去霧方法類型
-
手工的基於先驗的方法
-
基於學習的方法
-
模型相關的方法：
基於霧天退化模型
physical scattering model：$I(x) = J(x)t(x)+A(x)(1-t(x))$,其中$I$為有霧圖像，$J$為無霧圖像，$A$為全局大氣光，$t$為透射率
用CNN等學習physical scattering model中的參數（A，t）
-
無模型方法：
直接學習有霧圖像到無霧圖像的映射
去霧效果評價標准
PSNR：Peak Signal to Noise Ration，峰值信噪比
$PSNR=10log_{10}(\frac{MAX_I^2}{MSE})$
$MAX_I$為圖像可能取得最大像素值，如用8bit來表示，那么就是255
$MSE = \frac{1}{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}[I(i,j)-K(i,j)]^2$
$I$為干凈圖像
PSNR得數值越大表示失真越小，是一種客觀評價標准，可能與人眼的感受不同。
SSIM：Structrual Similarity，結構相似性
從亮度、對比度和結構三方面度量相似性
$l(x,y)=\frac{2\mu_x\mu_y+c_1}{\mu_x^2+\mu_y^2+c_1}$
$c(x,y)=\frac{2\sigma_x\sigma_y+c_2}{\sigma^2+\sigma^2+c_2}$
$s(x,y)=\frac{\sigma_{xy}+c_3}{\sigma_x\sigma_y+c_3}$
$c_1=(k_1L)^2, c_2=(k_2L)^2$，一般$c_3=\frac{c_2}{2}$
$k_1=0.01, k_2=0.03, L$為像素值的范圍
$SSIM(x,y)=[l(x,y)^\alpha\cdot c(x,y)^\beta\cdot s(x,y)^\gamma]$
取值范圍為$[0,1]$，值越大失真越小
目前去霧的主要問題
無法獲取真是情況下的有霧圖像和無霧圖像，一般都由人工合成一些圖像作為訓練集，其分布與實際情況一般不相同，會影響效果。
通常使用一些先驗估計進行輔助。
CAP, color attenuation prior:
A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior(2015)
haze的濃度與亮度和飽和度之差成正比
$d(x)=0.121779+0.959710v(x)-0.780245s(x)+\varepsilon(x)$
$d(x)$為景深，$c(x)$為霧濃度，$v(x)$亮度，$s(x)$飽和度
通常需要將RGB圖像轉換為HSV圖像。HSV圖像用Hue色調，Saturation飽和度，Value明度來表示圖像。
DCP, dark channel prior:
NCP, non-local prior: