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》

概述

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。

低照度图像增强算法

大气散射模型

大多透雾算法基于大气散射模型,模型如下:

$$ I (x) = J (x)t(x) + A(1 − t(x)) $$

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:

$$ J (x) = \frac{I (x) - A}{t(x)}+A $$

为了得到$J(x)$,重点在估计$A$和$t(x)$。

暗通道先验知识:

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

$$ J^{dark}(X) = min_{y \in \Omega (x)}(min_{c \in {r,g,b }} J^{c}(y)) \to 0 $$

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

透雾算法

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

$$ I (x) = J (x)t(x) + A(1 − t(x)) $$

处理为:

$$ \frac{I^{c} (x)}{A^{c}} = \frac{J^{c} (x)}{A^{c}}t(x) + 1 − t(x) $$

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

$$ \underset {y \in \Omega (x)}{min}(\underset{c}{min} \frac{I^{c} (y)}{A^{c}}) = \tilde t(x) \underset {y \in \Omega (x)}{min}(\underset{c}{min} \frac{J^{c} (y)}{A^{c}})+ 1 − \tilde t(x) $$

根据暗原色先验理论

$$ J^{dark}(x) = \underset {y \in \Omega (x)}{min}(\underset{c }{min} J^{c}(y)) = 0 $$

推导出

$$ \underset {y \in \Omega (x)}{min}(\underset{c }{min} \frac{J^{c}(y)}{A^{c}}) = 0 $$

带入透射率为常数的公式,得到透射率预估值

$$ \tilde t(x) = 1-\underset {y \in \Omega (x)}{min}(\underset{c }{min} \frac{I^{c}(y)}{A^{c}}) $$

上式添加一个限制系数,得到$\tilde t(x)$:

$$ \tilde t(x) = 1-\omega\underset {y \in \Omega (x)}{min}(\underset{c }{min} \frac{I^{c}(y)}{A^{c}}) $$

$\omega$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。

算法参数优化

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

$$ t'(x) = \begin{cases} t(x)^2*2,0<t(x)<0.5\\t(x),0.5<t(x)<1 \end{cases} $$

效果对比

图1

图1原文结果

图1优化结果

图2

图2原文结果

图2优化结果

图3

图3原文结果

图3优化结果

算法总结

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。

算法实现参考

https://github.com/AomanHao/ISP_Low_Light_Image_Enhancement

我的个人博客主页,欢迎访问

我的CSDN主页,欢迎访问

我的GitHub主页,欢迎访问

最后修改:2022 年 10 月 31 日
如果觉得我的文章对你有用,请随意赞赏