梅 葳, 李 昕
(上海大学机电工程与自动化学院, 上海 200072)
在物理学中,雾是由于水蒸气的液化而形成的一种液态气溶胶凝结物。当大气中存在雾霾时,空气中的小水珠发生凝结后会影响光线的传播从而导致能见度极大地降低。因此,视觉传感器在有雾天气下拍摄的图像存在饱和度差、亮度低、对比度不高等缺陷[1]。计算机视觉的许多应用(包括物体识别和分类、目标追踪、图像特征提取以及一些其他的实际应用)都会受到有雾图像低能见度的影响[2]。因此,消除雾霾得到无雾图像有非常显著的研究意义以及应用价值。
近年来,越来越多的计算机视觉领域的专家相继提出一些去雾算法,这些方法在提高图像的可视化效果上都有突破性的进步。其中,Qu[3]等人发现在雾天情况下由于空气中存在凝结物,光的散射会产生偏振,于是用偏振器获取图像不同角度的信息进行复原,但这类算法过程非常复杂,时间复杂度高,不利于实际去雾的应用。Cai[4]等人提出一种基于端对端的深度学习去雾算法,采用基于卷积神经网络的深层架构,学习有雾图像和透射率之间的关系,训练得到透射图,再根据大气散射模型去雾,但这类算法对数据集的数量和质量要求较高,并且依赖于高性能的成像设备,否则需要通过人工加雾来生成数据集。根据室外清晰图像比雾天图像对比度大这一特点,Tan[5]等人提出最大化局部对比度的方法进行图像复原,此方法在一定程度上增强了图像的能见度,但复原图片往往在梯度变化较大的地方产生伪影效应。……