雷锋网 (搜索“雷锋网”公众号关注) 按：本文作者蔡博仑，华南理工大学在读博士研究生。主要研究方向，机器学习，计算机视觉，图像处理等 。
北京城被中度污染天气包围，到处都是灰蒙蒙一片——雾霾天又来了。 从11日起，雾霾天气就开始出现，根据北京环境监测中心最新预报，这一轮雾霾短期内不会明显好转，尤其是今明两天，北京空气质量维持在4级中度污染，雾霾会一直持续到本周日。
雾霾是特定气候与人类活动相互作用的结果。高密度人口的经济生产及社会活动会排放大量细颗粒物，一旦排放量超过大气循环和承载能力，悬浮颗粒受静稳天气的影响持续积聚，极易出现大范围的雾霾。
一、图像去雾的核心
现有的 图像去雾 (Image Dehazing)技术离不开一个简单的自然模型—— 大气散射模型(Atmospheric Scattering Model) 。大气散射模型描述了，在雾霾和光照的共同作用下的成像机制：
阳光在物体表面形成反射光 J ( x ) ，反射光在穿过雾霾的过程发生散射，只有部分能量 J ( x ) t ( x ) 能到达摄像头。与此同时，阳光也在悬浮颗粒表面散射形成大气光 α 被摄像头接收。因此，摄像头中的成像 I ( x ) 可由两部分组成，透射的物体亮度 J (x ) t ( x ) 和散射的大气光照 α ( 1-t ( x )) ：
其中， t ( x ) 是 媒介透射率 (medium transmission)，顾名思义表示 能顺利透过雾霾到达摄像头的比率 。因此，透射率跟物体与摄像头距离 d ( x ) 成反比，离摄像头越远的物体受雾霾影响更大。 当距离 d ( x ) 趋于无穷大时，透射率 t ( x ) 趋于零， I ( x ) 趋近于 α ， α= max y∈ { x|t ( x ) ≤t0 } I ( y ) 。综上所述， 去雾的核心是如何更精确地估计媒介透射率 t ( x ) 。
二、基于人工特征
手工特征是传统机器视觉的基础，讲究的是熟能生巧，依赖的是实践出真知。通过“观察→经验→设计”构建各式各样的特征来满足各式各样的任务需求。图像去雾技术也是沿着手工特征逐步地发展起来。
(1)暗通道先验 [2] (Dark Channel Prior，DCP)
说起去雾特征，不得不提起的暗通道先验(DCP)。大道之行在于简，DCP作为CVPR 2009的最佳论文，以简洁有效的先验假设解决了雾霾浓度估计问题。
观察发现，清晰图像块的RGB颜色空间中有一个通道很暗(数值很低甚至接近于零)。因此基于暗通道先验，雾的浓度可由最暗通道的数值近似表示：
(2)最大对比度 [3] (Maximum Contrast，MC)
根据大气散射模型，雾霾会降低物体成像的对比度： Σ x ‖ ΔI(x) ‖ =tΣ x ‖ ΔJ(x) ‖ ≤Σ x‖ ΔJ(x) ‖ 。 因此，基于这个推论可利用局部对比度来近似估计雾霾的浓度。同时，也可以通过最大化局部对比度来还原图像的颜色和能见度。
(3)颜色衰减先验 [4] (Color Attenuation Prior，CAP)
颜色衰减先验(CAP)是一种与暗通道先验(DCP)相似的先验特征。观察发现雾霾会同时导致图像饱和度的降低和亮度的增加，整体上表现为颜色的衰减。根据颜色衰减先验，亮度和饱和度的差值被应用于估计雾霾的浓度：
三、基于深度智能
人的视觉系统并不需依赖这些显式的特征变换，便可以很好地估计雾的浓度和场景的深度。 DehazeNet 是一个特殊设计的深度卷积网络，利用深度学习去智能地学习雾霾特征，解决手工特征设计的难点和痛点。