去雾方法改进 1 综述：自适应暗通道融合和天空补偿

本文出于备忘，如有侵权，请联系删除

cite:

         这篇文章比较系统地给出了针对暗通道先验的各个方面，提出了多种改进方法，给了我不少启发，所以在这里想记录一下。整篇论文的方法只能说大体读懂，作者写作感觉是按照自己思路来的，很多地方并没有给出具体指代，写作水平有待提高吧。

1. 暗通道提取

        先从暗通道这个方面改进。最近也看了不少关于改进暗通道先验的论文，就说核心这块，大多都是对大气光提取，折射率换滤波器这些方法，感觉能做的都做完了。所以用自适应函数去更新暗通道的方法还是让人眼前一亮。

         

        论文里首先用5*5和35*35的窗口，并结合自适应的高斯滤波器函数，实现图像的自适应结合融合。I1是5*5得到的暗通道，I2是35*35得到的暗通道，系数a也做成自适应函数，至于这里的V(x)里的V、S是不是指HSV色彩空间的亮度分量和S分量这个地方没看明白。

        这种通过自适应方法我觉得可以好好学习一下；就比如我们总会遇到一些经验参数，一般都是一带而过，如果可以将经验参数和自适应函数结合，内容会丰富一些。

 

2. 折射t

       

        首先，用中值滤波；并结合函数（10）得到一个edge function；这个部分很好做，就是论文里遇到几个问题。

W是指hazy image的最小通道，额这个地方没看懂，是指rgb三个通道里的最小通道吗？??

 

g(x)指的是下采样，下采用是说得到的暗通道的灰度图吗，这个地方不太理解

        整体感觉就是全文的各种变量描述不统一。这里的思想可以借鉴，但是没必要花时间去复现了。

          论文里这个高斯核是不是标错了啊。哈哈

        接下 来就是通过一个双边滤波来对折射率增强，这块就做的太多了，高斯滤波，双边，引导，多尺度融合，这部分就没啥好说的。反正最后都是一个结果，就是图像更加SMOOTH了。

 

  

这里还是有歧义，最低通道是指那个图像，到现在做了这么多图了，是原图还是暗通道（感觉不太可能），这个最小化已经出现很多次，但是没看到具体指代，我就当原始图像了。

这里说一下，就是在得到t后，又给t一个自适应补偿，不过这里的大气光是在下一节说到的。

3. 大气光

 

 

        将原始大气光优化后（这里怎么优化建议去看原论文，比较简单），就直接带入模型了。

        那在这里其实也还可以优化。

        怎么说呢，这篇论文的想法真的很棒；看到很多核心，大都是吧各种方法堆叠到一起，甚至是给了1000多字的描述，但是原理就是一个加权融合。所以，现阶段的科研会不会太水了。