读Tan基于最大化对比度的去雾方法

学习目标：
Visibility in Bad Weather from a Single Image

个人感悟：
本文是在光学模型基础上将大气光设置为全局常量（取输入图像中最亮的像素值），并将图像做归一化处理作为输入图像，通过估算A(x)，恢复去雾图像。在估计A(x)时的基础理论为两个统计观察发现，基于这两点在马尔可夫随机下构建关于边缘强度的代价函数，估计最优A(x)。

内容解读：

1. 摘要：
   本文解决了去雾需要同场景多张图片的痛点，介绍了一种只需要一张图片的自动去雾算法。存在两个基本的先验：首先，高能见度(或清晰场景)图片相比于受恶劣天气干扰的图片具有更高的对比度；其次，天空光的变化主要依赖于场景到观察者的距离，并趋向于平滑图像。基于这些先验，本文提出了一个基于马尔科夫场的损失函数。该损失函数可以由多种技术进行优化，比如例如图形切割或信念传播。
   2.内容：
   1.概要
   给定一个输入图像，从我们可以得到光的色度估计大气光。使用灯光色度，我们去除输入图像的浅色。随后，我们计算每个像素的数据成本和平滑度成本。数据成本计算自从图像中裁剪的小块的对比度。这平滑度成本是根据差异或距离计算的两个相邻像素的标签，其中标签是与 airlight 值相同。这些数据和平滑度成本建立完整的 MRF，可以使用现有的推理方法进行优化，产生估计的空气灯的价值。基于估计的空气光，最后我们计算代表的直接衰减具有增强可见性的场景。请注意，在本文中，我们不打算完全恢复场景的原始颜色或反照率。我们的目标是仅增强输入图像的对比度，从而提高图像可见度。
2. 大气模型
   I 是图像强度，x 是二维空间位置。 L∞ 是大气光，通常假定为全局常数，因此它与位置 x 无关， ρ 是物体的反射率。 β为大气衰减系数，d是图像中的对象与观察服务器之间的距离。假设方程中的 β 对于不同的波长是恒定的

如果我们假设物体无限远（d = ∞），根据等式（1），图像色度将仅取决于
在大气光 (L∞) 上，因为 e−βd = 0。我们称这种“浅色度”

3. 大气光
    在许多恶劣天气中，尤其是在通常阴云密布的日光下，我们可以忽略太阳光的存在，并假定大气光L ∞ 是全局恒定的。根据 ( 1 ) ，可以从输入图像中具有最高强度的像素获得 L ∞ 的全局值。 因为这些像素代表无限远的物体（ d = ∞），假设可以在图像中看到天空并且图像没有饱和像素。 因此，通过将 L ∞的值代入公式 ( 3 )，具有 L ∞ 的值使我们能够获得光色度（ α）的值。
   （找到图像中像素值最大的点，该像素三个通道的值即为三个通道的大气光值。）
4. 大气光白化
   通过利用大气光光色度（ α ），将 ( 5 )中的每个颜色通道的强度处于相应的 α c ，将输入图像的大气光的颜色转换为白色。即：

5.单图像求解
方程(10)已知的变量数少于未知的变量数。然而，这里有一些线索或者先验可以被考虑进来：

①输出图像相比于输入图像必须有更大的对比度；
②A值的变化只依赖于场景深度，即相同成像距离具有相同的A值，无需考虑反射率。因此A的邻域趋向于有相同的值。再者，在很多情况下A在很小的区域是平滑变化的。只有在场景中depth断层的地方例外，但这些像素总体较少。
6.最大对比度

当对比度取得最大值时，不一定是物体真实的辐照度情况，但它极大地增强了图像的对比度。
7.大气光的平滑约束

计算方法
1、 首先估计输入图像的大气光，也就是L∞。
2、然后从中获取light chromaticity，也就是光的色度。
3、 使用公式，对输入图像进行归一化处理
4、 计算每个像素的数据代价项。
5、 然后从中获取平滑代价项.
6、 现在可以构建马科夫模型包括datacost和smoothness cost，最优化该代价方程之后就可以得到airlight A。
7、 由A就可以获取增强之后的图像。