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

1. 阴影：如树叶和石头的阴影

2. 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

3. 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。