随着低空经济的快速发展和无人机技术的广泛应用，航拍图像已成为地理信息采集、环境监测、灾害救援等领域的重要数据源. 雾霾天气会严重降低图像质量，导致对比度下降、细节丢失和色彩偏移，从而影响目标检测和路径规划这些后续任务的准确性与可靠性. 研究高效的图像去雾算法，对于提升无人机航拍在复杂天气条件下的应用价值具有重要意义.

目前，学者们提出了多种图像去雾方法. 基于图像增强的去雾通过像素颜色调整改善视觉效果^[1]，如Retinex^[2-3]、直方图均衡方法^[4-6]、小波变换^[7]、同态滤波^[8]、对比度增强^[9]等，但由于缺乏对退化机理的建模，难以有效恢复被雾掩盖的细节. 基于物理模型的图像复原去雾方法以大气散射模型为基础^[10]，通过先验约束估计大气光值与透射率，逆向求解退化过程以复原图像. Tan等^[11]利用马尔科夫随机场（Markov random field，MRF）框架法计算透射率^[12]，Fattal^[13]等基于独立成分分析（independent component analysis，ICA）估计透射率. He等^[14]提出经典的暗通道先验（dark channel prior，DCP）方法，该方法在边缘保持和去雾效果上表现突出. Meng等^[15]通过固有边界约束与上下文正则化改进恢复质量，Zhu等^[16]提出颜色衰减先验法以提升效率. Hassan等^[17]利用超像素分割与滚动引导滤波修正透射率，金天虎等^[18]基于超像素阈值分割解决非暗通道区域颜色失真的问题，Kumari等^[19]结合暗通道先验与反锐化掩模提升结构一致性与视觉质量. 尽管上述方法在单幅图像去雾中取得一定的效果，但普遍存在雾残留与细节失真问题. 造成这些问题的根本原因是不同场景下的悬浮粒子、人造光照及暗背景光干扰，导致大气光值与透射率估计不准，模型鲁棒性不足^[20].

针对无人机航拍去雾的问题，本文引入像素级标签分配的思想，将去雾问题转化为大气光值和透射率的像素标签估计任务，提出基于加权图优化的大气光值自适应标签估计方法及基于多标签分配的透射率优化方法，以消除大气光值和透射率估算不准确带来的光晕效应和边缘模糊问题. 通过雾天图像复原模型，得到复原图像. 实验结果表明，所提方法在多种实际无人机航拍图像中均表现出良好的去雾效果，显著提高了图像的清晰度、色彩还原度，保留了边缘细节，同时消除了传统去雾方法中常见的色彩失真和光晕现象.

由于大气中悬浮粒子的吸收和物体本身的散射作用，采集到的图像出现严重降质. 通常使用大气散射物理模型来描述雾图的形成过程^[21-22]，即

(1)$ {I_c}({\boldsymbol{x}}) = {J_c}({\boldsymbol{x}})t({\boldsymbol{x}})+{A_c}[1 - t({\boldsymbol{x}})], $

(2)$ t({\boldsymbol{x}}) = {{\mathrm{exp}}\;({ - \beta d({\boldsymbol{x}})})}. $

式中：${{c}}$表示$ {r}、{g}、{b} $的颜色通道，${\boldsymbol{x}}$为图像像素点，${I_{{c}}}({\boldsymbol{x}})$为有雾图像中x点处的单通道值，${J_{{c}}}({\boldsymbol{x}})$为复原后的无雾图像中x点处的单通道值，${A_{{c}}}$为大气光值，$t({\boldsymbol{x}})$为大气透射率，$\beta $为雾浓度影响系数，$d\left( {\boldsymbol{x}} \right)$为场景景深.

对大气散射物理模型（见式(1)）进行变换后，可以得到去雾求解公式：

(3)$ {J_c}({\boldsymbol{x}}) = \frac{{{I_{{c}}}({\boldsymbol{x}}) - {A_{{c}}}}}{{t({\boldsymbol{x}})}}+{A_{{c}}}. $

式(3)为不定解方程，只有在已知${A_{{c}}}$和$t({\boldsymbol{x}})$先验信息的条件下，才可以利用${I_{{c}}}({\boldsymbol{x}})$求得${J_{{c}}}({\boldsymbol{x}})$.

He等^[14]通过对大量晴天无雾图像进行统计，提出暗通道先验去雾理论，即在某一局部区域内总存在一些像素的某一个颜色通道像素很小，接近于0，表示公式如下：

(4)$ J_\text{dark}({\boldsymbol{x}})=\min _{c \in\{r, g, b\}}\left(\min _{{\boldsymbol{y}} \in \varOmega({\boldsymbol{x}})}J_c({\boldsymbol{y}})\right) \rightarrow 0 . $

式中：${J_{c}}$为图像$J$的颜色通道，$\varOmega \left( {{{\boldsymbol{x}}}} \right)$表示以像素点$ {{\boldsymbol{x}}} $为中心的图像局部区域. 透射率公式表示如下：

(5)$ t({\boldsymbol{x}})=1-\theta \min _c\left(\min _{{\boldsymbol{y}} \in \varOmega({\boldsymbol{x}})}\left(\frac{I_{c}({\boldsymbol{y}})}{A_{c}}\right)\right). $

式中：$\theta \in (0,1.0)$，通常取0.95. 为了进一步提高透射率的空间一致性并减少计算量，He等^[23]采用导向滤波代替软抠图（soft matting）进行透射率细化，最终的去雾复原公式为

(6)$ J_c({\boldsymbol{x}}) = \frac{{I_c({\boldsymbol{x}}) - A_c}}{{\max \left\{ {t({\boldsymbol{x}}),{t_0}} \right\}}}+A_c. $

为了避免分母的透射率趋于0，设置下限${t_0}$防止公式无意义，一般${t_0}$取为0.1. 通过优化雾天图像的透射率和大气光值，利用暗通道先验算法可以更好地还原雾天模糊图像.

基于像素标签化的参数自适应去雾算法流程如图1所示. 通过分析图像的降质成因，建立像素级标签分配模型，用于估算大气光值和透射率的像素标签. 利用加权图优化方法自适应调整像素标签，提高大气光值的估计精度. 采用多标签分配优化透射率，消除光晕效应和边缘模糊. 将求得的大气光值和透射率代入雾天图像复原模型，恢复清晰图像.

传统暗通道先验（DCP）的大气光值估计算法表现良好，但在无人机航拍图像的特定应用中存在明显的局限性. DCP假设图像中存在无雾的暗色区域，而航拍图像往往缺乏此类区域，导致大气光值估计偏差. 为了提高估计精度，将每个像素的最大RGB分量作为亮度标签，以表征该像素的亮度特征. 由于大气光通常对应图像中的高亮区域，利用该方法可以有效地捕获亮度分布的特征. 与直接依赖暗色区域相比，利用该策略能够避免将阴影或噪声像素误识别为大气光值，从而显著地降低估计误差.

假设输入雾天航拍图像的大小为$m \times n \times 3$（${{N}} = m \times n$个像素，每个像素包含3个颜色通道），将图像中的每个像素点展开成$N \times 3$的矩阵${\boldsymbol{I}}$，以各像素的最大RGB分量值作为亮度标签，得到亮度向量${\boldsymbol{L}}$（大小为${{N}} \times 1$）. 向量${\boldsymbol{L}}$包含每个像素的亮度标签$ {l_i} $，

(7)$ {l_i} = {\rm{max}}\left\{ {{R_i},{G_i},{B_i}} \right\}. $

式中：${R_i}$、${G_i}$、${B_i}$分别为第$i$个像素的红色、绿色和蓝色分量.

为了使亮度标签更准确地反映图像的亮度结构并提高大气光估计的可靠性，采用基于加权图优化的迭代方法，对标签进行自适应更新. 将图像像素建模为图结构中的节点，相邻像素间的颜色相似性通过加权边表示. 通过构建权重矩阵${\boldsymbol{W}}$，在迭代优化过程中自适应调整亮度标签向量${\boldsymbol{L}}$，使亮度标签逐步收敛至与图像亮度分布一致，从而获得更精确的大气光估计结果.

为了充分捕获图像的局部空间关系，保留边缘细节并抑制噪声影响，在构建权重矩阵时引入8邻域偏移结构. 对于像素位置$\left( {u,v} \right)$，8邻域矩阵定义为

(8)$ \left[ {\begin{array}{*{20}{c}} {(u - 1,v - 1)}&{(u - 1,v)}&{(u - 1,v+1)}& \\ {(u,v - 1)}&{(u,v)}&{(u,v+1)}& \\ {(u+1,v - 1)}&{(u+1,v)}&{(u+1,v+1)}& \end{array}} \right]. $

定义偏移矩阵${\boldsymbol{\varDelta }}$来表示相邻像素的相对位置，对于8邻域的偏移量，通常用$2 \times 8$的偏移矩阵${\boldsymbol{\varDelta}} $表示，其中每个元素表示相邻像素相对于中心像素的坐标偏移.

(9)$ {\boldsymbol{\varDelta}} = \left[ {\begin{array}{*{20}{c}} { - 1}&1&0&0&{ - 1}&1&{ - 1}&1 \\ 0&0&{ - 1}&1&{ - 1}&{ - 1}&1&1 \end{array}} \right]. $

矩阵的每一列表示一个偏移量，通过图像中的某个像素坐标$\left( {u,v} \right)$和偏移矩阵${\boldsymbol{\varDelta}} $，可以计算邻域像素的坐标. 假设当前像素为$\left( {{u_i},{v_i}} \right)$，8邻域坐标$\left( {{{u}_{j}},{{v}_{j}}} \right)$可以通过下式表示：

(10)$ {u_j} = {u_i}+{\varDelta _{1,k}}, $

(11)$ {v_j} = {v_i}+{\varDelta _{2,k}}. $

式中：$ k=1,2,\cdots,8 $.

在确定邻域关系后，基于像素间的相似性来构造权重矩阵$\boldsymbol{W}$，对图像中的每个像素点进行加权处理. 图像大小为$m \times n$（共${{N}} = m \times n$个像素），只考虑像素的8邻域关系，绝大多数像素之间的权重为零，因此权重矩阵$\boldsymbol{W}$是${{N}} \times {{N}}$的稀疏矩阵. $\boldsymbol{W}$的形式如下：

(12)$ {\boldsymbol{W}} = \left[ {\begin{array}{*{20}{c}} {{\omega _{{11}}}}&{{\omega _{12}}}& \cdots &{{\omega _{1j}}} \\ {{\omega _{21}}}&{{\omega _{22}}}& \cdots &{{\omega _{2j}}} \\ \vdots & \vdots & & \vdots \\ {{\omega _{i{1}}}}&{{\omega _{i{2}}}}& \cdots &{{\omega _{ij}}} \end{array}} \right]. $

式中：${\omega _{ij}}$表示像素$i$和$j$之间的相似性（权重）. 若${\omega _{ij}} > 0$，则像素$i$和$j$为邻域像素，权重由它们的相似性计算得出；若${\omega _{ij}} = 0$，则像素$i$和$j$不是邻域像素.

为了在标签传播过程中实现颜色连续性和空间一致性的最优平衡，采用欧几里得距离来度量两像素在RGB颜色空间中的差异. 两像素的欧几里得距离较小，表示像素间的相似性较高. 根据欧几里得距离计算相似度，可以在权重矩阵中对相似区域赋予较大的权重，使得颜色相近的像素在标签更新过程中能够有效地传递标签值，从而保持颜色连续性并保证空间一致性，避免过度平滑或错误估计. 图像中每个像素与其8个邻域像素的权重${\omega _{ij}}$可按下式计算：

(13)$ {\omega _{ij}} = \text{exp}\left( { - \frac{{{{\left\| {{\boldsymbol{f}}({u_i},{v_i}) - {\boldsymbol{f}}({u_j},{v_j})} \right\|}_2}}}{{2{\sigma ^2}}}} \right), $

(14)$ \begin{gathered} {\left\| {{\boldsymbol{f}}({u_i},{v_i}) - {\boldsymbol{f}}({u_j},{v_j})} \right\|_2} = \\ \qquad \sqrt {{{\left( {{R_{i }}-{R_j}} \right)}^2}+{{\left( {{G_{i }}-{G_j}} \right)}^2}+{{\left( {{B_{i }}-{B_j}} \right)}^2}} , \\ \end{gathered} $

(15)$ \sigma = 0.1+0.2\sigma ({\boldsymbol{L}}), $

(16)$ \sigma ({\boldsymbol{L}}) = \sqrt {\frac{1}{{{N}}}\sum\limits_{i = 1}^{{N}} {({{l}}} _i - \mu {)^2}} . $

式中：${{\boldsymbol{f}}}({u_i},{v_i})$和${\boldsymbol{f}}({u_j},{v_j})$分别为像素$i$和其邻域像素$j$的颜色向量；${\left\| {{\boldsymbol{f}}({u_i},{v_i}) - {\boldsymbol{f}}({u_j},{v_j})} \right\|_2}$为用欧几里得距离度量2个像素在颜色空间中的相似度；$\sigma $为用于动态调整高斯核的标准差；常数项0.1是为了保证$\sigma $不会小于0.1；系数0.2用于调整图像标准差对$\sigma $的影响，决定了图像标准差对最终$\sigma $的贡献程度；标准差$ \sigma (\boldsymbol{L}) $用于衡量图像像素的离散程度或波动幅度；$\mu $为所有像素的均值.

通过权重矩阵对标签进行迭代更新，实现亮度标签的自适应调整. 标签更新的核心公式为

(17)$ {\boldsymbol{L}}^{(k+1)}=\frac{\boldsymbol{W}\times {\boldsymbol{L}}^{(k)}}{\boldsymbol{W}\times {\boldsymbol{1}}+\varepsilon \times{\boldsymbol{1}} }. $

式中：$\boldsymbol{W} \times {\boldsymbol{L}^{(k)}}$为权重矩阵$\boldsymbol{W}$与标签向量${\boldsymbol{L}^{(k)}}$的乘积，计算得到每个像素标签的加权和；${\boldsymbol{1}}$为全为1的列向量，其大小为${{N}} \times 1$，与标签向量${\boldsymbol{L}^{(k)}}$的维度相同；$\boldsymbol{W} \times {\boldsymbol{1}}$为权重矩阵每一行的权重和，表示邻域像素的权重总和；$ \varepsilon $为极小值，用于避免除以零的错误.

通过不断迭代更新标签，直到收敛或达到最大迭代次数为止，其中最大迭代次数${T} = 100[\ln {{N}}]$，如图2所示为大气光值估计的流程图. 在迭代完成后，大气光值${\boldsymbol{A}}$由下式估计：

(18)$ {\boldsymbol{A}}=\frac{1}{n}\sum_{i=1}^n {\boldsymbol{I}}_i. $

式中：n为亮度达到全局最大值的像素数量，${{\boldsymbol{I}}_i}$为图像中第$i$个像素的RGB三通道向量.

与传统方法相比（见图3），本文方法通过初始最大分量亮度标签保留了大气光的高亮特征，并利用8邻域权重矩阵约束标签传播方向，有效地抑制噪声干扰. 针对DCP在天空区域失效的问题（见图3(b)的矩形标注区域），通过引入颜色相似性权重与动态参数$\sigma $，在平滑区域内保持一致性，同时保留边缘细节，避免天空与地物交界处的大气光“弥散”误差（见图3(c)的矩形标注区域）. 在该示例图像上，本文方法在结构相似度（SSIM）和峰值信噪比（PSNR）指标上均表现出更优的结果. 其中，本文方法的SSIM 为0.877 2，高于传统 DCP 方法的0.680 6；PSNR 为19.728 2 dB，相比 DCP 方法的12.516 3 dB 有明显提升. 上述结果与视觉对比结果一致，表明本文方法能够在复杂场景下更好地保持结构信息并抑制噪声干扰.

在无人机航拍雾天图像中，采用传统DCP方法，在近远景交界处易产生光晕，导致边缘模糊. 为了解决该问题，提出基于多标签分配的透射率优化方法，以提高透射率估计的精度与边缘保持性.

将透射率的优化问题转化为多标签分配问题. 将每个像素${\boldsymbol{x}}$的透射率$t({\boldsymbol{x}})$视为标签值. 通过最小化能量函数$\varGamma (t)$，为每个像素确定最优透射率，实现精确的复原. 能量函数的定义如下：

(19)$ {\varGamma}(t)=\sum_{({\boldsymbol{x}}, {\boldsymbol{y}}) \in E} V_{{\boldsymbol{x}}, {\boldsymbol{y}}}(t({{\boldsymbol{x}}}), t({{\boldsymbol{y}}}))+\sum_{{\boldsymbol{x}} \in P} D_{\boldsymbol{x}}(t({{\boldsymbol{x}}})) . $

式中：P为所有像素的集合，E为相邻像素对的集合. 式（19）右侧的第1项为相似平滑项，确保相邻像素的透射率变化平滑. 式（19）右侧的第2项为边界约束项，用于保证透射率满足物理约束. 基于分段平滑的假设，即假设具有相似颜色的相邻像素具有相似的透射率，相似平滑项可以定义为

(20)$ {V_{{\boldsymbol{x}},{\boldsymbol{y}}}}\left( {{t({\boldsymbol{x}}}),{t({\boldsymbol{y}}}}) \right) = \frac{{|t({\boldsymbol{x}}) - t({\boldsymbol{y}})|}}{{\parallel I({\boldsymbol{x}}) - I({\boldsymbol{y}})\parallel _2^2}}. $

边界约束项依据DCP构建，由式(1)可得

(21)$ \frac{{{I_{c}}({\boldsymbol{x}})}}{{{A_c}}} = \frac{{{J_c}({\boldsymbol{x}})}}{{{A_c}}}t({\boldsymbol{x}})+1 - t({\boldsymbol{x}}). $

对所有颜色通道$c$取最小值，可得

(22)$ \min _c\left(\frac{I_c({\boldsymbol{x}})}{A_c}\right)=\min _c\left(\frac{J_c({\boldsymbol{x}})}{A_c}\right) t({\boldsymbol{x}})+1-t({\boldsymbol{x}}) . $

通过对透射率$t({\boldsymbol{x}})$进行求解，可得

(23)$ t({\boldsymbol{x}})=\dfrac{1-\mathop {\min }\limits_c\left(\dfrac{I_c({\boldsymbol{x}})}{A_c}\right)}{1-\mathop {\min }\limits_c\left(\dfrac{J_c({\boldsymbol{x}})}{A_c}\right)} .$

由于大气光的限制，$t({\boldsymbol{x}})$由图像亮度信息和大气光强度决定，确保透射率不会过低. 该下界由下式给出：

(24)$ t({\boldsymbol{x}}) \geqslant t_\text{LB}({\boldsymbol{x}})=1-\min _c\left(\frac{I_c({\boldsymbol{x}})}{A_c}\right). $

式中：$ t\mathrm{_{LB}}({\boldsymbol{x}}) $为每个像素的透射率下界. 对于满足$\mathop {\min }\nolimits_c J_c({\boldsymbol{z}})=0$的暗像素${\boldsymbol{z}}$，暗像素的透射率$t(z)$可以表示为

(25)$ t({\boldsymbol{z}})=1-\min _c\left(\frac{I_c({\boldsymbol{x}})}{A_c}\right) .$

根据暗通道先验可知，图像中的某些像素（尤其是背景区域）必定是暗像素，但在实际的有雾图像中，这些暗像素不明显. 对于任何不满足$\mathop {\min }\nolimits_c J_c({\boldsymbol{x}})=0$的像素，都可以视为被薄雾覆盖的暗像素. 为了处理这种不确定性，将图像中的所有像素视为潜在的暗像素，即在某种程度上保留了所有可能性. 当处理某个像素${\boldsymbol{x}}$时，假设其邻域区域${{\varOmega }}({\boldsymbol{x}})$中存在至少一个暗像素${\boldsymbol{z}}$，且该暗像素${\boldsymbol{z}}$与像素${\boldsymbol{x}}$具有相同的透射率，即

(26)$ t({\boldsymbol{z}}) = t({\boldsymbol{x}}) = {t_\text{LB}}({\boldsymbol{z}}). $

基于这一假设，可以推导出在邻域${{\varOmega }}({\boldsymbol{x}})$中的每个像素的透射率下界，并将这些下界作为$t({\boldsymbol{x}})$的候选值. 结合透射率下界的约束，定义每个像素${\boldsymbol{x}}$的标签集$L({\boldsymbol{x}})$，这个标签集包含所有可能的透射率$t({\boldsymbol{x}})$下限候选值.

(27)$ L({\boldsymbol{x}}) = \left\{ {{t_{{\rm{LB}}}}({\boldsymbol{y}})\mid {t_{{\rm{LB}}}}({\boldsymbol{y}}) < {t_{{\rm{LB}}}}({\boldsymbol{x}}),\; {\boldsymbol{y}} \in \varOmega ({\boldsymbol{x}})} \right\}. $

根据He等^[14]的研究可知，若采用局部常数假设，则标签集$L({\boldsymbol{x}})$将不再包含所有可能的透射率下界，而是取邻域${{\varOmega }}({\boldsymbol{x}})$中的最大透射率下界，即

(28)$ L({\boldsymbol{x}})=\max _{{\boldsymbol{y}} \in \varOmega({\boldsymbol{x}})} t_\text{LB}({\boldsymbol{y}}) . $

局部常数假设可能导致块效应（blocky artifacts），而本文方法保留了更多的可能性，避免了该问题. 基于标签集的定义，边界约束项为

(29)$ {D_{\boldsymbol{x}}}(t({{\boldsymbol{x}}})) = \left\{ {\begin{array}{*{20}{c}} 0,&t({\boldsymbol{x}}) \in L({\boldsymbol{x}}); \\ \infty ,&t({\boldsymbol{x}}) \notin L({\boldsymbol{x}}). \end{array}} \right. $

为了抑制伪影并改善透射率平滑性，对初步结果进行正则化，能量函数如下：

(30)$ \varGamma(t)=\sum_{\boldsymbol{x}} \sum_{\boldsymbol{y}} \frac{|t({\boldsymbol{x}})-t({\boldsymbol{y}})|}{\|I({\boldsymbol{x}})-I({\boldsymbol{y}})\|_2^2}+ \lambda \sum_{\boldsymbol{x}}\left[t({\boldsymbol{x}})-\tilde{t}({\boldsymbol{x}})\right]^2.$

式中：$\tilde t({\boldsymbol{x}})$为初始透射率估计；$\lambda $为正则化参数，控制平滑强度，本文设定$\lambda = 0.02$. 通过优化式（30），问题可以转化为稀疏线性系统. 采用高效数值方法求解，得到平滑且边缘保持的透射率分布.

如图4所示，DCP方法的透射率图能够反映场景深度的变化，但在平滑区域易产生与真实结构无关的纹理噪声，影响透射率的估计精度. 本文方法通过多标签分配抑制纹理干扰，显著降低误差，使透射率估计更平滑自然，从而获得更清晰、色彩更真实的复原图像.

主观评价通过人眼观察，对恢复图像的视觉质量进行评估. 直方图均衡化^[3]通过调整灰度分布，增强图像的对比度. Retinex方法^[6]基于光照分量估计，提升视觉亮度. He等^[14]提出的暗通道先验（DCP）方法为当前主流的基于物理模型的去雾算法. Meng等^[15]引入固有边界约束与上下文正则化，实现图像复原. 为了验证本文算法的有效性，选取山区与街区的典型浓雾图像（大小为490×490）进行去雾处理，并与上述方法进行对比，部分结果如图5所示.

从对比结果可见，在色彩还原方面，直方图均衡化与Retinex方法由于全局对比度调整，导致色域压缩与灰度化现象，山区植被区域色彩失真，街区建筑表面纹理因对比度过度拉伸而丢失. He方法受暗通道物理约束的影响，在复杂场景中易出现过度去雾的现象，矩形标注区域中的山林亮度异常降低，建筑轮廓出现锯齿状边缘. Meng方法对正则化参数敏感，易产生色度偏移与光晕伪影，浓雾区域透射率的估计误差显著，在街区场景中建筑边界出现泛白的现象. 在细节恢复方面，直方图均衡化方法破坏原始灰度的分布，导致纹理信息丢失，去雾后存在一定程度的雾气残留. Retinex方法在低能见度的条件下易出现光晕伪影，在山区浓雾环境下的去雾效果较差，几乎无法去除雾气，而在街区浓雾场景中，雾气较明显. He方法因存在块效应，导致街区场景中的建筑边界模糊. Meng方法的透射率平滑不足，浓雾区域出现明显的光晕. 相比之下，本文方法基于加权图优化实现大气光值的自适应估计，使得高亮区域的像素标签更具有鲁棒性，避免了色偏与亮度异常的问题. 采用多标签分配的透射率优化策略在平滑透射率的同时，有效保持了边缘信息，显著减少了边界模糊. 实验结果表明，本文方法在山区浓雾环境下能够清晰地保持山体轮廓，在街区场景中增强建筑细节与色彩自然度，验证了本文方法在复杂场景下的鲁棒性与泛化能力.

为了进一步验证本文算法的鲁棒性和泛化能力，从HazyDet数据集中选取6张典型测试图像（a1~a6，尺寸为1 360×765）. 该数据集为无人机视觉任务构建的大规模真实雾天图像集，涵盖城市街道、高速公路及建筑区域等多种典型场景. 测试图像包括夜间含雾图像（a1~a3，对应图6）与白天含雾图像（a4~a6，对应图7），包含不同深度与光照条件下的近景与远景目标. 结果表明，所提方法在多种成像条件下均能实现稳定的去雾效果，具有良好的适应性与鲁棒性.

从图6、7可见，本文算法在白天与夜晚场景下的去雾效果均明显优于He方法与Meng方法. 在夜间场景中，利用He方法去雾后，图像层次感不足，亮度偏低且存在明显的失真（见图6中的b2、b3），行人和建筑细节丢失严重. Meng方法在亮度与色彩对比度方面有所改善，但在近远交界区域出现光晕伪影、边缘信息模糊（见图6中的c1、c2）的现象. 在白天场景中，He方法在暗通道区域的去雾效果较好，但整体亮度偏暗，细节损失明显；高亮区域出现过度饱和，导致色彩失真（见图7中的b4、b5）. 在高亮区域出现了过度饱和的现象，导致色彩失真. Meng方法在视觉亮度上略有提升，但建筑表面存在色块不均的问题，如图7中的c4所示，整体去雾效果不理想.

相比之下，本文方法在白天与夜晚环境下均能保持较高的色彩保真度和亮度平衡，有效抑制光晕效应和边缘模糊，能够在浓雾区域恢复更多的细节. 总体而言，所提算法的去雾效果更加自然清晰，图像层次感和视觉质量显著提升.

为了客观地评价去雾效果，将所提算法与He方法、Meng方法进行实验对比. 采用图像信息熵（information entropy，IE）^[24]、平均梯度（average gradient，AG）^[25]、结构相似度（structure similarity index measure，SSIM）^[26]以及峰值信噪比（peak signal-to-noise ratio，PSNR）^[27]4项指标，对图6、7的去雾结果进行量化分析.

表1给出3种方法在各测试图像上的评价指标对比. 其中，黑体数据表示各项评价指标中的最优结果. 从结果可见，本文方法在大多数指标上取得最佳表现，在少数情况下略低于Meng方法. 具体而言，在IE指标上，本文方法在a1图像中的IE为6.809 2，较He方法提升明显，虽然略低于Meng方法，但后者存在光晕伪影及局部对比度不均的问题，影响整体的视觉质量. 在AG指标方面，本文方法表现突出，例如在图a2中，AG达到11.907 1 dB，显著优于He方法和Meng方法；在图a4、a5中，AG进一步提升，表明算法能够有效地增强图像细节与亮度. 在SSIM指标方面，尽管在图a3中略低于He方法，但本文通过多标签分配优化透射率，使估计结果更平滑，显著减少边缘锐度损失并提升结构一致性. 在图a4、a5中，SSIM明显高于He方法，说明本文算法在结构保持与细节恢复方面优势突出. 在PSNR指标上，本文方法整体优于其他方法. 例如，在图a1中PSNR达到21.437 1 dB，高于Meng方法；在图a2、a4中取得最优值，表明算法能够有效地抑制噪声并恢复更高质量的图像. 以典型图像a4为例，与He方法和Meng方法相比，本文方法的IE分别提升了17.03%和5.83%， AG分别提升了34.12%和21.18%，SSIM分别提升了68.68%和14.79%，PSNR分别提升了72.90%和7.71%.

综上所述，本文算法在IE、AG、SSIM和PSNR等指标上优于传统去雾方法，有效提升了去雾图像的亮度和细节恢复质量，更准确地去除了大气散射效应，同时保持了图像结构的一致性. 实验结果表明，本文方法在不同场景下均展现出较强的鲁棒性与泛化能力.

本文针对无人机航拍图像在雾霾天气下成像质量下降的问题，提出基于像素级标签分配的图像去雾算法. 该方法通过亮度标签估计大气光值并结合加权图优化，实现了大气光值的自适应估计. 将透射率估计建模为多标签分配问题，融合暗通道先验与邻域约束，有效提升了透射率估计的准确性. 实验结果表明，所提算法在不同光照与雾浓度条件下均表现出优异的去雾效果，显著提高了图像清晰度和色彩还原度. 未来将进一步研究算法的实时性与轻量化实现，以满足无人机端侧设备的实际应用需求.