几篇中文图像去雾论文阅读笔记

《利用大气光图改进暗原色去雾效果》

对于景深变化大或亮度较低的图像，容易出现去雾后图像较暗的现象。导致这一现象的原因是，选取的大气光值对于近处的景物不适用。

 

① RGB2GRAY

② 阈值分割（Otsu）

③ 计算亮区域的重心，与图片中心计算亮度方向

④ 四个方向，→，↗，↑，↖。靠近哪个是哪个

⑤ 在这个方向上将图像等分三大块

⑥ 每个块内计算亮度均值作为A

⑦线性插值，形成一张大气光图

这篇文章中的A是单通道的，容易引起偏色，特别是在雾不大的图片中。
可以学习的地方：景深变化较大的图像中，近景的亮度比较小，并且向高亮区域逐渐变大。高亮区域一般是天空。
若图片中的天空区域占比不大，反而别的高亮度区域面积比天空大，可能会出现问题。

 

《基于引导滤波改进的暗原色去雾算法》

传统的暗原色先验去雾算法在处理含天空等大面积明亮 区域的有雾图像时效果并不理想。
在有雾图像中，暗原色失效区域的像 素具有亮白的特征，其像素值近似于大气光A的取值，并且 该区域不包含任何场景信息，雾对视觉效果的影响较弱。因 此，可利用大气光的估计来减弱暗原色失效区域对透射率估 计的干扰，使其能够合理地处理含天空等大面积明亮区域的 有雾图像，进而得到理想的去雾效果。 

 

(1) 对透射率图进行引导滤波

(2) 通过像素值与A的差距，设置阈值，设定失效区域即高亮区域，

(3) 算高亮区域站全图的比重W

(4) 设定阈值V，若W>V则调整他，将这区域中的透射率放大，K/(I-A)*t。其中K设置为50.

(5)去雾，转换成hsi颜色模型，对I通道进行均衡化处理。

更多思考：适用于天空部分，若能较好的选出天空部分，则可以通过放大透射率的方法处理天空部分

 

《图像去雾中的大气光强度自适应恢复算法研究》

(1) J=ti Ri l(x)+(1-ti)A，基于局部区域平滑特性ti和Ri不变（参照retinex）

(2) 分块，统计像素是否分布在一条直线上，若是则下一步，并称其为RGB线（有部分块并不符合，并且块的大小应有严格规定）

(3) RGB线与(1-ti)A相交，让其与原点形成平面

(4) 两两平面相交的线称为候选方向

(5) 计算每一个块到这个块i的候选方向j的欧式距离dij

(6) 取所有dij中的中值，其中i作为选出的块

(7) 对于这个块i选出其dij最小的候选方向j作为最终方向。

以上仅仅是方向估计。

接下来是模估计。

引入惩罚因子a

那么aA就是我们最初所估计的大气光值，之后需要对其进行修正。

这个公式，我理解为J与I都没有变，那么每个平面的交线还是没有变的，所以可以认为其相等。

在5中，t和l分别表示的是透射率和明暗系数，R表示图像表面反射系数，即物体的反射性质，物体本该有的样子。

所以Rx=R

、

可以发现当时，la是小于l的，说明图像偏暗。因为l代表的是明暗系数。

在成雾公式中可以判断出，当J=A的时候，无论t为何值，I也为A。

作者通过这一发现，并且结合自然图像的统计，将整个过程转化成了一个最小化的优化目标函数。

光是看这篇文章，在A方向的算法上比较清晰，但是在对模估计时，我并没有看的很明白，特别是自然图像的统计之后的公式转换。我也没有写出来。

这篇文章基于《Automatic recovery of the atmospheric light in hazy images》。

更深入的了解可以参考我的另一个博客https://blog.csdn.net/yinhou1771/article/details/81070803