- 前言
近年来，随着工业全球化发展，大气排放物迅速增多致使大气污染越来越严重，导致雾霾天气出现频繁。不仅对人们的健康造成困扰，还会对人们的出行安全产生危害，尤其是交通安全方面和视频监控方面。由于雾天的低能见度和可视性差容易造成人们产生错觉，致使发生恶性交通事故。因此汽车安全辅助驾驶系统被设计出来用于在恶劣的环境中识别路况信息。所以计算机图像采集系统对这种恶劣天气的图像采集往往偏向模糊、失真、掉帧、亮度偏暗、图像物体特征难以辨认等。不仅对交通安全产生安全隐患，还会对一些需要计算机视觉提供图像信息帮助的系统或组织产生影响。特别是交通方面，随着智能驾驶的发展，计算机图像采集也尤为重要，而且计算机视觉图像采集是攻破自动驾驶课题的难题之一。因为无论是半自动或者是全自动泊车系统都需要计算机视觉图像采集一些必要的信息才能执行下一步操作。
自动驾驶对计算机视觉图像采集要求更高，不仅需要清晰准确的图像，还需要能够克服恶劣天气的影响。但因为恶劣天气雾天的存在，采集到的图像往往不能给计算机智能系统或驾驶人员提供判断依据，还会造成误判或系统故障等问题。而造成这种现象的问题之一是雾天空气中存在的固体微粒会对光散射造成形成的图像模糊不清，整体偏灰白色，而且经过多重算法复原的图像没有确定的标准很难实现原图复原。所以为了提高图像采集的清晰度，还原图像采集的物体特征，对复原图像的主客观评价标准，本课题对上述所存在的问题，以及可能存在的问题进行具体分析研究，在先验知识基础上设计算法，以增强车载视觉图像去雾的能力。因此对该问题的研究具有一定的现实意义，所以自动驾驶视觉感知图像去雾系统算法研究显得十分必要。
- 正文
随着计算机视觉感知图像系统的发展，目前主要有两种主流的去雾方法。一是基于图像增强的方法，通过增强被降质的图像，来改善图像的质量，还可以运用已有的算法对图像进行有针对性的运用和改良，来增强图像对比度突出图像中景物的特征和有价值的信息。但会造成部分信息丢失，图像失真。一是建立物理模型的方法，通过分析光在大气中的散射作用建立大气散射模型，了解图像退化机理，进而反复推演出未降质前的图像，这样复原后的图像接近真实图像，尤其是复杂的场景处理效果好，图像中的信息能够较完整的保存[1]。根据已掌握的文献资料显示，基于暗通道先验知识（DCP）去雾理论是很多算法的基础。
2.1国外发展状况
在国外，他们认为雾霾通常会限制能见度，降低室外图像的对比度，并且在空间上发生图像退化，Dana Berman, Tali Treibitz, 和Shai Avidan他们认为这种图像退化现象与物体和摄像机的之间的距离有关，并且控制衰减，这种关系可以用传输系数表示。从单个图像恢复场景亮度是一个高度不适定的问题，因此需要使用图像优先的原则，与基于补丁的图像先验算法不同，他们提出了一种基于非局部先验的算法。该算法依赖于假设一个无霾图像的颜色被几百个明显的近似。颜色在RGB空间中形成紧密的簇，给定簇中的像素通常是非局部的，即分布在整个图像平面上，并位于与相机不同的距离处。在阴霾中这些变化距离转换成不同的传输系数。因此，清晰图像中的每个颜色簇被称为雾线。利用这些雾线，恢复大气光，距离图以及无雾图像。该算法与其他最先进的方法相比，该算法具有线性复杂度，不需要训练，在各种各样的情况下表现良好[2]。同时Wenqi Ren , Lin Ma, Jiawei Zhang, Jinshan Pan, Xiaochun Cao , Wei Liu, 和Ming-Hsuan Yang他们借助编码器和解码器，提出了一个有效的算法直接从模糊的输入图像恢复到清晰的图像。该算法依赖于由编码器和解码器组成的端到端的可训练神经网络。输入图像是利用编码器捕获派生获得的，同时用解码器估算使用编码器的学习表示。所构建的网络采用了一种新的基于融合的策略它从原始的模糊图像中得到三个输入应用白平衡（WB）增强对比度（CE）和伽马校正（GC）。按像素计算基于外观差异的置信图这些不同的输入混合了导出输入并保持区域具有令人愉快的可见性。最后的去噪图像是通过选通导出输入的重要特征。为了训练网络，他们引入了一种多尺度方法，可以避免光环伪影。广泛的实验结果论合成图像与真实图像所提出的算法对最先进的算法显示建议有效性[3]。Xiangyu M，Weixiang L I，Xuemei D他们认为黑暗通道先验方法较好地解决了单图像去叠问题本质上的问题，但当场景对象本质上与大气光相似阴影投射在他们身上。实验表明，这种方法改进了算法可以处理不同级别的雾天气条件，以及大大增强图像的可见性还有细节。此外，恢复的无霾图像很少或没有光环伪影[4]。Zeng L等人认为去雾依赖一种未知深度的信息。若输入图像为单一薄雾图则输出图像为欠约束图像。所以他们提出了一种新的约束场景辐射补充暗通道先验约束的缺点。场景辐射约束基于图像场景辐射有界性的内在属性。实际上，每个颜色通道的像素强度必须有界限。因此首先计算传输距离对于每个像素使用有界性。然后通过组合变速器的范围和调节因素，从而获得对传输的准确估计。实验表明，他们的算法基于像素与暗通道基于图像局部补丁的最小值不同，这种方法增强了图像的可见性还有细节在一定程度上减少了光晕伪影[5]。Lin H，Shi Z他们则是在Retinex框架基础上进行改进，使图像系统能在夜间也能很好的展示。并且替换了传统的对数函数框架，在非常暗的条件下避免强化噪音效应。
2.2国内研究现状
在国内一些有效的算法已经被提出，吴迪在图像去雾的最新进展中介绍了两类目前常用的去雾方法。一类是图像增强的方法，通过增强被降质的图像，改善图像质量，还可以运用已有的算法对图像进行有针对性的运用和改良，来增强图像对比度突出图像中景物的特征和有价值的信息。但会造成部分信息丢失，图像失真。一类是建立物理模型的方法，通过分析大气中微粒对光的散射作用，建立大气散射模型，了解图像退化机理，进而反复推演出未降质前的图像，这样复原后的图像接近真实图像，尤其是复杂的场景处理效果好，图像中的信息能够较完整的保存。
王科在此基础上提出了利用大气光先验知识理论建立物理模型，基于暗原色先验理论求算雾气浓度，使用亮度引导滤波的大气覆盖估计方法估算大气覆盖参数，进一步还原图像，并且该算法在实时性和去伪影方面独具优势[7]。
南栋、毕笃彦、马时平、何林远和娄小龙他们在去雾算法基于多样性后，在去雾效能评价有方向性的突破并且满足参考标准的基本需求，他们的质量评价具有物理意义和现实价值。他们利用图像去雾数据库，将图像去雾质量问题转化成图像分类问题，然后用SVM分类算法对去雾图像评价分级。该算法在去雾方向上优势明显，但由于现有的数据库资源有限目前对质量评价结果还是趋于“冒泡法”[8]。同时他们利用视觉特性和先验特性推算了景深图像去雾的算法，这种算法引入变分求出大气传输图像来对景深加以约束，不仅能够保证远景去雾的同时确保近景动态的调整和细节复原还能加快去雾算法计算效率，但没有考虑到噪声的危害[9]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
