D-HAZY :一个用于定量评估去雾算法的数据集

原文

摘要

去雾处理是近年出现的一种图像增强技术。尽管它很重要，但是没有数据集来定量评估这些技术。在本文中，我们介绍了一个包含1400多对图像的数据集，这些图像包含地面真实参考图像和同一场景的模糊图像。由于光照条件的变化，记录这样的图像是不可行的，我们通过合成复杂场景的真实图像中的雾度来建立数据集。我们的数据集被称为D - HAZY，是建立在Middelbury [1]和NYU Depth [2] 数据集上的，这些数据集提供了各种场景的图像及其相应的深度图。由于在雾介质中，场景辐射随距离衰减，基于深度信息并使用雾介质的物理模型，我们能够以高保真度创建相应的朦胧场景。最后，利用D-HAZY数据集，我们对几种最先进的单图像去雾技术进行了全面的定量评估。
关键词：去雾 深度 质量评估

简介

图像去雾是近年来广泛研究的一种典型的图像增强技术，旨在恢复有雾场景的原始光强。虽然早期的去雾方法使用了额外的信息，如多幅图像[ 3 ]或深度[ 4 ]的粗略估计，但最近的技术已经通过仅使用单一模糊输入图像[ 5 ]、[ 6 ]、[ 7 ]、[ 8 ]、[ 9 ]、[ 10 ]、[ 11 ]、[ 12 ]、[ 13 ]、[ 14 ]、[ 15 ]和[ 16 ]的信息来解决这个问题。现有技术恢复了假设Koschmedier [17]的物理模型的潜在的图像。由于去雾问题在数学上是不适定的，因此有多种方法来估计两个未知数:空运常数和传输图。Fattal [ 5 ]采用了一种图形模型，在假设图像阴影和场景传输是局部不相关的情况下，解决了大气光值颜色的模糊性。Tan的方法[ 6 ]是最大化局部对比度，同时限制图像强度小于全球大气光值。He等人[ 7 ]，[ 18 ]介绍了一种基于暗通道统计观察的强大方法，允许对传输图进行粗略估计，并通过阿尔法抠图策略[ 19 ]进一步完善。Tarel和Hauti`ere [ 8 ]介绍了一种过滤方法，假设深度图必须平滑，除非沿着深度跳跃较大的边缘。Kratz和Nishino [ 9 ]提出了一种贝叶斯概率方法，通过充分利用其潜在的统计结构，从单一退化图像中联合估计场景反照率和深度。安库提等人[ 10 ]描述了一种基于图像的半逆快速识别模糊区域的增强技术。安库提和安库提[12]引入了多尺度融合程序，通过定义适当的输入和权重图来恢复这种模糊图像。Choi等人最近扩展了该方法[ 20 ]。孟等人[ 21 ]提出了一种基于应用于传输地图的新边界约束的正则化方法。Fattal [ 13 ]提出了一种灵感来自彩色线条的方法，这是自然图像中的一种普遍规律。唐等人[ 16 ]描述了一个框架，该框架学习一组用于图像去雾特征。
已经有几次尝试定量评估去雾方法。所有这些都被定义为