可见光雾图图像质量增强的方法研究.pdfVIP

摘要

雾在自动驾驶、智慧城市和安防监控等领域影响重大。雾霾天气的出现，给

日常生产和生活带来了严重影响。在雾霾天气下，光学设备受限于环境干扰，导

致图像出现色彩失真、对比度降低以及图像细节信息损失等问题，极大降低了成

像质量。

深度学习在去雾领域展示出显著的潜力，能够有效提升图像的质量。然而，

去雾网络需要大量数据以实现最佳效果，但由于缺乏真实雾图像对，通常使用合

成雾数据集进行训练。这种方法容易导致颜色失真和去雾效果不佳的问题。因此，

有效去雾的难点可归纳为以下三个方面的内容：

（1）如何获得像素匹配的模糊和清晰的图像对；

（2）如何解决去雾过程中颜色失真和去雾效果不佳的问题；

（3）如何解决去雾过程中分辨率下降的问题。

针对上述问题，本文提出了基于循环生成对抗网络（cyclegenerative

adversarialnetwork,CycleGAN）合成雾方法，通过该网络进行不匹配数据对训练，

学习有雾图像的特征，然后赋予清晰图片真实雾特征并与其自身构成匹配数据对，

最后再用此类数据集进行去雾训练。结果表明，这些数据集可以有效解决颜色失

真和去雾效果不佳等问题。同时，还将该方法应用在厚雾和低照度雾天环境下进

行实验验证，实验结果证明了该方法在去雾领域中的适用性。

为了进一步拓展去雾后图像的应用，将去雾后图像的清晰度通过超分辨率技

术得到了进一步的恢复。获得的具有高分辨率的清晰图像拓宽了本文去雾算法的

应用，特别凸显了在自动驾驶和智慧城市的潜力。本研究展示了针对公路交通路

口、户外景观以及飞机场的三个不同场景所进行的雾天图像处理结果。通过对处

理结果进行综合分析和比较，验证了本文所提出的方法在这些多样化场景中的适

用性，进而实现了雾天图像质量的显著提升。

关键词：图像去雾；深度学习；循环生成对抗网络；图像模糊；图像清晰度

Abstract

Hazehasasignificantimpactonvariousdomainssuchasautonomousdriving,smart

cities,andsecuritysurveillance.Theoccurrenceofhazyweatherseverelyaffectsdaily

productionandlife.Underhazyconditions,opticaldevicesareconstrainedby

environmentalinterference,leadingtoissuessuchascolordistortion,reducedcontrast,

andlossofimagedetails,significantlydiminishingimagequality.

Deeplearninghasshownremarkablepotentialinthefieldofdehazing,effectively

enhancingimagequality.However,dehazingnetworksrequireasubstantialamountof

datatoachieveoptimalresults.Duetothelackofrealhazyimagepairs,synthetichaze

datasetsarecommonlyusedfortraining.Thisapproachoftenresultsinproblemslike

colordistortionandsuboptimaldehazingeffects.Therefore,thekeychallengesin

effectivedehazingcanbesummarizedasfollows:

(1)Howtoobtainpixel-matchedpairsofblurredandclearimages;

(2)Howtoaddressissuesofcolordistort