随着科技的进步,大量的户外数字图像被采集、分析用于各种各样的科学研究、生产实践,如目标检测,地形分类,户外摄影等。然而,由于户外环境下水气或空气中悬浮颗粒的存在,户外采集的图像常常伴有雾或者雾霾,这引起了图像对比度降低、部分场景缺失、颜色偏移等一系列退化现象,对科研、生产造成了不同程度的干扰。因此,寻找一种有效的数字图像去雾方法是至关重要并且必不可少的,本文结合深度学习的特点,使用循环GAN结构,将自然雾图的去雾过程视为同一场景图的有雾到无雾的风格转换问题,并结合雾霾图像还原的特点加入色调约束,本方法相对于现有的方法,解决了以下问题:1、针对当前大多采用先验知识方法中设计先验物理模型复杂,特征提取不完备,去雾速度慢的问题,本方法通过直接训练循环生成对抗网络得到最优生成网络G,直接生成无雾图,避免人工设计先验模型,且去雾速度更快。2、针对传统神经网络用于解决图像去雾中需要获取大量成对匹配的同一场景下有雾图和无雾作为训练数据集,而这一数据集获取困难的问题,本文使用的循环生成对抗网络,不需要同一场景的有雾-无雾匹配图像,只需要真实的有雾图和无雾图作为训练集,即可训练得到最优生成模型G。3、针对传统先验模型中容易出现颜色偏移,对比度过高,造成颜色失真的问题,本方法在训练循环生成对抗网络中加入色调约束,用以提高去雾后图像的色彩还原度,有效的改善了颜色失真的问题。