摘要：近年来，随着图像处理与计算机视觉技术的快速发展，针对特殊天气条件下的场景检测与图像增强研究日益受到学界重视。特别是雾霾天气下采集的图像，由于大气悬浮颗粒的散射作用，往往存在细节模糊、对比度下降等问题，严重影响图像信息的有效获取。为改善雾天图像质量，提升其可用性，各类图像去雾算法不断被提出并完善。图像去雾算法是以满足特定场景需求、突出图片细节并增强图片质量为目的的一种图像分析与处理方法。为了对比研究不同图像去雾算法的优缺点，本文根据原理不同将去雾算法分为基于物理模型去雾算法、基于非物理模型去雾算法和基于深度学习去雾算法三大类。其中深度学习去雾算法选取了AOD-Net(2017)、DEA-Net(2023)、KA-Net(2024)、IPC-Net(2025)进行对比。

关键词:图像去雾；暗通道先验去雾；图像增强；深度学习

随着计算机视觉技术的飞速发展，图像去雾技术逐渐成为该领域备受关注的研究热点。在自然环境中，雾或霾的形成是一个复杂的物理化学过程，其本质是空气中悬浮的大量微小粒子对光线的散射和吸收作用。根据Mie散射理论，这些悬浮粒子的类型、粒径分布以及浓度水平，会直接影响光线的传播特性，进而对成像质量产生显著影响。

这种图像退化现象对计算机视觉系统的影响尤为严重。直接制约了视觉系统在复杂环境下的可靠性，特别是在自动驾驶、视频监控等关键应用场景中。正因如此，图像去雾技术的发展具有重要的理论价值和现实意义。在应用层面，去雾技术已经渗透到多个重要领域：在智能交通领域，去雾算法可以显著提升辅助驾驶系统的环境感知能力；在安防监控方面，清晰的图像有助于提高人脸识别和行为分析的准确性。
随着图像处理技术的不断进步，目前主流的去雾算法主要分为三大类：第一类是基于图像增强的方法，这类方法不依赖于物理模型，而是通过改善图像的视觉表现来达到去雾效果；第二类是基于物理模型的方法，这类方法通过建立大气散射模型来逆向求解清晰图像；第三类是基于深度学习的方法，利用大量数据训练神经网络来自动学习去雾映射关系。


图像去雾分类

以下为7种不同去雾算法的处理后得到的图片：

各图像去雾算法示例图