【去雾论文阅读】A Novel Fast Single Image Dehazing Algorithm Based on Artificial Multiexposure Image Fusion

题目：A Novel Fast Single Image Dehazing Algorithm Based on Artificial Multiexposure Image Fusion
作者：Zhiqin Zhu , Hongyan Wei , Gang Hu ,et.al
期刊：TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT(TIM)
时间：2020

摘要

现有成像设备缺乏及时有效地减轻由恶劣天气条件造成的可见度降低的能力。图像深度信息用于通过使用现有的基于物理模型的方法来去雾。但是不精确的深度信息会影响去雾性能。本篇论文提出了一个基于图像融合的算法来增强图像去雾的性能和鲁棒性。基于一组伽玛校正的曝光不足图像，通过分析全局和局部曝光来构建像素方向的权重图，以指导融合过程。降低了融合图像亮度的空间依赖性，并在去雾过程中平衡了其色彩饱和度。

简介

作为一种图像处理技术，图像去雾集成了计算机视觉和机器学习算法，可以有效地减轻不利的雾度影响，从而获得具有增强的对比度和场景对象适当清晰度的高可见度图像。

因为雾度是与景深有关的现象，因此随着深度的变化图像质量的退化在空间上是变化的。物理退化模型需要相应的先验知识来获得深度信息，深度信息不仅确定是否可以获得雾度分布的准确估计，而且进一步影响去雾性能。但是，相应的先验知识不适用于任何场景，这导致获得的深度信息并不总是准确的。因此，在各种模糊图像中的去雾性能不稳定。

无需依赖深度的物理模型，即可通过不同的图像增强技术在全局和局部优化过程中实现图像去雾，例如直方图均衡，小波变换，同态滤波和色彩空间转换。然而，传统的基于图像增强的使用图像补丁的除雾技术在补丁内部保持恒定光照的情况下会出现伪影产生问题[20]。通常，当前的图像去雾方法主要遭受颜色失真，光晕伪像和饱和度问题。

平衡的图像亮度和色彩饱和度是无雾图像的两个重要特征。本文着重于减少明亮区域的曝光，并以所需要的对比度和图像色调恢复结构细节。由于雾度浓度取决于位置，因此可以使用像素方向的曝光度来显示各种空间细节。

本文提出了一种基于人工多曝光图像融合的图像去雾框架，该框架首先结合了经过伽玛校正的图像的全局和局部细节，然后平衡图像的亮度和色彩饱和度以获得相应的无雾图像。
首先，使用一系列伽玛校正操作来提取人为曝光不足的图像序列。然后，构造基于像素的曝光度的权重图进行图像融合。最后，执行线性饱和度调整以获得最佳的无雾图像。

所提出的解决方案将多重曝光图像融合应用于图像去雾，可以有效避免在深度信息估计过程中由于物理退化模型而导致的色彩失真和光晕伪影。该解决方案集成了线性饱和度调整机制，可以有效解决饱和度问题。

本文提出的解决方案有两个主要贡献：
1）在不使用深度信息的情况下，从总体和局部暴露程度得出各个空间区域的雾度厚度。
2）逐像素融合权重图适用于基于照明的曝光度的全局和局部视图。

方法

本文提出了一种基于多重曝光图像融合的图像去雾框架，如下图所示：

作为多个伽玛校正图像的融合应用，提出的解决方案通过逐像素权重计算来分析全局和局部图像细节。
有六个主要步骤：
1）将四个不同系数的一组伽玛运算应用于原始有雾图像 III。
2）根据图像分解策略，使用导向滤波器将每个曝光不足的图像分解为全局分量BkB_kBk（基础层）和局部分量DkD_kDk（细节层），其中kkk表示第kkk个曝光不足的图像分量（kkk属于[1，4]）。
3）对于每个全局分量，在像素级权重图WkBW^{B}_{k}WkB的构造中使用全局曝光度特征。
4）对于每个局部分量，基于局部曝光特征推导逐像素权重图WkDW^{D}_{k}WkD。
5）根据归一化的权重图，在图像融合过程中将分解后的分量合并。
6）在平衡图像亮度和色彩饱和度之后获得去雾图像 HHH。

详细过程如下：

A.通过伽玛校正进行人工曝光校正
与真实场景相比，有雾图像的色调更亮。由模型公式(1)可以看出：由于有雾区域通常具有较深的景深(DoF)，因此t(x)t(x)t(x)可以减小公式(1)中第一项的值。因此，观察到的有雾图像I(x)I(x)I(x)的像素强度大于真实图像J(x）J(x）J(x）的像素强度。

所提出的方法不是直接依赖模型，而是使用伽玛校正操作来降低有雾区域的亮度，而不会丢失内容细节，但仍遵循经典图像雾度公式化的基本思想。
当γ<1γ<1γ<1时，伽马校正会导致高亮度内容的色调太亮。因此，内容细节对于人类的视觉感知是不明显的。
当γ>1γ> 1γ>1时，获得的图3(b)-(e)所示的曝光不足图像具有增强的对比度并包含更详细的信息。
图像区域 Ω\OmegaΩ 的对比度通过等式（2）定义：

因此，当γ>1γ> 1γ>1时，使用四个不同的γ\gammaγ值（γ\gammaγ=1.2、2、4和8）进行预处理，来获得相应的曝光不足图像。

伽马校正后得到的全局修改图像的强度如下：

其中，其中ε和γ为正实数。伽马校正是一个全局过程。因此，为了获得位置相关的去雾图像，需要从人工生成的多重曝光图像序列中依次提取局部结构细节。

B.人工多重曝光图像融合
经过一系列的伽玛校正操作后，从单个模糊图像中获得了四个伽玛校正的曝光不足图像。有雾区域的相关色调具有不同级别的调节。因此，可以从相应的局部雾度区域去除雾度。如图3（b）-（e）所示，当γ> 1时，通过伽马校正可以在曝光不足的图像中保留增强的对比度和更多细节。

多幅伽马校正曝光图像的融合保证了去除雾霾后所有结构细节的保留。每个图像在图像融合过程中使用适当的权重值。具体来说，首先将每个曝光不足的图像分解为整体和局部分量，然后在逐像素权重图的构造下计算每个分量的曝光特征。

1）伽马校正图像的分解：全局分解和局部细节分解

全局级别主要关注整体布局和目标轮廓信息。将均值滤波器应用于亮度分量来获得全局分量。但是由于边缘和细节模糊，这种方法可能会在重建的图像中引起光晕伪影。因此，使用导向滤波来获得平滑的全局分量，不会丢失边缘信息和局部细节。

Gr,∈(P,Q)G_{r,\in}(P,Q)Gr,∈(P,Q)代表导向滤波算子，其中，rrr代表滤波器半径，∈\in∈控制模糊度，PPP 和 QQQ 分别代表输入图像和引导图像。

首先使用红、绿、蓝三通道的加权和来计算输入图像和伽马校正图像的亮度LkL_kLk。然后，得到输入的全局分量：

通过(5)得到局部分量：

2）伽马校正图像融合规则：多重曝光图像融合的过程由权重图引导。

公式(6)定义了基于曝光特征φ\varphiφ的一般权重函数WWW：

其中，σσσ控制分布的程度，CeC_eCe表示最佳曝光常数，通常设置在强度范围的中间。
根据该一般重量函数，当曝光特征接近其期望值Ce时，计算出的权重达到最大值。如果某些像素值距离最佳Ce较远，则权重接近零。直观地，基于此权重函数，逐像素融合结果会选择与伽马校正的图像成比例的所需强度。所提出的方法已分解了全局和局部组件。对全局和局部组件的总权重函数进行了轻微修改，以准确反映全局和局部结构。

未完待续。。。

【去雾论文阅读】A Novel Fast Single Image Dehazing Algorithm Based on Artificial Multiexposure Image Fusion相关推荐

1.AOD-Net去雾论文阅读
AOD-Net 文章DOI:10.1109/ICCV.2017.511 源代码可以在:AODnet-by-pytorch中找到,其中有些代码过期或者命令行有错误,需要完整能跑的可以留言我看到会回复 A ...
论文阅读：Fast Single Image Dehazing Using Saturation Based Transmission Map Estimation
代码在文末给出,因为只有一个py文件.该代码是作者给出的. 目录 1. 提出的方法 1.1 大气散射模型 1.2 传输率图公式 1.3 传输率图估计 1.4 估计场景辐射得饱和度 1.5 处理颜色偏色 ...
论文阅读：Saliency-Guided Region Proposal Network for CNN Based Object Detection
论文阅读:Saliency-Guided Region Proposal Network for CNN Based Object Detection (1)Author (2)Abstract (3 ...
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 Tech ...
去雾论文A real-time fast defogging system to clear the vision of driver in foggy highway using minimu...
Mandal G, De P, Bhattacharya D. A real-time fast defogging system to clear the vision of driver in f ...
去雾论文Single Image Defogging Method Based on Image Patch Decomposition and Multi-Exposure Image Fusion
Liu Q, Luo Y, Li K, et al. Single Image Defogging Method Based on Image Patch Decomposition and Mult ...
[去雾论文]--AAAI2020-FFA-Net：Feature Fusion Attention Network for Single Image Dehazing
摘要: 在本文中,我们提出了一种端到端的特征融合注意力网络(FFA-Net)来直接恢复无雾图像.FFA-Net架构由以下三个主要部分组成: 1)提出了一种新的特征注意(FA)模块,该模块将通道注意与像 ...
去雾论文A real-time effective fusion-based image defogging architecture on FPGA
Du G, Wu J, Cao H, et al. A real-time effective fusion-based image defogging architecture on FPGA[J] ...
MSBDN（Multi-Scale Boosted Dehazing Network with Dense Feature Fusion）具有密集特征融合的多尺度增强去雾网络阅读分析
一.概要在本文中,作者团队提出了一种基于U-Net架构的具有密集特征融合的多尺度增强去雾网络. 该方法是基于boosting和误差反馈这两个原理设计的,表明它们适用于去雾问题. 1.通过在所提出模型 ...

【去雾论文阅读】A Novel Fast Single Image Dehazing Algorithm Based on Artificial Multiexposure Image Fusion

摘要

简介

方法

【去雾论文阅读】A Novel Fast Single Image Dehazing Algorithm Based on Artificial Multiexposure Image Fusion相关推荐

最新文章

热门文章