在雾霾天气条件下,雾霾中的微小颗粒物不仅会对场景的反射光线进行散射和吸收,同样也会对一些大气光进行散射。因此,相机拍到的图像往往会面临对比度降低、图像细节损失等图像质量退化问题。由于物体的细节难以被识别和检测,这种低质量的有雾图像会严重影响一些高级视觉任务的精度,例如:目标检测、特征提取和目标跟踪。为了能够从有雾图像中恢复出清晰的图像,图像去雾算法在计算机视觉领域引起了人们的广泛关注,并被应用于一些特殊场景中,例如:自动驾驶、视频监控和遥感图像分析。有雾图像面临着高频信息的丢失和低频信息的增加。因此图像去雾算法面临的主要挑战在于如何能从有雾区域内恢复出更好的图像细节,比如图像的边缘和纹理。基于图像增强和图像复原的传统去雾算法虽然在边缘细节的恢复上更有优势,但是恢复的结果往往存在色彩退化、光晕伪影等现象。随着深度学习技术的发展,基于深度学习的去雾算法表现出了比传统算法更好的视觉效果,但多数算法对图像的边缘细节恢复并不敏感。相比之下,由于卷积网络模型的泛化能力高,基于深度学习的去雾算法从而具备更广泛的适用性。考虑到传统算法和深度学习的各自优势,结合图像边缘先验和深度学习技术,本文首先提出了一种“先恢复边缘,再恢复无雾图像”的两阶段学习去雾网络。该网络以有雾图像作为输入,可以直接输出清晰的无雾图像,是一种端到端的网络模型。两阶段网络主要由两个子网络构成:用于生成边缘图的Edge-GAN和用于输出无雾图像的IDN。其中,每个网络的主干部分均由包含通道注意力机制和像素注意力机制的残差特征注意力模块组成。这种注意力机制可使网络把特征学习的重点放在与雾相关的像素上,而不是其的他低频像素上。其次,在NITRE和RESIDE数据集上,本文不仅对提出的网络模型进行了训练和测试,还对一些基于图像增强的去雾算法、基于图像复原的去雾算法和基于深度学习的去雾算法进行了仿真实验与结果分析。而且本文还使用了7种客观图像质量评价指标来验证本文方法的有效性,主要包括:SSIM、PSNR、NIQE、SSEQ、e、r和σ。最后,本文还对所提算法的运行时间进行了分析,并对所提网络的结构进行了消融研究。实验结果表明,本文的方法具备一定的可行性和有效性。