Non-Local Image Dehazing_CVPR2016 理解

Understanding of Non-Local Image Dehazing_CVPR2016:

Abstract

1. haze限制了可见性，减小了户外图像的对比度。每个像素的恶化是不同的，取决于场景点到相机的距离，这种独立性由传输系数transmission来表达。
2. 算法依赖于这样一个假设：haze-free图像的颜色能够由几百个严格的颜色很好地估计，即在RGB空间里形成紧密的clusters。
3. Non-local 是指每个cluster里的像素经常是非局部的，他们分布在整个图像平面，到相机有不同的距离。
4. 对于haze，不同的距离有不同的传输系数。这里的距离是指场点到相机的距离。
5. Haze-line:基于（4）的事实haze-free image里每一个紧密的cluster，在haze image 里变成了RGB空间里的线。用这些haze-line，我们的算法可以恢复the distance map和the haze-free image。

1. Introduction

1. haze与场景辐射无关，他在得到的图像the acquired image产生两个影响：衰减观测场里的信号，带来了加性分量环境光airlight，ambient light（场景点在无穷处的颜色）。
2. 由haze导致的图像恶化image degradation随着距离的增加而增强，这是由于场景辐射scene radiance减少而环境光airlight增加。这也是haze image model由来。
   
3. 算法的目标是恢复haze-free image（J(x)）和transmission（t(x)）。那么问题来了。。。。。。这是一个不适定问题。在确定系统下有三个方程但是却至少有四个未知数。这是haze和object radiance固有歧义性的inherent ambiguity。为了解决这样的不适定问题，我们需要增加先验。文章里引入先验知识即是haze-free图像的颜色能够由几百个严格的颜色很好地估计，即!在RGB空间里形成紧密的clusters。
4. 沿着同一根haze-line的像素对应的对象有相同的辐射颜色。这些对象可以来自距离相机不同的位置。
5. Patch-based methods

2. Previous Work

1. 单幅图像去雾方法假设只有输入图像可用并且依赖图像先验。Haze减小图像的对比度，不同的方法都依赖于这个观察来进行图像复原。
2. 最大化每一patch的对比度，保持