【阅读笔记】低照度图像增强-《Fast efficient algorithm for enhancement of low lighting video》

本文介绍的是一种比较实用的低照度图像增强效果很好的方法，Xuan Dong论文《Fast efficient algorithm for enhancement of low lighting video》

概述

低光照图像取反（255 - 低光照图像），和有雾图像存在一些共性，比如在天空或者遥远的背景这些地方，亮度值都是很高的，但在近景的 RGB 三通道中至少有一个亮度值很低。作者提出直接用去雾算法对低光照图像的反转图像处理，去雾结果再取反得到低照度增强结果。

低照度图像增强算法

大气散射模型

大多透雾算法基于大气散射模型，模型如下：

$$I(x)=J(x)t(x)+A(1-t(x))$$

其中，$I(x)$表示含雾图，$J(x)$表示无雾图，$A$表示大气光模型，$t(x)=e^{-\beta d(x)}$表示传输率矩阵，$\beta$ 表示大气散射系数，$d(x)$表示图像区域的景深。雾越浓，到达相机的物体反射的光越少，即传输率越小。

​上式可以改写为：

$$J(x)=\frac{I(x)-A}{t(x)}+A$$

为了得到$J(x)$，重点在估计$A$和$t(x)$。

暗通道先验知识：

在大部分无雾图像的无天空区域，像素中至少存在一个颜色通道存在很低非常低的亮度值。这个最低的亮度值几乎等同于0。因此，对于一个观测图像J，其暗通道趋近于0，即

$$J^{dark}(X)=mi{n}_{y\in \Omega (x)}(mi{n}_{c\in r,g,b}{J}^c(y))\to 0$$

其中，$J^c$表示彩色图像每个通道，$\Omega (x)$表示以$x$为中心的窗口

透雾算法

基于大气散射模型，透雾模型的方法步骤如下：

1、从雾图I (x) 估计传输率矩阵t(x)

2、估计大气光值A

3、通过公式估计无雾图J(x)

首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波，滤波的半径由窗口大小决定，一般有$WindowSize=2\ast Radius+1$

将雾模型

$$I(x)=J(x)t(x)+A(1-t(x))$$

处理为：

$$\frac{I^c(x)}{A^c}=\frac{J^c(x)}{A^c}t(x)+1-t(x)$$

假设在窗口内透射率$ t(x)$为常数，定义为$\tilde t(x)$，$A$值已知。对上式求两次最小值运算，得到

$$\underset{y\in \Omega (x)}{\min }(\underset{c}{\min }\frac{I^c(y)}{A^c})=\tilde{t}(x)\underset{y\in \Omega (x)}{\min }(\underset{c}{\min }\frac{J^c(y)}{A^c})+1-\tilde{t}(x)$$

根据暗原色先验理论

$$J^{dark}(x)=\underset{y\in \Omega (x)}{\min }(\underset{c}{\min }{J}^c(y))=0$$

推导出

$$\underset{y\in \Omega (x)}{\min }(\underset{c}{\min }\frac{J^c(y)}{A^c})=0$$

带入透射率为常数的公式，得到透射率预估值

$$\tilde{t}(x)=1-\underset{y\in \Omega (x)}{\min }(\underset{c}{\min }\frac{I^c(y)}{A^c})$$

上式添加一个限制系数，得到$\tilde{t}(x)$：

$$\tilde{t}(x)=1-\omega \underset{y\in \Omega (x)}{\min }(\underset{c}{\min }\frac{I^c(y)}{A^c})$$

$\omega$取值0.95

以上假设全球达气光A值时已知的，在实际中，我们可以借助于暗通道图来从有雾图像中获取该值。具体步骤如下：

1）从暗通道图中按照亮度的大小取前0.1%的像素。

​2）在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为$A$值。

算法参数优化

文中自适应调节$t(x)$，如下式

$$t^{\prime }(x)=\{\begin{array}{l}2\ast t(x),0<t(x)<0.5\\ 1,0.5<t(x)<1\end{array}$$

优化$t(x)$如下,增强暗区提亮，亮区微处理，效果更好

$$t^{\prime }(x)=\{\begin{array}{l}t(x{)}^2\ast 2,0<t(x)<0.5\\ t(x),0.5<t(x)<1\end{array}$$

效果对比

图、测试图像1、原文处理效果、算法优化处理效果 图、测试图像2、原文处理效果、算法优化处理效果 图、测试图像3、原文处理效果、算法优化处理效果 ## 算法总结 简单易实现的增强算法，普世性较好，透雾算法处理部分兼容各种透雾算法。

算法实现参考

https://github.com/AomanHao/ISP_Low_Light_Image_Enhancement

我的个人博客主页，欢迎访问

我的CSDN主页，欢迎访问

我的GitHub主页，欢迎访问

我的个人博客主页，欢迎访问

我的CSDN主页，欢迎访问

我的GitHub主页，欢迎访问