雾霾图像清晰化算法综述

摘要: 雾霾图像不仅影响视觉效果，而且模糊不清晰的图像容易为后续识别、理解等高层次任务带来困难。雾霾图像清晰化问题是一个典型的不适定问题，其成像过程难以精确建模，消除图像中的雾霾面临巨大的挑战。近年来，研究者提出大量的图像去雾算法克服雾霾引起的图像降质退化，为全面认识和理解图像清晰化算法，论文对其进行梳理和综述。首先，对雾霾图像清晰化算法进行整理，根据雾霾退化过程是否有模型支持，将清晰化算法分为基于Retinex模型、大气散射模型去雾算法和无模型图像去雾算法。大气散射模型是有模型算法中主流模型，本文详细剖析了模型成像机理，并根据其成像机制揭示大气散射模型容易受大气浓度均匀分布假设的限制，较难处理非均匀雾霾图像问题。基于深度学习的无模型图像去雾算法则不仅可以应对非均匀雾霾图像，而且去雾性能获得了极大地提升。其次，本文汇总了近年来常用去雾数据集，从数据集适应范围、规模、可扩展性等多个维度进行总结。并根据雾霾图像形成方式，对人工合成雾霾数据集和真实拍摄数据集分别从定性和定量的角度探讨了数据集对图像去雾算法的影响。

• 关键词: 
• 图像清晰化  /  
• 图像去雾  /  
• 不适定问题  /  
• 图像降质  /  
• 大气散射模型  /  
• 深度学习  /  
• 无模型  /  
• 非均匀雾图  

随着人工智能技术的发展，机器视觉、计算机视觉技术在科研领域、人们日常生活都得到越来越广泛的应用，如无人驾驶[1]、安防监控[2]、行为识别[3]、目标检测[4]及跟踪[5]。计算机视觉技术通常需要以清晰的图像作为基础，模糊不清的低质图像会导致检测效果下降，甚至失败。