• A Brief Review
• Dark Channel Prior
• 估算透射率
• 估算全局大气光强（global atmospheric light）
• Python Implementation Using OpenCV
• References

A Brief Review

「Single Image Haze Removal Using Dark Channel Prior」是 2009 年 CVPR 最佳论文，何凯明博士在这篇论文中提出了暗通道先验的图像去雾算法。

那么暗通道先验是什么呢？这种方法是基于这样的一个观察：

It is based on a key observation most local patches in haze-free outdoor images contain some pixels which have very low intensities in at least one color channel.

简单来说就是对绝大多数没有雾的图像来说，它们的一些局部区域的像素中，某些像素至少有一个颜色通道的值很低。或者对应于原文的「low intensities」，即光强度很低。

我们需要对图像去雾的原因主要是图像中的雾会给很多算法带来麻烦，比如物体识别，特征提取等，它们都默认输入的图像是清晰的，没有雾的。或者不考虑算法，对于在野外或者无人机上的监视摄像头，遇到有雾的场景也是经常的事，即使是人工监视也是需要去雾的。

顺便一提，利用暗通道先验的算法去雾，还可以得到不错的景深图。

Last, the haze removal can produce depth information and benefit many vision algorithms and advanced image editing. Haze or fog can be a useful depth clue for scene understanding. The bad haze image can be put to good use.

在有雾的图像中，一个广泛使用的成像数学模型如下

\begin{equation}
    \mathbf{I}(\mathbf{x})=\mathbf{J}(\mathbf{x})t(\mathbf{x})+\mathbf{A}(1-t(\mathbf{x}))\tag{1}
\end{equation}

我们可以简单的将$\mathbf{x}$理解为图像中的某一个位置，那么，$\mathbf{I}(\mathbf{x})$则是我们最终观察到的有雾的图像在该点的强度；$\mathbf{J}(\mathbf{x})$是在没有雾的情况下，该点应有的强度；$t(\mathbf{x})$是该点的透射率（the medium transmission describing the portion of the light that is not scat- tered and reaches the camera）；最后，$\mathbf{A}$是全局大气光强（global atmospheric light）。

图像去雾的目标就是从一张有雾的图像$\mathbf{I}(\mathbf{x})$中，恢复出没有雾的图像$\mathbf{J}(\mathbf{x})$，透射率$t(\mathbf{x})$以及$\mathbf{A}$，全局大气光强（global atmospheric light）。

其中，我们又把$\mathbf{J}(\mathbf{x})t(\mathbf{x})$的结果叫做「直接衰减，direct attenuation」，这个应该比较好理解，就是原始位置反射的光，经过介质（如雾、空气中的其他颗粒）时发生的衰减。然后我们又把$\mathbf{A}(1-t(\mathbf{x}))$叫做Airlight，也就是（先前经过介质时的）散射光导致的色偏。

Continue reading 「Single Image Haze Removal Using Dark Channel Prior」Python Implementation with OpenCV →