基于雨霧分離處理和多尺度網絡的圖像去雨方法

摘要：雨帶來的雨條紋和雨霧會降低戶外拍攝圖像的質量，為了去除雨霧對圖像的影響，提出了一種基于雨霧分離處理和多尺度卷積神經網絡的圖像去雨方法。首先利用導向濾波將雨線和圖像細節信息提取到高頻層，雨霧和背景信息則分離到低頻層；然后構建多尺度卷積神經網絡來去除高頻層中的雨線，網絡中融入多個稠密連接模塊以提升特征提取的準確性；其次構建多層特征融合的輕量級去霧網絡來去除低頻層中的雨霧，采用參數一體化結構避免了估計多個大氣散射模型參數導致的次優解；最后再結合處理后的高低頻結果還原出清晰圖像。在多個合成的雨霧數據集以及真實自然場景圖像上進行測試，定性和定量結果表明，提出的方法在去除雨霧影響的同時較好地保留了色彩信息，和近年的算法相比，圖像結構相似性提升了0.02～0.08，圖像峰值信噪比提升了0.2～3.5 dB。

關鍵詞：圖像去雨；雨霧分離處理；導向濾波；稠密連接網絡；深度學習

中圖分類號：TP391.4文獻標志碼：A

文章編號：1001-3695（2023）01-047-0283-05

doi：10.19734/j.issn.1001-3695.2022.05.0243

Image rain removal method based on rain and fog separation processing and multiscale network

Wei Hao，Li Hongru，Deng Guoliang，Zhou Shouhuan

（College of Electronics amp; Information Engineering，Sichuan University，Chengdu 610065，China）

Abstract：

Rain streaks and fog brought by rain can degrade the quality of images taken outdoors.In order to remove the in-fluence of rain and fog on images，this paper proposed an image derain method based on rain and fog separation processing and multi-scale convolutional neural network.Firstly，it extracted the rain lines and image details to the high frequency layer using guided filtering，while separated the fog and background information to the low frequency layer.Then

it constructed a multi-scale convolutional neural network to remove the rain lines in the high frequency layer，and

incorporated multiple dense connection modules into the network to improve the accuracy of feature extraction.Secondly，

it constructed a lightweight defogging network with multi-layer feature fusion to remove the fog in the low frequency layer，and used the parameter integration structure to avoid estimation of multiple atmospheric scattering model parameters resulting in sub-optimal solutions.Finally，

it combined the processed high and low frequency results to restore a clear image.Tested on several synthetic rain and fog datasets as well as on real natural scene images，the qualitative and quantitative results show that the proposed method removes rain and fog while retaining color information well，and improves the image structure similarity by 0.02 to 0.08 and the image peak signal-to-noise ratio by 0.2 to 3.5 dB compared to recent algorithms.

Key words：single image deraining；rain and fog separation processing；guided filtering；densely connected network；deep learning

0引言

如今戶外的智能化拍攝系統十分普及，如：監控交通的電子眼、商鋪的室外監控系統、自動化駕駛的拍攝裝置等，在有雨天氣下，這些裝置的視野會被密集的雨條紋和雨滴形成的雨霧所遮擋，這嚴重影響其拍攝性能。因此，研究有效的圖像去雨算法具有重要意義。近年來人們提出了許多有效單幅圖像去雨的方法，效果也在不斷提升。2015年Luo等人［1］提了區分性稀疏編碼的方法來分離雨痕層和背景層，利用字典學習的方法來估計雨條紋和背景層的矩陣，實現對單幅圖像進行去雨。2016年Li等人［2］提出了高斯混合模型實現對多尺度多方向的雨條紋進去除，這種模型對不同密度不同方向的雨條紋都有效果，但是在不同情況下準確構建高斯模型比較困難。隨著深度學習框架的不斷完善和計算機硬件性能的提高，2016年之后人們開始大量使用深度學習的方法來對單幅圖像進行去雨［3～8］。2017年Fu等人［9］提出了圖像處理領域知識和卷積神經網絡結合的方法（derainNet）對單幅圖像的雨條紋進行去除，通過高頻濾波的方式將雨條紋提取到高頻層，讓神經網絡直接學習有雨圖像高頻層到清晰圖像高頻層的映射來恢復圖像，這種方法可以保留圖像的背景細節，但是由于網絡結構比較簡單，所以在處理雨霧濃度大的圖像時會存在雨滴殘留。2018年Zhang等人［10］提出一種基于密度感知的多流密集連接卷積神經網絡算法（DID-MDN），這種網絡可以根據雨條紋的密度和尺度信息預測出清晰圖像，對各個尺度的雨條紋都有適應性。上述算法多是針對圖像中的雨條紋進行去除，在合成數據集時沒有考慮到真實情況下雨天中的雨霧，導致這些網絡對合成圖像有較好的效果而在處理真實雨霧圖像時效果不佳。為了能同時去除雨圖中的雨霧，2017年Yang等人［11］將雨圖像中的雨霧建模為雨條紋矩陣和二值掩膜的乘積，為網絡提供更多雨條紋的位置信息，用上下文擴張網絡來對圖像進行去雨。2019年，Li等人［12］認為暴雨天的雨霧是雨條紋和條紋累積效應形成的遮擋，用條紋累積模型和GAN結合的神經網絡（HeavyRainRemoval）來估計大氣散射模型中的參數，恢復清晰圖像。這些方法對于合成雨霧圖像有較好的效果，但是在處理真實雨圖時常有雨痕殘留和圖像模糊的問題。隨后人們嘗試用半監督學習和遷移學習等方法［13～16］讓去雨網絡更好地適應真實場景。2020年Yasarla等人［17］提出了一種基于高斯過程的半監督學習框架對圖像進行去雨，這種非參數學習方法模型對真實雨條紋和霧氣都有一定效果。2021年Huang等人［18］提出了面向記憶的遷移學習框架，使用自監督存儲模塊和自訓練機制來訓練去雨的編碼—解碼網絡。此類半監督學習和無監督學習方法可以使用部分無標簽的有雨圖像對網絡進行訓練，讓模型對真實場景有更好的適應性，但是模型往往難以訓練，會出現過擬合甚至崩潰等問題。為彌補這些不足，本文提出了一種同時去除圖像雨條紋和雨霧的方法。利用導向濾波將雨條紋分離到高頻層，雨霧分離到低頻層，設計多個稠密連接模塊構成的去雨網絡處理高頻層，去除雨線的同時減少細節丟失；構建跳躍連接的多尺度網絡去除低頻層的雨霧，并使用參數一體化結構使模型更精確，在同時具有雨條紋和雨霧的圖像數據集上進行訓練，實現了較好的去雨效果。

1提出的算法

1.1場景建模

在雨圖像中，遮擋場景的因素有雨條紋和雨霧兩種，其中雨條紋即是下雨時較多雨水團聚形成的狹長透明整體；而雨霧的來源可以認為有下雨時空氣中本身彌散的小水珠和離拍攝系統較遠累積的雨條紋兩個。下雨時，離拍攝系統較近的雨條紋會被清晰地拍下，然而越遠的地方同一視角下雨條紋越密集，以至于這部分雨條紋會融入到雨霧之中難以分辨，因此可以直接認為這就是雨霧。根據大氣散射模型［19］，霧氣圖像建模為

F=J·T+A·（1-T）（1）

其中：F表示有霧的圖像；J表示真實的景物圖像；T表示拍攝系統和景物之間的霧層的透射率；A表示全局大氣光。將可見雨條紋S帶入大氣散射模型式（1）中，得到雨霧模型：

I=（J+S）·T+A·（1-T）（2）

其中：I表示雨霧圖像。如果認為景物圖像J是高頻細節圖像JH和低頻背景圖像JL的疊加，即

J=JH+JL（3）

同時可見雨條紋S可被認為是高頻細節，于是將I整理為高頻層加低頻層的形式：

I=（JH+S）·T+［JL·T+A·（1-T）］（4）

令IH=（JH+S）·T（5）

IL=JL·T+A·（1-T）（6）

其中：IH、IL分別是雨霧圖像的高、低頻部分。因此，為了描述方便，I可以寫為

I=IH+IL（7）

這樣只需在雨霧高頻層IH中提取出JH，在雨霧低頻層IL中提取出JL，再將它們相加就可以還原得到清晰的圖像J。

1.2整體結構

本文提出的去雨的整體流程結構如圖1所示，主要由

引導濾波器、去雨網絡和去霧網絡三個部分組成。將雨霧圖像輸入到導向濾波器［20，21］中，濾波器將雨霧圖像分解為高頻圖像IH和低頻圖像IL。需要說明的是為了展示效果，高頻層圖像均做了反色處理。將分離得到的高頻圖像IH輸入去雨網絡中，去除圖像中的雨條紋，只保留場景的細節信息，得到圖像JH；將低頻圖像IL輸入到去霧網絡中，通過雨霧的低頻圖像來預測清晰圖像的低頻背景JL，最后將JL和JH相加，還原出清晰的無雨圖J。在不同層中分別對雨條紋和雨霧進行處理，可以避免兩者相互干擾，提高特征提取效率。

1.2.1去雨網絡

雨霧圖像通過濾波后，高頻圖像中主要是雨條紋和場景的細節信息，為了得到不同尺度雨條紋的特征圖，搭建了新的DenseBlock模塊［22］，去雨網絡結構如圖2所示。將帶有雨的高頻層圖像作為輸入，輸出圖像為去除雨條紋后的高頻層圖像。新模塊依然采用四層卷積層的密集連接，但每個層的深度更深，提高了提取特征的效率，減少了模塊的使用次數。將每個卷積層獲取到的特征都輸入到后面的每一個卷積層，特征層連接采用concat的方式。為了保證各個特征圖的寬和高相同，每次卷積都采用SAME的填充方式，DenseBlock模塊的特征傳遞如式（8）所示，網絡參數設置如表1所示。其中，ReLU表示激活函數，{z0，z1，z2，z3，z4}∈Euclid Math TwoRApC×W×H分別表示由conv1和DenseBlock模塊中每個卷積層輸出的特征圖，C為特征圖的通道數，W、H為特征圖的大小；concat（·）表示把特征圖的通道進行疊加，表示卷積。和一般的殘差網絡相比，這種模塊保證了每個卷積層提取的特征不會丟失，實現了多個特征融合，在訓練過程中有利于網絡提取圖像特征，減少模型復雜度，提高了訓練速度，能在參數和訓練成本更少的情況下擁有更好的性能。

z1=ReLU（z0w1+b1）

z2=ReLU（concat（z0，z1）w2+b2）

z3=ReLU（concat（z0，z1，z2）w3+b3）

z4=ReLU（concat（z0，z1，z2，z3）w4+b4）（8）

1.2.2去霧網絡

要從雨霧圖像的低頻圖像中獲取清晰的背景，觀察式（6），它仍然具有大氣散射模型式（1）的形式，這樣就可以用大氣散射模型來建模低頻圖像中的雨霧。一般的去霧算法是通過復雜的模型來估計式（1）中的霧層透射率T和大氣散射光A，最后再通過得到的T和A來計算出清晰圖像J。這種方法存在的問題是分別估計多個參數再組合運算出清晰圖像，而不是在直接最小化有霧圖像和清晰圖像的誤差，當估計的T和A兩個參數本身帶有誤差時，用它們去計算清晰圖像會導致誤差累積。一種解決方式［23］是通過公式變換將A和T融合到一個式子中作為一個變量K，通過網絡來估計K的值，從而來估計清晰圖像。這樣在訓練網絡的時候可以直接最小化清晰圖像和有霧圖像的差異，降低網絡的復雜度，提高估計精度。

對式（6）做變換，表達出需要的背景JL的式子：

JL=ILT-AT+A（9）

設JL=K·IL-K+b（10）

其中：b設置為常數1。則

K=1T（IL-A）+（A-b）IL-1（11）

構建的去霧網絡結構如圖3所示。讓網絡直接預測K，再將求出的K帶入式（10），求出圖像的背景JL。

網絡的輸入為雨霧的低頻圖像，去霧網絡使用六個不同尺度的卷積核來識別圖像的多個特征，再利用融合層對這些特征進行融合，以此對K矩陣進行估計。網絡的模型參數如表2所示，其中m0和n0是輸入圖像的大小，其他帶下標的m、n隨m0和n0變化而變化。相比于一般的網絡，去霧網絡的層數雖然多，但是每個卷積核只有三層，這是一個非常輕量的網絡，可以很大程度上減少計算量和內存，提升網絡的效率。

2實驗和結果分析

2.1訓練

去雨網絡和去霧網絡都是在TensorFlow 1.15平臺上進行訓練，電腦配置為Windows 10系統，GeForce RTX3080ti顯卡。數據集是在文獻［24］提供的霧氣圖像數據集RESIDE的基礎上進行處理得到的。使用的數據集包含250張清晰圖像，每張清晰圖像對應有8張霧氣濃度不同的有霧圖像，為了讓數據集更接近真實情況，剔除掉霧氣濃度太大的2張圖像，剩余6張圖像，然后給霧氣圖像添加均勻分布的隨機雨條紋并對雨條紋進行拉長和旋轉使圖像具有不同大小和方向的雨條紋。加雨時，每張霧氣圖像生成3張雨條紋長度、寬度、方向不同的雨霧圖像，處理之后得到新的數據集NYU2-new，數據集中有250張清晰圖像，每個清晰圖像對應有18張雨霧圖像。訓練過程中用200張清晰圖像和對應的雨霧圖像作為訓練集，預留50張清晰圖像和對應的雨霧圖像作為測試集。兩個網絡的損失函數均是采用均方根誤差損失函數（MSE）。去雨網絡的損失函數為

loss1=1N∑Ni=1‖IiHc-IiHr‖2F（12）

其中：N表示一個批次訓練的樣本數；IiHc表示一個批次中第i個清晰圖像高頻圖；IiHr表示一個批次中通過網絡產生的第i個去雨高頻圖像；‖·‖2F表示取范數后再取平方。去霧網絡的損失函數為

loss2=1N∑Ni=1‖IiLc-IiLf‖2F（13）

其中：IiLc表示一個批次中第i個清晰圖像低頻圖；IiLf表示一個批次中通過去霧網絡產生的第i個去霧低頻圖。

2.1.1去雨網絡的訓練

訓練去雨網絡時，使用清晰圖像的高頻圖和雨霧圖像的高頻圖進行訓練，batch size為10，patch size為64，學習率設置為0.001，當迭代次數大于20 000次時每迭代1 000次學習率乘以0.96，一共迭代200 000次。

2.1.2去霧網絡的訓練

訓練去霧網絡時，使用清晰圖像的低頻圖和雨霧圖像的低頻圖進行訓練，batch size為10，patch size為100，學習率為0.000 1，當迭代次數大于20 000次時每迭代1 000次學習率乘以0.96，一共迭代100 000次。

2.2在合成雨條紋圖上的測試

為了測試本文算法去除雨條紋的效果，在Yang等人［11］提供的數據集Rain100L上把本文算法和目前幾種主流的去雨算法：derainNet［9］、DID-MDN［10］、HeavyRainRemoval［12］、MOSS［18］進行了比較，評價指標為圖像結構相似性（SSIM）［25］和峰值信噪比（PSNR）［26］。測試結果如表3所示，圖4為效果圖。

從表3可以看出所提方法在兩個指標上都有較好的效果，和其他幾種方法相比平均SSIM提升了0.02～0.18，平均PSNR提升了0.5 dB～5.2 dB。從圖像效果來看，derainNet的方法會讓圖像對比度下降；DID-MDN和HeavyRainRemoval的方法處理之后圖像的色彩飽和度更高一些；MOSS的方法幾乎沒有顏色失真，但存在部分的雨痕殘留；而本文方法在去除雨條紋的同時保持了圖像色彩。

去雨網絡能有不錯的去雨效果，得益于以下兩個方面的結構設計：a）提出的網絡有多個卷積核尺度不同的DenseBlock結構，這些結構能夠提取到雨圖中不同尺度的高頻信息，從而對于各個尺度的雨條紋都能夠處理；b）去雨網絡中采用了多個跳躍連接，保證前面的層提取的信息不丟失，在參數量不是很大的情況下保證了網絡的性能。

2.3在合成雨霧圖上的測試

為了測試所提算法在雨霧圖像上的表現，在合成的雨霧疊加數據集上對本文方法進行了評估，把本文方法和上述三種算法進行了比較。表4是在合成雨霧圖像上的結果；表5是在四個合成雨霧數據集上的測試結果。OurTest是本文合成的測試集有50對圖；ODR是文獻［12］的OutdoorRain訓練集，由于圖像數量較多，隨機選取了其中120對圖像來測試；OHR和DHN19是使用文獻［27，28］的霧氣圖像合成的雨霧數據集，分別包含45對和55對圖像；Avg是對表格中SSIM和PSNR列向求得的平均值。圖5為這些算法在不同圖像上的效果，圖6突出了這些算法在不同雨霧濃度圖像上的效果。

在合成圖像上的對比可以看到derainNet的方法存在大量的雨條紋和雨霧，DID-MDN和MOSS方法對雨條紋和細小的雨滴都有很好的去除效果，但是在去雨之后會導致圖像模糊，并且對雨霧沒有效果；HeavyRainRemoval的算法可以較好地去除雨霧和比較長的雨條紋，但是對比較短雨點不敏感，依然存在大量的雨滴殘留；本文方法能去除不同濃度的雨霧和不同尺度的雨條紋，能恢復出清晰的干凈圖像。從表5可以看到在四個數據集上定量測試，和其他幾種方法相比平均SSIM提高了0.02～0.08，平均PSNR提高了0.2 dB～3.5 dB；在每個雨霧數據集上比較來看本文方法都有更好的性能，其中ODR是HeavyRainRemoval算法的訓練集，盡管這樣，本文的指標與其也較為接近，且優于其他三種算法。

本文分別使用兩個網絡對雨霧圖像中的雨和霧兩種干擾信息進行針對性處理，互不干擾，保證了網絡在處理不同濃度雨霧圖像時的穩定性；去霧網絡又使用了多尺度融合和參數歸一化設計，減少了特征損失并避免了估計多個參數帶來的次優解，正是這樣的多方面針對性的結構設計讓提出的網絡擁有較好的性能。

2.4在真實雨霧圖上的測試

最后測試了四種方法在真實雨霧圖像上的效果，這些圖像來自文獻［24，29］，如圖7所示。

從圖像可以看到，derainNet對雨條紋和雨霧的效果都比較差；DID-MDN和MOSS的方法雖然大量去除了細小的雨條紋但是也損失了更多細節，比如第六行的建筑輪廓變模糊；HeavyRainRemoval算法在去除雨條紋和雨霧的同時會增加圖像的對比度和飽和度，但是這也導致圖像的灰度和顏色失真，而模糊一些細節信息，比如第一行圖中的人物變暗，第六行大樓頂光泛白。而本文方法可以更好地消除雨條紋和雨霧，且保留更多的圖像細節和色彩信息。

3結束語

為有效地去除圖像中的雨霧，提出一種雨霧分離處理的去雨方法。該方法基于雨條紋和雨霧的性質，將圖像的雨條紋和雨霧分別分離到高頻層和低頻層中，避免兩者相互干擾，再分別訓練神經網絡對雨條紋和雨霧進行去除。去雨網絡采用不同尺度的DenseBlock模塊來提取特征，在去除雨線的同時更好地保留細節。去霧網絡中對多個尺度卷積核提取的特征進行融合并使用參數一體化結構避免估計多個參數導致次優解，減少處理不同霧濃度圖像時造成的顏色失真。多個數據集的測試結果表明，所提方法能夠較好地去除圖像中的雨條紋和雨霧并保留圖像的細節和色彩，和近年來的主流去雨算法相比，SSIM提升了0.02～0.08，PSNR提升了0.2 dB～3.5 dB。本文方法為真實場景中的去雨處理提供了思路，在自動化駕駛、室外監控等領域有重要意義及應用價值。

參考文獻：

［1］Luo Yu，Xu Yong，Ji Hui.Removing rain from a single image via discriminative sparse coding［C］//Proc of IEEE International Conference on Computer Vision.New York：IEEE Press，2015：3397-3405.

［2］Li Yu，Tan R T，Guo X J，et al.Rain streak removal using layer priors［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.New York：IEEE Press，2016：2736-2744.

［3］Zhang He，Sindagi V，Patel V M.Image de-raining using a conditional generative adversarial network［J］.IEEE Trans on Circuits and Systems for Video Technology，2020，30（11）：3943-3956.

［4］Wang Tianyu，Yang Xin，Xu Ke，et al.Spatial attentive single-image deraining with a high quality real rain dataset［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Pisca-taway，NJ：IEEE Press，2019：12262-12271.

［5］謝偉，余瑾，涂志剛，等.消除光暈效應和保持細節信息的圖像快速去霧算法［J］.計算機應用研究，2019，36（4）：1228-1231.（Xie Wei，Yu Jin，Tu Zhigang，et al.Fast algorithm for image defogging by eliminating halo effect and preserving details［J］.Application Research of Computers，2019，36（4）：1228-1231.）

［6］唐慧，任杰文，鮑旭東.減少色彩失真的自適應單幅圖像去霧算法［J］.計算機應用研究，2020，37（5）：1553-1556.（Tang Hui，Ren Jiewen，Bao Xudong.Color preserved self-adaptive single image defogging method［J］.Application Research of Computers，2020，37（5）：1553-1556.）

［7］Fu Xueyang，Liang Borong，Huang Yue，et al.Lightweight pyramid networks for image deraining［J］.IEEE Trans on Neural Networks and Learning Systems，2020，6（31）：1794-1807.

［8］Ren Dongwei，Zuo Wangmeng，Hu Qinghua，et al.Progressive image deraining networks：a better and simpler baseline［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.New York：IEEE Press，2019：3932-3941.

［9］Fu Xueyang，Huang Jiabin，Ding Xinghao，et al.Clearing the skies：a deep network architecture for single-image rain removal［J］.IEEE Trans on Image Processing，2017，6（26）：294-2956.

［10］Zhang He，Patel V M.Density-aware single image de-raining using a multi-stream dense network［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.New York：IEEE Press，2018：695-704.

［11］Yang Wenhan，Tan R T，Feng Jiashi，et al.Deep joint rain detection and removal from a single image［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.New York：IEEE Press，2017：1685-1694.

［12］Li Ruoteng，Cheong L F，Tan R T.Heavy rain image restoration：integrating physics model and conditional adversarial learning［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2019：1633-1642.

［13］柳長源，王琪，畢曉君.基于多通道多尺度卷積神經網絡的單幅圖像去雨方法［J］.電子與信息學報，2020，42（9）：2285-2292.（Liu Changyuan，Wang Qi，Bi Xiaojun.Research on rain removal method for single image based on multi-channel and multi-scale CNN［J］.Journal of Electronics amp; Information Technology，2020，42（9）：2285-2292.）

［14］陳舒曼，陳瑋，尹鐘.單幅圖像去雨算法研究現狀及展望［J］.計算機應用研究，2022，39（1）：9-17.（Chen Shuman，Chen Wei，Yin Zhong.Research status and prospect of single image ram removal algorithm［J］.Application Research of Computers，2022，39（1）：9-17.）

［15］譚富祥，錢育蓉，孔鈺婷，等.基于Transformer的多分支單圖像去雨方法［J］.計算機應用研究，2022，39（8）：1-7.（Tan Fuxiang，Qian Yurong，Kong Yuting，et al.Multi-branch single image deraining network based on Transformer［J］.Application Research of Computers，2022，39（8）：1-7.）

［16］李然，周子淏，張月芳，等.一種結合自注意和多尺度生成對抗網絡的圖像去雨方法［J］.計算機工程與科學，2021，43（12）：2216-2222.（Li Ran，Zhou Zihao，Zhang Yuefang，et al.An image raindrop removal method based on self-attention and multi-scale generative adversarial network［J］.Computer Engineering amp; Science，2021，43（12）：2216-2222.）

［17］Yasarla R，Sindagi V A，Patel V M.Syn2real transfer learning for image deraining using Gaussian processes［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2020：2723-2733.

［18］Huang Huaibo，Yu Aijing，He Ran.Memory oriented transfer learning for semi-supervised image deraining［C］//Proc of IEEE/CVF Confe-rence on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2021：7728-7737.

［19］McCartney E J.Optics of the atmosphere：scattering by molecules and particles［J］.IEEE Journal of Quantum Electronics，1978，9（14）：698-699.

［20］He Kaiming，Sun Jian，Tang Xiaoou.Guided image filtering［C］//Proc of European Conference on Computer Vision.Berlin：Springer，2010：1-14.

［21］Zhang Qi，Shen Xiaoyong，Li Xu，et al.Rolling guidance filter［C］//Proc of European Conference on Computer Vision.Berlin：Springer，2014：815-830.

［22］Huang Gao，Liu Zhuang，Laurens V，et al.Densely connected convolutional networks［C］//Proc of Conference on Computer Vision and Pattern Recognition.New York：IEEE Press，2017：2261-2269.

［23］Li Boyi，Peng Xiulian，Wang Zhangyang，et al.AOD-Net：all-in-one dehazing network［C］//Proc of IEEE International Conference on Computer Vision.Piscataway，NJ：IEEE Press，2017：4780-4788.

［24］Li Boyi，Ren Wenqi，Fu Dacheng，et al.Benchmarking single image dehazing and beyond［J］.IEEE Trans on Image Processing，2019，28（1）：492-505.

［25］Wang Zhou，Bovik A C，Sheikh H R，et al.Image quality assessment：from error visibility to structural similarity［J］.IEEE Trans on Image Processing，2004，13（4）：600-612.

［26］Huynh-Thu Q，Ghanbari M.Scope of validity of PSNR in image/video quality assessment［J］.Electronics Letters，2008，44（13）：800-801.

［27］Ancuti C O，Ancuti C，Timofte R，et al.O-HAZE：a dehazing benchmark with real hazy and haze-free outdoor images［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops.New York：IEEE Press，2018：867-8678.

［28］Ancuti C O，Ancuti C，Sbert M，et al.Dense-haze：a benchmark for image dehazing with dense-haze and haze-free images［C］//Proc of IEEE International Conference on Image Processing.Piscataway，NJ：IEEE Press，2019：1014-1018.

［29］Wu Qingbo，Wang Lei，Ngan K N，et al.Beyond synthetic data：a blind deraining quality assessment metric towards authentic rain image［C］//Proc of IEEE International Conference on Image Processing.New York：IEEE Press，2019：2364-2368.

收稿日期：2022-05-07；修回日期：2022-07-13基金項目：國家自然科學基金資助項目（61705149）；四川省科技計劃資助項目（2021YFG0323）；四川大學博士后交叉學科創新啟動基金資助項目（BHJC201911）

作者簡介：韋豪（1998-），男，重慶南川人，碩士研究生，主要研究方向為圖像處理和信息光學；李洪儒（1987-），男（通信作者），四川綿陽人，助理研究員，博士，主要研究方向為計算光學與圖像處理（lihoru99@scu.edu.cn）；鄧國亮（1984-），男，四川綿竹人，副教授，博士，主要研究方向為光學信息處理；周壽桓（1937-），男，四川成都人，中國工程院院士，教授，主要研究方向為新型光電技術．