图像去雾算法的研究与实现论文

这是何凯明在博士期间发表的一篇经典的图像去雾算法的文章。这篇文章中他通过观察提出了一种暗通道算法（Dark Channel Prior），简单来说就在一张正常图像中，除了天空区域，在图像的每个小块（patch）中一定有一些像素点至少有一个通道的值是非常小的，基于这个先验条件，何凯明团队使用了一种简单有效的办法来进行图像去雾。 下面的公式为经典的去雾模型，其中 指获取得到的图片亮度， 是去雾后恢复的图像， 指透射率， 是指大气的光成分（即雾成分）。这个公式还是很容易直观的理解，因为透射率可以在一定程度上代表损失率。 为大气散射系数， 为景深。由于在统计意义上，一个patch中总有几个像素的至少一个通道是很暗的，此时的 趋近于0，于是在一个patch中有如下公式成立： 这样我们就可以算出t的近似值了。同时，当patch为天空时，大气光 和真实图像光 十分相近，于是t的近似值趋向于0。 获得了反射率t以后，下一步便是对图像进行soft matting获得轮廓特征，这样可以将透射率t精细化。 这样我们就获得了精细化后的透射率t值。对于有雾区域，我们可以根据下面的公式进行去雾，其中我们对t设定了一个最低的阈值。 最终的公式如下：在这篇文章中，作者提出了用神经网络方法对反射率t进行训练并预测，网络结构如下： 首先用CNN接maxout抽取图像特征，再接几个平行的multi-scale mapping，然后进行池化，经过BReLU激活函数得到最终的反射率t BReLU如图b所示，因为rgb具有上界和下界，如果不进行截断可能会越界。