本文创新点： 作者提出暗通道先验算法，即：在户外无雾图像中（非天空区域）的大部分局部区域，存在一些像素点（暗像素）在至少一个颜色通道中具有非常低的值，趋近于0。（暗通道图可以估计雾浓度信息）
大气散射模型
在计算机视觉中，描述有雾图像的模型可以表示为
I
(
x
)
=
J
(
x
)
t
(
x
)
+
A
(
1
−
t
(
x
)
)
I(x)=J(x)t(x)+A(1-t(x))
I(x)=J(x)t(x)+A(1−t(x)) (1)
I
(
x
)
I(x)
I(x)为观察到的有雾图像，
J
(
x
)
J(x)
J(x)为无雾图像，
A
A
A是大气光值，
t
(
x
)
t(x)
t(x)为透射率，表示能够到达计算机系统的没有被散射掉的一部分光。
去雾的目的是从无雾图像
I
(
x
)
I(x)
I(x)中恢复
J
(
x
)
J(x)
J(x)，
A
A
A和
t
(
x
)
t(x)
t(x)。
暗通道先验
作者根据对5000多幅无雾图像的暗通道图数据观察发现：约75%的像素值为0，且90%的像素点具有非常低的值，且集中在[0,16]。由此提出暗通道先验理论，即对于一副无雾图像，其暗通道可以表示为：
J
d
a
r
k
=
m
i
n
y
∈
Ω
(
x
)
(
m
i
n
c
∈
(
r
,
g
,
b
)
J
c
(
y
)
)
J^{dark}=min_{y\in \Omega(x)} (min_{c\in (r,g,b)} J^c(y))
Jdark=miny∈Ω(x)(minc∈(r,g,b)Jc(y)) (2)
J
c
(
y
)
J^c(y)
Jc(y)表示
J
J
J的任意一个颜色通道，
Ω
(
x
)
\Omega(x)
Ω(x) 表示在像素点
x
x
x的窗口。
根据暗通道先验理论得出：
J
d
a
r
k
→
0
J^{dark}\rightarrow 0
Jdark→0 (3)
本文思路：
1 透射率估计
假设大气光已知，利用大气光对大气散射模型（1）作归一化处理：
I
c
(
x
)
A
c
=
t
(
x
)
J
c
(
x
)
A
c
+
1
−
t
(
x
)
\frac{I^c(x)}{A^c} \ =t(x) \frac{J^c(x)}{A^c}\ +1-t(x)
AcIc(x) =t(x)AcJc(x) +1−t(x) (4)
假设透射率局部区域
Ω
(
x
)
\Omega(x)
Ω(x) 是恒定不变的，计算式（4）的暗通道，即求最小通道和作最小值滤波：
m
i
n
y
∈
Ω
(
x
)
(
m
i
n
c
I
c
(
y
)
A
c
)
=
t
~
(
x
)
m
i
n
y
∈
Ω
(
x
)
(
m
i
n
c
J
c
(
y
)
A
c
)
min_{y\in \Omega(x)}(min_c \frac{I^c(y)}{A^c})=\widetilde{t}(x) min_{y\in\Omega(x)}(min_c \frac{J^c(y)}{A^c})
miny∈Ω(x)(mincAcIc(y))=t
(x)miny∈Ω(x)(mincAcJc(y)) (5)
在无雾图像中， 由于
A
c
A^c
Ac是确定的，根据暗通道先验可得
J
J
J的暗通道为0，即：
J
d
a
r
k
=
m
i
n
y
∈
Ω
(
x
)
(
m
i
n
c
J
c
(
y
)
A
c
)
=
0
J^{dark}=min_{y\in\Omega(x)}(min_c\frac{J^c(y)}{A^c})=0
Jdark=miny∈Ω(x)(mincAcJc(y))=0 (6)
将式（6）带入（5），可得透射率的表达式：
t
~
(
x
)
=
1
−
m
i
n
y
∈
Ω
(
x
)
(
m
i
n
c
I
c
(
y
)
A
c
)
\widetilde{t}(x)=1-min_{y\in \Omega(x)}(min_c \frac{I^c(y)}{A^c})
t
(x)=1−miny∈Ω(x)(mincAcIc(y)) (7)
为了在景深处保持一定的雾感，使图像看起来更真实自然，本文对式（7）引进一个恒定参数
ω
(
0
<
ω
≤
1
)
\omega(0<\omega \le1)
ω(0<ω≤1)：
t
~
(
x
)
=
1
−
ω
m
i
n
y
∈
Ω
(
x
)
(
m
i
n
c
I
c
(
y
)
A
c
)
\widetilde{t}(x)=1-\omega min_{y\in \Omega(x)}(min_c \frac{I^c(y)}{A^c})
t
(x)=1−ωminy∈Ω(x)(mincAcIc(y)) (8)
本文中，
ω
\omega
ω=0.95。
透射率优化
由于暗通道中使用了最小滤波，因此式（8）得到的透射率含有halo效应和块状效应，为了解决这一问题，作者先后提出了soft-matting和导向滤波的优化算法来优化透射率，值得注意的是，soft-matting算法可以很好地消除halo现象和块状现象，但其时间复杂度大大增加；导向滤波算法时间复杂度较小，但其复原后的图像去雾不彻底，在边缘突变区域仍存在一定程度的雾。
2大气光估计
在前人的研究中，把大气光取值定在图像中雾最不透明区域。
在图像中，雾浓度越低，其暗通道图越暗，像素点值越小；雾浓度越高，其暗通道图越亮，像素点值越大，因此，暗通道图可以较好的反映雾浓度信息。
本文对于大气光值的选取方法为：先在暗通道图中选出图中前0.1%的像素值最大的像素点（这些像素点通常表示的是雾最不透明的点），这些像素点对应到有雾图像中，选取像素值最高的像素点作为大气光A。
3图像复原
根据大气散射模型，将大气光A和t透射率
t
~
(
x
)
\widetilde{t}(x)
t
(x)代入式（1），可得出最终的复原场景：
J
(
x
)
=
I
(
x
)
−
A
m
a
x
(
t
(
x
)
,
t
0
)
+
A
J(x)= \frac{I(x)-A}{max(t(x),t_0)}+A
J(x)=max(t(x),t0)I(x)−A+A (9)
其中，
t
0
t_0
t0值为0.1。由于场景点通常不如大气光亮，因此复原后的图像整体较暗，因此我们需要对复原图像
J
(
x
)
J(x)
J(x)进行增强。
本文算法不足
1 暗通道中使用了最小滤波器，容易产生块状现象和halo效应。
2 本文对一些特定图像（含有白色景物和天空区域等）失效。
3 当大气散射模型失效时，本文算法会失败。
伪代码
1 对有雾图像作两次最小滤波min(min(I(x)))，求暗通道；
2 求大气光：range=ceil(img_size*0.001);%取暗原色中最亮的0.1%的点数
radi_pro=zeros(range,1); %用于记录最亮点内对应图片点象素的三个通道的颜色强度
A=max(radi_pro)/3;%大气光的值（3个颜色通道的平均值）
3 求透射率： t = 1 - w*(I^dark./A)
4 根据大气散射模型复原图像
复原效果
扫一扫
3490
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
