基于暗通道优先的单幅图像去雾方法.pdfVIP

自动化 专业外语 111336 蔡晓蕙 基于暗通道优先的单幅图像去雾方法 何恺明，孙建，唐晓鸥等著 摘 要：本文中，我们提出一种简单而高效的图像优先原则——暗通道优先，来对单幅图像 去雾。暗通道优先是在户外无雾图像的统计结果中得出的。它基于一个关键的发现——对于 户外无雾图像，其大部分局部块中，至少有一个颜色通道包含强度很低的像素点。运用这个 优先原则建立图像退化函数，我们能直接估算出雾的厚度以及复原出高质量的清晰图像。对 各种有雾图像的处理结果都能很好的证明所提出的暗通道优先原理的有效性，同时我们还能 获取有雾图像的高质量深度图像。 关键字：去朦胧；去雾；图像恢复；深度估计 1 引言 户外图像场景通常会由于大气中的散射介质（例如颗粒和水蒸气）的存在而被降质。烟、 雾是由于大气的吸收和散射而形成的。照相机接收到的场景点的辐照度随着太阳光的光长而 衰减。所以接收到的光混合着太阳光[1]——周围的光由大气中的颗粒反射到视线里。如图(1a) 所示，降质的图像缺失了对比和颜色保真度。既然散射的程度是由场景点离相机的距离决定 的，降质就是基于空间的变化。 用户、计算类的摄影技术和计算机视觉的运用都需要高质量的图像去雾技术。首先，去 雾能够有效地增强场景的可视度，通过大气光能纠正颜色的偏移。总的来说，无雾清晰的图 像有舒适的视觉感受。其次，在大多数的计算机视觉算法中，无论是底层图像的分析还是顶 层对象识别，经常假设输入图像（在辐射校正后）是场景辐射。最后，有雾图像提供深度信 息、有利于许多视觉算法以及图像编辑。雾能提供有效的深度线索，便于场景理解。一幅浓 雾图像有很大的用途。 然而，去雾仍然存在很多挑战，因为雾是依赖于未知的深度信息的。如果输入是单幅图 像，那么这个问题就是未被限定的。因此，提出的很多去雾方法，都是运用多幅图像或添加 额外信息。基于极化的方法[3][4]，通过不同极化程度的两幅以上的图像来去雾。还有论文 1 自动化 专业外语 111336 蔡晓蕙 提出[5][6][7]在不同的天气环境下，拍摄多幅相同场景的图像，来获取更多的约束限制。基 于深度的方法[8][9]需要用户输入或已知3D 模型的深度信息。 最近，单幅图像去雾有了重要的进展[10][11]。这些方法成功运用了更好的先验知识或 假设。Tan[11]发现一幅无雾清晰图像相较于输入的有雾图像有更强的对比度，他还发现可以 通过增强复原图像的局部对比度，可以去雾。这个发现很吸引人但没有有效地物理性。 Fattal[10]估计了场景的反射率，并在传输与表面阴影局部不相关的假设获下媒介传输模型。 这个方法听起来是有物理可行性的，可以获得有效地结果。然而，它不能用来处理浓雾的图 像，而且当这些假设不成立时，这个方法也就行不通了。 本文中，我们提出一种新的先验知识——暗通道优先，能运用于单幅图像去雾中。暗通 道优先是从大量的户外有雾的图像的特性统计中得到的。我们发展，在大多数不包括天空的 局部块中，有些像素（暗像素）在至少一个颜色通道其强度是很低的。而在有雾的图像中， 这些暗像素的强度主要是由大气光贡献的，因此这些暗像素能精确估计退化模型。结合有雾 图像和图像软抠插值法，我们可以复原一幅无雾图像，生成一幅较好的深度图。 我们的方法在物理上式可行的，能处理一些浓雾中的远距离目标的处理。我们并不依赖 于传输的重要变量和表面的阴影。复原的图像也很少出现光晕现象。 图1 单幅图像去雾 （a ）输入的有雾图像；（b）本文去雾方法的结果；（c ）复原的深度图 正如许多方法都给予一定的假设，我们的方法同样有一定的局限性。当在很大一个局部 区域内，场景目标与大气光固有的相似时（例如雪地、白墙），上面没有投射任何阴影，则 暗通道优先就无法运用。尽管我们的方法对于大多数的户外有雾图像都有很好的去雾功效， 但是仍然在一些极端的例子中不可行。值得庆幸的是，在这样的情况下并不需要很好的去雾