周文舟，范 晨，胡小平，何晓峰，张礼廉

（国防科技大学智能科学学院，湖南 长沙 410072）

1 引言

由于天气、污染等原因导致的雾霾是一种普遍现象。在雾霾天气，空气中存在很多诸如PM2.5的大气粒子，它们不仅吸收和散射场景的反射光，还会将一些大气光散射到相机，导致相机接收到的图像严重降质，能见度大大下降[1]。由于图像的质量不好，特征提取、目标跟踪以及目标识别等会受到干扰。因此，十分有必要研究图像去雾算法，以提高视觉系统的环境适应性。

随着计算机技术、光学器件技术的提高，图像去雾算法得到了广泛关注，取得了很多成果，也应用在许多领域。常见的去雾算法可以分为两类：单幅图像去雾和多幅图像去雾。Raanan Fattal[2]通过优化大气成像模型和大气衰减模型，加入了表面阴影量，从而提高了清晰度和对比度。Kaiming He[3]提出了暗通道先验算法，有效提升了算法速度以及天空区域的识别率。此外，很多学者[4−6]基于传统算法提出了改进方法，它们的基本原理都与传统算法相同。随着神经网络技术的发展，Cai B[7]基于深度学习提出一种名为DehazeNet的可训练的端到端系统，用于参数估计。该系统去雾效果相较于传统算法，色彩还原度高，清晰度高，但是其速度慢，需要前期大样本训练。

对于单幅图像去雾，使用以上方法可以有效地改善模糊图像的质量，但需要许多未知参数，因此，使用过程中通常依赖于输入图像的某些假设或先验知识[8]。多幅图像去雾算法不存在这样的问题，输入多幅图像后，可以轻松获得去雾后的图像，具备较强的去雾能力。……