本文是一篇计算机论文，本课题对复杂雾天环境下高视角相机清晰成像进行研究，缓解了现有的去雾方法不适用于高空环境以及浓雾环境的现状，在一定程度上解决了图像去雾方法去雾后图像出现失真、扭曲和雾残留等问题，并且提出的无人机浓雾数据集、具有高视角RAW图像序列和对应JPEG图像序列的数据集，均在一定程度上丰富了现有数据的缺失，且验证了本课题方法的有效性和泛化性。
第一章 绪论
1.1 研究背景及意义
在大雾环境下，户外视觉感知效果显著降低[1-4]，图像采集设备所捕获到的图像可视化质量下降，严重影响城市道路监控[5]、社会交通治安[6]以及航空遥感研究的发展。因为不同远处物体的颜色、对比度和纹理的退化，光谱的选择性衰减[7]，这种雾天环境下图像的清晰成像已经成为视觉监控、航拍、自动交通等计算机视觉应用中的一个重要问题[8]。
高视角图像是以俯视角度，自上而下以高于景物的视角对景物进行拍摄，包含以无人机高度捕获和以监控高度捕获。无人机具有轻便小巧，视野广阔，更具有灵活性等特性；监控则具有分布广泛，视角灵活，且高度适中，可以清晰成像所需的纹理信息等特性，相比较于自动驾驶车载视觉和人眼视觉感知，高视角图像可以获取到更加清晰且无遮挡的图像信息。然而在大雾天气，由于空气中的水蒸气凝结形成的小水滴（雾）和灰尘（霾），对光进行了部分的吸收和散射，导致相机在雾天拍摄的图像质量严重下降，并且高视角图像由于捕获高度较高，捕获到的图像随着高度越高，雾天成像雾浓度越浓，图像视觉质量退化越严重。近年来，我国雾霾现象频发严重阻碍了计算机视觉应用的发展，对相机捕获清晰成像产生了严重的影响，而目标检测、目标追踪[9]和区域分割[10]等计算机视觉任务的成功取决于具有最小退化的高质量图像，图像视觉质量越差，对计算机视觉任务越不利，会导致雾天交通事故频发。
1.2 国内外研究现状
1.2.1 图像去雾方法研究现状
图像的可见性会影响计算机视觉任务的识别精度，因此具有最小退化的高质量图像对雾天环境下的视觉任务非常有利。图像去雾方法可以分为基于图像先验的去雾方法[11-24]和基于深度学习的去雾方法[25-28]。
（1）基于图像先验的去雾方法
早期，国内外研究图像去雾多是基于图像先验知识进行研究。这类方法中一部分方法采用分析图像的对比度、色彩特征和直方图等特征突出图像中有用的纹理信息实现去雾，还有一些方法基于大气散射模型[17,22,24]，根据对有雾图像的形成过程进行逆运算实现去雾。其中，在分析图像对比度、色彩等特征的图像去雾方法中，经典的方法有：直方图均衡化[29]、同态滤波[30]、小波变换[31]和Retinex方法[32]；基于大气散射模型研究的去雾方法中，最经典的方法为暗通道先验方法（Dark Channel Prior，DCP）[13]。
直方图均衡化（Histogram Equalization，HE）是通过重新分布图像的像素值，使图像的累积分布函数变得均匀，从而增强图像的对比度，实现有雾图像的视觉质量提升。直方图均衡化去雾方法具有简单易懂，计算速度快，不需要额外的计算参数等优点，但是这种方法可能会增加噪声对图像的影响，并且对图像中差距较大区域进行均衡化操作可能会导致不自然的效果，达不到理想的恢复效果。Kim和Paik等人[33]提出了局部直方图均衡化思想，能有效地提高每个局部区域的对比度，但块操作的使用会导致边缘不吻合问题，存在过度增强的可能性。Smitha等人[34]提出了一种基于对比度限制自适应的直方图均衡方法，可以有效地克制过度增强的可能性。
第二章 图像去雾相关理论和图像评价指标
2.1 雾天图像成像原理
相机传感器对陆地上信息进行捕获，所捕获信息通过空气到达传感器中并成像即为相机成像原理。雾天空气中存在的水蒸气凝结形成的小水滴（雾）和灰尘（霾），通过对空气中光的吸收和散射，导致相机在雾天捕获到的图像成像不清晰，视觉效果受到影响。
McCartney等人[44]通过分析雾天图像成像原因提出空气中的粒子影响光的传播方向，导致散射发生，使得物体目标与传感器之间进行信息传输时出现衰减。通过对衰减过程进行数学分析，提出了大气散射模型。大气散射模型将图像成像信息来源分为两个部分，一部分为物体信息入射光线经过层层衰减后在成像系统的成像，另一部分为大气光经过悬浮在空气中的粒子发生散射后部分到达成像系统的成像。图2-1即为高视角相机雾天的成像模型。
2.2 基于图像先验的图像去雾方法
（1）DCP方法
He等人[13]在2009年通过研究大量的有雾图像和无雾图像，提出了暗通道先验方法，总结归纳出无雾图像在其暗通道图像上强度值趋于0，而有雾图像的强度值高，暗通道图像偏白这一规律。
（2）非局部图像去雾方法
Berman等人[19]发现无雾图像的颜色由上百种RGB空间线组成形成簇，分布于整个平面图，并且与相机相距不同的距离，在有雾图像中这些颜色簇随着雾浓度不同发生变化，不同距离转换为不同传输系数，因此无雾图像中的颜色簇在有雾图像的RGB空间分布为多条线，即雾线，根据这些线可以恢复有雾图像为清晰无雾图像。
第三章 无人机视角图像清晰成像方法研究 ........................... 17
3.1 无人机视角图像清晰成像网络结构.................... 17
3.1.1 分类模块ICLFn .......................................... 18
3.1.2 风格迁徙模块ISMn ........................... 19
第四章 基于RAW数据的高视角雾天清晰成像轻量化方法研究 ............... 31
4.1 相机清晰成像流水线 .............................................. 31
4.2 基于RAW数据的高视角雾天清晰成像轻量化网络结构 .................... 32
第五章 总结与展望 .......................... 42
5.1 全文工作总结 ........................................ 42
5.2 未来工作展望 .................................. 43
第四章 基于RAW数据的高视角雾天清晰成像轻量化方法研究
4.1 相机清晰成像流水线
研究图像去雾的最终目的是应用于实际生活以解决大雾环境下，视线不清，交通情况不明等问题，而目前多数图像去雾方法，计算量大，不具备实时性，无法嵌入到其他应用程序中，因此提出了许多轻量型图像去雾方法。但是对去雾网络轻量化会导致图像去雾后，图像质量下降，出现失真、扭曲等现象。由于JPEG图像在图像生成过程中已经被压缩过，压缩过程不可逆，丢失的图像信息无法恢复，图像质量下降，因此基于JPEG图像研究的图像去雾方法在研究初期已经丢失部分图像信息，图像去雾后可能会出现失真等现象。RAW数据是由相机传感器直接捕获形成的，是未经过任何处理或压缩的原始图像数据，与JPEG等图像压缩格式相比，包含有更加完整且清晰的图像信息。针对以上这些问题，结合上章的合成雾方法和损失函数，本章在上章的基础上提出了一种基于RAW数据的高视角相机清晰成像的轻量化方法—LWRAW-ClassifyCycle。
在传统的图像处理流水线中，相机捕获到的RAW数据经过白平衡、坏点校正、降噪等过程转换为JPEG图像压缩格式，随后被应用到图像去雾方法中，如图4-1所示。然而经过压缩的JPEG图像，其图像质量下降，图像纹理信息丢失且无法恢复，因此以上去雾方法的去雾效果通常是不理想的。
第五章 总结与展望
5.1 全文工作总结
在户外，受到大雾天气的影响，人眼视觉感知和相机成像系统的视觉效果显著降低，因此研究图像去雾对城市道路监控、社会交通治安以及航空遥感研究均起到了重要作用。高视角图像是以俯视角度，自上而下以高于景物的视角对景物进行拍摄，包含以无人机高度捕获和以监控高度捕获。无人机具有轻便小巧，视野广阔，更具有灵活性等特性；监控则具有分布广泛，视角灵活，且高度适中，可以清晰成像所需的纹理信息等特性，相比较于自动驾驶车载视觉和人眼视觉感知，可以获取到更加清晰且无遮挡的图像信息，因此逐渐被应用在各种领域以解决视觉问题。本文针对高空中的雾分布不均，图像去雾后存在各种失真、扭曲、雾残留等问题进行研究，提出了针对高视角图像的图像去雾方法。针对无人机视角下图像去雾方法去雾不干净、去雾后图像出现失真等问题，本文提出了一种无人机视角图像清晰成像的方法和无人机浓雾图像数据集；针对高视角下图像去雾方法去雾后图像出现失真、扭曲等现象，并且去雾方法实时性差，难以嵌入在应用程序中等问题，本文提出了一种基于RAW数据的高视角雾天清晰成像的轻量化方法，并捕获了具有RAW数据和对应JPEG数据的数据集以验证方法有效性。本文的第一章和第二章介绍了本课题的研究背景及意义，以及一些经典的和目前较新的图像去雾方法，并分析了目前图像去雾方法研究中存在的问题。还介绍了RAW数据应用的研究现状，从而引出本课题的研究思路，并对图像去雾方法常用的评价指标进行了介绍。
参考文献（略）