陈清江 张雪

雾霾天气情况下,悬浮在大气中的微小颗粒对光线的散射和吸收作用,导致采集到的图像对比度与饱和度降低,色调偏移,严重影响了户外视觉系统的效用.因此,雾天图像的清晰化处理成为计算机视觉领域中的一个重要问题.现有的图像去雾方法主要有两种,其一是基于图像增强的方法,这种方法不考虑图像退化的原因,会造成图像信息的损失.如基于颜色恒常性的Retinex 理论[1−2]、基于路径Retinex 算法[3−4]和迭代形式的Retinex 算法[5],这些算法都存在参数调整困难且算法复杂度高的问题.其二是基于图像复原的方法,此方法利用图像退化的先验知识和假设来恢复图像,去雾图像信息缺失较基于物理模型的图像复原方法少,去雾效果自然.如He 等[6]提出了一种基于暗原色先验知识统计(Dark channel prior,DCP)的方法.但He 的暗通道先验方法过高估计雾的浓度,导致去雾后图像整体亮度偏暗,且天空区域常出现失真现象.Zhu等[7]提出了颜色衰减先验(Color attenuation prior,CAP).尽管上述算法取得了很大的进步,但它们仍然依赖于各种先验知识,具有一定的局限性.

近些年来,随着深度学习理论在语义分割[8]、目标识别[9]、图像超分辨率重建[10]等方面的不断发展,一些学者将该理论用于图像去雾领域也获得了较好的效果.如Cai 等[11]提出的DehazeNet 训练预测的传输图.Ren 等[12]设计了多尺度卷积神经网络(Multi-scade convolutionalneuralnetwork,MSCNN) 估计了场景的透射率.Li 等[13]提出了Cascaded CNN,该网络分别估计大气光值和传输图.由于这几种基于卷积神经网络的方法……