圖像去霧算法研究綜述

蒲亨飛 黃治勇

摘? 要：圖像去霧技術(shù)的目的是為了去掉圖像中霧的影響，從而獲得高質(zhì)量的圖像。本文主要從圖像增強(qiáng)、圖像復(fù)原和深度學(xué)習(xí)的角度歸納總結(jié)了圖像去霧方法的研究狀況，對(duì)暗通道先驗(yàn)等經(jīng)典算法以及新活躍在去霧領(lǐng)域的幾種深度學(xué)習(xí)去霧算法做了進(jìn)一步的分析，并對(duì)各類(lèi)算法的性能進(jìn)行了總結(jié)，最后針對(duì)各類(lèi)圖像去霧方法指出了存在的問(wèn)題及未來(lái)的展望。

關(guān)鍵詞：圖像去霧;暗通道先驗(yàn);神經(jīng)網(wǎng)絡(luò);大氣散射模型;透射率

中圖分類(lèi)號(hào)：TP391.4? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

An Overview of Research on Image Dehazing Algorithms

PU Hengfei， HUANG Zhiyong

（College of Big Data and Information Engineering， Guizhou University， Guiyang 550025， China）

18198542837@163.com; 1392599321@qq.com

Abstract： Image dehazing technology aims to remove haze in image， so as to obtain high-quality images. This article summarizes the research status of image dehazing methods from perspectives of image enhancement， image restoration and deep learning. It makes further analysis of classic algorithms such as dark channel priors and several deep learning dehazing algorithms that are newly active in the field of dehazing. It also analyzes performance of each algorithm， and finally points out existing problems and future prospects for various image dehazing methods.

Keywords： image dehazing; dark channel prior; neural network; atmospheric scattering model; transmittance

1? ?引言（Introduction）

目前對(duì)于霧天圖像的處理方法[1]主要有圖像增強(qiáng)和圖像復(fù)原兩種方法。圖像增強(qiáng)的方法是盡量去除圖像噪聲，提高圖像對(duì)比度，改善圖像的視覺(jué)效果，但對(duì)于部分信息可能會(huì)造成一定損失。圖像復(fù)原的方法主要是基于大氣散射模型，進(jìn)行一系列的去霧處理。這種方法更有針對(duì)性，達(dá)到的效果也自然，信息損失小，但模型中各參數(shù)的估計(jì)是研究的難點(diǎn)。此外，近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）在許多方面的應(yīng)用都取得了不錯(cuò)的效果，基于CNN的相關(guān)工作也逐漸被用在圖像去霧領(lǐng)域。本文在現(xiàn)有的計(jì)算機(jī)視覺(jué)和圖像處理研究成果上，對(duì)圖像相關(guān)去霧技術(shù)展開(kāi)詳細(xì)介紹，并指出去霧技術(shù)的未來(lái)發(fā)展趨勢(shì)。

2? 基于圖像增強(qiáng)的去霧算法（Dehazing algorithm based on image enhancement）

2.1? ?直方圖均衡化

直方圖均衡化的主要思路是讓圖像的直方圖分布更加均勻，進(jìn)而提升圖像的對(duì)比度，現(xiàn)階段主要有局部均衡化和全局均衡化兩種方法。全局均衡化是對(duì)圖像整體做均衡化處理，放大圖像信息量多的灰度區(qū)域，提升圖像的視覺(jué)效果。該方法比較簡(jiǎn)單，但局部細(xì)節(jié)效果不明顯，適用于簡(jiǎn)單場(chǎng)景的霧天圖像。局部均衡化是將均衡化算法分散到圖像的局部區(qū)域，然后通過(guò)局部的運(yùn)算獲得所需的增強(qiáng)效果，適用在深度信息變化復(fù)雜而對(duì)比度不高的霧天的圖像處理，但該算法會(huì)加大噪聲對(duì)圖像的影響。局部均衡化算法有自適應(yīng)均衡化和限制對(duì)比度自適應(yīng)均衡化兩種。

2.2? ?Retinex理論

Retinex理論的思路同樣是圖像增強(qiáng)，該理論強(qiáng)調(diào)色彩的恒常性，對(duì)光照不均勻引起的對(duì)比度低的彩色圖像增強(qiáng)效果不錯(cuò)。Retinex算法有單尺度Retinex算法、多尺度Retinex算法以及色彩恢復(fù)多尺度Retinex算法。單尺度Retinex算法通過(guò)估計(jì)環(huán)境亮度獲得反射圖像，無(wú)須校正場(chǎng)景，實(shí)現(xiàn)簡(jiǎn)單，但易出現(xiàn)光暈現(xiàn)象。多尺度Retinex算法能實(shí)現(xiàn)動(dòng)態(tài)壓縮和顏色不變性，視覺(jué)效果更好，但該算法也易產(chǎn)生光暈。色彩恢復(fù)多尺度Retinex算法補(bǔ)償了前兩種算法損失的部分色彩，但該算法參數(shù)設(shè)定復(fù)雜，計(jì)算量大，適用性不高。

2.3? ?同態(tài)濾波

同態(tài)濾波算法[2]結(jié)合了灰度變換和頻率濾波，主要通過(guò)對(duì)亮度范圍進(jìn)行壓縮以及增強(qiáng)對(duì)比度的方式來(lái)進(jìn)行圖像處理。相關(guān)研究顯示，在濾波處理之前使用非線性變換易產(chǎn)生光暈效應(yīng)。此外，小波變換去霧算法也常被用于圖像增強(qiáng)。

3? 基于圖像復(fù)原的去霧算法（Dehazing algorithm based on image restoration）

3.1? ?大氣散射模型

在圖像去霧領(lǐng)域，由于霧霾等天氣對(duì)圖像去霧產(chǎn)生了不利的影響，McCartney提出了霧天大氣散射模型，如圖1所示。

此模型包括衰減模型和環(huán)境光模型，表達(dá)式為：

（1）

其中，是全局大氣光強(qiáng)，是有霧圖像，是待恢復(fù)無(wú)霧圖像，為透射率;又是透射率函數(shù)，表示大氣散射系數(shù)，代表景物深度。對(duì)于晴朗無(wú)霧天氣，接近于0，可以得到=;而在有霧情況下，>0，則不可忽略。待恢復(fù)圖像表達(dá)式為：

（2）

因此，圖像去霧過(guò)程就是用已知的求解未知的過(guò)程。但要求解，還需要根據(jù)求未知的透射率和大氣光。

3.2? ?估計(jì)大氣光值

大氣光值的估計(jì)有以下幾種常用方法：第一種是暗通道估計(jì)法。從暗原色通道中選取最亮的區(qū)域部分像素點(diǎn)的最大灰度值當(dāng)作大氣光。該方法魯棒性好，但一般獲得的大氣光值較高且耗時(shí)長(zhǎng)。第二種是分塊遞歸思想估計(jì)法。將有霧圖像均勻分為幾個(gè)區(qū)域，分別求取各區(qū)域的平均亮度值，選取亮度值最大的區(qū)域，當(dāng)分解區(qū)域達(dá)到設(shè)定值大小時(shí)，將該區(qū)域中亮度最大的點(diǎn)當(dāng)作大氣光。第三種是分段思量估計(jì)法。大部分的有霧圖像，天空區(qū)域一般分配在圖像的上1/3區(qū)域，因此將有霧圖像水平分為三個(gè)區(qū)域，在最上的1/3區(qū)域使用暗通道估計(jì)算法估計(jì)大氣光。此外，還有一些快速估計(jì)大氣光的方法，此類(lèi)方法估算簡(jiǎn)單但精確率不高。

3.3? ?粗略透射率估計(jì)

3.3.1? ?暗通道去霧估計(jì)算法

He[3]等的暗原色先驗(yàn)理論表明，對(duì)有霧圖像進(jìn)行局部最小值濾波就能得到暗原色圖像，任意一幅無(wú)霧圖像的暗通道可以表示為：

（3）

其中，是圖像RGB通道的亮度值;是RGB的顏色通道;是有霧圖像的暗通道;是以像素點(diǎn)為中心的區(qū)域，區(qū)域大小一般取15×15的窗口。對(duì)于室外無(wú)霧圖像非天空區(qū)域，暗通道圖像的像素趨近于0，因此對(duì)公式（3）兩邊做局部最小值濾波再變形得到：

（4）

其中，是引入的霧化常量參數(shù)，0<≤1，目的是為了保留圖像中遠(yuǎn)處的少量霧氣，一般取=0.95。

3.3.2? ?迭代思想估計(jì)算法

由公式（2）可知，是的直線方程，當(dāng)在0到255變化時(shí)，會(huì)產(chǎn)生失真。因此使用公式（5）來(lái)衡量失真度，使用均方誤差公式（6）來(lái)衡量對(duì)比度增強(qiáng)。有霧圖像的暗通道可以表示為：

（5）

（6）

公式（6）中，代表平均值，代表像素點(diǎn)總數(shù)，要使-最小，需將有霧圖像均勻分塊，計(jì)算各自區(qū)域-的最小值，并把該值當(dāng)作所有像素點(diǎn)的粗略透射率。

3.4? ?精確透射率估計(jì)

為獲得精確透射率，需要對(duì)上述粗略透射率進(jìn)行優(yōu)化，常用幾種優(yōu)化方法如下：

Soft Matting算法，又稱(chēng)為軟摳圖算法，該算法表達(dá)式為：

（7）

其中，為前景，為后景，為合成系數(shù)。定義一個(gè)最小化代價(jià)函數(shù)，通過(guò)相關(guān)求解獲得優(yōu)化的透射率表達(dá)式為：

（8）

其中，為優(yōu)化后的精確透射率，為拉普拉斯摳圖矩陣，為調(diào)整系數(shù)，為單位矩陣。通過(guò)將設(shè)置為一個(gè)較小值（一般設(shè)置為10-4），通過(guò)對(duì)產(chǎn)生一定的約束。軟摳圖算法一般能得到較為精確的透射率，但算法復(fù)雜度高，不便于實(shí)際使用。

雙邊濾波算法。該算法屬于非線性濾波方法，輸出的像素值由鄰域中像素值加權(quán)決定[4]，該算法既考慮了空域信息，又結(jié)合了灰度相似性，能達(dá)到去噪和保持邊緣信息的效果。雙邊濾波器使用不同維度的高斯函數(shù)生成了兩個(gè)模板，將這兩個(gè)模板相乘得到雙邊濾波器的模板表達(dá)式為：

（9）

其中，為模板窗口的中心坐標(biāo)，為模板窗口的其他系數(shù)的坐標(biāo)，和分別為空域和閾值模板濾波半徑。同模板中非中心像素點(diǎn)與中心點(diǎn)的距離成逆向增減關(guān)系，如果距離增大則減小，距離減小則增大。因此，的取值直接影響濾波效果。如果取值過(guò)小，特別是近似為1時(shí)，空間模板濾波就難以起作用;如果取值過(guò)大，計(jì)算量會(huì)急劇增加，算法復(fù)雜度也會(huì)急劇增加。與值域像素值間的差值同樣存在逆向變化的關(guān)系，差值減小則增大，差值增大則減小。

導(dǎo)向?yàn)V波算法。該算法計(jì)算速度快，執(zhí)行效率高，只需在濾波處理時(shí)導(dǎo)入一幅引導(dǎo)圖像。假設(shè)輸出圖像與引導(dǎo)圖像有如下約束關(guān)系：

（10）

其中，為濾波輸出圖像，是以像素為中心的局部窗口，與是引導(dǎo)圖像在的線性不變函數(shù)。為了獲得與最優(yōu)解，采用最小二乘法[5]擬合線性關(guān)系，函數(shù)為：

（11）

引入平滑因子是為了防止值過(guò)大[6]，通過(guò)線性回歸求得：

（12）

其中，和分別表示導(dǎo)向圖在的平均值和方差，是窗口中輸入圖像的均值。引導(dǎo)濾波算法相比軟摳圖算法在復(fù)雜度上有所降低，縮短了處理時(shí)間，但某種程度上降低了去霧效果。

3.5? ?后處理

經(jīng)過(guò)上述步驟獲得了大氣光值及透射率，因此根據(jù)大氣散射模型，可以得到去霧處理后的效果圖。正常來(lái)說(shuō)，此時(shí)的去霧圖像相對(duì)偏暗，在此基礎(chǔ)上可以進(jìn)行后處理，比如利用伽馬校正、自適應(yīng)對(duì)比度增強(qiáng)等方式繼續(xù)處理，以增強(qiáng)圖像去霧的效果。

3.6? ?基于先驗(yàn)知識(shí)的去霧算法

TAN[7]假設(shè)局部區(qū)域的大氣光值固定，通過(guò)最大化局部對(duì)比度方式處理有霧圖像，搭建馬爾可夫模型框架，構(gòu)造代價(jià)函數(shù)，利用圖分割的知識(shí)估算最佳大氣光。該算法增強(qiáng)了圖像的對(duì)比度，改善了圖像的可視度，但去霧后色彩效果太過(guò)飽和，且在部分交界區(qū)域產(chǎn)生光暈效應(yīng)。

FATTAL[8]假設(shè)局部區(qū)域的反射率為常向量，物體表面色度與介質(zhì)傳播具有局部統(tǒng)計(jì)不相關(guān)性，通過(guò)相關(guān)分析來(lái)估計(jì)常向量反射率。但相關(guān)成分變化不明顯或顏色信息過(guò)少都會(huì)影響估計(jì)的準(zhǔn)確性。

HE[3]等通過(guò)對(duì)大量的戶(hù)外無(wú)霧圖像的統(tǒng)計(jì)，發(fā)現(xiàn)無(wú)霧圖像的大部分區(qū)域內(nèi)總會(huì)有一些灰度很低的點(diǎn)，因此提出了暗通道先驗(yàn)算法。該算法先使用暗通道估計(jì)大氣光強(qiáng)，并粗略估算出對(duì)應(yīng)的透射率值，然后通過(guò)Soft Matting算法進(jìn)一步優(yōu)化透射率，最后利用霧天圖像的光學(xué)模型恢復(fù)出圖像，去霧效果明顯，顏色自然。但該方法的時(shí)間復(fù)雜度較高，缺少實(shí)時(shí)性。

KRATZ[9]等通過(guò)最大后驗(yàn)概率對(duì)景物反射率和景物深度進(jìn)行建模，該方法對(duì)圖像的邊緣處理有較好的效果，但色彩對(duì)比度太過(guò)飽和。

TAREL[10]等提出了一種快速去霧算法。該算法通過(guò)中值濾波的變形來(lái)估計(jì)耗散函數(shù)，但應(yīng)用中值濾波估計(jì)法，不合適的參數(shù)設(shè)定易帶來(lái)Halo效應(yīng)。

WANG[11]等采用馬爾科夫隨機(jī)場(chǎng)混合多層色度先驗(yàn)的細(xì)節(jié)，提出了一種多尺度深度融合去霧算法，得到具有豐富細(xì)節(jié)信息的較高質(zhì)量恢復(fù)圖像，但該算法易包含噪聲。

ZHU[12]等提出了一種基于色彩衰減先驗(yàn)的單幅圖像快速去霧方法，通過(guò)對(duì)大量圖像的近景、中景、遠(yuǎn)景進(jìn)行統(tǒng)計(jì)分析，得出霧的濃度與圖像亮度和飽和度之差有正比關(guān)系的結(jié)論。但此方法收集樣本比較困難，且缺少理論依據(jù)。

綜上，盡管基于圖像復(fù)原的去霧方法取得了較大的進(jìn)展，但簡(jiǎn)化的大氣散射模型會(huì)導(dǎo)致透射率和大氣光估計(jì)出現(xiàn)一定的誤差，且先驗(yàn)信息不具有普遍適用性，易出現(xiàn)去霧不徹底和顏色失真等現(xiàn)象。

4? 基于深度學(xué)習(xí)的去霧算法（Dehazing algorithm based on deep learning）

CNN在圖像去霧領(lǐng)域的應(yīng)用主要可以分為兩類(lèi)：間接端到端網(wǎng)絡(luò)和直接端到端網(wǎng)絡(luò)。其中間接端到端去霧網(wǎng)絡(luò)大部分仍然以大氣散射模型為基礎(chǔ)，利用神經(jīng)網(wǎng)絡(luò)對(duì)模型中的參數(shù)進(jìn)行估計(jì);而直接端到端去霧網(wǎng)絡(luò)則通過(guò)學(xué)習(xí)有霧圖像到無(wú)霧圖像之間的映射關(guān)系來(lái)恢復(fù)無(wú)霧圖像，此過(guò)程又稱(chēng)為深度學(xué)習(xí)中的end to end。

CAI[13]等提出了一種名為DehazeNet的可訓(xùn)練的端到端系統(tǒng)來(lái)估計(jì)透射率。DehazeNet采用CNN深層架構(gòu)，用于體現(xiàn)圖像去霧中已建立的假設(shè)/先驗(yàn)。此外，該系統(tǒng)還提出了一種新的非線性（nonlinear）激活函數(shù)，也稱(chēng)為雙邊整流（BReLU）線性單元，它可以提高去霧圖像質(zhì)量。實(shí)驗(yàn)表明，該系統(tǒng)比現(xiàn)有方法性能更好。但大氣光散射模型依賴(lài)于單一光源模型，而未考慮多光源的場(chǎng)景，且在景深區(qū)域的去霧效果有待提升。

REN[14]等基于CNN提出了一種多尺度深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)估計(jì)透射率，先用粗糙網(wǎng)絡(luò)生成粗粒度的透射圖，再用精細(xì)網(wǎng)絡(luò)進(jìn)一步得到更細(xì)致的圖像。為了訓(xùn)練多尺度深度網(wǎng)絡(luò)，該算法基于相關(guān)深度數(shù)據(jù)集，合成了一個(gè)由有霧圖像和相應(yīng)的透射率組成的數(shù)據(jù)集。實(shí)驗(yàn)表明，該算法在質(zhì)量和速度上均有提升。采用此方法雖然不易受場(chǎng)景的約束，但是其網(wǎng)絡(luò)模型中采用的最大池化等操作會(huì)造成細(xì)節(jié)丟失，且夜間霧天圖像處理不好。

ZHANG[15]等基于CNN提出了一種基于去霧公式的新型端到端聯(lián)合優(yōu)化去霧網(wǎng)絡(luò)，利用兩個(gè)子網(wǎng)絡(luò)估計(jì)出透射率和大氣光值，然后基于生成對(duì)抗網(wǎng)絡(luò)損失函數(shù)聯(lián)合訓(xùn)練獲得無(wú)霧圖像。該網(wǎng)絡(luò)包含金字塔密集連接透射率估計(jì)網(wǎng)絡(luò)、大氣光估計(jì)網(wǎng)絡(luò)、去霧網(wǎng)絡(luò)和聯(lián)合鑒別器四個(gè)模塊，其中，透射率估計(jì)網(wǎng)絡(luò)包含邊緣保持密集連接的編碼器-解碼器模塊，用于透射率估計(jì);聯(lián)合鑒別器模塊用于判斷去霧圖像和估計(jì)透射率的真假。

LI[16]等提出了一種用CNN構(gòu)建的一體化除霧網(wǎng)絡(luò)模型，該模型沒(méi)有估算中間參數(shù)和大氣光值，直接通過(guò)輕量級(jí)CNN輸出無(wú)霧圖像。實(shí)驗(yàn)結(jié)果證明此模型在PSNR、SSIM和主觀視覺(jué)質(zhì)量方面有了較大的提升。此外，這種一體化的端到端設(shè)計(jì)可以輕松地將該模型嵌入其他深度模型中去，以提高圖像處理的任務(wù)性能。

CHEN[17]等提出了一種端到端門(mén)控上下文聚合網(wǎng)絡(luò)來(lái)直接生成清晰的無(wú)霧圖像。該網(wǎng)絡(luò)利用平滑擴(kuò)張技術(shù)，可消除網(wǎng)格化偽影（Grid Artifacts），并通過(guò)門(mén)控子網(wǎng)融合不同級(jí)別的特征。在該網(wǎng)絡(luò)中輸入有霧圖像，通過(guò)編碼器編碼為特征圖，通過(guò)聚合附近區(qū)域信息并融合不同級(jí)別的特征來(lái)增強(qiáng)圖像。此外，利用平滑的擴(kuò)張卷積和額外的門(mén)控子網(wǎng)將增強(qiáng)后的特征圖解碼回原始圖像空間，以獲取目標(biāo)霧度殘留物。該算法在PSNR和SSIM的指標(biāo)上提升很大。

YANG[18]等提出了一種基于解耦的新型去霧網(wǎng)絡(luò)，該網(wǎng)絡(luò)利用解耦與重建的物理模型，將有霧圖像解耦為隱含特征值，再根據(jù)隱含特征值還原圖像。該算法還收集了大量天然有霧圖像和戶(hù)外無(wú)霧圖像數(shù)據(jù)集，以評(píng)估圖像去霧算法效果。

ENGIN[19]等提出了一種Cycle-Dehaze端到端網(wǎng)絡(luò)，可以直接從有霧的輸入圖像生成無(wú)霧圖像，不用估算模型參數(shù)。該網(wǎng)絡(luò)使用不成對(duì)的方式訓(xùn)練網(wǎng)絡(luò)，并與感知損失相結(jié)合來(lái)減小該架構(gòu)的循環(huán)一致性損失。該算法通過(guò)在該網(wǎng)絡(luò)中輸入低分辨率圖像，利用拉普拉斯金字塔來(lái)放大低分辨率圖像。此算法提升了圖像的視覺(jué)效果，并獲得比CycleGAN架構(gòu)更優(yōu)的PSNR和SSIM值。

MAI[20]等通過(guò)BP神經(jīng)網(wǎng)絡(luò)挖掘圖像顏色和場(chǎng)景深度的關(guān)系，再由景深得到場(chǎng)景的傳播圖。LI[21]等提出了一種基于殘差的深度卷積神經(jīng)網(wǎng)絡(luò)去霧算法，提高了去霧效率。針對(duì)深度學(xué)習(xí)算法去霧后仍有殘霧，陳永[22]等提出了一種雙域分解的多尺度深度學(xué)習(xí)去霧算法，該方法設(shè)計(jì)了含有一個(gè)高頻子霧網(wǎng)絡(luò)與低頻子霧網(wǎng)絡(luò)的多尺度深度學(xué)習(xí)網(wǎng)絡(luò)，得到良好的去霧效果，但算法復(fù)雜度較高。

綜上，間接端到端去霧網(wǎng)絡(luò)在細(xì)節(jié)效果方面有了一些提升，但大多以大氣散射模型為基礎(chǔ)，估計(jì)的透射率一般包含較多的細(xì)節(jié)信息。此外，大多數(shù)方法將大氣光設(shè)置為固定常量值，去霧后的圖像易出現(xiàn)顏色失真。而直接端到端方法在一定程度上提高了圖像復(fù)原質(zhì)量，但在端到端學(xué)習(xí)過(guò)程中易出現(xiàn)過(guò)擬合情況，容易忽略圖像原有的風(fēng)格特征，導(dǎo)致局部區(qū)域去霧不徹底或過(guò)度去霧，復(fù)原出的圖像出現(xiàn)顏色失真。

5? ?結(jié)論（Conclusion）

本文對(duì)圖像去霧技術(shù)進(jìn)行了綜述性介紹，其中，基于圖像增強(qiáng)的方法實(shí)現(xiàn)簡(jiǎn)單，視覺(jué)效果明顯，已廣泛地應(yīng)用到各個(gè)領(lǐng)域中。而基于圖像復(fù)原和深度學(xué)習(xí)的去霧方法針對(duì)性更強(qiáng)，去霧也更自然。盡管去霧算法得到了迅速發(fā)展，也取得了許多研究成果，但目前仍存在許多難點(diǎn)需要克服，同時(shí)理論研究成果與實(shí)際應(yīng)用還有一定的差距，存在的問(wèn)題歸納如下：

第一，光路傳播圖的自動(dòng)求取問(wèn)題。霧天給光線的傳播造成了大量的散射效應(yīng)，則圖像去霧應(yīng)當(dāng)從霧天對(duì)成像的影響角度切入，把求取反映景深信息的光路傳播圖放在關(guān)鍵的一環(huán)，通過(guò)綜合考慮基于暗原色原理與基于大氣散射模型的各種算法的優(yōu)缺點(diǎn)，研究獲取符合人類(lèi)視覺(jué)感知機(jī)理的光路傳播圖。

第二，去霧算法的自適應(yīng)、實(shí)時(shí)性、復(fù)雜度高等問(wèn)題。戶(hù)外應(yīng)用的場(chǎng)景，環(huán)境復(fù)雜多變，霧的濃淡難以用肉眼判斷，現(xiàn)有的去霧算法，尤其是單幅圖像去霧質(zhì)量較好的算法，都普遍存在復(fù)雜度高、實(shí)時(shí)性低的問(wèn)題。例如，要對(duì)視頻圖像去霧，若攝像機(jī)固定，則可以通過(guò)通用策略求取傳播圖，然后應(yīng)用于霧天視頻處理;若攝像機(jī)處于移動(dòng)狀態(tài)，背景和前景時(shí)刻在變化，則無(wú)法應(yīng)用通用策略，需研究新的增強(qiáng)或復(fù)原手段對(duì)視頻每一幀進(jìn)行快速去霧，或者利用硬件加速來(lái)協(xié)同處理。

第三，去霧結(jié)果的評(píng)測(cè)問(wèn)題。目前，基于圖像去霧的評(píng)測(cè)指標(biāo)繁雜，主觀性因素成分重，沒(méi)有足夠的說(shuō)服力，因此在后續(xù)的研究中需要建立一套統(tǒng)一的圖像質(zhì)量評(píng)價(jià)體系。

綜上，盡管各種去霧算法得到了一定的發(fā)展，但由于有霧圖像中參數(shù)信息的誤差性，現(xiàn)階段的去霧算法還不能夠達(dá)到完美的效果，因此，圖像去霧領(lǐng)域仍具有較大的發(fā)展前景。

參考文獻(xiàn)（References）

[1] 郭璠，蔡自興，謝斌，等.圖像去霧技術(shù)研究綜述與展望[J].計(jì)算機(jī)應(yīng)用，2010，30（09）：2417-2421.

[2] 史昭君，朱家明，楊偉丹，等.基于同態(tài)濾波對(duì)太陽(yáng)耀斑影像云處理的研究[J].北京電子科技學(xué)院學(xué)報(bào)，2018，26（04）：46-52.

[3] HE K， SUN J， TANG X， et al. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2011， 33（12）：2341-2353.

[4] NARASIMHAN S G， NAYAR S K. Contrast restoration of weather degraded images[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2003， 25（6）：713-724.

[5] 張昌利，孟穎，李鵬超，等.基于導(dǎo)向?yàn)V波優(yōu)化暗原色先驗(yàn)的公路能見(jiàn)度檢測(cè)方法[J].科學(xué)技術(shù)與工程，2018，18（06）：162-168.

[6] 陳子妍，龍道銀，王霄，等.基于逆通道與改進(jìn)引導(dǎo)濾波的暗通道去霧算法[J/OL].計(jì)算機(jī)工程，2020：1-10[2020-08-03].https：//doi.org/10.19678/j.issn.1000-3428.0057530.

[7] TAN R T. Visibility in bad weather from a single image[J]. IEEE Conference on Computer Vision and Pattern Recognition， 2008（2）：2347-2354.

[8] FATTAL R. Single image dehazing[J]. Acm Transactions on Graphics， 2008， 27（3）：1-9.

[9] KRATZ L， NISHINO K. Factorizing scene albedo and depth from a single foggy image[C]// International Conference on Computer Vision. Proceedings of the 12th International Conference on Computer Vision. Japan： Kyoto， 2009：1701-1708.

[10] TAREL J P， NICOLAS H. Fast visibility restoration from a single color or gray level image[J]. IEEE Conference on Computer Vision， 2009（5）：2201-2208.

[11] WANG Y， FAN C. Single image defogging by multiscale depth fusion[J].IEEE Transactions on Image Processing， 2014， 23（11）：4826-4837.

[12] ZHU Q， MAI J， SHAO L. A fast single image haze removal algorithm using color attenuation prior[J]. IEEE Transactions on Image Processing， 2015， 24（11）：3522-3533.

[13] CAI B， XU X， JIA K， et al. DehazeNet： An end-to-end system for single image haze removal[J]. IEEE Transactions on Image Processing， 2016， 25（11）：5187-5198.

[14] REN W， LIU S， ZHANG H， et al. Single image dehazing via multi-scale convolutional neural networks[C]// European Conference on? Computer Vision. 2016 14th European Conference on Computer Vision. Springer： Cham， 2016：154-169.

[15] ZHANG H， PATELV M. Densely Connected Pyramid Dehazing Network[J]. IEEE Conference on Computer Vision and Pattern Recognition， 2018（3）：3194-3203.

[16] LI B， PENG X， WANG Z， et al. An all-in-One network for dehazing and beyond[J]. Journal of Latex Class Files， 2015，

14（8）：1-12.

[17] CHEN D， HE M， FAN Q， et al. Gated context aggregation network for image dehazing and deraining[C]// Winter Conference on Applications of Computer Vision. 2019 IEEE Winter Conference on Applications of Computer Vision. New York： IEEE Press， 2019：1375-1383.

[18] YANG X， XU Z， LUO J， et al. Towards perceptual image dehazing by physics-based disentanglement and adversarial training[J]. National Conference on Artificial Intelligence， 2018（2）：7485-7492.

[19] ENGIN D， GENC A， EKENEL H K， et al. Cycle-dehaze： Enhanced CycleGAN for single image dehazing[J]. Computer Vision and Pattern Recognition， 2018（14）：825-833.

[20] MAI J， ZHU Q， WU D， et al. Back propagation neural network dehazing[C]// International Conference on Robotics and Biomimetics. Proceedings of IEEE International Conference on Robotics and Biomimetics. Indonesia： Bali， 2014：1433-1438.

[21] LI J， LI G， FAN H， et al. Image dehazing using residual-based deep CNN[J]. IEEE Access， 2018（5）：26831-26842.

[22] 陳永，郭紅光，艾亞鵬.基于雙域分解的多尺度深度學(xué)習(xí)單幅圖像去霧[J].光學(xué)學(xué)報(bào)，2020，40（02）：71-82.

作者簡(jiǎn)介：

蒲亨飛（1995-），男，碩士生.研究領(lǐng)域：圖像處理.

黃治勇（1996-），男，碩士生.研究領(lǐng)域：數(shù)字圖像處理，深度學(xué)習(xí).