本文介绍的是一种比较实用的低照度图像增强效果很好的方法,Xuan Dong论文《Fast efficient algorithm for enhancement of low lighting video》
低光照图像取反(255 - 低光照图像),和有雾图像存在一些共性,比如在天空或者遥远的背景这些地方,亮度值都是很高的,但在近景的 RGB 三通道中至少有一个亮度值很低。作者提出直接用去雾算法对低光照图像的反转图像处理,去雾结果再取反得到低照度增强结果。
大多透雾算法基于大气散射模型,模型如下:
其中,I(x)表示含雾图,J(x)表示无雾图,A表示大气光模型,t(x)=e^{- \beta d(x)}表示传输率矩阵,\beta 表示大气散射系数,d(x)表示图像区域的景深。雾越浓,到达相机的物体反射的光越少,即传输率越小。
上式可以改写为:
为了得到J(x),重点在估计A和t(x)。
在大部分无雾图像的无天空区域,像素中至少存在一个颜色通道存在很低非常低的亮度值。这个最低的亮度值几乎等同于0。因此,对于一个观测图像J,其暗通道趋近于0,即
其中,J^{c}表示彩色图像每个通道,\Omega(x)表示以x为中心的窗口
基于大气散射模型,透雾模型的方法步骤如下:
1、从雾图I (x) 估计传输率矩阵t(x)
2、估计大气光值A
3、通过公式估计无雾图J(x)
首先求出每个像素RGB分量中的最小值,存入一副和原始图像大小相同的灰度图中,然后再对这幅灰度图进行最小值滤波,滤波的半径由窗口大小决定,一般有WindowSize = 2 * Radius + 1
将雾模型
处理为:
假设在窗口内透射率 t(x)为常数,定义为\tilde t(x),A值已知。对上式求两次最小值运算,得到
根据暗原色先验理论
推导出
带入透射率为常数的公式,得到透射率预估值
上式添加一个限制系数,得到\tilde t(x):
\omega取值0.95
以上假设全球达气光A值时已知的,在实际中,我们可以借助于暗通道图来从有雾图像中获取该值。具体步骤如下:
1)从暗通道图中按照亮度的大小取前0.1%的像素。
2)在这些位置中,在原始有雾图像I中寻找对应的具有最高亮度的点的值,作为A值。
文中自适应调节t(x),如下式
$$ t'(x) = \begin{cases} 2*t(x),0<t(x)<0.5\\1,0.5<t(x)<1 \end{cases} $$
优化t(x)如下,增强暗区提亮,亮区微处理,效果更好
$$ t'(x) = \begin{cases} t(x)^2*2,0<t(x)<0.5\\t(x),0.5<t(x)<1 \end{cases} $$
简单易实现的增强算法,普世性较好,透雾算法处理部分兼容各种透雾算法。