基于黑色通道先验知识的图像去雾研究(2)
当然，由于雾气依赖于不确知的深度信息，去雾处理是一个很有挑战的难题。而在单一图像输入的情况下，问题又受到了制约。因此，诸如利用多重像或附加信息的许多方法都被提了出来。基于极化的方法[2,3]是通过两个或更多张极化程度不同的图像来去除雾气影响。在[4,5,6]中，通过景像在不同天气状况下的照片获得更多的对比度信息用来进行去雾处理。[7,8]中基于深度的方法需要从用户输入的或者从已知3D模型获得的大概深度信息。
近年来，单一图像去雾处理应经取得重大进展。这些成功方法的背后都离不开一种强有力的先验或假设。Tan[9]观察到去雾图像比有雾图像有更高的对比度，他通过使修复图像的局部对比度最大化来去雾。这种效果在视觉上具有吸引力但不见得能够实际运用。Fattal[10]通过假设透射率和表面投影局部不相关，来估算景物的反射率，并推断景物光在空气中传播时的透射率。Fattal的做法看起来更实用，并且能够产生很好的去雾效果。不过他的方法不能够应对浓雾图像，一旦他的假设站不住脚，方法也就失去意义。
在这篇文章中，我们对一种新型的先验方法——暗原色先验，进行了研究和去雾的实现。暗原色先验基于户外无雾图像的统计规律。何恺明[34]等人发现，在绝大部分不包含天空的局部区域，总会存在一些我们称之为“暗像素”的像素，至少在一个颜色通道的强度值很低。在有雾图像中，通道里这些暗像素的强度主要受大气光的影响。因此这些暗像素可以直接反应雾光的传播情况。结合一个已有的雾成像模型和插值法抠图修复，他们得到了高质量的去雾图像和深度图。
暗原色先验去雾的途径不仅在物理上是可行的，甚至能够处理分析浓雾图像上的远距离目标。该方法既没有依靠输入图像透射率的显著变化也没有依赖表面投影的变化，结果基本没有人工痕迹或晕影。
和任何其他利用先验技术的实验一样，该方法的实现也有其限制因素。当景物目标在较大范围内接近天空且没有阴影覆盖时，暗原色的假设将不成立。尽管该方法在大多数户外有雾图像上都非常实用，这也不能排除在一些极端情况下的例外。我相信，从不同方向发展而来的新型先验方法的结合将会进一步提升这门技术的魅力。
(a) 有雾图像 (b) 暗原色先验去雾后的图像 (c)深度图
图1 单一图像的去雾
2 背景
2.1 图像去雾技术分类
目前对于雾天图像的处理方法主要分为两类: 雾天图像增强和雾天图像复原。雾天图像的增强方法不考虑图像降质原因，适用范围广，能有效地提高雾天图像的对比度，突出图像的细节，改善图像的视觉效果，但对于突出部分的信息可能会造成一定损失。雾天图像复原是研究雾天图像降质的物理过程，并建立雾天退化模型，反演退化过程，以便获得未经干扰退化的无雾图像或无雾图像的最优估计值，从而改善雾天图像质量。这种方法针对性强，得到的去雾效果自然，一般不会有信息损失，处理的关键点是模型中参数的估计。对于每一类方法，按照去雾方法的相似性进一步归纳为不同的子类方法: 基于图像处理的雾天图像增强方法分为全局化的图像增强方法和局部化的图像增强方法; 基于物理模型的雾天图像复原方法则包括基于偏微分方程的雾天图像复原、基于深度关系的雾天图像复原和基于先验信息的雾天图像复原。
2.1.1基于图像处理的雾天图像增强
1）全局化的图像增强方法
全局化的雾天图像增强方法是指对灰度值的调整是由整幅雾天图像的统计信息决定的，与被调整点所处的区域无关。由于雾天下场景的退化程度与其深度相关，而一幅图往往包含复杂的深度信息，所以全局化的处理方法往往不能得到理想的效果，但当雾天图像的场景相对简单时，不失为一种有效的途径。