【ISP图像处理】A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior——图像去雾

原创

已于 2024-01-04 10:36:04 修改 · 1.8k 阅读

标签

#图像处理 #isp

于 2023-12-01 13:27:35 首次发布

文章介绍了一种利用颜色衰减先验的单幅图像去雾方法，通过深度恢复和大气散射模型，从模糊图像中去除雾霾，实验结果优于现有算法。

1. 摘要

单幅图像的雾霾去除一直是一个具有挑战性的问题，由于它ill-posed性质。

在本文中，我们提出了一种颜色衰减先验方法，用于从单输入模糊图像中去除雾。在该先验条件下，通过建立线性模型对模糊图像的场景深度进行建模，并采用监督学习的方法对模型参数进行学习，可以很好地恢复图像的深度信息。有了雾霾图像的深度图，我们可以很容易地通过大气散射模型估计散射和恢复场景的亮度，从而有效地从单幅图像中去除雾霾。实验结果表明，该方法在效率和除雾效果方面都优于目前最先进的除雾算法。

2. 引言

2.1 背景

坏天气下拍摄的户外照片，常常会损失对比度和保真度，这是由于光在传播过程中被大气中的颗粒、水滴等浑浊介质吸收和散射造成的。此外，大多数依赖于输入图像清晰度的自动系统由于图像的退化而无法正常工作。因此，改进图像去雾技术将有利于许多图像理解和计算机视觉应用

2.2 相关工作

· 早期研究者使用传统图像处理技术来做单张图像去雾，例如实例，基于直方图的除雾方法，然而，由于单一的模糊图像很难提供太多的信息，因此除雾效果是有限的。

· 后来，研究人员尝试用多幅图像来提高去雾性能。在[18]-[20]中，使用基于偏振的方法对不同偏振度的多幅图像进行除雾。在[21]-[23]中，Narasimhan等人提出了不同天气条件下同一场景的多幅图像去霾方法。在[24]和[25]中，根据给定的深度信息进行除雾。

· 近年来，基于物理模型的单幅图像去雾研究取得了重大进展。在无雾图像的局部对比度远高于有雾图像的假设下，Tan[26]提出了一种基于马尔可夫随机场(Markov Random Field, MRF)最大化图像局部对比度的去雾方法。虽然谭的方法能够取得令人印象深刻的效果，但它往往会产生过度饱和的图像。

· Fattal[27]提出了基于独立分量分析(ICA)的彩色图像去雾方法，但该方法耗时长，不能用于灰度图像去雾。此外，在处理密集雾霾图像时也存在一些困难。

· He et al.[29]受广泛使用的暗物体减法技术[28]的启发，基于对无雾图像的大量实验，发现了暗通道先验(dark channel prior, DCP)，即在大多数非天空斑块中，至少有一个颜色通道中存在一些亮度非常低且接近于零的像素。在此前提下，他们估算了雾霾的厚度，并通过大气散射模型恢复了无雾图像。DCP方法在大多数情况下是简单有效的。然而，它不能很好地处理天空图像，并且计算量很大。

· 针对DCP算法的不足，提出了[30]-[36]、[45]-[51]等改进算法。为了提高效率，Gibson等人[31]、Yu等人[32]、He等人[43]、Tarel和Hautiere[45]、Tarel等人[46]分别用标准中值滤波、“中值滤波的中值”、引导联合双边滤波[37]-[42]和引导图像滤波代替耗时的软消光[44]。在消雾质量方面，Kratz and Nishino[48]和Nishino et al.[49]使用阶乘马尔可夫随机场对图像进行建模，以更准确地估计场景亮度;孟等人提出了一种有效的正则化去雾方法，通过探索固有的边界约束来恢复无雾图像;

· Tang等人[51]结合随机森林和四种雾相关的特征来估计散射。尽管取得了显著的进展，但最先进的方法的局限性在于所使用的与雾霾相关的先验或启发式线索不够有效或高效。

2.3 提出方法

本文提出了一种用于单幅图像去雾的彩色衰减先验算法。这个简单而强大的先验可以帮助为朦胧图像的场景深度创建一个线性模型。采用监督学习的方法学习线性模型的参数，有效地建立了模糊图像与其相应深度图之间的桥梁。利用恢复的深度信息，可以很容易地从单幅雾霾图像中去除雾霾。所提出的除雾方法的概述如图1所示。效率和去雾效果都显著优于现有去雾方法