IEEE 模式分析与机器智能汇刊,33 卷 12 刊 2011.12
单幅图像基于暗通道先验的去雾
Kaiming He, Jian Sun, and Xiaoou Tang, Fellow, IEEE
摘要:在本篇论文中,我们提出了一种简单但是有效的图像先验条件——暗通道先验去从一幅输入图
像中去雾。暗通道先验是一种对于大量户外有雾图像的统计结果,它最重要的一个观察结果是户外无
雾图像的绝大部分区域包含某些像素的亮度值至少在某一个通道上是非常低的。结合这个先验条件与
雾天图像模型,我们可以直接估计雾的厚度并且回复一幅高质量的无雾图像。基于各种各样的有雾图
像的实验去雾结果证明了所提出先验条件的有效性。并且,一幅高质量的图像深度图可作为图像去雾
的附带产品。
索引词:去雾,去霾,图像复原,深度估计
一、 介绍
户外场景图像通常会因为空气中的浑浊介质降质(比如,颗粒和小水滴),雾,霾,烟都是由于大
气吸收或散射引起的现象。顺着视线的场景辐射在到照相机后已经减弱,并且,入射光混合了空气光
【1】—通过大气粒子反射到视线中的环境光。降质图像损失了对比度和图像保真度,如图 1a 所示。
由于散射数量取决于摄像机镜头的距离,其退化是空间上的变化。
图像去雾在消费者/计算机图像处理和计算机视觉等应用中都具有很高的需求。首先,去雾之后可
以显著的提高场景的可见度并纠正由于大气光引起的颜色偏移。通常情况下,无雾图像给人的视觉感
官更好。其次,大多数计算机视觉算法,无论是低水准的图像分析或是高水平的物体识别,通常都假
设输入图像(经过辐射矫正后)是场景的辐射。许多视觉算法(比如特征检测,滤波,光度分析)都
会不可避免的因为场景辐射的偏移和低对比度而失效。最后,图像去雾可以提供深度信息并且对许多
视觉算法和现金的图像编辑都是有益的。雾 或者霾可以成为一个对场景理解有用的深度线索。一幅浓
雾图像一样也可以被投入到使用中。
然而,图像去雾是一个具有挑战性的问题因为雾通常都具有未知的深度。如果输入仅是单幅有雾图
像的话这个问题是无法限定约束条件的。因此,有许多方法提出通过使用多幅图像或者通过额外信息
来解决这个问题。基于偏振的方法通过从不同的偏振度拍摄两幅或更多的图像来去除雾的影响【3】,
【4】。在【5】,【6】,【7】中,通过从同一个场景在不同的天气条件下的图像获得更多的约束条件。
基于深度的方法中【8】,【9】需要一些深度信息从输入图像或一些已知的 3D 模型。
最近,单幅图像的去雾已经取得了显著的进步【10】,【11】。这些方法的成功点在于使用了强有力
的先验条件或者假设。Tan【11】观察到一个无雾图像相比于输入的有雾图像必然会有更高的对比度
所以他最大化了恢复图像的局部对比度。这个结果在视觉上是令人觉得信服的,但是在实际原理上不
一定站得住脚。 Fattal【10】基于传输率和表面着色是局部无关的假设,估计了场景的反射率和介
质传输率。这一方法在原理上听着可行在结果上也看着不错,但是它不可以很好的处理浓雾图像并且
当假设不成立时很可能失败。