杨振舰, 尚佳美, 张众维, 张艳, 刘树东

(天津城建大学 计算机与信息工程学院, 天津 300384)

在雾霾天气下，由于大气中存在浑浊的介质，导致采集到的图像具有对比度低、整体颜色偏灰暗，物体特征不明显、图像细节模糊等现象，这严重影响了基于图像的智能信息处理系统的鲁棒性和有效性[1]。因此图像去雾成为诸如图像分类、检测、分割等高级视觉任务的前提，如何提高图像去雾的效果也成为计算机视觉领域的一个重要问题。

图像去雾方法包括基于图像增强的方法、基于图像复原的方法和基于深度学习的方法。基于图像增强的方法，如直方图均衡化[2]、Retinex理论[3]等，直接对低质量的图像做增强处理，可能会造成图像信息损失和失真；基于图像复原的方法，如暗通道先验(dark channel prior,DCP)[4]、颜色衰减先验(color attenuation prior,CAP)[5]等，利用先验知识和假设并基于物理模型来对图像进行恢复，恢复效果自然，其中最具代表性的是He等人提出的暗通道先验方法，但该方法过高估计雾的浓度，导致去雾后图像整体亮度偏暗，且天空区域常出现颜色失真现象。尽管上述算法取得了较大的进步，但它们仍依赖先验知识，具有一定的局限性。

基于深度学习的方法可分为间接去雾方法和直接去雾方法。间接去雾方法首先需要估计大气光值、透射率或者其他中间变量，然后根据大气散射模型恢复无雾图像。Cai等[6]首次使用卷积神经网络(convolutional neural networks,CNN)来估计雾图透射率，提出了DehazeNet网络。Ren等[7]提出了多尺度的深层卷……