雾霾、沙尘、水下等特殊成像条件下观测到的图像,易受到传播介质的影响,呈现对比度低、细节丢失、色彩畸变等问题,降低成像质量,甚至丢失特征信息。这些都影响了后续的识别、检测任务,给监控、探测等机器视觉应用带来困难。近年来,基于成像物理模型方法和数据驱动方法在图像复原领域均取得了显著的成效。因此,本文针对雾霾、沙尘、水下等条件下的观测图像,基于成像物理模型,结合循环生成对抗网络,研究模型与数据联合驱动的退化图像复原方法。1.本文基于成像物理模型,提出了自适应多阶段退化图像复原方法。其中,针对模型参数求解过程中的先验单一问题,提出了融合深度图和高亮图的环境光估计方法以及自适应非线性透射率图估计方法;为了在复原过程中增强细节的同时抑制噪声,提出了结合相对全变分项和梯度约束项的多目标优化函数;最后,为了解决不同退化图像中的色彩偏移问题,提出了基于色彩偏移量的自适应颜色校正方法。通过在水下、雾霾和沙尘图像的实验结果表明,所提出的方法在不同退化图像复原上的有效性,且在细节和颜色等方面的复原结果均优于对比方法。2.针对成对水下图像数据集缺失的问题,本文提出了基于成像物理模型的水下图像生成网络。由于水下图像不同通道衰减程度不同,结合成像物理模型提出了条件环境光生成网络、密集连接深度生成网络和衰减系数生成网络。其中,条件环境光生成网络以真实地面图像的结构特征为条件,并引入平滑层,可生成更加符合人眼感受和水下图像衰减特点的环境光;深度生成网络采用密集连接结构以保持原图结构信息;衰减系数生成网络针对水下图像衰减特性,生成各通道衰减系数。最后将输出的环境光、深度图和衰减系数用于合成水下图像。3.针对生成水下图像与真实图像退化情况不一致,导致复原效果差的问题,本文在上述水下图像生成网络的基础上提出了联合水下成像物理模型和循环生成对抗网络的水下图像复原算法。采用循环生成对抗网络机制进行约束,保证生成水下图像更符合真实水下图像的退化情况,同时可以实现有效的水下图像复原。此外,为了保证生成水下图像的色彩一致性和复原图像的细节保持,提出了光照一致性损失和细节损失。在U45,RUIE数据集上的对比实验表明,本文提出的算法在色彩复原、细节保持等方面均优于对比方法。消融实验验证了本文提出的条件环境光生成网络和细节损失的有效性。