李树平，张辽，刘俊利

（河南理工大学 机械与动力工程学院，河南 焦作 454000）

0 引言

当使用成像设备在雾天环境中工作时，容易造成图像模糊、目标丢失、成像质量差等诸多问题，其中户外监控设备就是成像设备的一种，特别对高速发展的社会而言，户外监控设备对于社会的稳定起着直接和间接不可替代的作用，然而这类设备极易受到雾天环境的影响，使工作人员无法获取重要的信息，从而使工作效率大幅降低，为降低或者消除雾天对成像质量的影响，相关研究工作已取得显著成效。

图像去雾方法一般分3类［1］，即基于图像增强、基于物理模型复原和基于数据驱动的方法。第一类去雾的本质是图像复原，利用可用的景深信息恢复无雾图像；第二类去雾的本质是对比度增强和颜色校正，根据视觉感受改善图像的质量［2］；第三类是基于数据驱动的去雾方法，其深度学习面临的本质问题是数据之间相关特征的刻画，利用合成图像作为训练集，训练不同的网络结构达到去雾的目的。

近几年的研究偏向于后两类去雾方法，最初利用不同时间大气中粒子质量浓度的不同特性恢复场景［3-4］，当场景接近雾霾颜色的时候，去雾效果并不太理想，而有些学者在一个场景中用偏振度的不同估计环境光［5-6］，由于该算法受到环境光的影响，会出现去雾效果不太稳定的现象。何凯明等［7］提出了基于暗原色先验理论图像去雾技术，获得了很高的评价，但这一理论符合场景中不存在天空区域的部分；……