图像去雾学习总结

前言：

本来题目想作为如何学习图像去雾，去雾字如其名，而学习是学会去雾方面相关的知识。但是后来一想，每个研究方向均是一片海洋，而自己是半瓶不满的杯水，如何教别人呢，因此本文只能算作学习该领域的一个阶段性总结吧，今后或许不再研究该方向，但是它引领我正式进入科研，我也会一直保持对该领域的关注。去雾原理简单，对新手友好，下面开始。

最近小半年去雾研究告一段落，前后两篇水文，一篇通过GAN无深度加雾，一篇通过同样的方法逆运算进行图像去雾。其中经历不少挫折，也摸索出一些经验，因为研一大部分时间在各领域中摸索（主要关注图像信号的处理，如运动放大等，同样一知半解，有机会记录），也无研究的切入点，后来在研一快将结束时，对图像去雾产生兴趣，而实验室同学并无相关经验，好在导师大力支持，成为我科研路上最为有力的推手，给我莫大鼓励和自由，再表感谢！由于本人水平有限，文中难免存在错误和不足，还请多指教！道路虽然曲折，好在有些许成果，也算入门了。

下面我将分四部分总结我摸索的过程，其中一些会摘抄我论文中的一些内容：一、去雾知识（主要包括必备的基础知识）；二、去雾论文（主要包括你需要知道的经典去雾论文，主要去雾思想、去雾数据集及实验设计等）；三、实践（主要包括我的两篇论文内容）；四、总结（主要讲对该领域的一些见解、发展方向，减少做无用功）。

一、去雾背景知识

雾是由大气中悬浮的细小物质经大气散射后产生的现象。有雾的图像存在对比度低、饱和度低、细节丢失、颜色偏差等问题，严重影响对图像的分析，如分类、定位、检测、分割等。

图像去雾一直以来是备受关注的具有挑战性的任务，尤其是单幅图像去雾，对于后续图像进一步的分析十分关键。单幅图像去雾可分为传统方法和基于深度学习的方法。

传统的单幅图像去雾主要基于物理模型，如基于暗通道先验[1]，颜色衰减先验[3]，局部对比度最小化等，传统方法往往对环境要求较高，Fattal[2]通过独立成分分析进行去雾；CAP[3]提出了颜色衰减先验，建立了线性模型，求得雾图的深度去雾. Tan[4]利用雾化图像的局部对比度小于原图像的局部对比度，通过马尔可夫随机场对图像局部对比度最大化进行去雾.

基于学习的单幅图像去雾