寇大磊，錢 敏 ，權(quán)冀川，劉佳洛，張仲偉，4

1.陸軍工程大學(xué) 指揮控制工程學(xué)院，南京 210007

2.中國人民解放軍68023部隊

3.上海警備區(qū) 數(shù)據(jù)信息室，上海 200040

4.中國人民解放軍73671部隊

1 引言

霧或霧霾是由空氣中的懸浮粒子（水汽、灰塵和煙霧）吸收物體本身的反射光，并散射大氣光而產(chǎn)生的一種常見大氣現(xiàn)象。霧天或霧霾天對拍攝圖像的主要影響是圖像顏色偏灰白、對比度下降，物體特征難以辨別。如圖1 所示，在霧或霧霾的影響下，采集的圖像不僅視覺效果差，還會對很多高級計算機視覺任務(wù)（圖像分類、目標(biāo)檢測和無人駕駛等）造成嚴(yán)重的干擾。因此，研究圖像去霧技術(shù)可以改善圖像質(zhì)量，提升高級計算機視覺任務(wù)的性能。

圖1 真實霧圖示例

目前圖像去霧技術(shù)可分為基于圖像增強的去霧算法和基于大氣散射模型的去霧算法兩類[1]。

基于圖像增強的去霧算法主要通過去除圖像的噪聲、提高圖像的對比度等圖像增強技術(shù)，恢復(fù)出無霧清晰圖像。代表性的圖像增強去霧算法有直方圖均衡化（Histogram Equalization，HE）、Retinex 算法、小波變換、同態(tài)濾波等。但嚴(yán)格地說，基于圖像增強的去霧算法并不是通過霧氣的形成原理來去除霧對圖像的影響，而是通過常規(guī)的圖像增強技術(shù)，增強圖像的對比度、清晰度等以提升圖像的視覺效果和后期對圖像處理和分析的效果，是圖像去霧領(lǐng)域早期常用的去霧方法[1]。

近年來，以大氣散射模型[2-3]作為先驗知識，通過逆向求解進行單幅圖像去霧的技術(shù)取得了重大突破。如Fattal[4]通過估計透射率實現(xiàn)去霧。He 等[5]在大量統(tǒng)計的基礎(chǔ)上，提出了基于暗原色先驗（Dark Channel Prior，DCP）理論的去霧方法。Meng等[6]將去霧問題作為一個基于邊界對比度和正則化的優(yōu)化問題。由于僅從單張圖像進行參數(shù)估計誤差較大，一些學(xué)者開始將卷積網(wǎng)絡(luò)引入圖像去霧領(lǐng)域并取得了一定的效果。如Cai等[7]提出的DehazeNet 通過卷積網(wǎng)絡(luò)從霧天圖像中預(yù)測介質(zhì)傳輸圖。Ren 等[8]提出的MSCNN 通過多尺度卷積神經(jīng)網(wǎng)絡(luò)生成了粗略的場景透射率。隨后多尺度卷積被廣泛應(yīng)用于圖像去霧領(lǐng)域。文獻(xiàn)[9]通過將原始有霧圖像與三個不同尺度的卷積核進行卷積，經(jīng)過一系列特征學(xué)習(xí)后得到粗略的透射率圖。文獻(xiàn)[10]提出的MSDN 通過兩個端到端的多尺度全卷積神經(jīng)網(wǎng)絡(luò)然后將淺層特征和深層特征進行跳躍連接融合，實現(xiàn)圖像去霧。但目前的去霧算法在實際應(yīng)用中仍然面臨很多問題。

2 面臨的問題

2.1 使用場景有限

在實際圖像采集時，受光照強度、采集距離、場景色彩度等因素作用，圖像中霧的影響不盡相同。

圖2為4種經(jīng)典去霧算法對4種不同類型圖像的去霧效果：圖（a）為淡霧圖，圖像色彩鮮艷，圖中物體細(xì)節(jié)清晰；大部分去霧算法可得到很好的去霧效果。圖（b）為光線偏暗的霧圖，圖像整體亮度偏低；經(jīng)去霧算法處理后，會產(chǎn)生圖像亮度變低、部分細(xì)節(jié)丟失等副作用。圖（c）為濃霧圖，霧氣濃度大，能見度極低；對于該類霧圖，目前所有的去霧算法的去霧效果都不理想，會產(chǎn)生圖像亮度變低、部分細(xì)節(jié)丟失等副作用。通過上述對比可以發(fā)現(xiàn)，基于大氣散射模型在處理色彩較為鮮艷的圖像時，效果較好，而對圖像整體偏暗或部分偏暗時，去霧后會更暗，會影響圖像的質(zhì)量，由于霧、霧霾會影響光照強度，因此在很多真實的霧圖都會出現(xiàn)局部光線偏暗的問題。

圖2 不同類型霧圖示例

在實際應(yīng)用環(huán)境中，如果無霧圖像存在光線偏暗的問題，去霧算法處理后會有副作用。而在一些使用場景中同時存在無霧和有霧圖像，必須提前對有霧圖像和無霧圖像進行判定，但由于有霧圖像和無霧圖像并沒有一個明顯的分界，目前沒有十分有效的分類方法，因此在對圖像批量去霧時，就需要人工判斷是否需要去霧。

同時由于基于卷積網(wǎng)絡(luò)的算法，對訓(xùn)練數(shù)據(jù)集有很大的依賴性，而目前常用的訓(xùn)練集Middlebury Stereo Dataset、RESIDE 數(shù)據(jù)集等都是以室內(nèi)或室外無霧圖像為基礎(chǔ)合成有霧圖像。合成霧圖只能反映部分場景下真正霧圖的部分特性，這也在一定程度限制了基于深度學(xué)習(xí)去霧算法的應(yīng)用場景。

2.2 算法速度慢

目前學(xué)術(shù)界對去霧算法性能的驗證大都是建立在TitanX、2080ti等強大的獨立顯卡基礎(chǔ)上，因此大部分去霧算法可以實現(xiàn)實時去霧。但實際的應(yīng)用場景，例如無人機、移動終端、視頻監(jiān)控等嵌入式設(shè)備，通常不具備這樣的條件；同時，圖像去霧常被稱為低級視覺任務(wù)，在實際應(yīng)用中通常作為高級視覺任務(wù)的預(yù)處理步驟[11]。其提升高級視覺任務(wù)效果的同時，算法處理時間和計算量也將附加到后續(xù)的高級視覺任務(wù)中。如文獻(xiàn)[9]、文獻(xiàn)[10]、文獻(xiàn)[12]等采用復(fù)雜的多尺度卷積網(wǎng)絡(luò)的去霧算法在結(jié)合了高級計算機視覺任務(wù)后，會影響整體任務(wù)的實時性。

圖3 算法結(jié)構(gòu)圖

目前也出現(xiàn)了例如文獻(xiàn)[13-16]等快速去霧算法，但去霧效果有一定的下降。因此對算法計算量的壓縮和處理速度的提升的研究也是很有必要的。

2.3 效果評判難

去霧效果評判常采用峰值信噪比（Peak Signal to Noise Ratio，PSNR）、結(jié)構(gòu)相似度（Structural Similarity Index，SSIM）等需要參考清晰圖像的指標(biāo)或主觀的視覺效果對比兩種方式。主觀評判沒有固定標(biāo)準(zhǔn)，評判的誤差較大。PSNR、SSIM等指標(biāo)需要與無霧參考圖像進行對比，只能用于合成霧圖去霧效果的評判。而真實有霧圖與合成霧圖存在很大區(qū)別。因此，未來還需提出更直觀、更有說服力的評判方法。去霧技術(shù)作為高級視覺任務(wù)的輔助技術(shù)，將其與圖像分類、目標(biāo)檢測、圖像分割等高級任務(wù)相結(jié)合，通過其對高級視覺任務(wù)的提升效果進行評判更貼近實際、更有說服力。

針對以上問題，本文提出一種基于多尺度卷積網(wǎng)絡(luò)的快速圖像去霧方法。

3 基于多尺度卷積網(wǎng)絡(luò)的快速圖像去霧算法

算法結(jié)構(gòu)由去霧模塊和修復(fù)模塊組成，如圖3 所示。去霧模塊通過卷積網(wǎng)絡(luò)和變形后的大氣散射模型從輸入圖像中得到去霧圖像。修復(fù)模塊通過對比度受限自適應(yīng)直方圖均衡（CLAHE）[17]技術(shù)對去霧模塊得到的圖像進行修復(fù)，消除去霧模塊對圖像造成的負(fù)作用，還原出符合人類正常視覺效果的清晰圖像，提升算法的魯棒性。

3.1 去霧模塊

近兩年，在去雨、去噪、去模糊等研究方向出現(xiàn)了很多端到端的模型，甚至有學(xué)者通過卷積網(wǎng)絡(luò)直接實現(xiàn)端到端的圖像去霧。雖然也取得了不錯的去霧效果，但是由于放棄了基于物理模型的去霧思路，完全依賴神經(jīng)網(wǎng)絡(luò)進行處理，導(dǎo)致算法擬合較慢，對訓(xùn)練集的依賴程度較大，泛化能力較差。因此，本文提出的去霧算法還是以大氣散射模型為基礎(chǔ)，借鑒了AOD-Net[14]的思想，通過變形后的大氣散射模型實現(xiàn)去霧處理。

3.1.1 大氣散射模型及變形公式

目前的計算機視覺領(lǐng)域，常通過改進后的大氣散射模型來描述霧天圖像的形成過程。該模型被廣泛用于圖像和視頻去霧技術(shù)研究，其空間模型如圖4所示。

圖4 大氣散射模型示意圖

用公式可表達(dá)為：

其中，I(X)為有霧圖像，J(X)為清晰圖像。兩個關(guān)鍵參數(shù)：t(x)為介質(zhì)傳輸圖，A為大氣光值。介質(zhì)傳輸圖是光線經(jīng)大氣媒介傳播到達(dá)相機的過程中沒有被散射的部分，它能反映圖像中目標(biāo)場景的遠(yuǎn)近層次?？梢远x為：

公式（1）等號右邊第一項為光線直接衰減值，是場景反射光通過空氣中介質(zhì)傳播后衰減后的值；第二項為大氣光照，大氣光照是全局大氣光經(jīng)空氣中介質(zhì)散射后進入到相機的光線。

目前大部分去霧方法通過復(fù)雜的卷積網(wǎng)絡(luò)從有霧圖像I(X)估計介質(zhì)傳輸圖t(x)；再通過人工經(jīng)驗估計A值；最后利用公式（1）估計清晰圖像J(X)。這種分步驟估計t(x)和A值的方式，在估計t(x)和A值時均會產(chǎn)生誤差，這會導(dǎo)致最終結(jié)果中誤差疊加甚至變大，同時以往通過人工經(jīng)驗估計A值的方法受主觀因素影響多，這些都將會影響最終的去霧效果。

為此，將公式（1）重新表示為下述形式：

其中：

將t(x) 和A值集成到新變量K(X) 中，K(X) 依賴于I(X)。因此可以通過構(gòu)建卷積網(wǎng)絡(luò)直接學(xué)習(xí)K(X)，這樣通過卷積神經(jīng)網(wǎng)絡(luò)一步實現(xiàn)K(X)的預(yù)測，相比以往的方法不僅能夠減小從而最小化輸出J(X)和I(X)清晰圖像之間的重建誤差，而且將兩步變一步，壓縮了處理流程和計算量，一定程度上提升算法的速度。確保在增加了修復(fù)模塊后，算法還能有一個較快的處理速度。

3.1.2 卷積網(wǎng)絡(luò)結(jié)構(gòu)

如圖5所示，有霧圖像通過卷積網(wǎng)絡(luò)求出K(X)，再利用變形后的大氣散射模型求出清晰圖像I(X)。卷積網(wǎng)絡(luò)通過特征提取和特征融合達(dá)到準(zhǔn)確地估計K(X)的目的。

圖像分類等問題只需要提取圖像關(guān)鍵特征，而圖像恢復(fù)要求圖像的細(xì)節(jié)在網(wǎng)絡(luò)傳播中不能丟失，過多的下采樣過程會丟失很多的圖像細(xì)節(jié)[18]。通過實驗對比不同數(shù)量卷積核數(shù)目和下采樣數(shù)目后，發(fā)現(xiàn)壓縮后的網(wǎng)絡(luò)，去霧模塊處理后的圖像在視覺效果方面整體會更暗。SSIM、PSNR、FSIM等指標(biāo)有一定下降。但隨后的修復(fù)算法可以在一定程度上彌補壓縮網(wǎng)絡(luò)結(jié)構(gòu)后帶來的問題。并且網(wǎng)絡(luò)層數(shù)較淺，能夠加快網(wǎng)絡(luò)訓(xùn)練速度，防止網(wǎng)絡(luò)陷入局部最優(yōu)，同時保證圖像細(xì)節(jié)信息的有效傳遞。由于本文算法相比其他基于卷積網(wǎng)絡(luò)算法增加了修復(fù)模塊，算法的計算量也會隨之增加。綜合考慮算法的速度和去霧效果。只采用了1次下采樣，并且每個卷積層僅采用3個卷積核，以確保算法的速度。

為實現(xiàn)快速圖像去霧，在網(wǎng)絡(luò)設(shè)計時，最大可能地壓縮了去霧模塊中網(wǎng)絡(luò)的層數(shù)和卷積核的數(shù)量。這樣相比MSCNN 等多尺度算法網(wǎng)絡(luò)捕捉到信息的能力會有一定下降，但速度得到很大提升。而修復(fù)模塊中的對比度受限自適應(yīng)直方圖均勻化是一種基于圖像增強的去霧算法，在對去霧模塊輸出的圖像進行修復(fù)的同時，會對圖像進行二次去霧，進一步提升模型的去霧效果。

有霧圖像作為卷積網(wǎng)絡(luò)的輸入，首先通過2 層卷積，對霧圖進行特征提取，第1 層為步長為1 的3 個3×3的卷積核。3×3 的卷積核是目前特征提取性能最好的卷積核。第2層為步長為3的3個3×3的卷積核。在卷積過程中，當(dāng)步長s和濾波器尺寸k相等時，卷積將輸入圖像縮小k倍。因此第2 層卷積對特征圖的尺寸進行了壓縮，降低了去霧計算復(fù)雜度，提升了算法的速度，同時可以提升后續(xù)卷積核的感受野。激活函數(shù)采用參數(shù)修正線性單元（PReLU），在ReLU 的基礎(chǔ)上增加了極少量的參數(shù)可以加快網(wǎng)絡(luò)的收斂速度。

由于有霧圖像恢復(fù)通常依賴于短尺度和長尺度的紋理信息，使用不同尺度的濾波器能更好地提取圖像的特征，提高捕獲圖像內(nèi)部信息的魯棒性和有效性[19]。如表1所示，在網(wǎng)絡(luò)結(jié)構(gòu)的第3層采用多尺度卷積，提取多尺度規(guī)模結(jié)構(gòu)信息，通過1×1、3×3、5×5、7×7這4種大小的卷積核進行特征提取。

表1 多尺度卷積參數(shù)

4種卷積核是平行的，每個輸出3張?zhí)卣鲌D，然后進行concat拼接，得到12張?zhí)卣鲌D。

圖5 卷積網(wǎng)絡(luò)結(jié)構(gòu)圖

反卷積層可以增加圖像的空間維度，實現(xiàn)重建，相當(dāng)于上采樣。第4層通過3個3×3的反卷積核恢復(fù)特征圖的尺寸，實現(xiàn)重建。淺層網(wǎng)絡(luò)恢復(fù)出的圖像較為粗糙，缺少高頻細(xì)節(jié)；深度網(wǎng)絡(luò)可以更精確地恢復(fù)高頻細(xì)節(jié)，但算法不容易收斂；因此第5層將第1層的特征圖與第4 層的反卷積后的特征圖進行concat 拼接，可以在刪除特征圖中偽像素的同時減少細(xì)節(jié)信息的損失。通過3 個3×3 的卷積核進行卷積，得到K(X)。最后通過公式（2）得到去霧后的清晰圖像。

3.2 修復(fù)模塊

為消除算法對部分無霧圖像、偏暗圖像的副作用，進一步提升算法的魯棒性。修復(fù)模塊利用基于圖像增強的去霧算法的特點，有針對性地對去霧后的圖像進行修復(fù)。由于去霧后圖像的副作用主要是圖像偏暗。因此在修復(fù)模塊需要能提升去霧模塊輸出的圖像的亮度、對比度，盡可能地消除去霧模塊對部分圖像產(chǎn)生的副作用，同時圖像增強算法也有一定的去霧效果，能彌補壓縮多尺度卷積網(wǎng)絡(luò)帶來的去霧效果下降的問題[20]。

提升圖像對比度和亮度常用的圖像增強方法有Retinex、HE兩種。目前采用較多的有Retinex算法還有單尺度 Retinex（Single Scale Retinex，SSR）和多尺度Retinex（Multiple Scale Retinex，MSR）算法。但該類方法進行圖像增強時，存在參數(shù)調(diào)整困難且算法復(fù)雜度較高的問題。如果采用該類方法將嚴(yán)重影響算法的去霧速度[21]。

HE 通過圖像的灰度分布直方圖得到一條映射曲線，用來對圖像進行灰度變換，以達(dá)到提高圖像對比度的目的。HE 只能對圖像全局進行調(diào)整，不能有針對性地提高局部對比度，會出現(xiàn)過度放大噪聲的問題而且算法復(fù)雜度較高，運算量大。在HE的基礎(chǔ)上出現(xiàn)的CLAHE方法相比Retinex、HE 在運算速度有大幅度提高，可以確保在添加了修復(fù)模塊后，還能實現(xiàn)快速的圖像去霧。因此在修復(fù)模塊采用直方圖均衡化對圖像進行二次處理。

如圖6 所示，CLAHE 方法通過限定局部對比度的強度，剪裁直方圖的值，剪輯超出限制的直方圖部分，將裁剪掉的部分均勻分配到直方圖的其他部分，可以避免噪聲放大的問題。CLAHE算法流程如下：

（1）對圖像進行劃分，分為M×N個不重疊的子區(qū)域。

（2）計算所有子區(qū)域的灰度直方圖。

其中，Hmax、T、L三者關(guān)系為Hmax=L+T,L的取值為：其中，Ng為子區(qū)域灰度級數(shù)量，N∑陰影為陰影部分總像素數(shù)目。

（4）對所有子區(qū)域進行直方圖均衡化。

圖6 CLAHE裁剪分配示意圖

CLAHE處理后的圖像，細(xì)節(jié)更明顯，更符合人眼視覺感受。如圖7所示，雖然經(jīng)去霧模塊處理后的圖像確實去除了霧的影響，但整體色調(diào)偏暗，部分細(xì)節(jié)不明顯。而經(jīng)過CLAHE算法處理后，圖像對比度得到了提升。

圖7 CLAHE前后對比圖

4 實驗分析

4.1 實驗方案

（1）數(shù)據(jù)集

目前基于卷積網(wǎng)絡(luò)的去霧算法，常采用室內(nèi)數(shù)據(jù)集進行模型訓(xùn)練。室內(nèi)圖像沒有天空，顏色一般色彩豐富。而真實的有霧圖像往往在室外。室外圖像大都以天空為背景，色彩、亮度和室內(nèi)圖像有一定區(qū)別。因此，采用RESIDE[22]合成霧圖數(shù)據(jù)集進行訓(xùn)練。RESIDE 數(shù)據(jù)集包含72 135 張合成模糊圖像，是使用2 061 張清晰室外圖像生成，每張清晰圖像合成35 張模糊圖像。設(shè)置每個通道大氣光A值在[0.7，1.0]區(qū)間，均勻地隨機選擇beta值在[0.6，1.8]區(qū)間。

（2）實驗環(huán)境

硬件環(huán)境為GPU GTX 1080，處理器為Intel?CoreTMi5-8300H CPU@2.30 GHz，內(nèi)存為8 GB，操作系統(tǒng)為Ubuntu 18.04，深度學(xué)習(xí)框架為PyTorch，編程語言為Python。

（3）參數(shù)設(shè)置

使用高斯隨機變量初始化權(quán)重值，動量和衰減參數(shù)分別設(shè)置為0.9和0.000 1，學(xué)習(xí)率為0.001。采用均方誤差損失函數(shù)。利用隨機梯度下降算法和反向傳播算法進行網(wǎng)絡(luò)優(yōu)化，完成網(wǎng)絡(luò)算法的訓(xùn)練與收斂，迭代次數(shù)50次。

(4) 微電網(wǎng)運營相對困難。微電網(wǎng)的能量平衡依賴于大電網(wǎng),若沒有大電網(wǎng)作為支持,其經(jīng)濟性和可靠性無法保證;同時運行也難以取得規(guī)模效應(yīng)。

（4）去霧效果評判

與下述幾種經(jīng)典的去霧方法進行比較：暗通道先驗（DCP）[5]、DehazeNet[7]、MSCNN[8]和 AOD-Net[14]、MSDN[10]。后三種為基于多尺度卷積網(wǎng)絡(luò)的去霧算法。

4.2 魯棒性驗證

通過對比合成霧圖、真實霧圖（包括淡霧、濃霧、偏暗霧圖）無霧圖像等不同場景的去霧效果。并針對目前常用的幾種去霧效果評判指標(biāo)說服力不強的問題，將去霧算法與YOLOv3目標(biāo)檢測算法結(jié)合，通過測試對高級計算機視覺任務(wù)的輔助效果，對比在輔助高級計算機視覺任務(wù)中方面的能力。通過以上方式對算法的魯棒性進行驗證。

4.2.1 合成霧圖像實驗分析

對RESIDE數(shù)據(jù)集中合成霧圖的去霧效果對比，如圖8所示。與其他去霧算法相比，本文算法得到的去霧圖像、大樓的整體細(xì)節(jié)更加清晰，樓前物體更加清楚，在視覺效果上明顯優(yōu)于其他算法，并且與原無霧圖像非常接近。但對天空的處理效果相比其他幾種算法要差一些，這也是本文后續(xù)研究中的主要改進方向。

圖8 合成霧圖像去霧效果對比

為客觀對比各算法的去霧效果，本文選取了SSIM、PSNR、FSIM 三種常用的圖像質(zhì)量評價指標(biāo)進行分析，其中指標(biāo)數(shù)越高表示算法越好，如表2所示。

表2 不同算法去霧后指標(biāo)評價

由表2 可知，與 DCP、DehazeNet、AOD-Net 相比在客觀數(shù)據(jù)上更加優(yōu)異，同樣采用多尺度去霧的方法的MSCNN、MSDN 三種指標(biāo)比較相近。由于這三種指標(biāo)是需要無霧參考圖像進行對比，只能用于合成霧圖去霧效果的比較。因此這三類指標(biāo)只能反映算法對合成霧圖的去霧效果。而真實有霧圖與合成霧圖是存在一定區(qū)別的。因此只通過這三種指標(biāo)評判算法說服力有限。下文會從多個方面對幾種算法進行更全面的對比，以驗證本文算法在速度方面和對真實霧圖去霧效果等方面的優(yōu)勢。

4.2.2 自然霧圖像實驗分析

由于霧區(qū)和霧濃度不是均勻分布的，自然霧圖像的去霧難度往往比合成霧圖更大。為驗證本文算法對自然霧圖的去霧效果，分別對濃霧、淡霧、低照度等幾種不同類型的霧圖進行了去霧效果對比實驗。

圖9中的霧圖，霧濃度小，圖像色彩鮮艷，這類霧圖去霧難度小，從去霧效果可以看出，基于深度學(xué)習(xí)的去霧算法整體去霧效果要好于傳統(tǒng)算法，而本文算法對圖像下方樹木的細(xì)節(jié)恢復(fù)得更加清晰。圖10 中的霧圖，霧濃度較大，去霧效果都不明顯；相對于其他算法，本文算法處理后的圖像中的大樓更清晰一些。圖11中的霧圖，受霧影響的同時，圖像整體亮度偏暗。從處理效果來看，其他幾種算法處理后的圖像中原本偏暗的地方更暗了，而本文算法處理后的圖像細(xì)節(jié)清晰，更符合人眼的視覺效果。

圖9 淡霧圖去霧效果對比

圖10 濃霧圖去霧效果對比

圖11 偏暗霧圖去霧效果對比

4.2.3 無霧圖像實驗分析

圖12 中的圖像為無霧圖像，且圖像整體色調(diào)偏灰白，從去霧效果可以看出，其他去霧算法處理后，圖像對比度有所增強，但整體色調(diào)偏黑，影響視覺效果。本文算法處理后，圖像對比度增強的同時，圖像的整體視覺效果更好了。

圖12 無霧圖去霧效果對比

4.2.4 對目標(biāo)檢測任務(wù)的提升效果分析

通過與經(jīng)典的目標(biāo)檢測算法YOLOv3[23]相結(jié)合，進行測試實驗，觀察對比目標(biāo)檢測的綜合效果。針對濃霧、淡霧、遠(yuǎn)景霧圖3 種類型，對比了相關(guān)算法對YOLOv3檢測的提升效果。

從圖13～圖15 的檢測效果來看，對于濃霧圖像，對圖中每個個體的檢測概率值已經(jīng)明確標(biāo)出，相比于DCP和AOD-Net，本文算法檢測的概率值更大。對于淡霧圖，在原始霧圖中，綠色箭頭指向的地方有兩個車輛目標(biāo)，經(jīng)DCP、AOD-Net處理后，遠(yuǎn)方的更小車輛目標(biāo)沒有被檢測出來。但本文算法能夠檢測出兩個車輛目標(biāo)，說明本文算法對原圖的細(xì)節(jié)保留得更好。對于遠(yuǎn)景霧圖，從檢測出的車輛目標(biāo)的數(shù)量可以看出，本文算法對圖像細(xì)節(jié)的修復(fù)效果更好。綜上，本文算法適用的去霧場景更多，能更好地滿足實際去霧要求。

圖13 濃霧圖目標(biāo)檢測效果對比

圖15 遠(yuǎn)景霧圖目標(biāo)檢測效果對比

圖14 淡霧圖目標(biāo)檢測效果對比

4.3 實時性驗證

在同一臺計算機上對RESIDE 數(shù)據(jù)集中選取的50張大小為480×640的霧圖進行去霧處理，統(tǒng)計平均處理時間，如表3所示。早期的經(jīng)典去霧算法通過Matlab實現(xiàn)，DehazeNet（Pytorch 版本）、AOD-Net 和本文算法都是基于pytorch 框架的。結(jié)果表明，例如，比DehazeNet（Matlab 版本）、MSCNN、MSDN 算法快 1 倍以上，比DehazeNet（Pytorch版本）、FVP算法快6～7倍，比DCP算法快10倍以上。AOD-Net也是一個快速的圖像去霧算法，本文的算法要比AOD-Net算法慢一些，但本文在魯棒性方面要好于AOD-Net。

表3 算法時間對比表

5 結(jié)語

針對目前大多數(shù)去霧算法去霧魯棒性差、處理速度慢等問題，本文提出一種基于多尺度卷積網(wǎng)絡(luò)的快速圖像去霧算法，選取常用的客觀標(biāo)準(zhǔn)和主觀標(biāo)準(zhǔn)與經(jīng)典去霧算法進行了對比。實驗結(jié)果證實基于多尺度卷積網(wǎng)絡(luò)的快速圖像去霧算法在魯棒性、處理速度上具有一定的優(yōu)勢。此外，與YOLOv3 算法的結(jié)合測試，也驗證了本文算法在實際應(yīng)用中的有效性。