随着人类社会的不断发展与科技的不断进步，人们已经进入了信息时代。无人机作为这个时代信息获取的独特载体，凭借自身优势，在航拍、农业、救灾防灾、野生动物观测、测绘、电力巡线、电影电视、新闻报道等领域都有很大的应用。
但随着人类文明的不断发展和工业化进程，出现雾霾天气的概率大幅增加，无人机飞行作业时所搭载的载荷在采集图像时往往都会受到不同程度的雾气的干扰。目前的各种图像处理方法都存在一定的不足，基于图像增强的直方图均衡化相关算法容易丢失图像的细节信息，基于先验信息的算法处理图片后常常产生光晕和过饱和现象。因此，在汉斯出版社《图像与信号处理》期刊中，有学者提出了一种基于生成对抗网络的无人机图像去雾算法。
图像去雾的目的是在不损失图像基本细节信息的条件下，尽量多地处理掉目标图像的雾气信息。使用传统方法进行图像去雾在去雾效果上有一定的局限性，但大多数方法都不会破坏图像的基本细节信息，不容易出现严重的图像失真。但对于基于深度学习的图像去雾方法，网络的设计非常关键，一旦设计不当，处理后的图像会严重失真，后续调整参数也无法有效改善其处理效果。
本文采用深度学习中生成对抗网络的方法，可以对带雾图像进行端到端的去雾，输入目标带雾图像经过处理后即可得到相应的去雾图像，在去雾过程中不需要估计额外的物理参数。对抗网络的作用是可以对生成网络生成的图像和数据集原始不带雾图像进行对比判断，用来甄别生成网络生成无雾图像的好坏，同时也将参数逆传递，辅助生成网络生成质量更好的无雾图像。本文建立了一个五层的卷积神经网络，对生成的图像与无雾图像进行逐块比较，提高了判别的准确性。对抗网络的输出为一个[0,1]之间的概率值，当生成网络生成的图像越接近真实无雾图像时，判别器的输出越靠近0；当生成的图像越靠近原始带雾图像时，判别器的输出越靠近1。
本方法训练中所用的数据集采用D-HAZYDATASET。进行训练之前，先对数据集中的待训练数据进行预处理，为了确保训练时网络能正常进行梯度计算和更新，将图像统一分割调整为256×256像素的图像，并做成对化处理，形成了1472对包含同一场景有雾和无雾图像的对比数据集。训练环境基于搭载了NVIDIAGTX1080GPU计算机的Tensorflow上，训练过程中采用Adam优化，学习率设置为0.0001，benchsize设置为4，epoch设置为400。
图像去雾方法的去雾效果需要有一定的评价指标，而评价一幅图像的质量有两种方法，按照评价者是否为人类，可以分为主观评价方法和客观评价方法。本文选取图像的结构相似度和峰值信噪比这两个指标进行计算，通过量化的结果对各图像去雾算法进行评价。从主观上来看，在城市场景中，四种方法都能有效的去除雾气，但基于中值滤波方法和基于暗通道先验方法还有少量残余，DehazeNet方法亮度较低，基于生成对抗网络的去雾方法对比度较高，效果较好。
深度学习方法为很多图像处理问题打开了新的天地，本文构建了新的生成器和判别器，提出了构建一个生成对抗网络GAN来对图像进行去雾的方法，在典型场景中与其他其他去雾方法进行对比，无论主观评价指标还是客观评价指标都表现出了较好的效果，本文算法得到的去雾图像具有更清晰的边缘和细节信息具有较好的图像质量。但在分析中可以看到，本方法对特别浓厚的雾的去除效果不太好，因此浓雾的去除是未来值得研究的一个方向。
