Digital Image processing（一）: Haze Removal by guide filtering

最新推荐文章于 2024-04-06 09:40:45 发布

Master_H_ice

最新推荐文章于 2024-04-06 09:40:45 发布

阅读量807

点赞数 1

本文链接：https://blog.csdn.net/Master_H_ice/article/details/103348405

版权

日常学习专栏收录该内容

5 篇文章 0 订阅

订阅专栏

最近学习数字图像处理的小结（一）: Haze removal

一、前言
二、基本概念
三、图像恢复（Recovering the Scene Radiance）
四、t的改进方法

最近学习并做了关于Haze removal 的project，相对来说有了一些理解，希望自己能记录下来并分享。

一、前言

《Single Image Haze Removal Using Dark Channel Prior》是数字图像领域里比较出名的论文，本次project也是基于这篇论文来做的，当然也拓展了guide filter 。有关的论文和代码我放在了我的github。

二、基本概念

（一）暗通道先验J^dark（dark channel prior）

在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。换言之，该区域光强度的最小值是个很小的数。我们给暗通道一个数学定义，对于任意的输入图像J，其暗通道可以用下式表达：
在这里插入图片描述
式中J^c表示彩色图像的每个通道，Ω(x)表示以像素X为中心的一个窗口。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。
论文中通过统计，得出：
在这里插入图片描述
实际生活中造成暗原色中低通道值主要有三个因素：a)汽车、建筑物和城市中玻璃窗户的阴影，或者是树叶、树与岩石等自然景观的投影；b)色彩鲜艳的物体或表面，在RGB的三个通道中有些通道的值很低（比如绿色的草地／树／植物，红色或黄色的花朵／叶子，或者蓝色的水面）；c)颜色较暗的物体或者表面，例如灰暗色的树干和石头。总之，自然景物中到处都是阴影或者彩色，这些景物的图像的暗原色总是很灰暗的。（这些都是废话）

（二）雾图像I（haze image）

在计算机视觉和计算机图形中，下述方程所描述的雾图形成模型被广泛使用：
　　
　　在这里插入图片描述
其中，I(X)就是我们现在已经有的图像（待去雾的图像），J(x)是我们要恢复的无雾的图像，A是全球大气光成分， t(x)为透射率。现在的已知条件就是I(X)，要求目标值J(x),显然，这是个有无数解的方程，因此，就需要一些先验了。

（三）大气光A（medium transmission）

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：

从暗通道图中按照亮度的大小取前0.1%的像素。
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。

（四）透射率t（medium transmission）

将式稍作处理，变形为下式：
在这里插入图片描述
对式两边求两次最小值运算，得到下式：

然后，我们根据上述方程式在三个颜色通道之间进行最小值运算，得到：

由暗通道先验可以得到：

那么再除以大气光A，可以得到：

最后我们带入得到：
在这里插入图片描述
I是我们的输入，A是大气光，通常会有ω (0<ω≤1)，一般取0.95：

三、图像恢复（Recovering the Scene Radiance）

得到上述一些参数后，我们可以通过以下得到新的图像：
在这里插入图片描述
t₀是防止t过小而设置的阈值。

四、t的改进方法

（一）Soft Matting（比较麻烦就省略不用了→_→）

（二）Faster matting （同省略）

（二）Guided filter

引导图滤波作为一种线性滤波器，可以简单定义为如下形式：
在这里插入图片描述
其中I是引导图像(guided Image)，P是输入的待滤波图像，Q是滤波后的输出图像，W是根据引导图I确定的权重值。权重值W可以用下式表示（原文献有详细推导）：

μ_k是窗口内像素点的均值，I_i和I_j指相邻两个像素点的值，σ_k代表窗口内像素点的方差，ε是一个惩罚值。自适应权重可以根据上式分析得到：I_i和I_j在边界两侧时，(I_i-μ_k)和(I_j-μ_k)异号，否则，则同号。而异号时的权重值将远远小于同号时的权重值，这样处于平坦区域的像素则会被加以较大的权重，平滑效果效果更明显，而处于边界两侧的像素则会被加以较小的权重，平滑效果较弱，能够起到保持边界的效果。

在这里插入图片描述

由上图可以看出q=aI+b是线性方程，因此可以说我们使用的导向图的要求就是导向图和图像是线性关系。导向图可以告诉输入，哪里是边缘，哪里是平面，这样输入就可以利用这些信息进行滤波。现在我们可以设想，有三块区域，其中两块是平面(平滑区域)，在平滑区域图像的像素变化率较小，因此梯度较小。在边缘区域图像像素变化率较大因此梯度较大。这里说明一点–a,b是当前窗的线性函数系数，a，b不是固定的，不同位置的窗，a，b不同。当同时对输出和导向图进行求梯度时，可以看出两者的梯度是一个系数a的关系，因此完全可以用导向图的梯度来知道输出图像q的梯度。

上面的q=p-n，其中n就是噪声。噪声n是我们所不希望看到的，因此我们的优化就是让噪声n取到最小

在这里插入图片描述
此处何凯明教授是用岭回归来代替普通线性回归。

可通过下式来得到最后的滤波图像q