图像去雾算法（一）相关研究及链接

引言:

在雾、霾之类的恶劣天气下，采集的图像质量会由于大气散射而严重降低, 使图像颜色偏灰白色, 对比度降低, 物体特征难以辨认。所以 需要图像去雾技术来增强或修复, 以改善视觉效果。目前图像去雾方法主要可以分为两大类:
（1）基于图像处理的增强方法。这种方法通过对雾天图像进行增强, 改善图像质量。其优点是可以利用已有的成熟图像处理算法进行针对性运用, 增强图像的对比度, 突出图像中景物的特征和有价值的信息；缺点是可能会造成图像部分信息的损失, 使图像失真。
（2）基于物理模型的复原方法。这种方法通过研究大气悬浮颗粒对光的散射作用, 建立大气散射模型，了解图像退化的物理机理, 并复原出未降质前的图像。

图像增强去雾方法：

在前几篇博客里，分别介绍了关于直方图均衡，同态滤波，基于Retinex原理增强等方法，这里不再展开了，这里直接对这几种方法的效果进行测试，对比看一下。

物理模型复原方法：

  上图为大气散射模型，通常使用雾天图像退化模型描述雾霾等对图像质量造成的影响，下面模型是由McCartney提出:

I(x)=J(x)e−rd(x)+A(1−e−rd(x))

式中，x是像素的空间坐标，I 是观察到的有雾图像，J 是待恢复的无雾图像，r 表示大气散射系数，d代表景物深度，A是全局大气光成分，A一般假设为全局常量，与空间坐标无关。
  e−r(dx)表示坐标空间x处的透射率，使用t(x)来表示透射率，于是得到下面的公式：

I(x)=J(x)t(x)+A(1−t(x))

图像去雾过程就是根据 I(x) 求解 J(x) 的过程。从上面的公式可以看出，基于物理模型的去雾算法本质是根据已知的有雾图像 I(x) 求出透射率 t(x) 和全局大气光成分A ，进而得到复原图像J(X)。

在这方面做的比较受认可的研究有何凯明的基于暗通道去雾方法，介绍该方法的文章也不少[2,3,12,13]，后面认真拜读一下。

基于暗通道去雾实现：

由于好多链接给出的matlab程序文件不全，导致程序跑不痛，我整理了一下，并给出了测试程序和示例图片，感兴趣的可以下载，链接地址：http://download.csdn.net/download/piaoxuezhong/10035664，这里放几幅效果图：

，

图像去雾研究链接[9]：

1. S.G. Narasimhan and S.K. Nayar， 多幅图像（同一场景不同时间、天气）去雾主页
2. NASA， Retinex理论增强，主页。
   Ana Belén Petro总结了NASA的Retinex理论，源代码，不过不是matlab版本的。
3. Kopf，Deep Photo: Model-Based Photograph Enhancement and Viewing，3D场景去雾，没有源码。主页地址
4. Fattal, single image dehazing, 主页*matlab代码*
5. Fattal 2014，Automatic Recovery of the Atmospheric Light in Hazy Images，大气光恢复去雾，有代码，主页
6. Fattal 2014，Dehazing using Color-Lines，无代码，主页
   这里有个Matlab script converting jet-color images into [0,1] transmission values 主页
7. Tarel,Fast visibility restoration from a single color or gray level image,matlab代码*实验主页*

8. He kaiming， single image dehazing using dark channel prior,实验主页
   其guided image dehazing，主页有matlab代码

9. Nishino，bayesian defogging，贝叶斯去雾，主页

10. Ancuti，inverse-image dehazing， fusion-based dehazing，水下融合去雾,个人主页*半反去雾主页*
11. Ketan Tang, 基于学习的去雾Investigating haze-relevant features in a learning framework for image dehazing，实验主页
12. Gibson，维纳滤波去雾，fast single image fog removal using the adaptive wiener filter，主页
13. Meng gaofeng,改进的暗原色去雾efficinet image dehazing with boundary constraint contextual regularization，matlab代码
14. Yoav Y.Schechner,一直研究偏振去雾算法，典型的代表作，blind haze separation, advanced visiblity improvement based on polarization filtered images，主页
15. yk wang，Single Image Defogging by Multiscale Depth Fusion，也是基于贝叶斯和马尔可夫来去雾，暂时没公布matlab代码。主页

16. Jin-Hwan Kim, optimized contrast enhancement for real-time image and video dehazing, 关于图像增强和视频去雾的，主页有代码，C程序主页

    1. ECCV2016 Single Image Dehazing via Multi-Scale Convolutional Neural Networks，主页
    2. 2015年的一篇CVPR，主页有代码，Simultaneous Video Defogging and Stereo Reconstruction链接
       文章主页：http://www.lizhuwen.com/pages/Stereo%20in%20Fog.html

关于去雾算法质量评价对比
1、Zhengying Chen，Quality Assessment for Comparing Image Enhancement Algorithms（CVPR2014），基于学习的去雾算法排序方法，据说有数据库，但得填表找他们要，主页
2、Gibson，A No-Reference Perceptual Based Contrast Enhancement Metric for Ocean Scenes in Fog（TIP，2013），一种CEM评价方法，不过也是基于学习的，数据库和代码都有。主页
3、Hautiere，Blind contrast enhancement assessment by gradient ratioing at visible edges，三种忙评价方法。代码网络上有，原作者编写的在这里，主页

4.图像去雾和视频去雾的综述:Review of Video and Image Defogging Algorithms and Related Studies on Image Restoration and Enhancement。

参考：

• 《图像去雾的最新研究进展》[J].自动化学报
• http://blog.csdn.net/u011691310/article/details/16827695
• http://blog.csdn.net/huixingshao/article/details/42834939
• http://download.csdn.net/download/huixingshao/9494191
• http://blog.csdn.net/fightingforcv/article/details/52723376
• http://blog.csdn.net/s12244315/article/details/50292049
• http://blog.csdn.net/baimafujinji/article/details/27206237
• http://blog.csdn.net/baimafujinji/article/details/30060161
• http://blog.csdn.net/ckghostwj/article/details/46463679
• http://blog.csdn.net/u013684730/article/details/76640321
• http://blog.csdn.net/linolzhang/article/details/59723792
• http://www.cnblogs.com/molakejin/p/5708883.html
• http://www.cnblogs.com/Imageshop/p/3281703.html
• http://qianjiye.de/2015/09/haze-removal-kaiming#outline_0