由于接近地面的水蒸气发生凝结现象,产生了雾这种自然现象。由于雾的存在,户外监控系统等应用工作无法正常开展,无法进行目标识别、提取、处理。在识别过程中也可能遗漏了重要的细节信息,不利于研究工作的进一步的展开。因此,对去雾技术进行研究是一件极为重要且极为有意义的事情。图像去雾技术一般可以分为三大类:基于图像增强的去雾算法、基于图像复原的去雾算法、图像增强和图像复原相结合的去雾算法。早期的去雾技术主要是基于图像增强。这种去雾方法比较成熟,通过改善视觉效果,以达到去雾的目的,但容易引入噪声,产生失真现象。针对这种情况,研究者结合大气散射物理模型,提出了基于图像复原的去雾算法。这种算法恢复的无雾图像更加自然,细节信息也得到了很好的保存,但易在局部区域引入噪声,如色偏现象。考虑到基于图像增强的去雾算法和基于图像复原的去雾算法各有优缺点,将两种算法结合起来进行去雾。本文提出了两种不同的去雾算法。第一种算法是将图像增强技术和图像复原技术相结合去雾,第二种算法是基于图像复原技术进行去雾。本文的主要贡献如下所示。1.针对现有去雾算法不能适用于所有雾天场景等问题,提出一种基于HSV模型和Retinex理论的单幅图像去雾算法。首先,构建有雾图像训练数据集,该数据集尽可能地包括不同场景的雾天场景。接着,将图像从RGB空间转到HSV空间。根据Retinex理论,对亮度通道图进行SSR转换,并对每幅有雾图像多尺度提取特征,采取不同的尺度可以有效地避免重要信息的遗漏。在RGB空间取原始有雾图像的最大通道特征图,对其进行反色处理和高斯滤波操作。然后,将提取的特征和相对应的标签送到支持向量机(Support Vector Machines,SVM)训练得到回归模型。最后,对于任意有雾图像提取特征,通过上文学习得到的回归模型计算透射率并优化。根据优化后的透射率和大气光估计值可以达到恢复无雾图像的目的。实验结果表明,该方法的去雾效果良好。2.针对现有去雾算法存在去雾不完全、图像颜色失真或过饱和等问题,采用多尺度滤波与局部模式的单幅图像去雾算法。首先,对单幅有雾图像,分别在R、G、B三个通道进行多尺度滤波和边缘检测,同时,提取原始有雾图像的暗通道特征,将特征和对应的标签送到SVM训练得到回归模型1。接着,将原始有雾图像的均匀模式LBP(Uniform Pattern LBP)特征和对应的标签送到SVM训练得到回归模型2。然后,利用这两个回归模型分别计算任意有雾图像两种不同的透射率。最后,将两种透射率按比例融合,得到最佳透射率。这种算法可以有效地抑制色偏问题。