陆 欢

(上海理工大学 光电信息与计算机工程学院，上海 200093)

在计算机视觉系统中，很多应用都需要图像具有一定的鲁棒性，如智能交通，视频监控，智能车辆等领域。然而在现实生活中，由于恶劣天气的影响，尤其在雾霾天气，大气中的悬浮颗粒和水滴会对光进行散射和吸引，导致了很多细节的丢失，使得其可利用价值降低，因此对有雾图像进行去雾处理具有重要意义。

目前的发展阶段，图像去雾的方法主要分为两大类：第一类是基于非物理模型的图像增强方法，例如直方图均衡化算法[1]和基于Retinex理论的增强算法[2-3]，这类算法优点是对清晰度图像进行增强，改善图像的质量，缺点会导致部分图像信息的损失，去雾效果不理想。第二类是基于物理模型的图像复原算法，该方法通过分析导致雾化图像降质，算法原理是：基于悬浮颗粒对光的散射作用，建立大气散射模型，在此基础上反验复原图像的真实信息，真正从物理意义上实现去雾效果。

Narasimhan[4]等提出了许多求取场景深度信息的方法，从RGB颜色空间推导出二值散射模型，利用多幅彩色图像求取场景深度信息。孙大宝等人[5]根据雾化图像全局和局部去雾的能量最优化模型，推导出相应的偏微分方程，从而达到图像去雾目的。而在先验图像复原方面，Tan等人[6]利用最大化雾化图像的局部对比度的方法复原雾化图像，但处理后的图像容易出现光晕现象，且颜色通常过于饱和。Fattal[7]假定光的传播和场景表面遮光部分局部无关，在此基础上计算场景的投射和反射率，从而消除图像中的雾气干扰，但是对于浓雾图像，该方法的去雾图像颜色偏暗，失真比较严重。……