1.背景
大气污染现象愈发严重,雾霾天气频繁出现,而当监控和遥感成像系统等采集图像/视频的时候极易受到此类天气的影响,由此采集到的照片会有质量下降、对比度下降、颜色偏移等问题,且会对人们造成一些影响(如下图):
1.影响人的观感,且不易识别图像内容;
2.影响智能视觉系统处理任务,目标检测/图像分割等。
图1主观影响
图2 客观影响
2.成因
根据大气散射模型(ASM),也就是退化图像成型模型:当雾霾存在时,空气中会存在不同的悬浮颗粒,这些颗粒会对不同的光吸收和反射;
图3 退化图像成因
3.意义及目标
恢复清晰的图像,即边缘与纹理(高频信息)、色彩与亮度(低频信息)等对更好地获取低质量图像中的信息,及对后续高级视觉任务的影响具有重大意义。
图4 去雾目标
4.研究现状
根据方法的不同,图像去雾可分为以下三类。
图5 去雾的分类
4.1 图像增强法
一个最简单直接的方法就是直方图均衡化:灰度图像是由灰度值在0-255(0为黑,255时为白)的像素点构成的,将图内所有灰度值数量统计得到直方图,将直方图内灰度值等比例映射至0-255,得到均衡化后的直方图。
图6 直方图均衡化
优点:计算简单,无需多余信息就能达到单图去雾;
缺点:容易造成局部过度增强,不适于复杂情况。
4.2 图像复原法
复原法即根据物理模型恢复潜在原图像方法,假设雾天空气颗粒透射率为t,t为0%时全遮挡,100%时观察目标最清晰。再加上光照条件,由此得到大气散射模型:
图7 大气散射模型
雾天成像退化模型得来的先验方法:
I=Jt+A(1-t)→J=(I-A(1-t))/t,其中I作为输入,J作为要得到的目标。所以估算出透射度t(x)与大气光A即可得出结果,但是无法从输入图片中直接获取,需要从大量图片得到先验信息。
经典估算两种参数的文章为暗通道先验(DCP),大概步骤如下:
1.彩色图像包含三个颜色通道(RGB) ;
2.将每个位置的像素值取最低,并用最小滤波核取一个范围最小的值;
3.得到的图像即为暗通道图,图中取0.1%最亮的像素值作为光照A的值,并通过公式得到t;
4.通过计算大量图片得到t作为先验,在去雾时只需计算A即可得到清晰图。
图8 DCP方法大致步骤
优点:参数少,简单;
缺点:依赖先验信息,且在含有大片天空或曝光区域时效果不好。
4.3 深度学习法
深度学习去雾算法大部分为有监督学习,效率高,且适应各种雾浓度的环境,目前主流深度学习算法框架分为以下几种:
1.基于物理模型:估算雾天成像退化模型中的参数(大气光/透射率);
2.端到端:
卷积神经网络(CNN);
生成对抗网络(GAN);
Transformer;
……
4.3.1 基于物理模型
根据物理模型,可分为大致组成部分:透射率估计子网络,大气光估计子网络。
图9 基于物理模型深度学习网络示例(来自期刊论文)
优点:子网络分工明确,针对性的恢复图像;
4.3.2 基于GAN
生成对抗网络分为两个子网络,
生成器:生成去雾图;
判别器:判断生成图与真正的清晰图真假,以便更好地训练生成器;
图9 基于GAN的去雾网络示例(来自期刊论文)
优点:生成去雾图质量高,有时不需要清晰图像也可以训练;
缺点:可能在生成过程中产生随机噪声。
4.3.3 基于CNN
CNN中重要的网络结构U-Net,包含对称的编码器与解码器,编码器不断提取抽象特征,解码器将特征不断恢复具体特征;U-Net广泛用于图像去雾/去噪/增强/超分辨率等领域。
图10 基于U-Net去雾的网络示例(来自期刊论文)
优点:可自行更改网络深度,可以更好恢复细节;
缺点:层数越深参数增长越快。
5.展望
1.稳定性:如何让可见度低的浓雾区域在细节上恢复得更清晰;
2.数据集:去雾数据集大都为合成数据集,即在清晰图像中合成雾霾作为训练集,导致现实雾霾图像恢复不真实,所以需要更真实的数据集;
3.泛化性:模型可以更多适应不同场景:如遥感/室内/夜间/水下;
4.多任务:模型可以解决多个不同任务:如去雾/去雨/增强/检测等。
入行不深,本文根据个人理解所作,其中对于方法评价以及展望的内容包含部分的个人理解,请各位加以指正或改正。