Single Image Haze Removoal Using Dark Channel Prior
何凯明(Kaiming He), Jian Sun, Xiaoou Tang
摘要 本文中，提出一个简单但是有效图像优先-暗通道优先从单个输入图像中去雾。暗通道优先是一种无雾室外图像的统计。基于一个关键观察——在无雾室外图像中的大多数局部斑块包含一些在至少一个颜色通道中具有非常低强度的像素。使用雾图像模型的优先，我们可以直接估计雾的厚度，并恢复高质量的无雾图像。各种室外雾图像的结果证明提出的优先的有效性。此外，还可以获得高质量深度图作为去雾的副产物。
1 Introduction
室外场景的图像通常会被大气中的混浊介质（例如，颗粒，水滴）。由于大气吸收和散射，霾、雾和烟是这种现象。摄像机从场景点接收的辐射度沿着视线衰减。此外，入射光和空气混合（环境光被大气颗粒反射到视线中）。降级的图像会失去对比度和色彩保真度，如图1（a）所示。由于散射量取决于场景点距离相机的距离，因此降级是空间变化的。
在消费者/计算机摄影和计算机视觉应用中非常需要去雾。首先，去雾可以明显增加场景的可见度，并校正由空气引起的色移。通常，无雾图像在视觉上更令人愉悦。其次，大多数计算机视觉算法，从低级图像分析到高级物体识别，通常假设输入图像（在辐射校准之后）是场景辐射。视觉算法（例如，特征检测、过滤和光度分析）的性能将不可避免地受到偏置和低对比度场景辐射的影响。最后，去雾可以产生深度信息，并有益于许多视觉算法和高级图像编辑。霾或者雾可以是场景理解的有用深度线索。可以充分不良雾图像。
然而，去雾是一个具有挑战性的问题，因为雾取决于未知的深度信息。如果输入仅是单个雾图像，则问题不足。因此，已经通过多个图像或附加信息提出许多方法。基于偏振的方法通过不同偏振拍摄的两个或更多图像来去雾。在不同天气条件下，从同一场景的多个图像获得更多约束。基于深度的方法需要来自用户输入或来自已知3D模型的粗略深度信息。
最近，单图像去雾取得了重大发展。这些方法的成功依赖于使用更强的先验或假设。与输入雾图像相比，无雾图像必须具有更高的对比度，并且通过最大化恢复图像的局部对比度来消除雾。结果在视觉上引人注目，但在物理上无效。在假设传输和表面阴影布局不相关的情况下，估计场景的反射率，然后推断中等传输。方法在物理上是合理的，可以产生令人深刻的结果。然而，这种方法不能很好的处理重度雾图像，并且在假设被破坏的情况下可能会失败。
本文中，提出一种新的暗通道优先的方法，用于单个图片去雾。暗通道优先基于无雾室外图像的统计。我们发现在大多数不覆盖天空的局部区域中，通常一些像素（称为“暗像素”）在至少一种颜色（rgb）通道中具有非常低的强度。在雾图像中，通道中的这些像素的强度主要由空气学贡献。因此，这些暗像素可以直接提供雾度的准确估计。结合雾图像模型和软消光插值方法（soft matting interpolation method），我们可以恢复高质量的无雾图像，并生成良好的深度图（达到一定比例）。
我们的方法在物理上是有效的，即使在重雾图像中能够处理远处的物体。不依赖输入图像中的透射或表面的显著差异。结果包含很少光环伪影。
与使用强假设的任何方法一样，我们的方法也有其自身的局限性。当场景目标固有相似与大部分区域的空气，并且没有阴影投射在目标上时，暗通道优先可能是无效的。虽然我们的方法适用于大多数雾的室外图像，但在某些极端情况下可能失败。我们相信从不同方向研究新颖的技术非常重要，将它们结合在一起会进一步推动现有技术发展。
2 Background
在计算机视觉和计算机图像学中，广泛用于描述雾图像形成的模型如下：
其中I是观察强度，J是场景辐射，A是全局大气光，t是描述未散射并达到相机的光部分的介质传输。去雾目的是从I中恢复J、A和 t 。
公式（1）右边的第一项J(x)t(x)为直接衰减，第二项A(1-t(x))为空气。直接衰减描述了场景辐射及其介质中的衰减，然而气流由先前散发的光产生并导致场景颜色的偏移。当大气是均匀时，转换 t 可以表示为：
其中β是大气的散射系数。它表示场景辐射随场景深度 d 呈指数衰减。
几何上，雾图像公式（1）意味着在RGB颜色空间中，矢量A、I和J(x)是共面的并且它们的端点是共线的（参考图2（a））。传输 t 是两个线段的比率：
其中 c ∈ {r, g, b}是颜色通道索引。
基于该模型，Tan的方法侧重于增强图像的可见性。对于具有均匀透射率 t 的贴片，由于t<1，输入图像的可见度（梯度之和）因雾度而降低：
通过最大化贴片的可见度，并满足J(x)的强度小于A的强度的约束，来估计贴片中的透射率 t。MRF模型用于进一步规范结果。这种方法能够从雾图像中揭示细节和结构。然而，输出图像倾向于具有较大的饱和度值，因为这种仅关注于可见性的增强，并不打算物理地恢复场景辐射。此外，结果可能包含深度不连续附近的光晕效果。
Fattal提出了一种基于独立分量分析（ICA）的方法。首先，设局部斑块的反射率为常数向量R。因此，贴片中所有J(x)具有相同方向R，如图2（b）所示。其次，通过假设表面阴影 ||J(x)|| 和和投射 t(x)的统计在贴片中是独立的，可以通过ICA估计R的方向。最后，应用由输入彩色图像引导的MRF模型将解决方案外推到整个图像。这种方法是基于物理的，可以产生一个自然的无雾图像和良好的深度图。但是，由于这种方法基于局部贴片中的统计独立假设，因此需要独立组件显著变化。任何缺乏变化或低信噪比（例如，在密集的雾区域中）使统计数据不靠谱。此外，由于统计数据基于颜色信息，因此对灰度图像无效，并且很难处理通常无色且易于产生噪声的浓雾。
在下一节中，提出一个新的暗通道优先，直接从雾室外图像估计传输。
3 Dark Channel Prior
暗通道优先基于以下对无雾室外图像的观察：在大多数非天空斑块中，至少一个颜色通道在一些像素具有非常低的强度。换句话说，这种贴片的最小强度应该具有非常低的值。形式上，对于图像J，我们定义：
其中Jc是J的颜色通道，Ω(x)是以x为中心的局部贴片。观察结果表明，除了天空区域，Jdark的强度很低，并且如果J是一个无雾室外图像，则趋向0。我们将Jdark称为J的暗通道（dark channel），我们将上述称为暗通道优先（dark channel prior）。
暗通道的低强度主要由于三个因素：a）阴影。例如，城市景观图像中的汽车、建筑物和窗户内部的阴影，或景观图像中树叶、树木和岩石的阴影；b）彩色物体或表面。任何颜色通道中缺少颜色的任何物体（例如，绿草/树木/植物，红色或黄色花/叶和蓝色水面）将导致暗通道中的低值；c）深色物体或表面。例如，深色的树干和石头。由于自然室外图像通常充满阴影和色彩，这些图像的暗通道十分的暗。
为了验证暗通道之前多好，我们从flickr.com收集室外图像集，并通过flickr用户150最流行的标签搜索几个其它搜索引擎。由于雾通常发生在室外景观和城市景观中，我们从下载图像中手动挑选出无雾陆地景观和城市景观。其中，随机选择5000张图片并手动剪裁出天空区域。调整大小，使宽度和高度的最大值为500像素，并使用15x15大小的色块计算它们的暗通道。图3显示了几个室外图像和响应的暗通道。
