暗通道图像去雾
暗通道图像去雾
图像去雾是计算机视觉中的一个常见任务,在自动驾驶等交通领域有着较为广泛的需求。目前,图像去雾主要采用图像重建生成对应的无雾图片,但传统方法依旧尤其独特的优势和借鉴意义。本文将介绍何凯明在CVPR2009提出的暗通道图像去雾方法。
暗通道先验
作者通过大量实验发现:在无雾自然环境中,除天空外,整幅RGB图像的某个通道的最低值总会接近于0。这是因为
阴影:如树叶和石头的阴影
彩色物体:彩色物体,如树叶,在G通道的值很高,而在其他两个通道上的值接近于0
一些黑色的物体:如岩石
从上右图也可以看出,自然物体确实符合暗通道先验。
雾天图像模型
雾天图像模型可以用下面的公式表示:
其中I是有雾图像;J是无雾图像,代表环境辐射;A是全局光照,不受在图像中的位置影响;t是透过率,雾越浓,透过率t越小。
t也可以用一下公式表示:
其中β为大气衰减率,雾越浓,衰减率越大;d则是图像某个位置对应的实际点和相机距离,距离越大,透过率越低。
根据暗通道先验,有
上面公式表示的是在某个图像patch中,rgb三通道中的最低值即为暗通道的值。
将暗通道先验赋予雾天图像模型,则可以计算得到:
对于天空,因为距离无穷大,可以假设透过率接近于0,其暗通道的值可以认为就是全局亮度:
在知道I和A的情况下,就可以推导出透过率t:
故而最终可以通过雾天图像模型计算出去雾图像。
总结
从结果图也可以看出,暗通道去雾对自然图像(图中的草地和树木)有较好效果,这是因为这些场景有丰富的阴影,能较好满足暗通道先验。而人工建筑的路面和天空,因为不满足暗通道先验,最终计算出来的效果并不理想。另外,暗通道去雾结果整体看上去不自然,这也是因为整个模型使用了非常hard的先验和模型。从这个方面看,目前基于CNN的图像去雾方法(尤其是GAN),往往更加符合人类视觉习惯,去雾的结果也更自然。
- 点赞
- 收藏
- 关注作者
评论(0)