利用雾感知特征与优化的 DCNN-YOLOv8 网络提高图像清晰度和检测准确性

为何在雾中清晰视觉重要

在雾蒙蒙的早晨开车或查看模糊的监控画面时，我们本能地感到隐藏的车辆或行人有多危险。许多现代系统——自动驾驶、道路监控，甚至卫星制图——都依赖能够“看清楚”的计算机。然而雾霾会扰乱现有的视觉算法，使其漏检重要目标。本文提出了一种新方法，不仅教会计算机清理有雾图像，还让它评估去雾质量，并在恶劣天气下更可靠地检测目标。

透过薄雾看清场景

在户外拍摄的有雾图像往往色彩暗淡、对比度低且边缘模糊，因为空气中细小颗粒会散射和吸收光线。这意味着远处的车辆会逐渐融入背景，路牌也难以辨认。尽管已有许多图像“去雾”方法被提出，但在真实场景中的表现仍然参差不齐：有的方法恢复了对比却扭曲了颜色；有的方法增强了细节但在不同天气或地点下不够稳健。一个主要缺失是让计算机在没有完美清晰参考图像时，能够稳健地评估去雾后图像视觉质量的手段。

教会计算机什么是优质图像

作者通过构建一条从雾感知特征提取开始的流水线来应对这一问题，特意针对有雾场景设计。对于每张输入图像，系统计算一种名为雾感知结构像素邻域（Haze aware Structural Pixel Neighbor，HSPN）的新型描述子，概括每个像素在亮度和纹理上与邻域像素的关系。它们与平均亮度、局部变化、色彩平衡等度量以及捕捉雾如何改变图像强度自然分布的统计量结合在一起。综合这些特征，系统得到对场景中雾对结构和色彩破坏程度的简洁而丰富的描述。

更智能的学习引擎

这些雾感知特征被输入到一个深度卷积神经网络（DCNN），用于预测每张图像的客观“质量评分”。为有效训练该网络，作者引入了一种名为时间序列黑猩猩优化算法（Chronological Chimp Optimization Algorithm，CChOA）的新优化策略。该算法受到黑猩猩群体狩猎行为的启发，并引入了时间感知机制，通过过去和当前的候选解引导训练过程，帮助网络避免陷入较差的局部最优。实践中，这意味着质量预测网络收敛更快、训练误差更低且比使用标准优化器或原始黑猩猩方法更稳定。

从更好图像到更佳检测

在系统提升并评分图像质量后，增强后的图像会传递给经定制的 YOLOv8 快速目标检测网络。作者专门为雾天条件改进了 YOLOv8，细化其损失函数以更精确地定位小型和重叠目标，加入类 Inception 的模块以在多尺度上捕获细节，并插入一个空间金字塔池化块，帮助网络理解局部细节与更广泛的上下文。在两个基准雾数据集（RESIDE 和 FRIDA）上训练和测试后，集成流水线在图像清晰度和检测可靠性方面均优于若干现有的去雾与质量评估技术，并在雾天条件下的检测准确率上超过了基线 YOLOv8。

对真实世界视觉系统的意义

简而言之，研究表明如果计算机先学习在雾天条件下什么样的图像质量是良好的，并在学习过程中采用经过优化的策略，它们在雾中识别目标的能力可以显著提升。通过结合雾感知特征、时间敏感的优化策略和经过调优的检测网络，所提出的系统在标准指标上显著提高了清晰度和检测得分。这种集成方法有望在天气最恶劣时，使未来的监控摄像头、驾驶辅助系统和遥感工具更安全、更可靠。

引用: Saini, A., Gill, N.S. & Gulia, P. Leveraging haze-aware features for improved image clarity and detection accuracy with an optimized DCNN-YOLOv8 network. Sci Rep 16, 14213 (2026). https://doi.org/10.1038/s41598-026-38265-5

关键词: 图像去雾, 目标检测, 深度学习, 雾中计算机视觉, YOLOv8