Python图像处理丨详解图像去雾处理方法( 二 ) _Python

文章插图

下图是分别对直方图均衡化、暗通道先验去雾、DehazeNet和AOD-Net去雾算法进行测试，实验结果如图所示。由图可知，基于图像增强的直方图均衡化算法的去雾图像对比度明显增强，由于不考虑降质原因，在增加对比度的同时也对噪声进行了放大，出现细节丢失与色彩偏差现象。基于物理模型的暗通道去雾算法、基于神经网络的 DehazeNet 和 AOD-Net 算法的去雾效果较直方图均衡化算法更佳。

文章插图

其他去雾算法对比结果如下图所示，比如城市和道路有无图像去雾效果对比。

文章插图

文章插图

最后，正如总结王道累老师总结的一样，目前针对有雾图像去雾的算法主要是从基于图像增强、图像复原和 CNN 3 个方向进行的。

基于图像增强的方法不考虑有雾图像的形成过程，而是直接通过突出图像的细节，提高对比度等方式，从而使有雾图像看上去更加清晰。
基于图像复原的方法则是追寻图像降质的物理过程，通过物理模型还原出清晰的图像。
基于 CNN 的方法则是利用神经网络强大的学习能力，寻找有雾图像与图像复原物理模型中某些系数的映射关系或者使用 GAN，根据有雾图像还原出无雾的清晰图像。

上述 3 类去雾算法对于雾天图像都有着明显的去雾效果，尽管其在实际生活中已经得到了广泛的应用，但下述几点仍有可能是今后图像去雾领域的研究重点和难点：

更加真实的雾天图像数据集
采用神经网络进行去雾的算法在效果上好于图像增强和复原的方法，但是由于在自然界中很难拍摄到一组背景相同的有雾图像和无雾图像，因此目前训练神经网络所采用的数据集均是通过合成得到的，虽然能够在一定程度上拟合自然环境，但是仍然存在着一些差距。所以目前急需一种由在真实环境中获取到的具有相同背景的有雾图像和无雾图像构建的数据集，来提高神经网络去雾算法的鲁棒性和稳定性。
更加简便的去雾算法
目前各类算法能够有效去除单幅图像上的雾霾，但相对较好的算法都存在着时间复杂度高的问题，很难应用到视频去雾或者需求较多的复杂任务中去。
鲁棒性更强的去雾算法
上述算法都只对图像上存在的均匀的薄雾有较好的去雾效果，对于浓雾或者分布不均的团雾则效果较差，因此找到一种适用范围更广的去雾方法将会是一个极具挑战性的课题。

二.ACE去雾算法 1.算法原理
该部分主要介绍参考作者书籍以及相关论文进行叙述，简单介绍ACE算法的原理知识。如果读者想详细了解其原理，推荐阅读英文原文，详见下面的参考文献，都是大佬。

引用及参考中文论文：尹胜楠, 等. 基于快速ACE算法的视觉里程计图像增强方法[J]. 电子测量与仪器学报, 2021.李景文, 等. 基于暗通道先验改进的自动色彩均衡算法[J]. 科学技术与工程, 2019.杨秀璋, 等. 一种改进的复杂环境下条形码图像增强和定位算法[J]. 现代计算机, 2020.OpenCV—python 自动色彩均衡（ACE）- SongpingWangOpenCV图像增强万字详解（直方图均衡化、局部直方图均衡化、自动色彩均衡化）- Eastmount 英文原文： https://www.ipol.im/pub/art/2012/g-ace/?utm_source=doi Automatic Color Enhancement (ACE) and its Fast Implementationhttps://www.sciencedirect.com/science/article/abs/pii/S0167865502003239 A new algorithm for unsupervised global and local color correction（原作者Rizzi大佬）