基于暗原色先验的单一图像去雾.docx

`基于暗原色先验的单一图像去雾何恺明，孙剑，唐晓鸥摘要：在这篇文章中，我们提出一种简单有效的图像先验—暗原色先验来为单一输入图像去雾。暗原色先验来自户外无雾图像数据。它基于关键的观测--绝大多数的户外无雾图像的每个局部区域都存在某些至少一个颜色通道的强度值很低的像素。在有雾图像模型中使用这种先验规律，我们可以直接估算雾的浓度并恢复高质量的无雾图像。使用先验规律处理大量的有雾图像表明这种规律的有效性。而且，在去雾过程中我们可以得到高质量的深度图—副产品。1.引言户外场景图像经常因为大气中的浑浊的介质（例如：颗粒和水滴）而降低质量。雾、霭，烟雾诸如此类导致了大气中的吸收和散射。照相机接收到景物反射来的光线衰减了很多。此外，得到的光线还混有大气光—周围光通过大气分子反射进入相机。降质图像丢失了对比度和颜色保真度。如图1a。由于大气散射的程度和景点到照相机的距离有关，图像降质是随着空间变化的。 在消费／计算摄影业和计算机视觉领域，图像去雾有着广泛的需求。首先，去雾能显著地提高景象的清晰度并且改正因空气而带来的色移。一般的，去除雾干扰的图片看起来要更加舒服。其次，大多数 的计算机视觉算法，从低级别的图像分析，到高级别的目标识别，一般会假定输入图像即景物的原始光线会聚所成。视觉算法（例如特征检测、滤波、光度分析等）的实现会不可避免地因为偏光、低对比度图像而不理想。再次，去雾可产生图像的深度信息，有助于视觉算法和高级的图像编辑。通常意义下不好的雾也能派上用场，作为深度的线索能加深人们对景像的理解。然而，去雾是一项有挑战性的课题，因为大气中雾所依赖的深度信息是未知的。而在只有一幅图像 可分析的情况下，解决这一问题又受到了制约。因此，很多使用多张图像或其他更多辅助信息的去雾方法被提出。在[3,4] 中用多幅图像从不同程度的偏振光的角度来去除雾的干扰。在[5,6,7]里通过从同一景象在不同天气情况下的照片获得更多的对比度的信息来去雾。 [8,9]中基于深度的方法则需 要来自对应图片或者已知的 3D 模型的大致深度信息。 最近，基于单一图像的去雾取得了很大的进展[10,11]。这些方法的成功往往得益于一个强有力的先验或假设。Tan[11]观察到无雾图像比有雾图像具有更高的对比度，他通过扩大复原图像的局部对比度来达到去 雾的效果。这样得到的结果在视觉上是很吸引人的，但实际上在光学原理上达到去雾。Fattal[10]通过假定透射率和表面投影在局部是不相关的，估算景物的反射率，来推断景物光在空气中传播时的透射率。Fattal 的的做法比较准确，并且能产生很好的去雾结果。然而他的方法在雾浓度较大的时候便显得无能 为力，尤其是当他的假想一旦失效的时候。在这篇文章，我们提出一种新的先验规律——暗原色先验，来用于单一图像去雾。暗原色先验是对 户外无雾图像库的统计得出的规律。我们发现，在不包括天空的绝大部分局部区域，总会存在一些我们称之为“dark pixels”的像素，至少有一个颜色通道具备很低的强度值。在被雾干扰的图像里，这些暗像素的强度值会被大气中的白光成分所充斥而变得较高。因此，这些暗像素能够直接用来评估雾光的透射信息。结合一个已有的雾成像模型和插值法抠图修复， 我们可以得到高质量的去雾图像和很好的深度图。我们实现的去雾不仅在物理上有效，而且能够处理包括在雾浓度很大情况下的远距离物体。我们没有依靠输入图像透射率或表面投影的显著变化，结果基本没有人工的痕迹或者晕影。 和任何其他利用先验规律实现的算法一样，我们的实现也有其限制因素。当取景对象在较大范围内和天空接近并且没有阴影覆盖的时候，暗原色的猜想将不成立。尽管我们的去雾处理对大多数户外带雾图像都有较好成果，在一些极限情况下还是会失效。我们相信，从不同的角度来发展这一先验，并且将其组合能使得这一工作更加完善。2.背景在计算机视觉和计算机图形中，下述方程所描述的雾图形成模型被广泛使用[2,5,10，11]: I(x)=J(x)t(x)+A(1-t(x)) (1)I 是指观测到的图像的强度，J 是景物光线的强度，A 是全球大气光成分，t 用来描述光线通过媒介透射到照相机过程中没有被散射的部分，去雾的目标就是从 I 中复原 J,A,t。对于一幅N像素的彩图I，存在着3N的约束和4N+3的未知数。方程右边的第一项 J(x)t(x) 叫做直接衰减项［11］，二项 A(1? t(x))则是大气光成分。直接衰减项描述的是景物光线在透射媒介中经衰减后的部分，而大气光则是由前方散射引起的，会导致景物颜色的偏移。然而直接衰减是物体光线的多重失真，大气光是附加的。因为大气层可看成各向同性的，透射率 t 可表示为： t(x)=, (2)β是大气的散射系数，d是场景深度。该式表明景物光线是随着景物深度 d 按指数衰减的。如果