文章亮点:
- 将雾霾图像去雾问题设定为局部可见性及全局对比度增强的问题,整个框架由此可以分为两部分:对比度增强阶段及融合阶段。
- 对比度增强阶段主要有gamma校正增强对输入雾图的局部可见性增强,色彩保护AHE解决每个颜色通道分别采用自适应对比度增强的方法提高全局对比度。
- 在融合阶段,提出了快速结构补丁分解的图像融合策略,其有着自适应的核尺寸,将Gamma校正及CP-AHE的图像融合。
- 对于夜间雾图,能够有效保持细节,减少颜色伪影,在低光增强领域也能应用。
引言
- 暗通道先验与colorline 先验并不能准确估计透射图t(x)及全局大气光A,由于空气反照率的模糊性,所有这些假设都不能准确地估计它们的值。因此,当相应的先验条件不满足时,这些方法在某些场景中表现不佳,此外,计算复杂性是这类方法的另一个主要问题。
- 近年来,深度学习尤其是卷积神经网络在估计透射图及全局光得到了广泛的应用,以替代先验方法。然而,深度学习的方法也依赖于传统方法。
- 雾图一般可见性及对比度较低,一些工作依赖于图像增强实现去雾(retinex及图像融合),重建的颜色有时会显得不自然及过度曝光,Retinex独立执行每个通道,这样的实现忽略了大气光A的作用
CEEF
- gamma correct :多用于动态范围调整,但是在窄范围区域的过饱和和宽范围区域的去雾霾之间很难取得平衡。这里的范围指的是动态范围。
- 如图二所示,随着gamma值的增加,蓝色框标出宽范围区域的树的细节的可见性进一步提高(improve),红框区域标出的窄范围的草的对比度降低了(reduce)。gamma大于1时,低灰度区域的动态范围变小,可见性降低,高灰度区域的动态范围增加,对比度增加。
- 将gamma设置为2、3、4、5,产生一个gamma校正的伪曝光图像序列。
- CP-AHE:AHE忽略了各颜色通道之间的依赖,因此产生了伪影。因此彩色图像通常有两种处理方式:1,对三个通道分别处理;2,转换为其他颜色空间,对其中的亮度(强度)分量采用AHE处理。
- 如下图所示,上面两张图像是薄雾,下面两张图像是较浓的雾,随着雾浓度的增加,三个通道直方图的分布重叠越来越多,而且,薄雾的直方图覆盖的灰度范围较大,但是三通道的分布也不是均匀分布。
- 浓雾图像的直方图分布较窄,通常位与强度(灰度)的中间。
- 因此,增强图像的对比度期望具有高对比度和鲜艳的色彩,其像素倾向于在尽可能多的强度级别上均匀分布。提出了一种RGB通道级联的AHE处理方法(method)。
CP-AHE
- 首先将三维彩色图像(H*W*3)展开为二维图像(或,,),也就是将每个像素的RGB通道的灰度值按照R、G、B的顺序排列,由此,遍历每个像素。
- 随后,对上一步得到的二维图像RT(或,,)进行AHE处理,AHE的参数取默认值。
- 最后,对第二步得到的图像进行逆变换,得到一个RGB图像。以上三个步骤就是本文提出的颜色保护AHE。
融合
- 使用结构块分解(SPD)的方法对伪曝光图像进行融合(fuse),本文分解为信号强度()、信号结构()及平均强度()三个部分。这三部分分解过程如下:
- 信号强度():局部图像块的可见性取决于其对比度,而对比度与信号强度直接相关。对比度越大,能见度越好。能见度是图像去雾的重要指标,因此信号强度可以反映图像的模糊程度。因此,理想的图像块的信号强度可以用最大的来确定:
- 信号结构():单位结构强度描述了维空间的具体方向。理想的局部信号结构为:
- 平均强度():局部图像块需要(desired)的平均强度的计算为:
- 最终,所需的图像块由理想的信号强度、信号结构和平均强度得到。
- 提出的融合方法在视觉和定量比较方面的有效性。(a)输入从[31]获取的薄雾图像;(b)步幅(stride)为1的SPD-MEF [64];(c) Fast SPD-MEF [46];(d)提出的融合方法。图像下的第二行列出了三种方法在768 × 432像素的输入模糊图像上运行5次的平均时间和标准偏差(STD)。
- 快速多尺度融合去雾方法:SPD-MEF的计算复杂度为,经过详尽的推断,其计算复杂度能降为,对于伪多次曝光图像,信号结构≈1的假设比真实多次曝光图像更合理。这是因为模拟图像没有像素错位和移动物体。表明信号结构是否归一化对最终除雾效果的影响可以忽略不计。
- 随后,图像块的分解可以进一步表示为:
- 那么,融合图像的表达式为:
- 上式中,F为核大小为N的均值滤波器,滤波器F(·)的核大小N 或相当于patch的大小对最终的融合结果有显著的影响。当核尺寸较小时,可以捕获更多的细节,但是在雾天场景中图像经常被各种噪声破坏,这能够更容易的生成带有可见噪声的权重图,从而导致最终结果的空间不一致;相比之下,大尺寸的核可以减少噪声干扰,但可能会丢失一些细节。虽然中间核大小可以平衡空间一致性和细节保存,但它们可能会在强边缘附近引起明显的光晕伪影。
- 为了减小伪影并保持细节,对上面的融合公式进行多尺度分解。
- 由于GC和CP-AHE获得的伪多次曝光图像包含足够的细节,使用更多的分解级别和尺度感知核大小来提取和混合更精细的细节。此外,在融合基础层时利用了梯度信息。如图4(c)和(d)所示,与快速SPD-MEF[46]相比,改进的融合方法可以获得更清晰的去雾效果。