参考文章
参考文章2
目录
描述有雾图像形成的模型是
𝐼(𝑥)是指是指的观测到的亮度,即从拍到图片中获取到的亮度,这个是已知值。
J(𝑥)是scene radiance,我是理解成为去雾、恢复之后的图像,是我们的目标。
t (𝑥)是描述未散射并到达相机的那部分光的透射率。
A 是atmospheric light全球大气光成分。
去雾的目的就是根据已有的图片,按照上式计算得到原始无雾图像,透射率以及估算全球大气光成分
第一项J(x)t(x)称为直接衰减,第二项A(1-t(x))称为Airlight。
直接衰减描述了场景辐射及其在介质中的衰减,而空气光是由先前的散射光产生的,它导致场景颜色的移动。直接衰减是场景亮度的承性失真,而空气光是叠加失真。
根据输入源数量将去雾算法分类:单图去雾和多图去雾。
由于单幅图像去雾问题中缺少诸多关键信息,因此早期研究者尝试使用多幅图像或补充额外信息的方法为雾图成像的欠定方程增加约束。
其中 𝛃是大气散射的参数,d是景深。
这个公式表达了scene radiance J(x) 会随着距离的增大而呈现出指数型的衰减。因为如果我们得到了这个透射率,我们就可以根据这一规律得到景物的深度。
一、基于图像增强的去雾算法
1、基于直方图均衡化的去雾算法
2、基于融合同态滤波的直方图均衡化去雾算法
3、基于小波变换的去雾算法
4、基于Retinex理论的去雾算法
二、基于大气散射模型的图像复原方法
代表性算法有:来自何凯明博士的暗通道去雾算法、基于导向滤波的暗通道去雾算法、贝叶斯去雾算法等。
基于大气退化模型的最终处理效果普遍好于传统图像增强去雾算法。
三、深度学习在去雾处理上的应用
基于神经网络的去雾方法分为:两阶段去雾算法和单阶段去雾算法两种。
前者依赖于大气退化模型,利用神经网络对模型中的参数进行估计,早期去雾方法大多是基于这种思路;
后者则是利用神经网络将输入的有雾图像直接恢复得到去雾图像,也即深度学习中常说的端到端去雾
1、DehazeNet去雾算法
2、GCANet算法
3、物理引导和深度引导2022
四、评价标准
1、主观评估
2、客观评估
- 峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)
- 对于三通道的彩色图像,分别计算 RGB 三个通道的 MSE,并代入公式式得到 RGB三个通道的 PSNR,取平均值后得到彩色图像的 PSNR
- 结构相似性(Structural Similarity, SSIM)
- 结构相似性是一个用来衡量两幅图像在结构上相似性的指标。结构相似性基于两幅图像 I 与 K 间的结构(structure)、亮度(luminance)、和对比度(contrast)三个维度进行对比。
- 特征相似性(Feature Similarity, FSIM)
- 特征相似性选取相位一致性(Phase Congruency, PC)作为第一特征,梯度特征(Gradient Magnanimity, GM)作为第二特征,相位与梯度这两个特征相结合,可以有效地提取出图像中的目标像素。特征相似性在一定程度上能够反映出图像的逼真程度。
- 信息熵(Information entropy, IE)
- 图像的信息熵通常用来描述图像所包含信息的丰富程度,是评价一幅图像质量好坏的重要指标。通常一幅图像的信息熵越大,则其包含的信息就越丰富。
- 平均梯度(Average gradient, AG)
- 平均梯度用来描述一幅图像的清晰程度,平均梯度越高,表明图像表达细节的能力越强