数字图像的前景扣取是从给定的图像中完整的分离出前景和背景的一种技术,该技术应用广泛,诸如电影特效制作等,然而图像在户外采集时,由于我国雾霾天气多发,图像常存在对比度低、颜色失真等退化,并且这类退化的图像在前景的扣取任务或是在其他视觉处理任务中都难以被直接应用。本文针对户外图像前景扣取在实际应用中存在的困难,分别研究了户外有雾环境下退化图像的去雾复原技术和前景扣取技术。金字塔稠密网络去雾算法是最新的去雾算法,该算法基于神经网络和物理模型进行复原操作,算法效果较好,但该算法网络模型参数较多,训练复杂。贝叶斯前景扣取算法是经典的前景扣取算法,该算法基于贝叶斯框架,数学推导严密,但算法计算十分耗时。本文针对以上算法的不足,提出了多尺度稠密残差网络的去雾算法和贝叶斯框架下基于双边滤波的快速前景扣取算法,本文的主要贡献有:1.本文针对金字塔稠密网络存在的网络参数多、训练繁复等不足,提出一种多尺度稠密残差网络的去雾算法,该网络为端到端的网络架构,通过有雾图像直接对无雾图像进行复原,实验效果更好;网络中不存网络嵌套和组合,训练过程中不需要分阶段训练;网络基础结构采用稠密残差连接网络模块(Residual Dense Block,RDB)作为构建模块,能更好地改进信息流,加快模型收敛;在编码和解码模块中堆放不同数目的稠密残差连接网络模块,缩减了网络参数,网络模型占用空间较小,并在编解码中进行了跳跃连接,减轻梯度弥散。最后实验表明,本文提出的多尺度稠密残差网络相对于金字塔稠密网络去雾算法拥有更小的网络模型,在相同的Py Torch运行环境下,网络模型大小为9.8MB,仅为Zhang算法3.83%,并且在800张包括室内和户外图片上测试表明:本文的算法无论是视觉效果还是在峰值信噪比(PSNR)和结构相似性(SSIM)两项指标上均优于原算法。2.本文针对贝叶斯前景扣取算法中运算复杂等不足,提出了贝叶斯框架下基于双边滤波的快速前景扣取算法,本文算法在贝叶斯前景扣取算法样本点的权值上新加入了颜色的相关性约束,优化了样本点权值;通过分析双边滤波器惩罚函数和贝叶斯前景扣取算法中的最大化函数,发现贝叶斯前景扣取算法的实质就是从采样点出发的滤波操作,因此本文将双边滤波器与贝叶斯前景扣取算法进行了有效结合,使用双边滤波器实现了贝叶斯前景扣取算法繁复的求解过程,减少了计算复杂度。最后在27张权威数据集上实验表明,本文提出的贝叶斯框架下基于双边滤波的快速前景扣取算法在输出的掩像结果上相对于原算法拥有更好的视觉效果以及更小的统计误差,并且平均减少每张图片56.24%的处理时间。本文针对户外图像在雾霾天气下的退化,改进了图像去雾算法,并在此基础上对复原真实图像做前景扣取研究,改进了前景扣取算法,并通过实验证明本文提出的两种算法在视觉效果和统计指标上相较于原算法均取得了更好的实验结果。