随着计算机技术与图像处理技术的发展，计算机视觉被广泛应用到智能交通、遥感遥测、小区监控、自动驾驶等多个领域中。然而，工作在户外的计算机视觉系统在采集图像的过程中，容易受到外界环境的干扰。特别在雾霾天气下，采集的户外图像往往退化严重，主要表现为清晰度下降、色彩失真等，而将特征受损的图像作为输入必然会影响系统后续对图像的分析和理解，削弱视觉系统的工作性能。因此，研究如何有效地从有雾降质图像中重建出原始图像，对提高视觉系统的应用性能和鲁棒性具有重要的现实意义。 本质上，图像去雾的目的在于从退化图像中去除来自天气因素的干扰，增强图像的清晰程度、颜色饱和度，最大限度地恢复图像有用的特征。论文的主要工作是在分析单幅有雾图像特征的基础上，结合雾天成像的机理，从图像增强和图像复原两个方面，分别设计对应的单幅图像去雾算法。主要内容包括： (1)针对传统图像增强类算法在图像去雾的应用上表现出的局限性，提出基于场景雾化程度估计的有雾图像增强算法。算法充分挖掘有雾图像在亮度、梯度、饱和度等方面的特征衰减与景物深度分布之间的联系，利用雾图多特征先验对场景雾化程度进行估计。再基于全变分优化的数学模型，从原始雾图中分离出有效的纹理分量，并根据估计得到的雾化程度分布，对图像的纹理分量和色彩饱和度分别执行自适应增强和校正处理。实验结果表明，本算法能够较好恢复雾化场景的特征，在提高清晰度和色彩保真两方面均取得不错的主观效果。 (2)为解决户外图像天空区域暗通道先验失效的问题，提出基于大气散射模型的有雾图像复原算法。算法充分利用天空部分在亮度、连通性、位置、概率分布等方面的特征，设计出天空区域识别方法，并将天空识别结果用于全局大气光的估计和透射率下限的自动调节，以避免天空部分透射率的过低估计，防止复原天空部分色彩失真；为减少高分辨率图像在透射率估计方面的计算开销，本算法依据暗通道先验，利用降采样后的有雾图像进行透射率的初步估计，并应用最小滤波和联合双边滤波对透射图进行进一步的优化处理。实验结果表明，采用本算法估计得到的透射率分布在保留场景结构、保持景深一致区域的局部平滑性方面具有较好的效果，复原图像中远景更加清晰，天空区域色彩保真度高，算法实时性能较好。 (3)针对最小滤波模板尺寸参数难以统一设置的问题，提出基于多尺度融合和全变分优化的透射率估计的优化算法。算法首先利用暗通道先验，根据不同的滤波模板尺寸，从输入原始雾图中导出两幅透射粗估计图；然后，对两幅透射图粗估计，执行拉普拉斯金字塔分解，在不同分解层上，依据两者在边缘、纹理保留上的差异性，执行逐层加权融合处理；最后，利用全变分模型对透射图执行局部平滑优化，进一步消除透射图中高频纹理噪声分量，并应用基于梯度近似的迭代方法加速优化模型的求解。另外，算法依据景深分布与雾气浓度的一致性变化关系，利用场景中浓雾区域的多先验特征，通过定位场景最深像素点位置实现全局大气光的估计，从而在一定程度上减少高亮物体对估计大气光带来的不良影响。实验结果表明，利用本算法复原后图像在整体对比度增强、细节保留、颜色饱和度恢复等方面均取得较好的效果。
NETL
