引言
大气颗粒物，包括雾霾、灰尘、烟雾，常常降低户外成像设备获取图像的质量。然而，高质量的图像在交通、监控、医疗和军事等多个领域中是至关重要的信息源,图像作为视觉信息传递的重要组成部分，其质量的好坏直接影响到社会的运行效率、科技的创新发展以及人类的日常生活。因此，去雾算法在这些应用中具有重要意义。
主流的图像去雾技术可以大致分为多图像去雾和单图像去雾。后者可以进一步细分为：基于图像增强的方法、基于图像恢复的方法和基于深度学习的方法。基于图像增强的方法，如小波变换[1]、CLAHE[2]、MSR[3]等，通过增强图像高频分量从而提升对比度来实现去雾。然而，由于这些方法没有考虑雾霾图像形成的物理机制，去雾效果相对较差。基于图像恢复的方法，如DCP[4]、BCCR[5]、CAP[6]等，依赖于不同的先验信息来计算模型中相关参数以实现去雾。这类方法虽然简单，但依赖于先验的正确选择,当先验不适用于某些场景时，图像恢复可能会产生失真。基于深度学习的方法，如DehazeNe[7]、FFA-Net[8]、AOD-Net[9-10]等，通过从大量数据中学习计算相应的参数。然而，由于这些方法依赖于合成的雾霾图像，去雾效果往往不稳定，而且计算复杂。
针对上述问题，本文提出了一种新的基于先验的单图像去雾方法，首先，对输入图像应用直方图统计来确定暗通道和亮通道参数的权重。随后，计算两个通道的大气光值和透射率，并使用这些权重进行参数的自适应融合。最后，使用MSR算法对去雾后的结果进行进一步增强。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000006916
作者信息：
李旭，莫迪，邓山景，江先阳
（武汉大学 物理科学与技术学院，湖北 武汉 430072）
