文献综述（或调研报告）：
图像去雾化最终目标是任意给出一幅带雾图像，通过一定手段能够去除图像中的雾，生成对应的无雾清晰图像。单幅图像的去雾化是一个约束不足的病态问题。目前的去雾算法主要分为两类：一类是不基于物理模型的图像增强方法，如直方图均衡化算法[1]、Retinex算法[2]等，这类方法不考虑有雾图像的生成原因，直接对关注的细节进行增强，如改变图像的灰度、对比度等，虽然简便易行，但容易丢失图像信息；另一类是基于物理成像模型的图像复原方法，如基于深度信息的去雾算法[3]、基于偏振特性的去雾算法[4]以及基于先验知识的去雾算法，其中，基于先验知识的去雾算法在近些年取得了巨大进展。Tan[5]等人观察到无雾图像比有雾图像的对比度高，于是采用了最大化对比度的方法来去除图像中的雾，该方法在视觉上能取得一定的效果，但是容易使图像过饱和及颜色失真。Fattal[6]假设光的透射率与表面阴影不相关，估计出景物的反射率以及其在空气中的透射率，进而计算出原图像，这一方法有较好的去雾效果，但是假设太强而且无法处理浓雾图像。He[7]等人在统计分析大量无雾图像后，于2009年提出了基于暗通道先验的去雾算法。该方法成为了目前去雾算法的基准方法。He最初提出该方法时采用了软抠图的方法来优化透射率，但是该方法计算效率太低，于是在2013年提出了引导滤波[8]的方法来提升计算效率。在He之后，有许多学者研究如何改进He的算法以使其适用于天空区域，并尝试优化透射率的估计以及计算效率。近年来，随着机器学习、深度学习的兴起，有学者使用随机森林[9]、卷积神经网络[10]的方法来估计透射图，更有学者不使用任何先验知识，而是用深度学习的方法将去雾问题彻底转化为一个端到端的问题[11]。
[1] Kim J Y, Kim L S, Hwang S H. An advanced contrast enhancement using partially overlapped sub-block histogram equalization. IEEE Transactions on Circuits and Systems for Video Technology, 2001, 11(4): 475minus;484
[2] Parthasarathy S, Sankaran P. A RETINEX based haze removal method[C]//2012 IEEE 7th International Conference on Industrial and Information Systems (ICIIS). IEEE, 2012: 1-6.
[3] Narasimhan S G, Nayar S K. Vision and the atmosphere[J]. International journal of computer vision, 2002, 48(3): 233-254.
[4] Schechner Y Y, Narasimhan S G, Nayar S K. Instant dehazing of images using polarization[C]//null. IEEE, 2001: 325.
[5] Tan, Robby T. 'Visibility in bad weather from a single image.' (2008): 1-8.
[6] Fattal R. Single image dehazing [J]. ACM transactions on graphics (TOG), 2008, 27(3): 72.
[7] He K, Sun J, Tang X. Single image haze removal using dark channel prior [J]. IEEE transactions on pattern analysis and machine intelligence, 2011, 33(12): 2341-2353.
[8] He K, Sun J, Tang X. Guided image filtering [J]. IEEE transactions on pattern analysis and machine intelligence, 2013, 35(6): 1397-1409.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
