暗通道去雾研究笔记

去雾

基于图像增强

不对图像降质本质原因进行研究，认为有雾图像模糊是图像对比度下降。

通过提高对比度来改善图像效果。

该方法不能彻底去除雾气，可能会有雾气残剩、细节模糊、色彩比例失衡等现象。

主要方法包括：直方图均衡化、小波变换等等。

直方图均衡化

优点：简单可行，单景深图像复原效果好。局部细节增强。

缺点：难以反映多景深图像中景深变化，局部块效应出现。

小波变换

通过多尺度，图像对比度增强。认为雾对图像高频部分影响较小，对高频部分增强，低频部分削弱。

优点：对图像细节增强。

缺点：光照过亮或过暗以及不均匀的现响无法处理。

边缘增强的局限性可由曲波变换弥补。

视网膜理论去雾

利用视觉系统颜色不变性，对因雾气影响而削弱的光照增强，进而使得图像得以增强。

同态滤波

针对光照不匀，课对复原出现的黑斑暗影进行消除，对图像原貌保持。两次傅里叶变换，占用内存空间。

基于图像复原

对雾气形成探究原因，依靠数学模型，通过估计模型中的参数，利用逆运算，获得与真实图像相近的估计值，从而得到复原后的清晰图像。

该方法回复过程较为复杂且费时。

主要方法包括：利用偏微分方程，利用景深估计，利用先验信息。

偏微分方程

借助大气散射模型，对户外图像局部去雾的能量进行最优化，推导偏微分方程。求阶复原退化前清晰图像。

视觉效果有明显改善。但计算量过大，需要用户交互，包括获取精神信息以及对大气散射系数修改等。

景深信息

景深已知。基于物理模型提高对比度，利用高斯函数，预测光路。

提高图像清晰度，但需要条件较多，不能自适应，不能用于实时图像处理。

先验信息

Tan

最大化局部对比度去雾方法。无雾图像比有雾图像对比度更明显。

Fattal

物体表面反射率和传输值局部统计不相关。

暗通道先验

收集大量无雾时清晰图像，发现可利用暗原色统计规律识别雾气浓度。

可对局部估计雾气浓度，并对颜色修复。

去雾后图像自然，颜色失真小，清晰度高。

运算效率低。

何凯明暗通道去雾

博客链接

过程讲解

opencv部分实现

优化策略

概述

先验知识，无雾图像的暗通道大部分区域的像素值很低，趋近于0。而有雾图像的暗通道图亮度比无雾图像大很多。

原因

*1.图像中存在一些颜色鲜艳的物体，比如鲜艳的花朵，树木等，这些景物的特点是 RGB 三通道中有一个通道像素值很高，其他两个通道像素值很低，*这样就会造成求取暗通道时，暗通道图像中该区域各个通道像素值很低。

2.图像中有些物体因为反射的都是比较暗的光线，造成看上去比较灰暗，不明亮，对其求取暗通道时，三通道的像素值都比较低，该区域像素值就会比较低。

3.图像中存在一些树木，高山等自然景物和建筑物的一些阴影，该阴影区域像素值很低，求取暗通道后，各个通道的像素值也很低。

去雾过程

优化内容摘自：

求取暗通道

两次最小值滤波，以此求取有雾图像中每个像素点的RGB最小值；第二次最小值滤波对球的的暗原色图在邻域范围内再进行一次最小值滤波。

优化

下采样与双线性插值。分块，每块对应一个透射率，而非逐像素估计，降低事件复杂度。

滤波窗口大小调节。原固定滤波半径，可根据不同图像场景等选取不同滤波半径。

估计大气光

有雾图像求取暗通道，取暗通道中像素值从高到低0.1%的像素点投射到原始图像，找到位置后选取密集区域最大像素点的像素值。

但如图像中存在大面积白色建筑物时，估计出的透射率不准确。

优化

原始有雾图像对应时选取该区域像素点平均值，且增加阈值。

估计透射率

需要保留一定程度的雾。作者加入了系数w。

景深突变处边缘透射率的估计会出现偏差，使得复原后无雾图像在边缘细节表现较为突兀。会产生光晕、白边效应。

在天空、水面以及白色物体大面积明亮区域，暗原色先验的规律失效，这些区域透射率了估计出现误差，估计值偏小，使得色彩出现明显失真。

优化透射率

景深突变处产生 白边。对边缘细节优化，软抠图和导向滤波的方法。

明亮区域失真处，引入容差机制，对明亮区域进行透射率调整。

优缺点

优点

对大多数自然场景图像有较好的效果。

实现原理简单，复原效果好，使用场景广泛。

缺点

• 算法效率低。softmatting方法实现投射图精细化太过耗时。

• 色斑色块效应。当像素点的强度接近大气光值时，去雾的图像出现局部的色斑、色偏效应。

  低对比度大片天空的区域可能完全失效。较远天空处出现块效应。

• 图像亮度降低。

论文与期刊（各种改进）

何凯明等提出用引导滤波代替Soft Matting算法对传输图进行优化，但该算法在恢复天空区域的过程中容易出现颜色失真现象。

Tarel等对图像进行白平衡后，采用中值滤波的变形形式估计大气耗散函数，但该方法易产生光晕现象。

结合混合双边滤波、均值滤波的暗通道先验算法，以及多尺度Retinex算法等，以提高算法的有效性。

1.结合导向滤波

何博士之后提出了导向滤波器改进去雾效果的算法。

导向滤波

选择性滤波，与高斯滤波、双边滤波相比，具有导向性。通过输入一幅图像（矩阵）作为导向图，由此滤波器知道哪些地方是边缘，从而保护边缘。再达到滤波的同时，保持边缘细节。

Guided Filter

2.结合双边滤波

软抠图细化介质透射率耗时过多，且景深突变处出现白边，可采用最大值滤波方法对被低估的暗像素点进行修复。

双边滤波

非线性滤波方法。与高斯滤波相似，也利用局部加权原理，但有明显区别。双边滤波加权系数由像素间空间距离之差（空间临近度因子）和像素之间的灰度值只差（灰度相似度因子）两个部分组成。

双边滤波对输入图像进行平滑处理的同时能保持图像的边缘细节信息。对输入图像进行双边滤波后，图像中的每个像素的灰度值是等于其邻域范围内像素的加权平均。加权系数是空间临近度因子和灰度相似度因子的乘积。

透射率细化

双边滤波器主要在透射率细化处理时进行改进。先进行最大值滤波，再进行双边滤波，以便更好保持图像边缘部分。

其他

大气光A的改进：在暗通道图中取灰度值在区间［220，255］的像素点一是能够解决处理后图像的色偏及天空色斑的问题；二是直接取强度值在［220，255］的像素点，避免了在编码实现中使用排序的方法找出前0． 1%的最亮像素点，降低了计算时间复杂度。

3.结合K均值

从暗通道模型出发，首先利用双暗通道拟合进行投射图估计，再采用K均值举类树算法对有雾图像进行区域分类，再针对天空区域估计出大气光强度的算法。

双暗通道

邻域15*15的范围同时，选取小邻域对原图进行最小值滤波。得到两个暗通道以及两个相应的透射率，通过线性拟合，从而得到最终的透射率。

双暗通道你和代替软抠图对透射率进行优化。

K均值

K均值聚类方法将有雾图像分割为天空类（包括雾最浓区域）和非天空类。在估计大气光强度A时，在求得的天空区域或雾最浓区域求取原图最大像素值作为大气光A值。

优点

增强图像细节信息，降低计算复杂度，提升大气光强度估计值的准确型，有效抑制了高亮区域的失真。

4.基于亮通道和暗通道结合

优点

解决有雾图像恢复时天空区域颜色失真问题。恢复图像细节和颜色，提高图像的视觉效果，优于多尺度Retinex图像去雾算法。

过程

1. 对大气光散射模型改进
2. 运用亮通道先验和暗通道先验结合的方法估计大气光值和透射率
3. 根据加权引导滤波算法估计透射率，恢复无雾图像
4. 仿真验证

亮通道先验

在大多数的模糊图像中，某些像素总会有至少一个颜色通道具有较大的强度。像素点x处的亮通道强度趋近于无雾图像的大气光强度。

大气光强度A，不使用固定值A，使用A(x)。根据未知变化而变化，利用亮通道先验求得。

从亮通道和暗通道两个方面进行大气光值的估计，从而获取A（x)。

A(x) = alpha * Alight(x) + belta * A0

两个调整因子来调整大气光。且两值之和小于1.0。求A0时使用平均值。

加权导向滤波

5.基于暗通道先验和Retinex理论

图像增强：Retinex算法

从大气散射模型出发， 利用暗通道先验知识， 通过灰度开运算估计大气光的取值，同时得到介质传输率的初始估计，并对大气光照进行白平衡处理，从而简化大气散射模型；

其次, 利用Retinex理论，通过高斯卷积实现介质传输率的粗略估计，并对其灰度值进行线性搬移；

然后，融合介质传输率的初始估计和粗略估计，利用快速联合双边滤波进行边缘优化，同时对雾图中大片天空区域的介质传输率进行动态修正；

最后, 利用简化大气散射模型, 通过色调调整获得较好的去雾效果。

特点

结合图像增强和图像复原的思想，处理速度较快，有效复原清晰度和对比度。

6.基于区域对比度约束

该算法首先将原始图像分割成适当的明暗双区域，并计算相应的对比度比值；

再使用基于中值滤波的暗通道去雾算法处理图像暗区域部分；

最后利用亮度精确控制的双直方图均衡算法，以最大程度保持区域对比度不变为约束条件，修正图像较亮区域的亮度分布。

在信息熵值、平均梯度和亮度标准差方面有明显增益。更多显现细节特征。