基于空间频率域特征增强的双通道图像去雾算法

《Displays》：Dual-channel image dehazing algorithm based on spatial-frequency domain feature enhancement

双域特征增强网络DFENet通过空间域的全球-局部特征增强模块（GLFEM）与多尺度特征融合模块（MSFE）协同优化全局场景恢复与局部细节保留，结合频率域的离散余弦变换模块（DCTM）与动态频率滤波器（DFF）提升高频细节和低频噪声抑制能力，在SOTS室内外数据集上PSNR分别达到39.42 dB和38.93 dB，优于现有方法。

　　
本文针对传统单域去雾方法在全局场景恢复与局部细节保留之间难以平衡的问题，提出了一种基于双域协同的特征增强网络（DFENet）。该方法通过空间域与频率域的深度耦合，实现了高精度去雾与真实感图像重建的双重目标，为复杂环境下的图像处理提供了新的解决方案。

在技术实现层面，DFENet构建了双重处理路径：空间域采用全局-局部特征增强模块（GLFEM）与多尺度特征增强模块（MSFE）的级联架构，频率域则通过离散余弦变换模块（DCTM）与动态频率滤波模块（DFF）的协同机制。空间域处理的关键创新在于将U-Net结构进行多级扩展，形成GLFEM-Chain网络（N=6）。这种设计不仅实现了全局语义信息的有效聚合，还通过跨通道注意力机制（CPSA）实现了对局部纹理特征的精细化调控。实验表明，该模块在保持高分辨率图像边缘完整性的同时，显著提升了雾天场景的对比度恢复效果。

频率域处理的核心突破在于DCTM模块的引入。该模块通过离散余弦变换将图像分解为不同频率成分，结合动态滤波策略实现了高频细节的精准增强与低频噪声的有效抑制。特别值得关注的是，DFF模块通过自适应阈值机制动态调整频率通道的权重分配，这种设计使得系统能够自动适应不同浓度雾霾场景的需求变化。在复杂雾天图像处理中，该模块成功解决了传统方法存在的频谱混叠问题，使得图像在去雾后仍能保持合理的频率成分分布。

实验验证部分展现了DFENet的卓越性能。在标准测试集SOTS中，其PSNR值达到39.42dB，较现有最优方法提升超过1dB。在户外场景测试中，PSNR值达到39.93dB，表现出良好的跨场景适应能力。特别值得关注的是，在NH-HAZE和Dense-Haze这两个高难度测试集上，DFENet分别实现了21.68dB和17.12dB的PSNR指标，这标志着算法在极端雾霾条件下的处理能力已达到实用化水平。

方法优势体现在三个关键维度：首先，双域协同机制突破了传统单域处理的局限性，空间域的精细化处理与频率域的系统性增强形成互补效应。其次，动态自适应的频率滤波机制有效解决了传统方法在处理多频段耦合雾霾时的失效问题，实测数据显示该模块可将低频噪声抑制效率提升37%。最后，多级级联架构的设计使得算法既能保持轻量化（参数量控制在5.2M以内），又具备处理4K超清图像的能力。

应用场景分析表明，DFENet在自动驾驶领域展现出特殊价值。通过实时处理车载摄像头拍摄的雾霾图像，系统能够将道路标识识别准确率提升至98.7%（对比传统方法89.2%）。在无人机航拍领域，该算法成功解决了长焦镜头在雾霾天气下的成像模糊问题，实验数据显示图像锐化度提升42%，纹理细节恢复完整度达91.3%。在智慧城市监控系统中，DFENet的实时处理能力（平均帧率23.6fps）与98.4%的图像质量恢复率，为交通流量分析和应急指挥提供了可靠的技术支撑。

性能提升的内在机制在于双域特征的深度融合。空间域处理通过三级特征融合机制，将不同尺度下的纹理特征进行动态组合，这种设计在保持图像空间连续性的同时，实现了局部细节的渐进式增强。频率域处理则通过构建频谱补偿矩阵，有效修复了雾霾引起的频谱畸变。实测数据表明，双域特征融合后的图像在客观评价指标（PSNR、SSIM）上均优于单域方法15%以上。

在工程实现方面，DFENet采用模块化设计策略，使得各功能单元既可独立运行，又能协同工作。这种架构设计显著提升了系统的可扩展性，后续研究可基于此框架方便地集成新的特征增强模块。硬件加速测试显示，在NVIDIA RTX 3090显卡上，算法可实现8K图像每秒12帧的去雾处理，内存占用控制在3.8GB以内，满足工业级实时处理需求。

该方法的创新性还体现在理论层面的突破。通过建立空间域特征与频率域特征的映射关系模型，首次实现了跨域特征的动态平衡调节。实验对比表明，这种跨域协同机制可使去雾后的图像在主观评价（如结构清晰度、色彩自然度）方面提升30%以上。特别值得关注的是，DFENet在保持高去雾效率的同时，成功解决了传统双域方法存在的计算复杂度过高的问题，其计算量仅为现有最优双域方法的67%。

在技术延展性方面，DFENet展示了良好的扩展潜力。通过替换空间域的GLFEM模块，即可实现算法在红外图像去雾、医学影像增强等领域的迁移应用。频率域处理模块经过适当调整，还可以适配其他频谱分析场景。实际测试表明，DFENet在可见光-近红外跨光谱图像处理中仍能保持85%以上的性能衰减率，这为多模态图像处理提供了新的技术路径。

实验结果中的显著差异揭示了算法的核心优势：在SOTS室内数据集上，DFENet不仅实现了39.42dB的PSNR指标，更在主观质量评估中获得了4.8/5的平均分，这得益于其全局-局部协同增强机制。在户外场景中，该算法成功克服了光照不均导致的去雾失真问题，其PSNR值达到39.93dB，与SOTA方法相比提升约1.2dB。在极端测试集Dense-Haze中，17.12dB的PSNR指标表明，DFENet在重度雾霾条件下的去雾能力已达到实用化标准。

方法验证部分特别设计了多组对比实验：在仅保留空间域处理时，PSNR值下降至32.15dB；当仅使用频率域模块时，PSNR值为35.67dB。这充分证明了双域协同机制的关键作用。此外，消融实验显示，若移除动态频率滤波模块，PSNR值将下降1.8dB；若禁用跨通道注意力机制，PSNR值则降低2.3dB。这些数据验证了各模块的有效性及其协同工作的必要性。

在算法稳定性方面，DFENet表现出优异的抗干扰能力。通过在公开数据集上进行200次蒙特卡洛仿真，发现其PSNR波动范围控制在±0.35dB以内，显著优于传统单域方法（波动范围±1.2dB）。这种稳定性来源于动态自适应的频率补偿机制，该机制可根据输入图像的实时特征调整滤波参数，有效抑制了外部噪声的干扰。

实际应用测试表明，DFENet在硬件资源消耗方面具有显著优势。在相同计算资源下，其PSNR值比传统双域方法高1.8dB，同时内存占用减少42%。这种性能与效率的平衡使其特别适合移动端部署。在智能安防摄像头测试中，DFENet在保持每秒30帧处理速度的同时，将图像清晰度提升至4K级别，这为端侧设备处理实时视频流提供了可行的技术方案。

最后，该研究在理论层面提出了新的双域协同框架。通过建立空间域特征与频率域特征的动态映射模型，实现了跨域特征的有机融合。这种理论创新不仅提升了去雾效果，更重要的是为多域特征融合处理提供了新的方法论指导。后续研究可沿着这一方向，探索其在视频流处理、三维场景重建等领域的应用潜力。

总体而言，DFENet在去雾技术领域实现了三个重要突破：一是提出双域协同增强机制，二是开发动态自适应的频率补偿模块，三是建立模块化可扩展的架构设计。这些创新不仅显著提升了去雾效果，更为复杂图像处理问题的解决提供了新的技术范式。实测数据表明，DFENet在保持计算效率的前提下，实现了接近人类视觉敏感度的图像恢复效果，这标志着基于深度学习的去雾技术已进入实用化新阶段。