雾天场景下,空气中悬浮着大量的微小水滴,光线在通过这些水滴时会发生散射和折射现象,因此成像系统在雾天场景下获取到的图像会发生退化现象,通常表现为图像整体泛白,图像的对比度和色彩饱和度降低,从而造成图像的部分细节信息丢失,使得图像特征难以辨认,不仅降低了图像的视觉效果,也增加了对图像进行后续处理的难度,导致各种依赖于成像系统工作的户外监控系统,检测系统的应用受到极大限制。因此,研究如何对雾天场景下成像系统获得的模糊有雾图像进行清晰化处理,对大气退化图像的复原和图像视觉效果的增强有着非常重要的现实意义和很大的实际应用前景。本文分析了图像去雾清晰化的国内外研究现状,在此基础上对雾天图像清晰化技术进行了相关的深入研究,主要内容包括了三个方面:基于天空分割和暗通道先验的图像清晰化方法研究、基于多尺度卷积神经网络的图像清晰化方法研究和基于条件生成对抗网络的图像清晰化方法研究。主要研究和贡献如下:(1)针对原始暗通道先验方法在处理含有大面积天空的有雾图像时,容易造成去雾图像不同程度的天空颜色失真问题,以及图像整体亮度偏低的问题,本文提出了一种基于天空分割和暗通道先验的单幅图像去雾方法。原始的暗通道先验方法在计算有雾图像的透射率时,对于图像的天空区域和非天空区域不加区分,但由于天空区域的暗通道值不趋近于零,导致估算出的天空区域透射率不准确。为此本文采用了天空分割的思想,利用高斯混合模型对有雾图像进行建模,并用EM算法优化模型参数,从而将有雾图像分割成天空区域和非天空区域;然后根据天空区域雾的浓度不同再将该区域划分为淡雾区、中雾区和浓雾区,并重新估计透射率;最后结合大气散射模型实现了图像去雾并进行了局部色调映射以增强视觉效果。实验结果显示,该方法对于含有大面积天空的有雾图像能够取得良好的清晰化效果,去雾图像没有出现颜色失真现象,图像整体视觉效果良好。(2)针对传统的图像去雾方法需要以一定的假设或者先验条件为前提,并且依赖人工方式提取雾的相关特征,以及受去雾场景限制导致去雾效果不稳定的问题,本文提出了一种基于多尺度卷积神经网络的单幅图像去雾方法。该方法首先设计了一个全卷积神经网络模型,通过多尺度特征提取的方式学习有雾图像与其对应场景透射率之间的映射关系;然后根据模型学习得到的透射率计算大气光值;最后根据大气散射模型实现有雾图像的清晰化。实验结果表明,该方法克服了传统去雾方法受先验信息或假设条件以及去雾场景限制的问题,取得了良好的图像清晰化效果。(3)针对大多数去雾方法依赖于大气散射模型,需要先估算透射率,再据此计算大气光值实现图像去雾,此过程容易受中间参数的影响导致去雾问题,本文提出了一种基于条件生成对抗网络的单幅图像去雾方法。该方法构建了一个条件生成对抗网络去雾模型,通过生成器和判别器之间的对抗训练,直接学习有雾图像与清晰图像之间的映射关系,从而实现图像去雾。该方法的图像清晰化过程不再使用大气散射模型,实验结果表明,该方法能够有效地实现图像去雾,同时在图像细节信息保持方面表现良好。