传统的图像去雾方法主要分为两类：图像增强法和图像复原法。图像增强法是对质量降低的图像做增强处理，提升图像的对比度和色彩饱和度。这类方法的优点是操作简单，速度快，突出显示图像中有用的信息，但是这种方法没有对有雾图像的形成原因进行补偿，对图像中细节的处理并不理想，使得图像中的有用信息部分损失。
图像复原法基于大气散射物理模型，通过对有雾图像降质原因的分析，并有效利用先验知识，来恢复原始图像。大气散射公式：
（1）
I(x)为有雾图像，J(x)为无雾图像，A为大气光照，t(x)为透射率。由于图像复原法更具有针对性，可以取得更理想的去雾效果，因此成为图像去雾领域的研究热点。Tan[1],提出清晰图像比有雾图像对比度高的统计规律，采用对比度区域最大法进行去雾，用到的先验知识便是图像的对比度（contrast）。该算法有三个假设：1、有雾图像的对比度比无雾图像的对比度低；2、透射率（与原文中的量略有不同，但本质是一样的）的变化只与物体（或场景）的深度有关，因此局部区域内的透射率是接近恒定的，而且除了少数不连续的像素点以外，相邻区域透射率的变化是平滑的；3、复原之后图像的统计特性应该与实际的无雾照片特性一致（由于该算法只是一种增强对比度的算法，理论上并不是为了直接还原无雾照片，所以引入该假设来说明该算法可以达到近似去雾的效果）。虽然该算法利用对比度先验较为成功地实现了单张图像的去雾，但是它只是一种单纯从图像增强角度出发的方法，并没有从成像机理的角度上还原物体（或场景）的辐射，会导致复原后的图像颜色过于饱和；Fattal[2]假设场景目标辐射与介质传输具有局部区域统计不相关性，再通过独立成分分析法估计出场景辐射率，进而得到无雾图像.该方法是基于物理模型的，能得到较好的无雾图像和深度图，去雾效果较好。然而该方法会受到其“统计独立性”的假设的限制，比如在信噪比较低（浓雾场景）的情况下得到的统计特性会不准确。另外该方法基于颜色信息，对于灰度图像和浓雾天气并不适用；He[3]提出的暗原色去雾算法在去雾领域中占有重要地位，它主要基于暗通道的原理：在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。换言之，该区域光强度的最小值是个很小的数，但如果目标场景内在的就和大气光类似，比如雪地、白色背景墙、大海等，则由于前提条件就不正确，暗原色去雾算法可能无法获得满意的效果，同时暗原色去雾算法无法对天空区域进行去雾；暗通道先验算法提出后的几年，大多的后续工作都只是在此基础上的一些（较小的）改进。虽然暗通道先验在很多场景下能得到不错的效果，但如前所述还是有其缺陷的。所以随机森林回归方法[4]的一个出发点就是，前人工作中的各种先验知识之间可以起到互相补充的作用，弥补单一先验特征在某些场景下不适用的问题。该方法构建了一个随机森林回归器（Random Forest regressor），以各种先验特征为输入，通过随机森林模型估计透射图；颜色衰减先验（CAP）是一种与暗通道先验（DCP）[3]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。 |