1引言目前大多数交通监控、智能汽车、目标检测和其他系统都假定输入图像是清晰的，然而由于大气中烟雾和粉尘等悬浮颗粒物的存在，视觉系统通常会捕获能见度和对比度降低的图像。因此增强图像清晰度是一项必要的任务。目前，针对去雾的研究可分为三种：图像增强，图像复原和深度学习方法[1]。基于图像增强的方法忽略图像内在机理，直接消除多余的干扰信息，提高亮度和对比度，从而恢复出清晰图像。LandEH等[2]以色感一致性理论为基础提出Retinex，单尺度Retinex[3]能增强对比度和在动态范围大幅度压缩，多尺度Retinex[4]可提高色彩饱和度，实现局部动态范围压缩，但当雾分布不均匀时会产生光晕现象和色彩失真。直方图均衡化是一种全局对比度增强方法，计算量较低。PizerSM等[5]提出一种图像对比度增强方法，即限制对比自适应直方图均衡化(ContrastLimitedAdaptiveHistogramEqualization，CLAHE)，限制直方图以减弱噪声强度。SrinivasanS等[6]提出一种自适应局部区域伸展(LocalRegionStretch，LRS)直方图均衡化，它在灰度区间对图像像素点均衡化。上述基于直方图的去雾方法会丢失边缘等细节信息，降低有用信息对比度导致对比度异常。Ancuti等[7]提出了基于融合的图像去雾方法，通过融合白平衡和增强对比度两个原始模糊图像实现，由于不考虑雾霾物理模型，该方法在复原色彩等方面不够准确。基于图像复原的方法大多考虑大气散射物理模型[8]，去雾能力较图像增强方法有些许提高。HeK等[9]提出一种暗通道先验(DarkChannelPrior，DCP)的方法进行去雾，根据大多数有雾图像的统计规律估计透射率，并由大气散射模型得出去雾图像，但在天空区域色彩失真。PangJ等[10]结合了暗通道先验和引导图像滤波方法进行单图像去雾，得到精细的透射图。ZhuQ等[11]提出了一种颜色衰减先验(ColorAttenu-ationPrior，CAP)，对模糊图像的场景深度使用线性模型学习参数，接着恢复深度信息，进而通过大气散射模型估计透射率并去除雾气。FattalR等[12]提出了一种单幅图像去雾算法，通过假设表面阴影与透射率统计独立改进了大气散射模型，增加了表面阴影参数。TanRT等[13]观察到无雾图像对比度高于有雾图像，大气光数值与成像距离有关，从而建立马尔科夫随机场的成本函数计算得出大气光。基于实时除雾需要，TarelJP等[14]考虑大气衰减模型和大气光模型，利用中值基于空间通道Transformer的双分支网络图像去雾方法张望（西华大学汽车与交通学院，四川成都610039）摘要：近年来，雾霾...
