计算机视觉技术高速发展,已被广泛应用于视频监控、智能交通、目标跟踪等科研领域。然而,这些户外的计算机视觉研究极易受到天气状况的影响,近年来频发的雾霾天气就是一个非常大的威胁。在雾霾天气下,由于空气中漂浮的小颗粒或者小水滴,在阳光的照射下发生严重的散射现象,使得摄像设备捕捉到的画面发生了严重的降质现象。因此,为了保证计算机视觉技术的研究不受雾霾天气的影响,改善雾天图像的质量,去雾技术有着非常重要的理论与现实意义。本文在学习与了解雾天图像降质的物理成因以及研究雾天影响的基础上,提出了基于深度学习的去雾算法。本文的研究内容如下:(1)利用深度学习的优势,提出了基于条件生成对抗网络(Conditional Generative Adversarial Nets,CGAN)的图像去雾算法,来学习有雾图像像素到无雾图像像素的映射。该类映射可以直接将有雾图像的像素颜色恢复为无雾像素的颜色,从根本上解决雾霾给图像带来的影响。为了加快网络的收敛,提高去雾结果的质量,本章在研究了不同损失函数给去雾结果带来的不同效果后,利用网格搜索法与随机搜索法,找出了最合适的比例,将不同的损失函数融合起来作为网络生成器最终的损失函数。(2)为了进一步提高去雾效果,本章结合了经典的大气散射模型,提出了残差学习去雾算法。该算法学习的是从有雾图像中推断出由雾霾引起的损失信息,将这部分损失信息与有雾图像线性相加后,即可得到清晰的无雾图像。根据残差学习的思想,与直接学习有雾像素到无雾像素的映射相比,学习残差信息将会更加迅速。为了防止在训练中出现梯度爆炸与梯度消失的情况,本章还在训练过程中加入了梯度剪裁的措施,保证网络的正常收敛。(3)基于本文提出的去雾算法,本章设计实现了一个图像去雾系统。该系统能运行上述两种图像去雾算法,给出令用户满意的去雾结果图。不仅如此,该系统还能从客观角度评价去雾结果图,帮助用户评判去雾的结果。