基于深度学习的多尺度轻量级图像去雾网络

毛青宇，杨晓敏

(四川大学电子信息学院，成都610065)

0 引言

雾霾是一种常见的自然天气状况，由于大气中存在着漂浮的尘土、颗粒和水滴，大气光在通过这些悬浮颗粒物时导致观测物体的反射光在到达成像设备前产生衰减与模糊，最终采集的图像因色彩衰减严重、对比饱和度降低等质量问题，给人们的生活与各种计算机视觉系统应用带来了严重的影响(如图片识别、分类、无人驾驶和监控视频分析等)。因此，图像去雾作为恢复恶劣天气下获取的退化图像的关键技术受到了人们的关注。

由于雾霾导致的图像退化过程可以用经典大气散射模型[1，2]表示:

I(x)=J(x)t(x)+A(1-t(x) )

(1)

式(1)中，I(x)表示成像设备获取的雾霾图像；J(x)表示真实场景图像或称理想的清晰图像；t(x)表示大气传输图；A表示全球大气光。在这里我们假设大气光值是均匀的，此时大气传输图可以表示为t(x)=e(-βd(x))，其中β表示大气散射系数，d表示景深。

现有的单幅图像去雾方法可以简要的分为两类：基于传统先验知识的图像去雾方法和基于深度学习的图像去雾方法。在2016年以前，基于传统先验知识的图像去雾算法占据主流。Fattal等人[3]根据先验知识和主成分分析提出了一种估计场景反射率的物理模型方法；He等人[4]通过分析清晰图像与雾霾图像在颜色通道的不同表现，提出了暗通道先验方法(Dark Channel Prior，DCP)，取得了明显的去雾效果提升，但对于天空、雪地等物体颜色与大气光强度相似时的场景，恢复图像会产生严重的颜色失真。……