去雾论文A cascaded approach for image defogging based on physical and enhancement models(CLAHE+NBPC+PA)

Hassan N, Ullah S, Bhatti N, et al. A cascaded approach for image defogging based on physical and enhancement models[J]. Signal, Image and Video Processing, 2020: 1-9.

A cascaded approach for image defogging based on physical and enhancement models

2 相关工作

文献中提出的图像去雾（去雾）算法可以根据物理模型 [11] 和图像增强模型 [4] 进行分类。我们在下面回顾与每个类别相关的已发表工作。

2.1 基于物理模型的方法

Fattal基于表面阴影和传输函数局部不相关的假设，通过使用光传输和空气光的估计值获得无雾对比场景[14]。在不均匀雾的情况下，Fattal 算法的结果会受到影响。 He等人提出的DCP方法。直接估计雾的厚度并恢复无雾图像[15]。然而，该算法无法处理浓雾和较大的天空区域图像。孟等人。通过探索传输函数的固有边界约束来改进 DCP 方法 [16]。然而，他们的算法不能很好地处理浓雾。孙等人。获得RGB通道的透射图和反射分量，并使用双边滤波来保留边缘和局部平滑[17]。基于 DCP，Xiao 等人。细化分割边缘并使用引导滤波器准确估计大气光 [9]。他们的算法可以很好地对彩色雾图像进行去雾，但无法处理不均匀的雾。

2.2 基于增强模型的方法

Ancuti 等人提出的快速半逆方法。仅应用每个像素的基础操作来检测和减轻来自单个输入图像的雾霾 [18]。 Nishino 等人提出的贝叶斯概率方法。基于进一步用于去雾的阶乘方法联合估计输入有雾图像的场景反照率和深度值 [12]。彼得等人。据报道，多尺度视网膜颜色恢复 (MSRCR) 算法在恢复低强度彩色图像方面表现出更好的性能 [13]。罗恩等人。利用图像增强来调整小波变换的近似系数[1]。 [1]中的算法减少了噪声和光晕效应，但不能提高图像的可见性，尤其是对于大雾或不均匀的雾。苏拉米等人。提出了一种在单个雾霾图像中恢复大气光矢量的方法 [19] 并使用 He 等人的技术。 [15] 减轻雾霾。朱等人。通过使用监督学习创建线性模型，利用模糊图像像素的饱和度和亮度之间的差异来恢复深度信息 [10]。张等人。将显着性检测与 DCP 相结合，以实现色彩失真小的恢复图像 [7]。萨拉查等人。提出了一种基于形态学操作和高斯滤波的计算高效的去雾方法 [8]。它在均匀雾的情况下提供更好的除雾，但不处理受浓雾影响的图像。

上面讨论的图像去雾技术有效地处理薄雾或均匀雾。 但是，如果图像一次包含均匀和不均匀（或密集）的雾，则这些算法无法很好地处理它。 我们发现基于增强模型的CLAHE算法可以有效地去除薄雾。 除了影响图像可见性之外，它还会使浓雾或浓雾变薄。 基于物理模型的NBPC+PA技术在处理薄雾的同时，也很好地还原了图像的可见度。 为了以统一的方式从这些方法的各自优势中受益，我们建议将它们级联（CLAHE 和 NBPC+PA），这作为一个整体展示了更有效和更可靠的除雾。

3 建议的级联策略

所提出的级联方法首先将CLAHE算法应用于有雾图像，然后通过NBPC+PA算法进一步处理输出图像。 我们将这些算法中的每一个描述如下：

3.1 对比度受限的自适应直方图均衡化（CLAHE）

Kim等人提出的CLAHE算法。 建立直方图裁剪的最大值，并将裁剪后的像素重新分配到图像中的每个灰度级 [3]。

它涉及以下步骤来实现对原始图像的增强。

（待补充……）

3.2 结合平面假设（NBPC+PA）的无黑像素约束

对模糊图像的增强（使用 [6] 中的中值滤波器实现）作为 R(m, n) 设置为：

$$R(m,n)=\frac{I(m,n)-V(m,n)}{1-V(m,n)}$$

其中 I (m, n) 是有雾图像，未知大气面纱 V(m, n) 受 0 ≤ V(m, n) ≤ I (m, n) 约束。为了去除增强图像 R 中黑色像素的数量，[6] 中引入了无黑色像素约束为 f·σ( R) ≤ ¯R（在某个位置计算的 R 的标准偏差应低于其 局部平均 ¯R)，它是未知结果 R 的函数。假设在像素位置 (m, n) 附近的局部场景深度恒定且雾均匀，作者获得

在此假设下，标准差：σ R 和 σ I 相关为

使用这些关系，无黑色像素约束被公式化为 V(m, n) 和 I 的函数：

$$V(m,n)\le \bar{I}-f\cdot \sigma (I)$$
大气面纱 V(m, n) 由 V(m, n) 的两个上限上的最小值的百分比 p 获得：

V ( m , n ) = p min ⁡ ( I ( m , n )