Single Image Haze RemovalUsing Dark Channel Prior
摘要
本文提出了一种简单而有效的图像先验方法——暗通道先验,用于去除单幅输入图像中的雾霾。暗通道先验是室外无雾图像的一种统计。它基于一个关键的观察结果——户外无雾图像中的大多数局部块包含一些像素,这些像素在至少一个颜色通道中的强度非常低。将该先验与薄雾成像模型一起使用,我们可以直接估计薄雾的厚度并恢复高质量的无薄雾图像。在各种模糊图像上的结果证明了所提出的先验的能力。此外,还可以获得高质量的深度图作为除雾的副产品。
一引言
本文提出了一种新的先验——暗通道先验,用于单幅图像去雾。暗通道先验是基于室外无雾图像的统计。我们发现,在大多数没有覆盖天空的局部区域中,一些像素(称为标记像素)通常在至少一个颜色(RGB)通道中具有非常低的强度。在模糊的图像中,该通道中这些暗像素的强度主要是由空气光造成的。因此,这些暗像素可以直接提供雾度透射的精确估计。结合薄雾成像模型和软抠图插值方法,我们可以恢复高质量的无薄雾图像并产生良好的深度图。
本方法的局限性:当场景对象在大的局部区域内在地类似于空中照明(例如,雪地或白墙)并且没有阴影投射在其上时,暗通道先验可能是无效的。
二背景
在计算机视觉和计算机图形学中,广泛用于描述朦胧图像形成的模型是
其中,I是观察到的强度,J是场A是全球大气光,t是描述未被散射并到达相机的那部分光的介质透射。去雾的目是从I中恢复J、A和t。对于单像素彩色图4N+3个未知数 .
当大气均匀时,透射率可表示为
是大气的散射系数,d是场景深度。该等式表明场景辐射随着深度呈指数衰减。
雾度成像方程(1)意味着在RGB颜色空间中,矢量a、I(x)和J(x)是共面的,并且它们的端点是共线的.透射率是两条线段的比值:
c{r,g,b}是颜色通道索引。
三、暗通道先验
暗通道先验基于对室外无雾图像的以下观察:在大多数非天空色块中,至少一个颜色通道具有一些强度非常低且接近于零的像素。等效地,在这样的小块中的最小强度接近于零。
暗通道
是颜色通道 (x)是以x为中心的局部块
室外无雾图像,除了天空区域,暗通道的强度很低,趋于零: ->0
暗通道中的低强度主要是由于三个因素:a)阴影,b)彩色物体或表面 c)深色物体或表面
由于附加的空气光,有雾的图像比无雾的图像更亮,无雾的图像透射率低。因此,雾状图像的暗通道在雾状较浓的区域将具有较高的强度。从视觉上看,暗通道的强度是薄雾厚度的粗略近似值。
四、使用暗通道先验去雾
4.1估计传输率
假设A是已知的雾度成像方程(1)进行归一化:
在局部块(x)中假设传输率是个常数,用(x)表示,计算暗通道
场景辐射 J 是无霾图像,J 的暗通道接近于零
暗通道先验对于天空区域来说不是一个好的先验。幸运的是,朦胧图像中天空的颜色通常与大气光线非常相似。所以,在天空区域,我们有
由公式(11)可得在雾图中(x) ->0
如果我们彻底去除薄雾,图像可能看起来不自然,我们可能会失去深度感。因此,我们可以通过在公式11引入一个常量参数(0<<=1)来为远处的物体保持一个非常小的雾度.
4.2软抠图(用来细化传输映射)
薄雾成像方程(1)具有与图像遮片方程相似的形式:
F和B分别为 前景色和背景色,是前景不透明度
t(x)是细化的传输映射,最小化下面的损失函数:
L被称为抠图拉普拉斯矩阵
4.3估算大气光线
朦胧图像中最亮的像素被认为是最不透明的。只有在天气阴沉,阳光可以忽略的时候才是这样。在这种情况下,大气光是场景的唯一照明源。
R是场景点的反射率。雾度成像方程(1)可以写成
当无限远处的像素(t0)存在于图像中时,最亮部分是最不透明的,大约等于A
考虑到阳光,我们通过以下方式修改(18)
修改(19)为
4.4恢复场景亮度
利用大气光和透射图,我们可以根据(1)恢复场景辐射亮度。但是,当透射率t(x)接近零时,直接衰减项J(x)t(x)可以非常接近零。直接恢复的场景辐射容易受到噪声的影响。我们通过下限来限制透射率,即在非常密集的雾度区域保留少量雾度.
4.5块规模
算法中的一个关键参数是中的补丁大小。一方面,暗通道先验对于较大的块尺寸变得更好,因为块包含暗像素的概率增加了。我们可以在图9中看到这一点:斑块越大,暗通道越暗。因此,对于小的斑块不太准确,并且恢复的场景辐射过饱和。另一方面,假设贴片中的透射率是恒定的变得不太合适。如果斑块尺寸过大,深度边缘附近的光晕可能会变得更强.
Single Image Haze RemovalUsing Dark Channel Prior相关推荐
- 《Single Image Haze Removal Using Dark Channel Prior》一文中图像去雾算法的原理、实现、效果及其他。...
在图像去雾这个领域,几乎没有人不知道<Single Image Haze Removal Using Dark Channel Prior>这篇文章,该文是2009年CVPR最佳论文.作者 ...
- Single Image Haze Removal Using Dark Channel Prior 基于暗原色先验的单一图像去雾方法【翻译】
Single Image Haze Removal Using Dark Channel Prior Kaiming He, Jian Sun, Xiaoou Tang The Chinese Uni ...
- Single Image Haze Removal Using Dark Channel Prior
单幅图像基于暗通道先验的去雾 Single Image Haze Removal Using Dark Channel Prior Kaiming He, Jian Sun, and Xiaoou T ...
- 《Single Image Haze Removal Using Dark Channel Prior》一文中图像去雾算法的原理、实现、效果(速度可实时)...
最新的效果见 :http://video.sina.com.cn/v/b/124538950-1254492273.html 可处理视频的示例:视频去雾效果 在图像去雾这个领域,几乎没有人不知道< ...
- 《Single Image Haze Removal Using Dark Channel Prior》一文中图像去雾算法的原理、实现、效果及其他。 ...
在图像去雾这个领域,几乎没有人不知道<Single Image Haze Removal Using Dark Channel Prior>这篇文章,该文是2009年CVPR最佳论文.作者 ...
- Contrast in Haze Removal: Configurable Contrast Enhancement Model Based on Dark Channel Prior
吐槽吐槽!!!有史以来读的最费劲的一篇文章,各种长句!各种句式!各种缩写!各种实验中夹杂公式!!!各种各种!!!可是是IEEE的文章呢,读了那么多英文文章的如今读到我开始怀疑我的英文水平了,怀疑人生了 ...
- 【深度学习】何恺明经典之作—2009 CVPR Best Paper | Dark Channel Prior
本文介绍一下中国大陆第一篇计算机视觉顶会的best paper,也是何恺明第一次在计算机视觉领域大放异彩的一篇经典之作-Dark Channel Prior.另外本文在Dark Channel Pri ...
- 《Single Image Haze Removal Using Dark Channel Prior》论文阅读及复现番外(使用导向滤波估计更加精细的透射率)
前言 之前写过这篇论文的复现,https://blog.csdn.net/just_sort/article/details/84110518 ,但是当时估算透射率的时候没有用softmating或者 ...
- 暗通道去雾法-对算法的理解Dark Channel Prior
暗通道最早是由He提出的,并且也发展得很快,具体的在这里不说,这篇文章,只是谈一下暗通道去雾的实现过程 1.该方法最原始的模型是I=Jt+A(1-t),这个模型在我的其他文章中有详细介绍,这里不详细讲 ...
最新文章
- 内推 58 人拿到微软 offer!这位大佬有多强?
- 201406114331-黄智涛-OS 实验报告
- Win7实用技巧之四拯救桌面行动之Jumplist
- android 自定义打包,android 自定义打包后的app名称
- 纯CSS美化单复选框(checkbox、radio)
- 0x5f3759df的数学原理
- Android 实现指纹识别demo
- Sharepoin学习笔记—架构系列--08 Sharepoint的数据模型(DataModel)、数据管理(Data Management)与查询(Query System)
- fpga板子怎么和电脑连_windows7台式电脑怎么连接路由器?台式win7电脑连路由器步骤...
- html5 渐变色矩形,使用HTML5画布元素的矩形渐变
- Linux内核分析第一周——计算机是如何工作的
- 【引用】将整数转化为十进制字符串的函数Convert integer to Decimal string
- builder forms oracle 函数如何使用_Oracle EBS 之 Forms开发 一
- You have an error in your SQL syntax.....for the right syntax to use near 'describe
- 在云面前,为何Cisco,Dell和HP都是Loser
- 【语义分割专题】语义分割相关工作--SegNet
- 计算机算法分析与设计心得体会,算法设计与分析课程的心得体会
- java的nexttoken_int nextToken()
- java3d载入obj_Threejs大型obj文件的秒加载实现
- 阿里云申请免费SSL证书
热门文章
- STM32CubeMx + LWIP(实现UDP组播/MQTT/热插拔)系列 四 ----- MQTT的连接与使用
- Java——MVC框架
- Python爬虫快速了解网页中javascript语言
- logits and labels must be broadcastable: logits_size=[131072,9] labels_size=[131072,8]的错误
- 如何快速大批量进行复制粘贴数据?
- 1.4_26 Axure RP 9 for mac 高保真原型图 - 案例25【中继器 - 后台管理系统3】优化- 3D按钮、键盘操作
- 什么是盒子模型?盒子模型有哪些?怎么转换?
- qq企业邮箱 pop3服务器是什么意思,腾讯QQ企业邮箱POP3/SMTP设置
- 华硕wl 700ge 路由器 刷OpenWrt 过程记录
- Mysql创建多表视图view