最近几年，船舶的信息化与智能化程度不断提高，目前正向着无人化乃至拟人化的方向发展。而智能船舶对周边环境的感知能力作为智能航行模块的核心技术，是保证船舶能够在陌生的环境中正常开展工作并实现其功能的重要前提。智能船舶通过多种仪器设备采集周边环境信息并进行在线的分析与反馈，其中视觉系统作为环境感知的关键，主要由一个至多个光学摄像头组成。然而海上环境复杂多变，且常常伴有海雾出现。在海雾的影响下，空气中悬浮的细小颗粒会对入射光线产生散射作用，摄像头所捕获的图像在可见度与对比度上出现严重降质，导致视觉系统获取信息的准确性与可靠性大幅度降低，严重影响了智能船舶视觉系统的性能，造成跟踪目标的丢失甚至由于无法及时发现航行路径上的船舶或其他障碍物而未能做出有效避让措施导致碰撞事故的发生，直接危害到了智能船舶的航行安全性。因此，只有提升雾天环境下视觉系统所采集图像的清晰程度，才能使得智能船舶有更好的环境适应能力并在恶劣气候的影响下继续完成其任务与使命。本文的研究主要基于海雾下的视觉系统增强技术进行开展：

首先，针对将目前大多数陆地去雾算法直接用于对海雾图像去雾而造成的去雾效果差、不适用等问题，提出了一种针对海天为背景的海上有雾图像去雾方法。在暗通道先验理论的启发下引入亮通道的概念，并通过组合权重的方式将两种透射率的预估方法进行组合，并对去雾后容易出现色彩失真的天空区域进行了适当修正，最后将改进后的大气光值与修正后的透射率代入大气散射物理模型中得到清晰图像，并通过仿真实验，验证了算法的有效性与优异性。

然后，针对传统的图像去雾方法存在需要人为调整参数才能获得更好去雾效果的缺点，设计了一种考虑通道与像素特征信息的生成对抗网络模型。通过使用Wasserstein距离作为判别器网络的权衡度量，并在生成器的模型结构中加入基于注意力机制的残差模块以提升生成图像的质量，最终在生成器与判别器的相互博弈过程中得到了视觉效果更优异的去雾图像。并将该模型生成的图像与另外几种模型的去雾图像进行了主观与客观层面的比较，验证了该模型具有更好的去雾能力。

最近几年，船舶的信息化与智能化程度不断提高，目前正向着无人化乃至拟人化的方向发展。而智能船舶对周边环境的感知能力作为智能航行模块的核心技术，是保证船舶能够在陌生的环境中正常开展工作并实现其功能的重要前提。智能船舶通过多种仪器设备采集周边环境信息并进行在线的分析与反馈，其中视觉系统作为环境感知的关键，主要由一个至多个光学摄像头组成。然而海上环境复杂多变，且常常伴有海雾出现。在海雾的影响下，空气中悬浮的细小颗粒会对入射光线产生散射作用，摄像头所捕获的图像在可见度与对比度上出现严重降质，导致视觉系统获取信息的准确性与可靠性大幅度降低，严重影响了智能船舶视觉系统的性能，造成跟踪目标的丢失甚至由于无法及时发现航行路径上的船舶或其他障碍物而未能做出有效避让措施导致碰撞事故的发生，直接危害到了智能船舶的航行安全性。因此，只有提升雾天环境下视觉系统所采集图像的清晰程度，才能使得智能船舶有更好的环境适应能力并在恶劣气候的影响下继续完成其任务与使命。本文的研究主要基于海雾下的视觉系统增强技术进行开展：

首先，针对将目前大多数陆地去雾算法直接用于对海雾图像去雾而造成的去雾效果差、不适用等问题，提出了一种针对海天为背景的海上有雾图像去雾方法。在暗通道先验理论的启发下引入亮通道的概念，并通过组合权重的方式将两种透射率的预估方法进行组合，并对去雾后容易出现色彩失真的天空区域进行了适当修正，最后将改进后的大气光值与修正后的透射率代入大气散射物理模型中得到清晰图像，并通过仿真实验，验证了算法的有效性与优异性。

然后，针对传统的图像去雾方法存在需要人为调整参数才能获得更好去雾效果的缺点，设计了一种考虑通道与像素特征信息的生成对抗网络模型。通过使用Wasserstein距离作为判别器网络的权衡度量，并在生成器的模型结构中加入基于注意力机制的残差模块以提升生成图像的质量，最终在生成器与判别器的相互博弈过程中得到了视觉效果更优异的去雾图像。并将该模型生成的图像与另外几种模型的去雾图像进行了主观与客观层面的比较，验证了该模型具有更好的去雾能力。

最后，根据智能船舶航行时的特点提出了一种结合小波变换和引导滤波的视频快速去雾方法。当船舶处于稳定航行状态时，考虑到帧间图像的雾气特征具有传递性，采用引导滤波对雾气特征图进行最大程度保留细节信息的平滑处理，并直接通过雾气特征图对后续的视频帧进行直接去雾；当船舶运动状态出现大幅度变化时，通过小波变换将雾气图像分解为四个分量，并只对低频分量进行单幅图像的去雾。实验结果表明，该方法在保证去雾效果的同时能有效的提高去雾效率。

[1] 李光正, 宋新刚, 徐瑜. 基于“工业4.0”的智能船舶系统探讨[J]. 船舶工程, 2015, 37(11): 58-60, 71.

[2] 严新平. 智能船舶的研究现状与发展趋势[J]. 交通与港航, 2016, 3(1): 25-28.

[3] 装备工业司. 三部门联合印发《智能船舶发展行动计划（2019-2021年）》[EB/OL]. [2018-12-29].

http://www.miit.gov.cn/n1146290/n4388791/c6567958/content.html

[4] 中国船级社. 《智能船舶规范》(2020)[EB/OL]. [2019-12-03].

https://www.ccs.org.cn/ccswz/font/fontAction!article.do?articleId=4028e3d66daf3189016ecb0076b107b7.

[5] 远洋海运网. 罗尔斯-罗伊斯与FINFERRIES展示全球首艘无人驾驶渡轮[EB/OL]. [2018-12-11].

http://www.ship.sh/news_detail.php?nid=32587.

[6] 中国船舶报. 我国发力无人自主航行船舶研发[EB/OL]. [2019-06-04]. http://www.eworldship.com/html/2019/LocalShipbuilding_0604/149929.html.

[7] 国际船舶网. 国内首艘自主研发无人货船完成首航[EB/OL]. [2019-12-15]. http://www.eworldship.com/html/2019/NewShipUnderConstrunction_1215/155317.html.

[8] 吴俊杰. 海雾图像清晰化算法研究[D]. 黑龙江: 哈尔滨工程大学, 2017.

[9] 臧风妮. 智能视频监控中海面舰船目标检测算法研究[D]. 山东: 中国海洋大学, 2014.

[10] Hines G D, Rahman Z, Jobson D J, et al. Real-time enhanced vision system[C] Proceedings of Defense and Security. International Society for Optics and Photonics, Bellingham: Society of Photo-Optical Instrumentation Engineers Press, 2005: 127-134.

[11] 程建, 杨杰. 基于小波变换的固体火箭发动机地面试验图像的烟雾去除方法[J]. 系统仿真学报, 2004, 16(11): 2490-2492.

[12] 周旋, 周树道, 黄峰, 等. 卫星图像的去雾研究[J]. 计算机应用与软件, 2005, 22(12): 54-55, 123.

[13] 刘锦锋, 荆琳, 朱福萌, 等. 减轻遥感图像中薄云薄雾影响的研究[J]. 气象水文装备, 2005, (2): 1-3.

[14] 芮义斌, 李鹏, 孙锦涛. 一种图像去薄雾方法[J]. 计算机应用, 2006, 26(1): 154-156.

[15] Kim Y T. Contrast enhancement using brightness preserving bi-histogram equalization[J]. IEEE transactionson Consumer Electronics, 1997, 43(1): 1-8.

[16] Kim T K, Paik J K, Kang B S. Contrast enhancement system using spatially adaptive histogram equalization with temporal ?ltering[J]. IEEE Transactions on Consumer Electronics, 1998, 44(1): 82?87.

[17] Stark J A. Adaptive image contrast enhancement using generalizations of histogram equalization[J]. IEEE Transactions on Image Processing, 2000, 9(5): 889?896

[18] Land, Edwin H. The eetinex theory of color vision[J]. Scientific American, 1977, 237(6): 108-128.

[19] Jobson D J, Rahman Z, Woodell G A. Properties and performance of a center/surround retinex[J]. IEEE Transactions on Image Processing, 1997, 6(3): 451-462.

[20] Jobson D J, Rahman Z U, Woodell G A. Multiscale retinex for bridging the gap between color images and the human observation of scenes[J]. IEEE Transactions on Image Processing, 1997, 6(7): 965-976.

[21] Rahman Z, Jobson D J, Woodell G A. Multi-scale retinex for color image enhancement[C] Proceedings of IEEE International Conference on Image Processing, Los Alamitos: IEEE Computer Society Press, 1996, 3: 1003-1006.

[22] Rahman Z, Jobson D J, Woodell G A. Multiscale retinex for color rendition and dynamic range compression[C] Proceedings of SPIE. Bellingham: Society of Photo-Optical Instrumentation Engineers Press, 1996, 2847: 183-191.

[23] Rahman Z, Jobson D J, Woodell G A. Retinex processing for automatic image enhancement[J]. Journal of Electronic Imaging, 2004, 13(1): 100-110.

[24] 胡韦伟，汪荣贵，方帅等，基于双边滤波的Retinex图像增强算法[J]. 工程图学学报, 2010, 31(2), 104-109.

[25] Seow M J, Asari V K. Ratio rule and homomorphic ?lter for enhancement of digital colour image[J]. Neurocomputing, 2006, 69(7-9): 954-958.

[26] RUSSO F. An image enhancement technique combining sharpening and noise reduction [J]. IEEE Transactions on Instrumentation and Measurement, 2002, 51(4): 824-828．

[27] Narasimhan S G, Nayar S K. Interactive (de) weathering of an image using physical models[C] Proceedings of ICCV Workshop on Color and Photometric Methods in Computer Vision. Los Alamitos: IEEE Computer Society Press, 2003, 1387-1394.

[28] Tan. R. T. Visibility in bad weather from a single image[C] Computer Vision and Pattern Recognition. Anchorage: AK, 2008: 1-8.

[29] Fattal R. Single image dehazing[J]. ACM Transactions on Graphics, 2008, 27(3): 1-9.

[30] He K, Sun J, Tang X. Single Image Haze Removal Using Dark Channel Prior[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2011, 33(12):2341-2353.

[31] Gibson K B, Vo D T, Nguyen T Q. An investigation of dehazing effects on image and video coding[J]. IEEE Transactions on Image Processing, 2012, 21(2): 662-673.

[32] 杨爱萍,王海新,王金斌, 等.基于透射率融合与多重导向滤波的单幅图像去雾[J]. 光学学报, 2018, 38(12): 104-114.

[33] K. He, J. Sun, X. Tang. Guided Image Filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409.

[34] G Meng, Y Wang, J Duan, et al. Efficient Image Dehazing with Boundary Constraint and Contextual Regularization[C] IEEE International Conference on Computer Vision. Sydney, NSW, 2013: 617-624.

[35] Q Zhu, J Mai, L Shao, A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior[J]. IEEE Transactions on Image Processing, 2015, 24(11): 3522-3533.

[36] 雷琴, 施朝健, 陈婷婷. 基于天空区域分割的单幅海面图像去雾方法[J]. 计算机工程, 2015(5): 237-242.

[37] Y Xu, X Guo, H Wang, et al. Single image haze removal using light and dark channel prior[C] IEEE/CIC International Conference on Communications. Chengdu, China, 2016: 1-6.

[38] Tang K, Yang J, Wang J. Investigating haze-relevant features in a learning framework for image dehazing[C] Proceedings of the IEEE Conference on Computer Visionand Pattern Recognition. 2014: 2995-3000.

[39] Cai B, Xu X, Jia K, et al. Dehazenet: An end-to-end system for single image hazeremoval[J]. IEEE Transactionson Image Processing, 2016, 25(11): 5187-5198.

[40] Ren W, Liu S, Zhang H, et al. Single image dehazing via multi-scale convolutional neural networks[C] European Conference on computer vision.Springer, Cham, 2016: 154-169.

[41] Li B, Peng X, Wang Z, et al. An All-in-One Network for Dehazing and Beyond[J]. arXivpreprint arXiv: 1707.06543, 2017.

[42] Wu W, Zhu J, Su X, Zhang X. DHGAN: Generative adversarial network with dark channel prior for single-image dehazing[J]. Concurrency Computation: Practice and Experience. 2019; e5263.

[43] Zhao J, Zhang J, Li Z, et al. DD-cycleGAN: unpaired image dehazing via double-discriminator cycle-consistent generative adversarial network[J]. Engineering Applications of Artificial Intelligence, 2019, 82: 263-271.

[44] 郭敬天. 海雾形成与发展机制的观测分析与数值模拟研究[D]. 青岛: 中国海洋大学. 2008.

[45] 左迎芝, 梁军. 大连及其近海海雾预报系统[J]. 气象水文海洋仪器, 2010, 3: 9-14.

[46] McCartney E J. Optics of the atmosphere: scattering by molecules and particles[J]. nyjw, 1976.

[47] Lecun Y , Bottou L . Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

[48] Eliasmith C .Anderson C H, Neural Engineering: Computation, Representation, and Dynamics in Neurobiological Systems[M]. MIT Press, Cambridge, MA, 2003.

[49] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C] Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.

[50] Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C] Advances in neural information processing systems. 2014: 2672-2680.

[51] Tan. R. T. Visibility in bad weather from a single image[C] Computer Vision and Pattern Recognition. Anchorage: AK, 2008: 1-8.

[52] Yan Y, Ren W, Guo Y, et al. Image deblurring via extreme channels prior[C] Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 4003-4011.

[53] Fu X, Zeng D, Huang Y, et al. A variational framework for single low light image enhancement using bright channel prior[C] IEEE Global Conference on Signal and Information Processing. IEEE, 2013: 1085-1088.

[54] 李赓飞,李桂菊,韩广良, 等. 亮通道先验Retinex对低照度图像的光照补偿[J]. 光学精密工程, 2018, 26(5): 1191-1200.

[55] 张选德. 基于非局部信息的图像恢复和图像质量评价[D]. 西安：西安电子科技大学. 2013.

[56] Creswell A, White T, Dumoulin V, et al. Generative adversarial networks: An overview[J]. IEEE Signal Processing Magazine, 2018, 35(1):53-65.

[57] Mirza M, Osindero S. Conditional generative adversarial nets[J]. arXiv preprint 2014: 1784.

[58] Arjovsky M, Bottou L. Towards principled methods for training generative adversarial networks[C] Proceedings of International Conference on Learning Representations. 2017.

[59] Arjovsky M, Chintala S, Bottou L. Wasserstein GAN[C] Proceedings of the International Conference on Machine Learning, Sydney, Aug 6-11, 2017. New York: ACM, 2017:214-223.

[60] Hu J, Shen L, Sun G, et al. Squeeze-and-excitation networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017: 99.

[61] Johnson J, Alahi A, Fei-Fei L. Perceptual losses for real-time style transfer and super-resolution[C] European conference on computer vision. Springer, Cham, 2016: 694-711.

[62] Kupyn O, Budzan V, Mykhailych M, et al. Deblurgan: Blind motion deblurring using conditional adversarial networks[C] Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 8183-8192.

[63] John J, Wilscy M. Enhancement of weather degraded video sequences using wavelet fusion [C] Proceedings of 7th IEEE International Conference on Cybernetic Intelligent Systems, Los Alamitos: IEEE Computer Society Press, 2008: 1-6.

[64] 郭璠, 蔡自兴, 谢斌. 基于雾气理论的视频去雾算法[J]. 电子学报, 2011, 39(9): 2019-2025.

[65] Xu Z, Liu X, Chen X. Fog removal from video sequences using contrast limited adaptive histogram equalization[C] Proceedings of IEEE International Conference on Computational Intelligence and Software Engineering, Los Alamitos: IEEE Computer Society Press, 2009: 1-4.

[66] Chui C K. An Introduction to Wavelets[M]. Academic Press, Boston, 1992.

[67] 杨艳静. 序列图像去雾技术的研究[D]. 四川: 电子科技大学, 2014.

[68] 张鹤. 图像与视频自适应去雾关键算法研究[D]. 福建: 华侨大学, 2017.