去雾综述 He et al, Single Image Haze Removal Using Dark Channel Prior. (2009 CVPR best paper，传统算法）

 He et al, Single Image Haze Removal Using Dark Channel Prior. (2009 CVPR best paper)

Code-c++_link: https://github.com/hermosayhl/image_processing/tree/main/dehaze/single_dehaze_he https://zhuanlan.zhihu.com/p/440903916 github:https://github.com/hermosayhl/image_processing          ----分享常用的image处理算法及论文

基于Dark Channel Prior（暗通道）先验的去雾算法实际上是一种统计意义上的算法，作者总结了大量的室外无雾的图像，发现了在无雾图像中局部区域存在一些像素，这些像素中至少有一个颜色通道的亮度值非常非常低（低亮度值区域不包括天空区域）。 虽然这种算法非常好，也不需要什么额外的参数，但是当图像趋于白色，这种去雾算法就存在缺陷。

 

暗通道Dark Channel 

可以发现，无雾图像中非天空区域，即使图像曝光良好，rgb 三个通道中通常存在一个通道的某些像素值很低，接近于 0。相比之下，有雾图像，即使在红色，蓝色，绿色这些区域，其暗通道区域都远大于 0，呈灰白色（灰色 128），虽然不是很明显，但相比最前面几张无雾图像，就远大于 0 了。

 

 local patch R = 15

 

 

 

 

总结：A的估计满足两点：首先为全局最亮的点，或者最亮的前百分之1的点，且这些点要满足在暗通道图中的雾区域中。 该算法的弊端也是这里，对于一些图片比如图像中存在过亮的某些区域或者天空等等，这样的区域的暗通道像素值都很高，而取最亮的前百分之一会包含这样的非雾区域的高像素的值，这样的结果会影响到最后的去雾效果，优化方法简单来说可以结合这个取值去调整。

估计完A了接下来估计t

 

 

 

 

 

 

 

 

在本文中作者参考一篇名为A closed form solution to natural image matting来进行精修。效果不错但是时间代价很大。后期何凯明一篇"Guided image filtering."可以代替softmatting完成精修工作。He, Kaiming, Jian Sun, and Xiaoou Tang. "Guided image filtering."European conference on computer vision. Springer, Berlin, Heidelberg, 2010.

paper link：https://ieeexplore.ieee.org/document/6319316/ 

"Guided image filtering."

引导滤波器自然具有快速且非近似的线性时间算法。目前，它是最快的边缘保留滤波器之一。实验表明，引导滤波器在各种计算机视觉和计算机图形应用中既有效又高效，包括边缘感知平滑、细节增强、HDR 压缩、图像抠图/羽化、去雾、联合上采样等。 Guided Image filter是一种边缘保持的平滑滤波算法。与双边滤波相比，它不仅具有边缘保持、非迭代的特点，还能保持梯度、并且计算复杂度与滤波半径无关等优点。

原理：该模型认为，某函数上一点与其邻近部分的点成线性关系，一个复杂的函数就可以用很多局部的线性函数来表示。 当需要求该函数上某一点的值时，只需计算所有包含该点的线性函数的值并做平均即可。

直接上代码吧，不具体说了。

以上便是非常经典的去雾任务的论文讲解。关于使用深度学习方法的会继续更新。