- 文献综述（或调研报告）：
3.1图像与视频去雾国内外研究现状
由于大气中雾所依赖的深度信息是未知的，在只有一幅图可进行分析的情况下，解决去雾问题又受到了限制，因此很多使用多张图像或者其他辅助信息的去雾方法被提出。在[1][2]中用多幅图像获取求取不同程度的偏振光从而实现去雾，在[3，4，5]里从同一景象在不同天气的情况下的照片中获得更多的对比度信息实现去雾，[6，7]中基于深度的方法则需要通过来自对应图片或者已知的3D模型的大致深度信息。
近年来，图像去雾处理也有了更大的进展。Fattal[8]通过假定透射率和表面投影在局部是不相关的，估算景物的反射率，来推断景物光在空气中传播时的透射率。Fattal的做法比较准确，并且能产生很好的去雾结果。然而他的方法在雾浓度较大时效果很差，尤其是在他的假想失效的时候。2012年He Renjie在Fattal思想的基础上提出了改进方法：先对雾图进行白平衡调整，再将图像分解为反射光和环境光，对反射光进行去雾，对环境光进行曝光调整。将透射率分为平坦部分和细节部分，突出细节部分从而获得更多的细节信息；最终对有雾图像完成曝光增强[9]。Tan[10,11]观察到无雾图像比有雾图像具有更高的对比度，他通过扩大复原图像的局部对比度来达到去雾的效果。
2009年He在CVPR会议上提出了著名的基于暗原色先验的单幅图像去雾算法(Dark Channel Prior, DCP)[12]，并于2011年提出了可替代软抠图的导向滤波方法[13]。随后H. Kang[14]等人提出了改进的DCP算法，这种算法不需要前向通道并且具有很低的复杂度。2014年Bui T．M提出基于分割理论的暗原色先验法(Segmenting DCP)处理透射率边界处的光晕效应[15]。在利用暗通道优先方法和大气光性质十分接近的场景图像时，Sun[16,17,18]等人提出了针对灰白色区域的处理方法，提高了处理的效果与速度。此外，对于DCP还有一些改进细化透射率t(x)的滤波方法，如最小加权二乘法细化滤波[19][20]、自适应窗口细化滤波[21]、中值滤波[22]等。
空军工程大学[23][24]中国科学院长光所[25][26]等国内的其他科研院校在图像去雾领域也取得了很多研究成果。视频去雾算法的研究在图像去雾的基础上也有所发展。韩子奇于2013年通过改进和优化环境光值来避免视频闪烁、抖动的现象[27]。作者通过每隔一段时间更新一次环境光值，避免了环境光值的重复计算。在更新环境光值时，作者将相邻若干帧图像的环境光值的结果全部估计出，并从中选择最符合的环境光值作为这一序列视频的环境光值，这一处理大大减少了相邻帧之间的环境光值的差异性及其带来的视频闪烁现象。该方法对视频闪烁现象有一定的抑制作用。
在硬件实现方面，基于FPGA平台实现较多，2013年龚亮团队基于暗原色先验去雾算法实现了PAL制视频的实时去雾，但是该团队的算法中不涉及色度信号的信息，仍需要进一步地优化[28]；贺柏根团队基于DSP FPGA的平台实现了高清实时视频去雾，该系统能够有效稳定地去雾，且对光照条件差的图像同样具有明显的增强效果，然而该系统的成本较高。[29]2015年曹亚辉也基于暗原色先验去雾算法搭建了720p、60Hz的实时视频去雾系统，该系统具有自适应功能，同时系统成本低，也具有良好的扩展性[30]。
3.2图像去雾技术分类
目前对于雾天图像的处理方法主要分为两类: 雾天图像增强和雾天图像复原。雾天图像的增强方法不考虑雾图的成像原因，通常通过提高对比度等方法提高图像的可观性。这种方法能够突出图像的细节，改善图像的视觉效果，但是无法从光学原理上实现去雾，得到的结果也会与真实情况产生一定的偏颇，去雾后图像易产生色彩偏移等情况，其突出部分的信息也会有一定的损失。雾天图像复原通过研究雾天图像的降质过程，建立雾图成像模型，通过模型反推退化过程，补偿失真，获得未经干扰退化的无雾图像，从而改善雾天图像质量。这种方法能在物理上有效，得到的去雾效果自然，信息损失较少，处理的关键是模型中参数的估计。这两类处理方法又可根据去雾方法的相似性，进一步划分出不同的子类方法，详细的分类层次如下图1所示：
图1
