暗通道优先(dark channel prior)规律在处理单幅户外场景图像去雾方面取得了非常好的效果,但是该方法在处理较高分辨率图像时需消耗大量的存储和计算资源,同时对于部分场景会得到不够准确的结果.仍然基于暗通道优先,根据观察实验,得到透射梯度优先规律,并结合多分辨率处理,提出了改进的图像去雾新方法.经过大量实验和理论分析,透射梯度优先不仅显著减小了去雾处理的计算量,它所引起的优化方法和参数变化还可能提升透射图计算的准确性.实验结果也证明,新方法仅需原方法1/8左右的计算时间和存储空间,就能够得到与原方法基本一致甚至更准确的去雾结果.

单幅图像去雾方法研究综述

针对传统的单幅图像去雾算法容易受到雾图先验知识制约及颜色失真等问题,提出了一种基于深度学习的多尺度卷积神经网络(CNN)单幅图像去雾方法,即通过学习雾天图像与大气透射率之间的映射关系实现图像去雾。根据大气散射模型形成雾图机理,设计了一个端到端的多尺度全CNN模型,通过卷积层运算提取有雾图像的浅层特征,利用多尺度卷积核并行提取得到有雾图像的深层特征,然后将浅层特征和深层特征进行跳跃连接融合,最后通过非线性回归得到雾图对应的透射率图特征,并根据大气散射模型恢复出无雾图像。采用雾图数据集对该模型进行训练测试。实验结果表明,所提方法在合成有雾图像和真实自然雾天图像的实验中均能取得良好的去雾效果,在主观评价和客观评价上均优于其他对比算法。

matlab si模型代码ECCV-通过多尺度卷积神经网络进行单幅图像去雾 任文奇、刘思、张华、潘金山、曹晓春、杨明轩 2016 年 10 月 10 日发布。 这些代码基于 MatConvNet。 描述 这是 ECCV16 论文的测试实现：Single Image Dehazing via Multi-scale Convolutional Neural Networks。 我们提供测试演示以及预训练模型。 脚本和预训练模型 这是我们在 ECCV16 中的去雾论文的演示实现。 此测试代码基于 MatConvNet 工具箱。 您应该首先在您的计算机上编译 MatConvNet，然后使用“demo_MSCNNdehazing.m”来测试您的图像。 “MSCNN_dehazing\matlab”文件夹中当前发布的编译版本可以直接在Win7电脑上使用。 引文 @inproceedings{Ren-ECCV-2016, 作者 = {任、文奇与刘、司与张、华与潘、金山与曹、小春与杨、明轩}， title = {通过多尺度卷积神经网络进行单图像去雾}， booktitle = {欧洲计算机视觉会议}

ppt共有59页，讲解的十分详细，对于何提出的暗通道先验算法去雾有了非常详细的解释，看后十分有收获。

2009年的IEEE最佳论文翻译，基于暗通道先验的图像去雾

贝叶斯框架下的单幅图像去雾算法 王多超 王永国 董雪梅 胡晰远 彭思龙

这是Fattal 发表的单幅图像去雾的matlab代码，对某些图片好用，对某些图片不好用。Fattal运用ICA，基于图像表面阴影和大气传递函数在局部块上不相关的假设，实现去雾。

提出了一种基于深度学习的单幅图像去雾算法。利用卷积神经网络,通过学习雾天图像与清晰图像的YUV(Y代表的是亮度,UV代表的是彩度)各个通道之间的映射关系实现去雾。网络结构由两个相同的特征模块组成,主要包括多尺度卷积、卷积和跳跃连接结构。实验结果表明,无论是针对合成雾天图像数据集还是针对自然雾天图像数据集,所提去雾算法恢复的图像皆具有较高的清晰度和对比度,在主观评价和客观评价上均优于其他对比算法。

针对暗原色先验去雾算法对天空区域的透射率估计值偏小问题,提出一种改进的Otsu递归分割图像去雾方法。该方法基于图像分割的思想,利用改进的Otsu递归分割算法准确分离出天空区域,结合暗原色图像灰度归一化值对天空区域透射率估计值进行修正,优化后的透射率更加接近实际值,最后通过大气散射模型得到复原图像。实验结果表明:去雾后的图像保持真实色彩,区域交叉边界处复原自然。文中算法有效解决了天空区域出现色偏和光晕问题,拓宽了暗原色先验算法的适用范围,对户外雾天图像的去雾具有良好的应用前景。