基于深度学习的图像去雾算法的研究分析

胡娜

中国人民大学 100872

摘要：现代无人机设备等设备容易受到雾霾天气影响，在景色图像获取的时候会表现出低对比度、弱色彩、低信息可辨识度等现象，为了解决此类现象，本文期望借助深度学习算法的方法。依靠其强大的数据学习与决策能力，能够在图像去雾方面呈现出良好的实际效果。

关键词：深度学习 算法 图像增强

无人机设备、图像制导弹药等用于侦察打击的设备受到雾霾天气影响，在景色图像获取的时候会表现出低对比度、弱色彩、低信息可辨识度等现象，这些质量较低的图像势必会影响侦察效果，降低目标识别效率，影响打击目标的任务等，所以，基于新技术手段为图像去雾尤为关键，也是在机器视觉领域研究的重点内容。在当前信息领域发展阶段，采取技术手段为图像去雾包括有两种方法，分别是基于物理模型复原法和基于图像增强法。在近些年来，深度学习方法凭借其强大的数据学习能力，能够在图像去雾方面呈现出良好的应用效果。

1、深度学习浅析

深度学习法在神经网络中将信息逐层传递，主动从庞大的数据信息中获取有效特征信息，并实现信息自动挖掘，省却人工获取数据特征的环节，提高数据信息处理效率，当前在识别、分类和预测语音和图像等领域范围内已经广泛应用深度学习手段。在现有的去雾算法中，最为突出的问题之一是就某种特定带雾图像进行处理，特别是照度条件差、雾级程度高条件下拍摄的图像。通过应用现有的去雾方法所形成的图像往往会出现失真现象，导致全图整体亮度下降。所以，在新技术支撑下，要积极寻求灵活应用于不同雾级、不同场景的带雾图像处理方案。

近年来，研究分析图像预处理算法能够为高级视觉任务打好基础，纵观当今开发而成的计算机视觉类顶级会议，国内外越来越多的研究人员投入精力和时间思考与他那就高级视觉信息处理技术和图像预处理技术的热潮中。在深度学习技术发展的前提下，图像去雾作为基础的图像预处理方向之一，将会朝向更加全面的方向发展，且也会涌现出多种类型的去雾算法。一言以蔽之，以图像智能处理系统为基础强化图像去雾效果，可最大限度的增强雾图清晰度。

2.视频图像去雾算法的贡献

本文从传统的视频图像去雾算法为出发点，思考归纳其在实际应用中存在的局限性，总结出在网络结构和数据训练视域下深度学习方法存在的不足。基于既有研究成果提出新的研究方案，从两个路径设计以卷积神经网络为基础的去雾算法。第一，应用网络技术手段对雾图透射率进行估计，按照估计的结果构建大气散射模型，从而确保恢复的图像具有良好的清晰度。第二，规避单独估计透射率和大气光值出现的问题，利用雾图直接估计的方法获取清晰度很高的图像。

3.研究综述

在野外条件下，大气颗粒物的散射效应会导致图像严重退化，严重影响视觉效果和应用价值，因此有必要对图像进行消雾处理，以提高图像的清晰度和保真度。基于暗通道优先的原理，利用区域生长算法精确估计雾图像的深度信息，并利用雾图像的物理模型对图像进行消雾和亮度补偿。黄一珉通过实验，结果表明暗通道优先原理有效地提高了图像质量，大大缩短了图像除雾所需的时间^[1]。

暗通道先验算法在处理单幅图像时可以取得较好的效果，但该算法速度较慢，耗时较长。王高峰，张赛，张亚南等人提出了一种更好的方法，用引导滤波器代替暗通道中的软抠图算法，此外，它还采用了箱型滤波器来获得高速^[2]。同时，为了提高图像的输出质量，采用分块处理和3×3模板来解决图像的深色问题，获得了较好的透射比t值。暗通道先验算法不仅处理速度快，而且图像质量好，经过处理的图像非常自然和逼真。

姚晶晶在分析雾降质图像模糊性的基础上，提出了一种改进的雾降质图像除雾算法，该算法通过对退化图像进行归一化处理，消除了不同雾霾条件对灰度分布范围的影响^[3]。雾降质图像除雾算法根据雾天大气对比度的衰减规律，增强了模糊区域归一化图像的对比度，改进算法的良好视觉效果。

针对雾降质图像对比度低、清晰度低的问题，Graffieti Gabriele,Maltoni Davide提出了一种基于稀疏表示的图像去雾算法^[4]。该算法首先将图像从RGB空间变换到HSI空间，利用两级小波变换提取图像亮度分量的特征。然后，利用K-SVD算法训练字典，学习无雾图像的稀疏特征，重构出雾图像的I分量。对饱和分量使用非线性拉伸方法可以提高图像的亮度。最后，将HSI空间转换为RGB颜色空间，得到消雾图像。实验结果表明，该算法能有效提高图像的对比度和视觉效果，与几种常用的去雾算法相比，图像饱和像素的百分比要优于比较算法。

为了解决浓雾天气下室外采集的图像严重退化的问题，Baowei Wang,Bin Niu,Peng Zhao,Neal N. Xiong提出了一种浓雾图像去雾算法，雾日成像物理模型简化分析的同时，提出了雾浓度因子的概念

^[5]。基于暗通道先验的单幅图像去模糊算法解决了雾和天空场景的透过率估计问题。该算法恢复的图像清晰自然，但是复杂度高，满足实时性要求需要很长时间。通过估计单幅雾图像的能见度值，得到雾浓度系数的值，然后将其与图像的各向异性高斯滤波器相结合，以估计大气光值。使用修复功能对雾气图像进行除雾。对烟雾图像进行有效的去雾处理是十分必要的。实验表明，改进后的算法在保证原算法变形效果的同时，大大降低了算法的复杂度。

4.总结

通过上述的研究可以发现单幅图像去雾是一个具有挑战性的不适定问题，现有的图像去雾方法通常是基于各种先验或假设得到去雾解，在实际应用中难以满足。Ma Rui-Qiang,Shen Xing-Run,Zhang Shan-Jun,Torres Javier Martinez提出了一种基于深度学习的单幅图像去雾方法，该方法的先验和假设不成立^[6]。首先，利用三尺度卷积神经网络对传输图的预测进行逐步细化。其次，在获得传输图后，利用大气散射模型恢复无雾图像。实验结果表明，本文提出的基于深度学习的除雾算法在自然雾霾图像和合成图像上都取得了优于现有算法的性能。

参考文献

[1]黄一珉. 基于深度学习模型与联合优化的单幅图像去雾算法研究[D].大连理工大学,2019.

[2]王高峰,张赛,张亚南,邵倩,高涛.基于改进DehazeNet的图像去雾方法[J].计算机系统应用,2021,30(05):208-213.

[3]姚晶晶. 基于深度学习的单幅图像去雾算法研究[D].西安电子科技大学,2019.

[4]Graffieti Gabriele,Maltoni Davide. Artifact-Free Single Image Defogging[J]. Atmosphere,2021,12(05):12.

[5]Baowei Wang,Bin Niu,Peng Zhao,Neal N. Xiong. Review of single image defogging[J]. International Journal of Sensor Networks,2021,35(02):1.

[6]Ma Rui-Qiang,Shen Xing-Run,Zhang Shan-Jun,Torres Javier Martinez. Single Image Defogging Algorithm Based on Conditional Generative Adversarial Network[J]. Mathematical Problems in Engineering,2020,2020:1.