【去雾论文阅读】IDGCP: Image Dehazing Based on Gamma Correction Prior

论文：IDGCP: Image Dehazing Based on Gamma Correction Prior
作者：Mingye Ju, Can Ding，Y. Jay Guo，Dengyin Zhang
期刊：IEEE TRANSACTIONS ON IMAGE PROCESSING
年份：2020

摘要

  论文提出了一种新颖有效的图像先验，即伽马校正先验(GCP)，这产生了一种有效的图像去雾方法——IDGCP。该方法首先将输入的雾度图像由提出的GCP预处理，得到雾度图像的均匀虚拟转换；然后，基于大气散射模型，从原始雾度图像和均匀虚拟转换中提取深度比，最后，采用全局策略和视觉指示器来回复场景反射率，从而恢复雾度图像。
IDGCP基于“全局明智”策略，仅需要一个未知常数即可还原高质量的图像，从而减少了处理时间和计算成本。

介绍

  可见度低会严重降低相机拍摄的图像质量。图像去雾是恢复雾度图像并消除不良视觉效果的关键技术。
  传统方法通过整体对比度或局部对比度来实现图像去雾，是最直观最简单的方法。但是，这些方法忽略了模糊图像的降级机制，从而限制了恢复性能。
  融合策略：使用几种传统技术对模糊图像进行预处理，然后使用拉普拉斯金字塔将预处理后的图像混合为一张图像。当图像较暗或者雾度浓度较大时，该策略有局限。
  像素策略：通过获取图像中每个像素的最小通道信息来获得传输图。
  优点：效率高。
  缺点：单个图像没有足够的信息来确定传输。同时会包含很多不合理的纹理细节，需要后续的模糊处理。对于过度增强问题，采用了均值滤波(MF)，但在不连续的区域中可能残留少量雾。
  块策略：通过从每个补丁中提取本地信息来确定传输图。
  优点：由于补丁的信息比像素丰富，因此可以一定程度上克服像素策略的局限性。
  缺点：有估计误差，会有光晕伪像，需要边缘引导工具来消除。
  场景策略：用聚类来分离输入图像。核心思想是将传输估计范围从补丁扩展到场景。
  优点：大多数情况下可以提高恢复性能。
  缺点：缺乏准确地分割输入图像中的所有场