读A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior

学习目标：

A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior

---

个人体会：

基于模糊图像中像素的亮度和饱和度之间的差异，作者提出了一种线性颜色衰减先验。通过使用这种简单但功能强大的先验为雾图像的景深创建线性模型，并使用监督学习方法学习模型的参数，可以很好地恢复深度信息。 借助于所提出的方法获得的深度图，再根据大气散射模型可以容易地恢复雾图像的真实场景。

---

内容解读：

1. 摘要：

本文提出了一种简单但功能强大的颜色衰减先验，用于单幅输入雾图像中去雾。 在这种先验条件下，该方法创建了对雾图像的景深进行建模的线性模型，并使用监督学习方法学习模型的参数，最终可以很好地恢复深度信息。借助雾图像的深度图，可以通过大气散射模型轻松估算传输率并恢复场景辐射度，从而有效地从单幅图像中去雾

2.利用大气模型估计A

大气模型如下：
I(x)=J(x)t(x)+A(1-t(x))…(1)
t=e-βd(x)…(2)
首先我们要知道景深d是最重要的信息，在雾气均匀的情况下β可以看做常量，在理想的情况下d的范围是[0,∞），反映在图像上就是物体可以距观察者很远，当d是无穷大的时候，t趋近于0，则有I(x)=A，d(x)–∞,这表明了那些使深度d趋于0的那些像素点的强度可以用来反映大气光A，在实际情况中，我们可以这样估计大气光A：
I(x)=A，d(x)≥D，其中D是一个阈值。我们也注意到大多数情况下，一个有雾图像有很远的视觉（比如几公里以外）。换言之，在图像中属于较远区域的地方的像素应该含有一个很大的深度阈值D，假设每一幅图像都是都有较远的视觉，则可以用这种方法来粗略估计大气光值A。

3.COLOR ATTENUATION PRIOR （颜色衰减先验）

人类大脑不需要任何额外信息，就可以很轻松的分辨出一幅图像中的有雾区域。这启发了我们对各种雾图像进行大量的实验，以寻找统计规律，寻找新的单幅图像去雾先验。作者通过实验发现雾图像中像素的亮度和饱和度随着雾浓度的变化而急剧变化。

图1给出了一个自然场景的例子，展示了雾对图像中亮度和饱和度的影响。如图1(d)所示，在无雾区域，场景的饱和度很高，亮度适中，亮度和饱和度的差值接近于零。但从©可以看出，在薄雾的影响下，图像块的饱和度急剧下降，而场景的颜色逐渐变淡，亮度增加的同时产生了高的差值。此外，如(b)所示，在浓雾区，更难识别场景的颜色，其差异甚至比©更高。

3.1亮度与饱和度差异与雾浓度的关系

由于雾度的浓度通常随场景深度的变化而增加，因此可以假设场景的深度与雾度的浓度呈正相关，即：
d ( x ) ∝ c ( x ) ∝ ( v ( x ) − s ( x ) )

其中 d 是场景深度， c 是雾度的浓度， v 是场景的亮度， s 是饱和度， ∝ 是正相关。上式只是观察的直觉结果，不能准确地表达 d ， v 和 s 之间的联系。 下面部分，将介绍更可靠表达式的方法

4.场景深度复原

4.1 线性模型建模

由于亮度和饱和度之间的差异可以大致表示雾度的浓度，作者创建一个线性模型，即更精确的表达式，如下所示：

其中， x是像素坐标， d 是场景深度， v 是雾图的亮度分量， s 是饱和度分量， θ 0， θ 1 ， θ 2 是未知线性系数， ε ( x ) 为代表模型随机误差的随机变量，可以将 ε ( x ) 视为随机图像。 ε是均值为 0 ，方差为 σ 2 即 ε ( x ) ∼ N ( 0 , σ 2 ) 的高斯分布。根据高斯分布的性质，得到：

4.2 训练数据收集

为了准确地学习系数 θ 0 ， θ 1 和 θ 2 ，必须收集训练数据。作者从Google Images和Flickr收集了无雾图像，并使用它们生成了合成的深度图和相应的雾度图像，以获得足够的训练样本。 首先，对于每个无雾图像，生成具有相同大小的随机深度图。 合成深度图中的像素值是根据开区间 ( 0 , 1 ) 上的标准均匀分布得出的。其次，生成随机的大气光 A ( k , k , k )，其中 k 的值在 0.85和 1.0 之间。 最后，由大气散射模型生成具有随机深度图 d 和随机大气光 A 的模糊图像 I。 本文使用500个无雾图像生成训练样本（500个随机深度图和500个合成雾图像）

4.2 训练策略

条件分布应用于整幅图像，得到联合条件分布：

 问题在于找到 θ 0 ， θ 1 ， θ 2 和 σ 的最优值从而最大化 L 。为方便计算，最大化似然的自然对数 ln ⁡ L，而不是直接最大化似然。问题转化为：
 

下图展示了线性系数 θ 0， θ 1 ， θ 2 和变量 σ 的学习过程。

 最终的训练结果如下： θ 0 = 0.121779 ， θ 1 = 0.959710 ， θ 2 = − 0.780245 ， σ = 0.041337。

4.4 景深图的估计及优化

由于已经建立了景深 d ，亮度 v 和饱和度 s s之间的关系并估计了系数，可以根据 ( 1 ) 恢复给定输入雾图的深度图。
但是，此模型在某些特定情况下可能无法正常工作。 例如，图像中的白色物体通常具有较高的亮度值和较低的饱和度值。 因此，提出的模型倾向于将白色的场景对象视为远景对象。 不幸的是，这种错误分类在某些情况下会导致深度估计不准确。

5.去雾

5.1 大气光值估计

选择估计深度图中最亮的 0.1 ％ 像素，并在这些最亮像素中选择对应的模糊图像 I 中强度最高的像素作为大气光 A 。

5.2 大气散射模型

有了景深图和大气光值，利用大气散射模型，便可得到无雾图。计算公式如下
在均匀区域中可以视为常数的散射系数β表示单位体积大气在所有方向上散射光的能力。 换句话说，β间接确定去雾的强度。