去雾方法类型
-
手工的基于先验的方法
-
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
$l(x,y)=frac{2mu_xmu_y+c_1}{mu_x^2+mu_y^2+c_1}$
$c(x,y)=frac{2sigma_xsigma_y+c_2}{sigma^2+sigma^2+c_2}$
$s(x,y)=frac{sigma_{xy}+c_3}{sigma_xsigma_y+c_3}$
$c_1=(k_1L)^2, c_2=(k_2L)^2$,一般$c_3=frac{c_2}{2}$
$k_1=0.01, k_2=0.03, L$为像素值的范围
$SSIM(x,y)=[l(x,y)^alphacdot c(x,y)^etacdot s(x,y)^gamma]$
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。