冯燕茹，王一斌

（1. 防灾科技学院 信息工程学院，河北 三河 065201；2. 四川师范大学 工学院，四川 成都 610068）

1 引 言

雾天条件下拍摄的户外图像，受大气中悬浮气溶胶等颗粒对光线的散射和吸收作用影响，会出现对比度低，色彩饱和度差，细节丢失等图像降质问题，为后续计算机视觉任务，如遥感监测、交通监控、目标跟踪与识别等，带来了不利的影响。因此，如何消除雾气造成的影响，复原清晰的无雾图像具有实际应用价值和研究意义［1］。

目前，单幅图像去雾的算法可分为两类：基于先验的图像去雾算法和基于神经网络的去雾算法。基于先验的去雾算法以大气散射物理成像模型为理论依据，通过先验信息来估计模型中的透射率及大气光，最终获取清晰图像。例如，He 等人提出的暗通道先验Dark Channel Prior（DCP）表明，户外图像中非天空区域的局部邻域内总有像素的某个颜色通道具有较低的像素值［2］。Fattal 等人发现透射率与场景反射不相关，并由此构建求解透射率的约束方程［3］。Meng等人提出了基于边缘及纹理约束先验Boundary Constraint and Contextual Regularization（BCCR）的去雾算法［4］。Yoon 等人发现了光的波长与成像时场景目标的颜色相关，提出了基于波长自适应先验 Wavelength-adapitve Prior（WAP）的图像去雾算法［5］。然而，依据观察或信息统计获得的先验信息无法泛化到所有的雾天场景，算法的鲁棒性较差，去雾精度不高。例如，DCP 无法描述雾图中白色的前景目标，导致估计的透射率精度较低，去雾结果存在色差。

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。……