【待完成】图像去雾总结笔记

去雾方法类型

1. 手工的基于先验的方法

2. 基于学习的方法

• 　　模型相关的方法：

　　　　基于雾天退化模型

　　　　physical scattering model：$I(x) = J(x)t(x)+A(x)(1-t(x))$,其中$I$为有雾图像，$J$为无雾图像，$A$为全局大气光，$t$为透射率

　　　　用CNN等学习physical scattering model中的参数（A，t）

• 　　无模型方法：

　　　　直接学习有雾图像到无雾图像的映射

 

去雾效果评价标准

PSNR：Peak Signal to Noise Ration，峰值信噪比

　　$PSNR=10log_{10}(\frac{MAX_I^2}{MSE})$

　　$MAX_I$为图像可能取得最大像素值，如用8bit来表示，那么就是255

　　$MSE = \frac{1}{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}[I(i,j)-K(i,j)]^2$

　　$I$为干净图像

　　PSNR得数值越大表示失真越小，是一种客观评价标准，可能与人眼的感受不同。

SSIM：Structrual Similarity，结构相似性

　　从亮度、对比度和结构三方面度量相似性

　　$l(x,y)=\frac{2\mu_x\mu_y+c_1}{\mu_x^2+\mu_y^2+c_1}$

　　$c(x,y)=\frac{2\sigma_x\sigma_y+c_2}{\sigma^2+\sigma^2+c_2}$

　　$s(x,y)=\frac{\sigma_{xy}+c_3}{\sigma_x\sigma_y+c_3}$

　　$c_1=(k_1L)^2, c_2=(k_2L)^2$，一般$c_3=\frac{c_2}{2}$

　　$k_1=0.01, k_2=0.03, L$为像素值的范围

　　$SSIM(x,y)=[l(x,y)^\alpha\cdot c(x,y)^\beta\cdot s(x,y)^\gamma]$

　　取值范围为$[0,1]$，值越大失真越小

 

目前去雾的主要问题

无法获取真是情况下的有雾图像和无雾图像，一般都由人工合成一些图像作为训练集，其分布与实际情况一般不相同，会影响效果。

通常使用一些先验估计进行辅助。

CAP, color attenuation prior:

　　A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior(2015)

　　haze的浓度与亮度和饱和度之差成正比

　　$d(x)=0.121779+0.959710v(x)-0.780245s(x)+\varepsilon(x)$

　　$d(x)$为景深，$c(x)$为雾浓度，$v(x)$亮度，$s(x)$饱和度

　　通常需要将RGB图像转换为HSV图像。HSV图像用Hue色调，Saturation饱和度，Value明度来表示图像。

DCP, dark channel prior:

NCP, non-local prior: