首页/资讯中心/详情

基于C++与OpenCV的改进暗通道去雾算法：原理、实现与优化

基于C++与OpenCV的改进暗通道去雾算法：原理、实现与优化
📅 发布时间：2026/7/24 10:40:31

1. 项目概述：从“雾里看花”到“拨云见日”

在计算机视觉和图像处理领域，图像去雾一直是个经典又棘手的难题。无论是自动驾驶系统需要看清雨雾中的路况，还是安防监控需要在恶劣天气下识别目标，甚至是普通用户想修复一张雾蒙蒙的旅行照片，都离不开有效的去雾技术。传统的图像增强方法往往治标不治本，而基于物理模型的去雾算法，尤其是何恺明博士在2009年提出的暗通道先验（Dark Channel Prior）算法，为我们打开了一扇新的大门。它不再只是简单地调高对比度，而是尝试从物理层面估算出雾的浓度，从而恢复出清晰的原始图像，效果堪称惊艳。

然而，经典的暗通道去雾算法在实际应用中并非完美。它有几个明显的痛点：首先，算法在处理天空等大面积明亮区域时容易产生光晕和颜色失真，因为天空本身就不符合暗通道先验的假设；其次，透射率的估算依赖于一个固定的窗口大小，对于景深突变的边缘区域（比如建筑物与天空的交界处），去雾后容易产生“块效应”或边缘残留雾感；最后，整个算法的计算复杂度不低，尤其是在需要处理高清视频流时，实时性是个挑战。

因此，一个“改进的暗通道去雾算法”项目，其核心价值不言而喻。它不仅仅是实现一个经典算法，更是要针对上述痛点进行外科手术式的优化。用C++来实现这个项目，则赋予了它另一层意义：C++以其卓越的运行效率和硬件控制能力，是高性能图像处理的首选语言。结合OpenCV这样的开源视觉库，我们能够在算法层面进行深度定制和优化，最终实现一个既在效果上超越原版，又在速度上满足实际工程需求的去雾工具。这个项目非常适合有一定C++和图像处理基础，并希望深入理解经典算法及其优化思路的开发者。

2. 算法核心原理与改进思路拆解

要理解如何改进，必须先吃透经典暗通道去雾算法的核心思想。它的理论基础非常直观：在绝大多数户外的无雾清晰图像中，每一个局部区域（比如一个15x15的小块）内，至少有一个颜色通道（R, G, B）的像素值非常低，甚至接近于0。这个最低值就被称为该区域的“暗通道”。雾的存在就像是给图像叠加了一层白色的“幕布”，它会让图像的暗通道值变高，图像整体发白、对比度下降。

基于这个观察，算法建立了一个简化的雾天成像模型：I(x) = J(x) * t(x) + A * (1 - t(x))。这里，I(x)是我们看到的带雾图像，J(x)是我们想求得的清晰图像，t(x)是透射率（描述光线能穿透雾的比例，0到1之间），A是全球大气光值（可以理解为无穷远处雾的颜色，通常接近白色）。去雾的目标，就是从已知的I(x)中，估算出t(x)和A，然后反解出J(x)。

经典算法的步骤可以概括为：1. 求输入图像的暗通道图；2. 从暗通道图中估计全局大气光A（通常取暗通道图中最亮的前0.1%像素对应原图中的像素值的平均值）；3. 根据暗通道和大气光A，初步估算透射率t(x)；4. 对初步估算的透射率图进行引导滤波（Guided Filter）等操作进行细化，以保持边缘；5. 将A和细化后的t(x)代入模型，恢复出清晰图像J(x)，同时为了避免除以零，会给t(x)设置一个下限（如0.1）。

我们的改进主要围绕第3和第4步，即透射率的估算与优化：

2.1 自适应窗口的暗通道计算经典算法使用固定大小的窗口（如15x15）来求取局部暗通道。这在物体边缘处会出问题：窗口可能横跨前景和背景（如树木和天空），导致计算出的暗通道值不准确，进而使估算的透射率在边缘处发生突变，产生光晕。改进思路是采用自适应窗口，或者结合图像边缘信息。一种实用的方法是，先对图像进行简单的超像素分割（如SLIC算法），然后在每个超像素内部计算暗通道。因为超像素内部颜色和深度相对一致，这样得到的暗通道图更能准确反映局部特性，尤其是在边缘区域。

2.2 天空区域的检测与特殊处理天空区域是暗通道先验的“克星”。因为天空本身就很亮，其暗通道值很高，算法会误认为这里有浓雾，从而过度补偿，导致恢复出的天空区域颜色发暗、甚至出现色斑。改进方法是引入一个天空区域检测模块。我们可以利用天空的颜色特征（高亮度、低饱和度、蓝色调）和位置特征（通常位于图像上方）进行粗略检测。对于检测出的天空区域，不再严格使用暗通道先验来估算透射率，而是采用一个更高的透射率下限值，或者直接使用一个根据经验设定的较大恒定值（如0.8），表示认为天空区域雾很薄，避免过度去雾。

2.3 透射率图的联合优化滤波引导滤波虽然能保边，但有时在纹理复杂的区域平滑力度不够，还是会有噪声。我们可以考虑使用更先进的滤波器，比如加权最小二乘滤波器（WLS），它在平滑的同时能更好地保持主要边缘。更进一步，可以引入一种联合优化框架：将透射率图的优化建模为一个最小化能量函数的问题。这个能量函数包含两项：数据项（要求优化后的透射率与初始估算值尽量接近）和平滑项（要求透射率在空间上变化平缓，但在图像边缘处可以突变）。通过调整两项的权重，我们可以更精细地控制透射率图的平滑程度与边缘保持能力。

2.4 大气光值的鲁棒估计经典方法选取暗通道最亮像素来估计A，容易受到图像中白色物体（如车、建筑）的干扰。改进方法可以结合聚类思想。例如，我们可以将图像转换到LAB颜色空间，在亮度L通道较高的像素中，使用K-means对颜色进行聚类，选取那个包含像素最多且颜色最接近“白色”或“灰色”的簇的中心作为A。这种方法对图像中的白色物体干扰有更好的鲁棒性。

3. C++实现环境搭建与核心类设计

工欲善其事，必先利其器。一个清晰的项目结构和高效的编码环境是成功的第一步。我们选择使用VSCode作为代码编辑器，配合CMake进行项目构建，这比直接在Visual Studio里创建项目更加灵活和跨平台。

3.1 开发环境配置要点首先，你需要安装好C++编译环境（如MinGW-w64或MSVC）和CMake。接着是核心依赖库OpenCV的安装。建议从OpenCV官网下载预编译好的库，或者自己用CMake编译。重点在于环境变量的配置：确保OpenCV的bin目录（包含DLL文件）添加到系统的PATH环境变量中，否则程序运行时可能会提示找不到opencv_worldxxx.dll。在VSCode中，你需要配置两个关键文件：CMakeLists.txt和.vscode文件夹下的c_cpp_properties.json、tasks.json、launch.json。CMakeLists.txt是构建脚本，用于告诉CMake如何找到OpenCV库并编译你的项目；而json配置文件则分别用于智能提示、构建任务和调试。

注意：很多新手在配置VSCode的C++环境时，会在c_cpp_properties.json的includePath里添加OpenCV的头文件路径，这解决了代码跳转和提示问题。但更关键的一步是在CMakeLists.txt中正确使用find_package(OpenCV REQUIRED)和target_link_libraries(your_target ${OpenCV_LIBS})，这才是确保编译和链接成功的根本。

3.2 项目类结构设计良好的设计能让你后续的算法调试和优化事半功倍。建议将整个去雾流程封装进一个核心类，例如叫做ImprovedDehazer。

// Dehazer.h #pragma once #include <opencv2/opencv.hpp> class ImprovedDehazer { public: ImprovedDehazer(); ~ImprovedDehazer(); // 主接口：输入带雾图像，返回去雾结果 cv::Mat dehaze(const cv::Mat& src); // 可调参数设置接口 void setPatchSize(int size); // 暗通道计算窗口大小 void setOmega(float omega); // 保留雾程度的参数，通常0.95 void setT0(float t0); // 透射率下限，防止除零，通常0.1 void setUseAdaptiveWindow(bool flag); // 是否使用自适应窗口 void setSkyRegionEnabled(bool flag); // 是否启用天空区域处理 private: // 内部核心处理函数 cv::Mat calculateDarkChannel(const cv::Mat& src, int patchSize); cv::Vec3b estimateAtmosphericLight(const cv::Mat& src, const cv::Mat& darkChannel); cv::Mat estimateTransmission(const cv::Mat& src, const cv::Mat& darkChannel, const cv::Vec3b& A); cv::Mat refineTransmission(const cv::Mat& src, const cv::Mat& transmission); cv::Mat recoverScene(const cv::Mat& src, const cv::Mat& transmission, const cv::Vec3b& A); // 改进算法相关的函数 cv::Mat calculateDarkChannelAdaptive(const cv::Mat& src); cv::Mat detectSkyRegion(const cv::Mat& src); void applySkyRegionConstraint(cv::Mat& transmission, const cv::Mat& skyMask); // 成员变量，存储参数和中间结果 int m_patchSize; float m_omega; float m_t0; bool m_useAdaptive; bool m_handleSky; };

这样的设计将算法的各个步骤模块化，dehaze函数作为总入口，内部依次调用各个私有函数。参数通过setter函数暴露，方便后续调参优化。私有函数对应算法的每个关键阶段，并且包含了我们计划实现的改进点（自适应暗通道calculateDarkChannelAdaptive和天空检测detectSkyRegion）。

4. 核心模块的C++实现与代码解析

接下来，我们深入每个核心模块，看看如何用C++和OpenCV高效地实现它们。这里会包含大量的代码细节和性能考量。

4.1 暗通道计算的高效实现计算暗通道本质上是求每个像素邻域内三个通道的最小值，然后再在所有像素中取这个最小值。最直观的方法是使用双重循环，但效率极低。我们可以利用OpenCV的cv::erode函数（腐蚀操作）来高效实现。腐蚀操作恰好能取邻域内的最小值。

cv::Mat ImprovedDehazer::calculateDarkChannel(const cv::Mat& src, int patchSize) { if (src.empty()) return cv::Mat(); cv::Mat darkChannel; // 分离BGR通道 std::vector<cv::Mat> channels(3); cv::split(src, channels); // 对每个通道进行最小值滤波（腐蚀） cv::Mat minChannel; cv::min(channels[0], channels[1], minChannel); cv::min(minChannel, channels[2], minChannel); // 使用矩形结构元素进行腐蚀，得到局部最小值 cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(patchSize, patchSize)); cv::erode(minChannel, darkChannel, kernel); return darkChannel; }

对于自适应窗口的改进版本，我们可以先使用OpenCV的ximgproc模块中的createSuperpixelSLIC函数生成超像素，然后遍历每个超像素，在其轮廓内求取原始图像像素的最小值。虽然计算量比固定窗口大，但边缘处的透射率估算质量会显著提升。

4.2 大气光值的鲁棒估计实现经典方法直接取暗通道最亮的0.1%像素，我们来实现一个更鲁棒的聚类方法。

cv::Vec3b ImprovedDehazer::estimateAtmosphericLight(const cv::Mat& src, const cv::Mat& darkChannel) { int numPixels = darkChannel.rows * darkChannel.cols; int sampleStep = std::max(1, numPixels / 1000); // 采样，避免处理所有像素 std::vector<cv::Vec3b> candidatePixels; // 1. 找到暗通道中前0.1%最亮的像素位置（作为候选） cv::Mat flatDark = darkChannel.reshape(1, 1); cv::Mat sortedIdx; cv::sortIdx(flatDark, sortedIdx, cv::SORT_EVERY_ROW + cv::SORT_DESCENDING); int topNum = std::max(1, static_cast<int>(numPixels * 0.001)); for (int i = 0; i < topNum; i += sampleStep) { int idx = sortedIdx.at<int>(0, i); int r = idx / darkChannel.cols; int c = idx % darkChannel.cols; candidatePixels.push_back(src.at<cv::Vec3b>(r, c)); } // 2. 将候选像素从BGR转换到LAB颜色空间 cv::Mat candidateMat(candidatePixels); candidateMat = candidateMat.reshape(3, candidatePixels.size()); cv::Mat labMat; cv::cvtColor(candidateMat, labMat, cv::COLOR_BGR2Lab); // 3. 简单的亮度筛选和颜色平均（简化版聚类） // 取LAB中L通道较高的那一部分候选像素 std::vector<cv::Vec3b> brightCandidates; for (int i = 0; i < labMat.rows; ++i) { if (labMat.at<cv::Vec3b>(i, 0) > 200) { // L通道阈值 brightCandidates.push_back(candidatePixels[i]); } } if (brightCandidates.empty()) { brightCandidates = candidatePixels; // 回退 } // 4. 计算这些像素的平均值作为大气光A cv::Scalar meanA = cv::mean(brightCandidates); return cv::Vec3b(static_cast<uchar>(meanA[0]), static_cast<uchar>(meanA[1]), static_cast<uchar>(meanA[2])); }

这个实现是一个简化版本，完整的K-means聚类会更鲁棒，但计算量也更大。在实际应用中，这个简化版通常已经能取得比原始方法更好的效果，尤其是当图像中有白色物体时。

4.3 透射率估算与引导滤波优化初步透射率根据公式t(x) = 1 - omega * min_c( min_{y in Omega(x)} (I^c(y) / A^c) )计算。注意这里用omega（通常0.95）保留少量雾感，让图像看起来更自然。

cv::Mat ImprovedDehazer::estimateTransmission(const cv::Mat& src, const cv::Mat& darkChannel, const cv::Vec3b& A) { cv::Mat transmission(src.rows, src.cols, CV_32FC1); // 透射率是浮点数 float omega = m_omega; float aAvg = (A[0] + A[1] + A[2]) / 3.0f / 255.0f; // 归一化 for (int r = 0; r < src.rows; ++r) { for (int c = 0; c < src.cols; ++c) { // 归一化的暗通道值 float darkVal = darkChannel.at<uchar>(r, c) / 255.0f; // 估算透射率 float t = 1.0f - omega * darkVal / aAvg; // 施加下限，防止t过小导致恢复的图像噪声放大 transmission.at<float>(r, c) = std::max(t, m_t0); } } // 调用透射率细化函数 return refineTransmission(src, transmission); } cv::Mat ImprovedDehazer::refineTransmission(const cv::Mat& guide, const cv::Mat& transmission) { cv::Mat refined; // 使用引导滤波，guide是原图的灰度图，作为引导图像 cv::Mat guideGray; cv::cvtColor(guide, guideGray, cv::COLOR_BGR2GRAY); guideGray.convertTo(guideGray, CV_32FC1, 1.0/255.0); // OpenCV的引导滤波 cv::ximgproc::guidedFilter(guideGray, transmission, refined, 60, 0.01); return refined; }

引导滤波的参数（半径60，正则化参数0.01）需要根据图像分辨率调整。半径越大越平滑，但边缘可能模糊；正则化参数越小，对引导图像的跟随越紧密。

4.4 图像恢复与后处理最后一步是根据物理模型恢复清晰图像：J(x) = (I(x) - A) / max(t(x), t0) + A。这里必须注意数据类型转换和数值范围裁剪。

cv::Mat ImprovedDehazer::recoverScene(const cv::Mat& src, const cv::Mat& transmission, const cv::Vec3b& A) { cv::Mat dst(src.size(), src.type()); float t0 = m_t0; float aB = A[0] / 255.0f; float aG = A[1] / 255.0f; float aR = A[2] / 255.0f; for (int r = 0; r < src.rows; ++r) { for (int c = 0; c < src.cols; ++c) { cv::Vec3b srcPixel = src.at<cv::Vec3b>(r, c); float t = transmission.at<float>(r, c); t = std::max(t, t0); // 再次确保不小于t0 float dstB = (srcPixel[0]/255.0f - aB) / t + aB; float dstG = (srcPixel[1]/255.0f - aG) / t + aG; float dstR = (srcPixel[2]/255.0f - aR) / t + aR; // 将结果限制在[0,1]范围内，并转换回uchar dst.at<cv::Vec3b>(r, c)[0] = cv::saturate_cast<uchar>(dstB * 255); dst.at<cv::Vec3b>(r, c)[1] = cv::saturate_cast<uchar>(dstG * 255); dst.at<cv::Vec3b>(r, c)[2] = cv::saturate_cast<uchar>(dstR * 255); } } // 可选：对恢复的图像进行轻微的自动对比度拉伸，使结果更悦目 // cv::normalize(dst, dst, 0, 255, cv::NORM_MINMAX); return dst; }

5. 改进策略的集成与效果对比

将前面讨论的改进点集成到主流程中，是项目从“能用”到“好用”的关键。我们重点实现自适应窗口和天空区域处理。

5.1 自适应暗通道与天空检测的集成在dehaze函数中，我们需要根据标志位选择不同的计算路径。

cv::Mat ImprovedDehazer::dehaze(const cv::Mat& src) { cv::Mat darkChannel; if (m_useAdaptive) { darkChannel = calculateDarkChannelAdaptive(src); } else { darkChannel = calculateDarkChannel(src, m_patchSize); } cv::Vec3b A = estimateAtmosphericLight(src, darkChannel); cv::Mat transmission = estimateTransmission(src, darkChannel, A); // 如果启用天空处理，在此处干预透射率图 if (m_handleSky) { cv::Mat skyMask = detectSkyRegion(src); applySkyRegionConstraint(transmission, skyMask); } cv::Mat refinedTrans = refineTransmission(src, transmission); cv::Mat result = recoverScene(src, refinedTrans, A); return result; }

detectSkyRegion函数可以实现一个简单的基于颜色和位置的阈值法。例如，将图像转换到HSV空间，设定较高的V（亮度）值和较低的S（饱和度）值作为天空的粗略掩码，同时可以限定这个掩码只出现在图像的上半部分。applySkyRegionConstraint函数则遍历skyMask中为真的像素，将其对应的透射率值设为一个较高的常数（例如0.8），或者与原始估算值取一个最大值，确保天空区域不会被过度去雾。

5.2 效果对比与参数调优改进是否有效，需要用眼睛看，用数据说话。准备一组有雾图像（最好包含天空、边缘丰富的场景），分别运行经典算法和你的改进算法。

  • 主观评价：重点观察几个区域：1.天空：颜色是否自然？有没有出现深色块或过度变暗？2.物体边缘：建筑物轮廓、树木边缘是否有光晕（白色镶边）？3.整体色彩：恢复的图像色彩是否鲜艳但不过饱和，有无明显的色偏？
  • 客观指标：虽然无参考图像质量评价很难，但可以计算一些指标作为参考，例如：
    • 平均梯度：反映图像清晰度和纹理丰富程度，去雾后应该增大。
    • 信息熵：反映图像包含的信息量，去雾后应该增大。
    • 运行时间：在相同硬件和输入分辨率下，记录算法耗时。自适应窗口和天空检测会增加计算开销。

参数调优是一个经验活。omega（通常0.95）控制去雾强度，越小去雾越强，但可能引入噪声；t0（通常0.1）是透射率下限，防止除零，太大会导致远处景物去雾不足；引导滤波的半径和正则化参数影响透射率图的平滑程度。建议固定一组测试图，编写一个简单的参数遍历脚本，批量处理并保存结果，通过肉眼观察选择一组在多数场景下表现均衡的参数。

6. 性能优化与工程化思考

一个研究性质的算法要走向实用，性能是绕不开的坎。纯CPU串行实现的暗通道去雾算法，处理一张1080p的图片可能需要几百毫秒到几秒，无法满足实时视频处理（如30fps）的需求。

6.1 多线程并行计算算法中很多步骤是像素级独立或区域独立的，非常适合并行化。例如，计算暗通道、估算透射率、恢复场景这些双重循环，可以使用OpenMP指令轻松加速。

// 在estimateTransmission的循环前加上OpenMP指令 #pragma omp parallel for for (int r = 0; r < src.rows; ++r) { // ... 循环体 }

在CMakeLists.txt中需要添加find_package(OpenMP REQUIRED)并链接到目标。对于多核CPU，这通常能带来数倍的性能提升。

6.2 算法步骤的近似与简化在保证效果不明显下降的前提下，可以寻求更快的计算方法。例如，引导滤波虽然效果好，但速度较慢。可以尝试使用OpenCV的cv::ximgproc::guidedFilter的快速实现，或者在某些对边缘要求不高的场景下，用高斯滤波或双边滤波来近似平滑透射率图。另外，可以降低透射率图的分辨率进行计算（如下采样到原图的1/4），然后再上采样回原图大小，这能大幅减少计算量，只要上采样方法合适（如双线性插值），效果损失往往在可接受范围内。

6.3 面向硬件的优化：NEON/SSE与CUDA对于ARM平台（如手机、嵌入式设备），可以使用NEON指令集进行SIMD（单指令多数据）优化，同时对多个像素数据进行相同的运算。对于x86平台，则有SSE/AVX指令集。OpenCV的许多核心函数本身已经用这些指令集优化过，确保你使用的是开启了这些优化的OpenCV版本。 对于有NVIDIA GPU的服务器或工作站，终极优化方案是使用CUDA将整个算法移植到GPU上运行。图像处理这种高度并行的任务，在GPU上可以获得数十倍甚至上百倍的加速。你可以使用OpenCV的CUDA模块，或者直接用CUDA C++重写核心计算内核。这对于需要处理4K视频流或大批量图像的应用场景是必须的。

6.4 内存访问优化图像数据量很大，不连续的内存访问会导致严重的缓存命中失败，拖慢速度。确保你的图像矩阵在内存中是连续的（cv::Mat::isContinuous()返回true），并且在循环中以内层循环遍历列、外层循环遍历行的顺序访问像素，这与矩阵在内存中的存储顺序一致，能最大化利用缓存。

7. 常见问题排查与调试心得

在实际编码和调试过程中，你肯定会遇到各种“坑”。这里记录一些典型问题和解决思路。

7.1 编译与链接问题

  • 问题：undefined reference to cv::ximgproc::guidedFilter...

  • 原因与解决：使用了ximgproc模块的函数，但没有在CMakeLists.txt中链接对应的库。需要在target_link_libraries中添加opencv_ximgproc。

  • 问题：程序编译成功，运行时崩溃，提示OpenCV: terminate handler is called...或访问越界。

  • 原因与解决：最常见的原因是cv::Mat的数据类型（type()）或通道数（channels()）与你的访问方式不匹配。例如，用at<uchar>访问一个CV_32FC1的浮点矩阵。务必在关键步骤后使用cout << mat.type() << endl;和cout << mat.size() << endl;打印矩阵信息进行调试。另外，确保图像读取成功（!img.empty()）。

7.2 算法效果问题

  • 问题：去雾后图像整体颜色偏蓝或偏黄。

  • 排查：首先检查大气光值A的估计是否准确。打印出A的BGR值，看它是否是一个接近白色（三个通道值都高且接近）的值。如果A严重偏向某个颜色，会导致恢复的图像整体颜色向相反方向偏移。改进你的A估计算法。

  • 问题：去雾后图像边缘有严重的白色光晕。

  • 排查：这是透射率图在物体边缘处估算不准的典型表现。首先检查你的暗通道计算窗口是否过大。尝试减小patchSize。其次，检查引导滤波的参数。尝试增大滤波半径，或者减小正则化参数eps。如果问题依旧，考虑实现前面提到的自适应窗口或联合优化滤波。

  • 问题：天空区域变成难看的深蓝色或出现斑块。

  • 排查：这就是天空区域处理不到位。确认你的天空检测掩码skyMask是否准确覆盖了天空区域。可以先将skyMask可视化出来看看。然后检查applySkyRegionConstraint函数是否正确地将天空区域的透射率设为了一个较大的值（如0.6-0.9）。也可以尝试对天空区域的透射率应用一个单独的高斯平滑，使其过渡更自然。

  • 问题：去雾效果不明显，图像还是很朦胧。

  • 排查：检查omega参数是否设置得太大（如0.99），这会导致保留太多雾。尝试将其减小到0.85-0.95之间。同时检查透射率图t(x)，它的值范围应该在[t0, 1.0]之间，如果整体值都很高（比如大于0.8），说明算法认为雾很薄，去雾力度自然小。这可能是因为暗通道值计算偏小，或者大气光A估计偏大。

7.3 性能问题

  • 问题：算法运行非常慢，处理一张小图都要好几秒。
  • 排查：1.检查循环：是否在多重循环中进行了耗时的操作（如开方、除法）？2.检查函数调用：是否在像素级循环里调用了OpenCV函数（如cv::min）？应该将数据提取到循环外进行向量化操作。3.启用编译器优化：确保在CMake中设置了-O2或-O3优化标志。4.尝试使用OpenCV的UMat：UMat会自动尝试使用OpenCL进行GPU加速，有时能带来免费的性能提升。

调试图像处理算法，可视化中间结果至关重要。不要只盯着最终输出图像。把暗通道图、透射率图（归一化到0-255显示）、大气光值、天空掩码图等都显示或保存出来，能帮你快速定位问题出在哪个环节。例如，如果透射率图全白（值很高），那去雾肯定没效果；如果透射率图在物体内部有奇怪的纹理，那可能是引导滤波没做好。