摘要
雾天环境下采集的图像通常会产生图像信息丢失或模糊的问题，而图像质量对数据准确性和视觉感知具有重要影响，降质的图像往往会影响人们的生产生活。为了还原图像原本的模样，研究者们开始探索并发展图像去雾这一研究领域，提出了很多经典的去雾算法。前期的去雾算法多采用图像增强的方式，如利用小波变换和伽马校正的方式来实现图像去雾，此外，还有一些方法基于大气光散射模型，引入关于求取透射率图的先验知识来获取复原图像。近年来随着深度学习的发展，通过构建端到端网络模型来去雾也成为了研究的热点。通过认真研究去雾算法的发展历程以及算法核心，本文将图像融合作为设计去雾算法的总方向，理解并运用雾天成像的物理模型以及深度学习技术，提出了基于融合策略的单幅图像去雾方法，具体如下: (1)本文提出一种基于三阶段融合框架的去雾方法。首先，采用基于暗通道先验(DCP)的多尺度暗通道图像融合技术，选取不同的滤波器窗口大小对原始有雾图像进行处理，获得不同的复原图像，再通过求取复原图像与有雾图像在轻度污染区域的结构相似度确定不同复原图像的融合权重，进而获得这一阶段的融合结果。其次，利用一组不同的伽马校正系数对输入图像进行变换，再通过一个改进的导向滤波金字塔对变换图像进行融合。最后,将对比度和饱和度作为评价指标求取第一阶段和第二阶段融合结果的评价图，通过这个评价图确定融合权重，将前两阶段的结果进行最终融合。这样获取的去雾结果结合了基于图像恢复方法和图像增强方法的优势，确保去雾结果具有良好的饱和度和对比度。所提出的方法经过详细的实验评估，进行了定性和定量分析，得到的结果表明，所提出的方法能够有效提升去雾能力，并有利于处理远距离有雾图像。 (2)本文提出一种基于多分支校正融合优化网络的单幅图像去雾方法，包括多分支校正模块(Multi-BranchCorrectionModule,MBCM)和深度多尺度融合优化网络。MBCM有模型组合校正处理器、对比度增强校正处理器和白平衡颜色校正处理器三个分支，可以生成关于原始有雾图像的不同校正视图。MBCM的输出可以为后续深度多尺度融合优化网络提供积极的初步准备。在图像融合优化的过程中设计了一个残差注意力并行膨胀卷积块(ResidualAttentionparallelDilatedConvolutionBlock,RADB),可以更好地提取图像特征。此外，还设计了解码器减法策略，可以有效补偿由下采样操作引起的特征信息丢失。最终得到去雾图像，它结合了不同中间结果的优势，并具有令人满意的视觉呈现效果。实验结果表明，与最先进的方法相比，所提出的方法具有更理想的去雾效果。
NETL