近些年来,大雾天气的加重使得监控摄像机获取的图像变得模糊,难以准确地跟踪目标图像并进行识别。随着自动驾驶、异常状况监测、大气环境检测的需求日益上升,对雾天图像进行分析处理有了更广阔的市场应用前景。红外摄像头的穿透能力强,但是成本高昂、维护困难、经济效益有限。因此,图像去雾算法的研究具有十分重要的理论研究意义和实际应用价值。本文对图像去雾算法进行了系统研究,首先分析了基于暗通道先验的图像去雾算法。基于暗通道先验的去雾算法通过研究大气中雾成像的物理模型,计算得到暗通道图像并判断图像中的大气光强度,输出图像的大气透射率。但是,该算法对大气透射率的估计不准确,去雾图像存在明显的光晕现象。随着深度学习算法的不断发展,卷积神经网络(Convolutional Neural Networks,CNN)在估计图像的大气透射率上有优势,生成对抗网络(Generative Adversarial Networks,GAN)可以摆脱大气物理模型的约束,避免大气物理模型中参数误差累计的问题。因此,本文重点研究了基于卷积神经网络和基于生成对抗网络的图像去雾算法。下面是本论文的主要工作和创新之处:1.本文提出了一种基于多尺度卷积神经网络(Multi-scale convolutional neural network,MSCNN)的图像去雾算法。在卷积神经网络中引入了多尺度结构,使用两个卷积神经网络来输出大气透射率图像。两个卷积神经网络分别提取粗尺度和细尺度的图像信息,获得精细化的大气透射率图像。网络的加深可以挖掘图像的深层次信息,使处理得到的大气透射率图像更加精确并消除了光晕现象。此外,在估计大气光强度时,采用了超像素分割算法提取出天空区域,将大气光强度的提取范围限制在天空区域,防止图像中的其他目标和点光源影响大气光强度的估计。通过与现有算法的实验对比,验证了该方法的有效性。2.针对大气物理模型在建模过程中出现的误差累积问题,本文提出了一种基于Wassertein GAN的图像去雾算法。输入的带雾图像首先进入生成网络进行去雾,然后将去雾后的图像输入到判别网络中,Earth-Mover距离越小,去雾图像越接近真实图像。论文的生成网络中借鉴残差网络的思想,在全卷积神经网络结构中引入了跳跃连接,解决了神经网络深度增加带来的梯度弥散的问题。为了保证网络去雾过程的精度和速度,引入了批量归一化帮助神经网络加快收敛。同时引入了感知损失函数,帮助完善去雾图像的细节特征。实验结果显示,在复杂背景和高雾气浓度的情况下,该方法的图像去雾效果更好且性能更加稳定。