，实验平用增强幅度照H，使用大气散射模型表达式来还原无雾图片I，由此，复原图像I'为:台为Matlab R2016b。

3．2．1 主观对比

图8展示了部分真实雾天道路场景在He算法［6］、Tarel算法［18］、Cai算法［13］以及本文算法去雾处理后的效果对比组图。选取上述算法原因为:He算法在传统去雾算法中具有很强的代表性;而Tarel算法后期对道路的能见度与速度方面进行了优化;最后，Cai近期所提出的去雾算法是具有很强代表性的基于深度学习去雾算法之一。第一组实验中，除了Tarel算法外其他算法均较好的去除了图像中的雾气。这是因为Tarel算法对含有复杂信息的道路图像的处理欠缺鲁棒性，使得近处路面区域雾气浓度仍然过高，去雾程度明显过低，并且在真实雾天道路图像中对含雾区域出现了误判，造成处理后图像上部分区域亮度过低;而He算法对天空区域的处理颜色失真，颜色偏蓝;Cai算法对远处的区域处理强度不够，仍留有少量雾气;而本文算法整体去雾效果较好，远处去雾后可以明显看出山的轮廓，并没有对天空区域过多地增强。第二组实验中，各算法均表现优秀，尤其Tarel算法对图像远处进行了优化，增强了远处的可见度，但对近处路面去雾处理程度不够，亮度偏高;He算法与Cai算法对近处与远处采取了同样的处理幅度，分别造成近处路面亮度偏低与远处场景亮度偏高;而本文算法对近处与远处均有着良好的处理，分别采取不同的强度来避免处理过度造成图像失真。第三组实验He算法与Tarel算法再次出现了第一组实验的问题，造成图像的天空区域失真，Cai算法较好地对图像进行了去雾，但是对远处的场景去雾程度不够，例如桥墩与树木区域仍残留有少量雾气。本文算法对远处雾气浓度大的区域也进行了良好的去除，整体去雾效果较好，在远处区域具有更好的轮廓。

图8 各算法在自然道路图像上的去雾效果对比Fig．8 Results of each dehazing algorithm on natural road images

为了更进一步比较各算法的去雾效果，本文采用具有标准结果的FRIDA［17］中的图片来进行实验，该数据库为Tarel等创建并用于客观地对比各图像还原算法，数据库中具有大量的含雾道路数字图像，且配有相应的无雾图像作为标准结果来进行对比。该实验应用不同的去雾算法对图片进行处理，再对比去雾后的照片与标准的无雾图像来评估各算法的去雾效果。

图9展示了FRIDA中部分图片在各算法处理后，去雾效果图与标准结果的部分对比组图，三张图分别对应了乡镇公路、城市间道路与十字路口场景。三组实验中，He算法在去雾处理后，整体亮度与色彩饱和度均偏高，图像细节还原程度较低，主要是由于He算法在估计透射率时过于依赖于颜色信息，对具有较高亮度的区域，误认为将会有较低的透射率，造成颜色的过饱和;Tarel算法对图像去雾效果明显，但由于其算法对含有复杂信息的道路图像处理欠缺鲁棒性，使得近处路面区域雾气浓度仍然过高，去雾程度明显过低，并且在局部区域仍残留有相当量的雾气;Cai算法与上述两种算法相比在整体去雾效果上表现较好，尤其对近处道路区域的图像还原程度较高，但是与本文算法相比图像在中远处的雾气仍残留有雾气，图像细节还原程度较低，主要是因为Cai算法并没有对不同景深的区域进行增强去雾处理。整体而言本文算法在去雾处理后具有更好的视觉效果，既有效地对雾天道路场景进行去雾处理也没有明显的颜色失真、图像模糊等现象，更接近标准结果。

图9 FRIDA数据库各算法去雾结果与标准结果对比Fig．9 Comparison of defogging results and standard results on FRIDA for each dehazing algorithm

3．2．2 定量评估

为了客观评价不同去雾算法之间的效果，该实验采用均方误差(MSE) 和结构相似性(Structural SIMilarity，SSIM)［19］指标对FRIDA中330张图片进行评估，并在评估结果中截取图9中所展示三组图片对不同算法去雾结果进行对比。

均方误差MSE是衡量图像处理后与标准结果的相似程度的指标。均方误差越小，图像与标准结果越相近，图像细节越清晰。如果假设一幅含雾图像的大小为M*N，其定义为:

式中x(i，j)与^x(i，j)分别表示图像第i行，第j列处理结果与标准结果的像素值。

表1和表2分别展示了不同算法去雾结果与标准结果的MSE与SSIM。SSIM值越大表示去雾结果与标准结果的结构相似度越大;MSE值越小，表示去雾结果与标准结果之间像素误差越小，处理结果越相近。因此，较好的去雾算法所生成的图像应具有较小MSE值与较大的SSIM值。

表1 图9中各算法去雾结果与标准结果的均方误差(MSE)Tab．1 MSE between dehazing results and standard results in Fig．9

从表1和表2总体来看，He算法相对于其他三种算法在三组图像中都具有较高的MSE与较低的SSIM，表明其与标准结果相差最大。而Tarel算法与He算法相比具有较低的MSE与较高的SSIM，但在第二组实验落后于He算法，主要原因在于Tarel算法对道路图像进行了优化，提升了去雾后道路场景的可见性，但在某些场景去雾不均衡，易造成雾气的残留，对连续区域的去雾处理出现偏差。相比之下本文算法与基于卷积神经网络的Cai算法具有更高的SSIM和更低的MSE，处理结果与标准结果更加接近;而本文算法与Cai算法相比，考虑了道路场景中区域的划分来增强去雾效果。因此与上述三种算法相比，本文算法去雾结果所得出的MSE明显更小，SSIM更大，表明其去雾结果与标准结果更为接近;同时，也与定性分析得出的结论相符合。

表2 图9中各算法去雾结果与标准结果的结构相似度(SSIM)Tab．2 SSIM between dehazing results and standard results in Fig．9

3．2．3 算法效率分析

为了进一步对比分析各去雾算法的执行效率，本文从雾天道路标准标准数据库FRIDA选取200张尺寸为640×480的图像，对各个方法进行测试，记录其平均运行时间。效率分析实验中，为消除基于深度学习的去雾算法训练时间的不稳定性，本文算法与其他基于深度学习的算法均使用已经训练完毕的离线网络模型。结果如图10所示。

图10 各去雾算法平均运行时间对比Fig．10 Time consumption comparison of different dehazing algorithms

从图10可以明显看出，He算法相较于其他算法的平均处理时间更长，效率更低;Tarel算法处理时间相较于He算法，处理时间更短，效率提升明显，但比离线训练完毕之后的两种基于卷积网络的去雾算法Cai算法和本文算法来说效率较低，处理时间较长;Cai算法和本文算法同为基于卷积网络的去雾算法，所以平均处理时间较为接近，无明显差距，平均处理时间仅相差0．04 s。总体而言，Tarel算法与He算法执行效率较低，Cai算法与本文算法有着较高的执行效率。

4 结语

本文对基于深度学习的去雾算法和日常道路图像的特点进行研究与分析，根据所获得的图像深度信息提出一种针对雾天道路图像的去雾算法。首先，通过预训练的卷积神经网络对输入图像进行特征提取，获取传播图的粗估计值，利用引导滤波对传播图进行细化;同时对输入图像进行暗原色提取获得暗原色图，求得大气光值;其次，通过细化的传播图得到深度图，并构造近中远三处区域对深度图进行划分;然后，根据不同区域赋予处理增强系数，构造增强幅度照;最后，通过大气散射模型求取无雾图像。实验结果表明，本文算法对含有日常道路的图像具有较好的去雾效果，提高了浓雾图像的对比度与清晰度，同时也为交通监管部门提供了一个可参考的实施方案。

然而，对某些场景来说，本文算法具有一定的局限性，如图11(a)中出现的团雾仅分布在图像中远处区域使得道路图像层次感降低，造成处理后图像如图11(b)中局部区域偏暗。这是由于在该区域场景深度图划分的阈值有较低鲁棒性与准确性，并且大气光值被视为全局不变，造成了该局部区域的增强幅度过大。因此，针对不同场景求取更为鲁棒的阈值，自适应地采用大气光值与划分深度区域为之后的主要工作。