李洪平 , 赵 波, 金汝宁, 李炎炎

(1.四川大学机械工程学院, 成都 610065;2.先进制造技术四川省重点实验室, 成都 610065)

如今户外图像采集广泛应用于无人驾驶、视频监控和地形勘测等各个领域，但当水蒸气、灰尘或其他微粒在稳定的大气中积聚时，就会出现雾霾[1-2].雾霾中的微粒会散射或者吸收光线，从而导致户外采集的图像出现色彩失真，纹理模糊.这不仅对图像处理等后期工作带来了不便，还会导致户外图像采集设备的工作性能下降.因此，对图像去雾算法展开研究，从有雾图像中复原出清晰的图像具有重要的研究意义.

目前图像去雾算法主要分为图像增强、深度学习和图像复原三类.图像增强去雾的主要算法有CLAHE算法、Retinex算法[3]以及小波变化算法[4]等，但图像增强的本质是利用图像增强技术提升对比度，去除噪点，还原图像的视觉效果，但忽略了雾天图像降质的机理，图像去雾的效果有限.受益于计算资源和计算能力的发展，基于深度学习的图像去雾算法[5-8]得到广泛研究，它主要通过卷积神经网络模型学习有雾图像，从而构建图像去雾模型，但模型的训练需要大量的雾天图像，数据集的采集和模型的可靠性限制了基于深度学习去雾算法的普适性.

近年来，基于大气散射物理模型的图像复原算法受到广泛关注，通过结合假设或先验知识，利用有雾图像反演推导无雾图像.Fattal[9]提出了图像局部透射率与明暗程度不相关的假设，消除了散……