冯燕茹

（防灾科技学院 信息工程学院，河北 三河065201）

1 引言

受空气中悬浮颗粒（如雾，霾）的影响，捕获的户外图像会出现对比度低，色彩饱和度差，颜色偏移等图像退化问题，严重了影响了户外计算机视觉技术，如目标检测、目标识别、目标跟踪的发挥，进而增大了户外机器视觉任务的难度。因此，对雾天场景下获取的退化图像实施去雾处理具有重要的现实意义和应用场景［1-2］。

目前常用的图像去雾方法主要分为两类：一类为基于先验的去雾算法，一类为基于神经网络的去雾算法。基于先验的去雾算法利用先验信息估计大气散射物理模型中的透射率和大气光，从而求得清晰的去雾图像［3-4］。如He及韩昊男等人利用暗通道先验（Dark Channel Prior，DCP）在局部区域内计算透射率值［1，5］。Berman等人发现图像中的像素点在RGB空间中可聚集成数百个颜色线，利用此非局部先验（Non Local Prior，NLP）估计透射率［6］。Meng等人利用边缘及纹理的约束先验（Boundary Constraint and Contex⁃tual Regularization，BCCR）来计算透射率［7］。然而统计获取的先验信息无法适用于所有的雾天场景，导致算法鲁棒性差，透射率估计存在误差。

随着深度学习的快速发展，基于神经网络的图像去雾算法广受关注［8］。如Cai等人提出了Dehazenet网络模型，学习雾图与透射率之间的映射关系［9］。Li等人提出了端到端的All-in-One Dehazing Network（AODN）网络模型直接从雾图中估计清晰图［10］。Qu等人提出了Enhanced Pix2pix Dehazing Network（EPDN）网络模型，利用生成器估计去雾结果，使用辨别器监督EPDN模型的中间过程［11］。Liu等人提出了GridDeha⁃zeNet（Grid DN），它模仿传统图像处理算法，在网络模型中加入预处理模块及后期处理模块来实施图像去雾［12］。……