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
目录
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