去雾论文综述：Comparative Re-evaluation of Different Single Image Defogging Techniques: A Review

Baba A, Anwar M I, Moon A, et al. Comparative Re-evaluation of Different Single Image Defogging Techniques: A Review[J]. ICT Analysis and Applications, 2021: 93-104.

不同单幅图像去雾技术的比较再评价：综述

摘要

如今，图像去雾已被证明是一项艰巨的任务，并且为正在考虑的图像的可见性增强提出几种假设和方法，需要一个小时。恶劣的天气条件会降低图像对比度，导致图像模糊和像素失真，从而导致世界上发生的道路交通事故。对于其他一些应用，如遥感、视频监控、导航等，需要清晰和高质量的图像。本文的主要目的是考虑现有的最先进的图像去雾技术，以提高能见度。最后，本文总结了图像去雾技术的现状及其比较结果，并提供了有见地的讨论和未来工作的前景，以提高现有系统的效率和准确性。

1 简介

在大多数图像处理应用中，雾天环境中有限的能见度一直是一个严重的问题。因此，在有雾的情况下，相机获取的图像会失去对比度和色彩保真度。在有雾的环境中，存在大量相当大的大气粒子。这些粒子不仅吸收和分散场景的反射光，还将一部分大气光传播到相机。因此，所拍摄的图像可见度差，对比度降低，严重影响可见光光学系统。这导致难以检测被观察物体并导致道路事故增加。能见度的下降主要受印度北部和世界其他类似地区冬季雾气的影响。据估计，全世界每年有超过 200 万人死于车祸，其中 24% 的此类事故是由于恶劣天气造成的 [1]。 2018 年 12 月，印度哈里亚纳邦因大雾导致高速公路堆积，导致 8 人（包括同一个家庭的 7 人）死于交通事故。 2018 年 12 月 29 日，印度哈里亚纳邦安巴拉-昌迪加尔国道上的大雾导致 7 人死亡、4 人受伤。根据道路运输和公路部（MORTH）[2]提供的数据，2016年、2017年和2018年印度因雾天导致的事故数量急剧增加，并以条形图显示（图1） .

因此，需要一种有效的图像去雾算法来增加捕获的退化图像的可感知性和对比度。捕获的图像具有不同类型，例如可见光、红外、计算机断层扫描 (CT) 图像和磁共振图像 (MRI)。为了对相机捕获的图像进行去雾，不同的研究人员实施了几种可见图像去雾技术。本文考虑了对此类现有最先进技术的评估。

2 当代技术回顾

为了增加图像的对比度和色彩保真度，研究人员在图像去雾领域已经做了大量工作，但所使用的方法仍然存在一些局限性，提高可见度是一项不可避免的任务。本节全面研究了各种基于视觉、红外和融合的图像去雾技术，并讨论了它们的局限性。

大多数无雾室外图像的非天空斑块包括在至少一个颜色通道中具有非常低强度的像素。随后，研究人员在 [3] 中采用暗通道先验方法对单个图像进行有效去雾，以去除低强度信息元素。在所提出的技术中，图像通过抠图过程更加精细，以减少块状伪影。该算法的唯一缺点是去雾方案对于包含大天空区域的图像被证明是低效的，因为天空的颜色与朦胧图像中的大气光非常相似。

在[4]中提出了一种视觉图像去雾方案，其中在强雾状态下捕获场景的可见性得到了提高。所提出的方法是通过使用对比度增强操作、亮度权重图和色度权重图以及多尺度融合的方法来实现的，以获得无雾图像。为了测试所提出的算法，作者创建了大量图像，命名为 SAMEER-TU 数据库，以研究出现的场景可变性的影响。然而，在降低的光照条件下，有雾的图像仍然会受到低能见度的影响。

[5] 中的作者为灰度和 RGB 图像提出了一种新颖的单图像雾去除技术，引入了暗通道先验 (DCP)，然后是加权最小二乘法 (WLS) 和高动态范围 (HDR)，以提高图像的可见性。在不使用任何预处理步骤的情况下，在对比度调整和边缘保留方面的图像。然而，由于图像转换为 HDR，所提出的技术在少数图像中显示出轻微的饱和度。此外，所提出的方案用于增强仅包含小天空区域的图像。

在 [6] 中，作者提出了一种使用潜在低秩表示 (LatLRR) 融合可见光和红外图像以增强可见性的新方法。在这项提出的技术中，红外和可见光图像都被分解为两个尺度表示，以使用 LatLRR 为每个源图像生成低秩部分和显着性部分。为了减少图像伪影，然后在显着部分使用引导滤波器，从而充分利用空间可靠性。后来，融合全局-局部-拓扑粒子群优化（FGLT-PSO）用于构建低秩部分的自适应权重，以便从可见光和红外图像中获取更多信息。通过对图像的低秩和融合显着性部分求和来恢复得到的图像。所述方法优于现有的几种融合方法；但是，它速度慢，并且随着迭代次数的增加需要花费大量的执行时间。

[7] 中提出了一种使用对比度受限的自适应直方图均衡化 (CLAHE) 算法来增强雾图像对比度的新技术。 CLAHE 通过确定与每个数据区域对应的直方图的数量，将整个图像分解为明确定义的区域，而无需像在直方图均衡中那样考虑整个图像。在这种去雾方案中，一方面将 RGB 图像分解为红色、绿色和蓝色分量，并对 RGB 图像的 R 分量应用 CLAHE 算法，然后将 CLAHE 变换后的 R 分量与图像的 G 和 B 分量合并。 RGB通道。另一方面，相同的源图像被分解为 HSV 分量和 S 和 V 分量，并应用 CLAHE 算法，最终与图像的 H 分量合并。将两个合成图像融合在一起以获得增强图像。所提出的系统被证明优于现有的最先进的方法，如直方图均衡化、自适应直方图均衡化等，但是所采用的方法比现有方案慢，因为 CLAHE 对小的不同图像区域而不是整个图像进行操作.

作者在[8]中提出了一种自适应混合图像去雾（AHID）算法，用于在独立增强较亮和较暗区域后使用基于权重图的多级融合来增强有雾图像。暗通道先验 (DCP) 算法用于近似图像中存在的雾量，基于融合的去雾算法用于去除雾图像中存在的剩余图像伪影。之后，使用非锐化遮罩增强合成图像的边缘以改善结果。与其他传统方法相比，仅当考虑附近的雾图像时，所提出的技术去除雾是有益的；然而，要增强的远处物体会在重建图像中引入一些模糊效果和着色伪影。

[9] 中提出了一种用于对单个图像进行去雾的新型快速算法，其中将 RGB 图像转换为 HSI 形式，然后将其划分为多个块。从每个块的S分量中选取最大点，同时调整HSI图像的I分量，通过双线性插值估计雾分量。可以从待去雾图像的每个块的RGB值中减去这样得到的雾化分量，通过调整图像的亮度来增强得到的图像，得到去雾图像。与传统算法相比，所提出的算法简单、易于实现并且显示出改进的图像可见性。此外，为了增强目的，天空区域被单独处理。然而，由于除雾操作是在块级别上实现的，该技术速度较慢并且需要很多执行时间。

使用暗通道先验 (DCP) 方法来提高可见度有一个缺点，即在包含亮白色物体的图像的情况下，从其实际值高估了雾度，导致输出图像失真。因此，为了得到减少颜色失真的重建图像，研究人员在 [10] 中提出了将显着性检测与暗通道先验相结合的图像去雾模型。显着性检测方法是基于超像素强度的对比度，用于从模糊图像中获取显着性特征。暗通道图像的这些显着特征被排除在明亮的白色物体之外，用于近似传输和大气光。为了恢复场景的亮度，自适应上界是固定的，以避免少数区域太亮。由于作者在初始阶段使用了 DCP，因此所提出的算法简单有效。然而，[10]中采用的方法没有用于恢复图像中退化的颜色分量，因此在重建图像中显示出轻微的失真。

[11] 中的作者采用深度估计、颜色分析和能见度恢复技术来改善在灾难性天气中收集的图像的低能见度。所提出的深度估计模块利用中值滤波技术和自适应伽马校正方法的令人满意的结果来恢复具有复杂结构的图像。可以调整透射图估计以减少捕获图像中存在的光晕效应。颜色分析模块已被用于分析原始模糊图像的颜色特征，然后是可见性恢复块，该块使用透射图和颜色相关信息在最后修复颜色失真。该技术用于减少在具有复杂结构的雾图像中看到的大气效应，因此可以估计熟练的透射图估计。使用中值滤波的局限性在于信噪比较小的图像通过破坏边缘产生虚假的噪声边缘。而且中值滤波不能抑制高斯噪声分布。

在[12]中，提出了一种基于对比度受限自适应直方图均衡化（CLAHE）和平面假设（NBPC + PA）方法的无黑像素约束的新型图像恢复方法，用于可见性增强。通过采用级联方案，可以消除CLAHE 类扭曲边缘、颜色退化和光晕效果的限制。这两种方法一起可以提高能见度，从而为均匀和不均匀的雾提供更好的结果。然而，由于这些级联阶段，在输出图像中已经看到颜色饱和度，因此导致图像伪影。

为了获得具有高可见度的图像，[13]中的作者提出了一种基于融合策略的去雾恢复技术。分别通过基于对比度的方法和基于统计的方法获得了两个导出图像，并通过特定的权重图进行加权以恢复图像。与其他传统方法相比，上面讨论的基于融合策略的方法被证明更简单，结果也略好。这种基于融合的方法的唯一限制是由于所提出的技术中采用的基于对比度的恢复方法而观察到的令人反感的可见图像伪影。

在[14]中，作者提出了一种图像去雾技术，其中使用多级感知器直接从图像中找出透射图。此外，还通过不同的对比度拉伸方法增加了动态范围，以增加 SSIM 指数，从而增加峰值信噪比。然而，由于所提出的技术是在 80 个不同的图像上训练的，它增加了代码执行的计算时间。

作者在 [15] 中提出了一种更简单但有效的图像去雾方法，涉及 Retinex 算法和小波变换方法的过程，从而增强有雾图像的边界信息和高频细节。然而，离散小波变换在重建图像中引入了块伪影。

论文的组织如下。第2节，对各种当代图像去雾技术的回顾及其局限性进行了讨论。第 3 节以表格形式显示了他们的比较研究。第 4 节显示了文献调查中讨论的一些设计算法的定性和定量结果，然后是最后一节，阐明了图像去雾技术的结论和未来范围。

由不同作者进行的研究的贡献与迄今为止在图像去雾领域发现的局限性列在下表中（表 1）。

3 比较结果与分析

在本节中，文献调查中讨论的研究人员给出的几种方法已经在几张测试图像上进行了评估，并计算并比较了它们的质量参数，以进行定性和定量评估。图 2 描绘了使用作者在 [3, 14, 15] 中设计的算法获得的合成去雾图像，图 3a、b、c 显示了去雾图像的质量参数，如标准偏差、SSIM 指数和熵。

4 结论和未来范围

在本文中，研究人员为了评估性能而提出的几种用于提高可见性的图像去雾技术已经总结。尽管在前面讨论的这种除雾技术中取得了相当大的进步，但还是以一种或另一种方式观察到了许多限制。还存在几种使现有技术更难以实施的环境变化。因此，必须有一个有效的算法来解决由雾图像可见性增强的性质引起的几个挑战。此外，研究将进行的研究的策略包括使用基于融合的方法，由于视觉和热图像的互补特征的数量，增加雾图像的可见性。通过结合深度学习人工神经网络，尤其是卷积神经网络 (CNN)，该领域有很大的空间可以进一步增强模糊图像，因为它具有最大程度地利用非结构化数据、消除不必要的成本和产生高质量结果的能力等优点。 .此外，可以进行不同现有技术的性能并与现有系统进行比较，从而避免由于恶劣天气导致道路事故的机会，从而提高能见度。