图像去雾算法综述

图像去雾算法

图像去雾算法研究综述 （ 魏红伟 ，田 杰 ，肖卓朋 ）
图像去雾算法的综述及分析（王道累， 张天宇）

一. 基于图像增强的去雾算法

1. 直方图均衡化
（1）直方图均衡化算法（HE）：通过对图像的像素值进行非线性的拉伸，重新分配 像素值使之更加均匀，从而使原图像上灰度分布相对集中的部分对比度得到增强，而分布相对稀疏的部分对比度降低，处理后图像的直方图将会呈现出比较平缓的状态，实现直观上的去雾效果
（2）直方图均衡化算法的具体实施思路：找到图像上最亮和最暗的灰度值，将之映射到 0 和 255 之后再将其他的中间部分像素值映射到 0 和 255 之间。
（3）像素分布直方图：

（4）标准直方图均衡算法的步骤如下：
步骤 1. 统计出原始图像中各个灰度级的像素个数 ni (0≤i 步骤 2. 图像中灰度为 i 的像素出现的概率为如下公式，其中，n 为图像中像素点的总数；

步骤 3. px的累积分布函数定义为：

步骤 4. M 和 N 分别为原始图像的尺寸；v 为原始图像的像素值，则直方图均衡化计算式为：

2. Retinex 去雾算法
（1）Retinex 算法原理图：I(x,y)是人眼或相机获取到的图像信息，先是由太阳产生的入射光照射，然后经过物体反射从而射入相机 I 中，最终形成人们所看到的图像；I(x,y)为相机接收到的图像信息；L(x,y)为环光照射在物体上的照射分量；R(x,y)为带有物体节信息的反射分量

(2)博主暂时没看懂，看懂了会续更…
3.小波变换算法
（1）原理：通过小波变换将图像分解为 1 个低频子图像和 3 个高频子图像，通过算法对不同频率系数进行增强，提高图像对比度，实现增强效果；应用较少，简单介绍
4.偏微分方程
（1）原理：将图像视作一个以像素位置为自变量的二元函数，由每个像素点的梯度值构成图像的对比度场，通过放大图像的对比度场实现图像增强；应用较少，简单介绍
5.缺点：基于图像增强的去雾算法不考虑图像降质原因，而是通过增强对比度的方法改善图像视觉效果。该类算法使用范围广，但是对于突出部分的信息可能会造成一定损失或过增强现象

二. 基于图像复原的去雾算法

1.大气散射模型：L(x, y)为相机获取的图像；L0(x, y)为场景的反射光线强度，即去雾后的无雾图像；k 为大气散射系数；d(x, y)为场景深度；exp(-kd(x, y))为透射率；A 为全球大气光成分

令 t(x, y)=exp(-kd(x, y))，称为大气透射率。因此，根据大气散射模型，只需要估计出原始图像的全球大气光成分 A 和透射率 t，即可求得去雾增强后的清晰图像 L0(x, y)


2 . 基于暗通道先验的去雾算法
(1)算法思想：通过对大量无雾图像进行统计分析，发现在无雾图像上，每一个区域都会存在彩色、阴影或者较暗的东西，因此每一个区域都很有可能存在某一个通道有很低的像素值，被称为暗通道先验
(2)其数学表达式为：在一幅输入的原始图像中，先计算出图像每一个像素在 3 通道中灰度的最小值，得到灰度图，然后在灰度图中，以每个像素点为中心选取一定大小的矩形范围$\Omega$(x)，取$\Omega$(x)中灰度最小值替代中心像素点的灰度值，得到的图像即为原始图像的暗通道图像

（3）大气散射模型简写为：I(x)为相机获取的原始图像；J(x)为无雾图像；A 为全球大气光成分；t(x)为透射率

结合暗通道先验理论，可求得透射率 t(x)的估计值：

三. 基于神经网络的去雾算法

1. 卷积神经网络结构:由卷积层、池化层与全连接层组成，卷积层利用卷积操作完成图像特征提取，池化层完成下采样，对提取出的特征降维，相邻两层组成一个卷积组，通过若干个卷积层与全连接层连接，最终全连接层实现对图像特征信息的分类，经过多层卷积与池化操作，数据量庞大的图像处理问题的复杂度有所降低。

2. DehazeNet
（1）原理：通过神经网络直接学习有雾图像与透射图之间的映射关系，进而求出透射率，提出新颖的非线性激活函BReLU，通过卷积神经网络进行非线性回归得到透射图，采用假设先验求出大气光 A，最后根据大气散射模型恢复出无雾图像
（2）DehazeNet结构：

（3）缺点：由于真实的大气环境十分复杂，化学成分的多样性和颗粒分布的不均匀性导致大气中不同位置对光的吸收、散射与透射作用程度不同，从而使得环境光并非均匀分布
3. AOD-Net
（1）原理：对透射率与大气光分别进行评估，再代入大气散射模型恢复无雾图像会导致误差叠加放大，因此将其集成在神经网络中同步完成，并对大气散射模型进行如下变形：

I（x）、J（x）、t（ x）和 A 分别表示原始无雾图像、输入雾图、场景透射率和环境大气光，而 b 为算法引入的参数,将透射率与大气光合并为一个中间变量 K，利用轻量级神经网络回归变量 K 恢复出无雾图像
（2）缺点：由于自然场景中的有雾、无雾图对很难获得，数据集基本都是自然场景图片进行人工加雾处理而得，导致神经网络在训练时数据集易产生过拟合现象，因此该算法用于真实自然场景的去雾效果与仿真场景有一定偏差