密集连接扩张卷积神经网络的单幅图像去雾

刘广洲，李金宝+，任东东，舒明雷

1.齐鲁工业大学（山东省科学院）山东省人工智能研究院，济南250014

2.黑龙江大学计算机科学技术学院，哈尔滨150080

雾是一种常见的大气现象，它是由空气中的水汽凝结物、灰尘、烟雾等微小的悬浮颗粒产生。由于光线在传播过程中与大量悬浮颗粒发生交互作用，光能被重新分布，使得雾天图像通常呈现模糊泛白、色彩饱和度下降、观测目标严重退化的现象，导致许多基于视觉的系统和任务性能急剧下降。

图像去雾是一种不适定逆问题，其目的是从退化图像中恢复高质量的无雾图像。尽管经过几十年的研究，但由于雾传播的位置变化和未知深度，使得图像去雾仍然是一个非常具有挑战性的任务。许多单图像去雾方法是基于经典的大气散射模型[1]。

其中，I(x)为退化的有雾图像；J(x)为无雾图像；A为全局大气光；t(x)为透射图；x为像素位置。

由式（1）可以看出，无雾图像的求解取决于透射图和大气光的估计。人们提出了许多方法来解决透射图和大气光的估计问题，主要分为基于手工先验的方法和基于学习先验的方法。基于手工先验的方法通过利用不同的先验知识来估计透射图，如暗通道先验、对比度先验和模糊先验等。基于学习先验的方法则是以数据驱动的方式对透射图和大气光进行估计。但这些方法都需要依赖于大气散射模型，透射图和大气光的估计精度对去雾图像的质量影响很大。

最近，一些基于卷积神经网络（convolutional neural networks，CNN）的端到端去雾方法被提出，这种方式直接通过CNN 恢复出干净的无雾图像，摆脱了大气散射模型的约束，从而获得更好的性能和鲁棒性。……