(2020)Single Image Haze Removal Using Dark Channel Prior论文笔记

2024-01-27 20:20

本文主要是介绍(2020)Single Image Haze Removal Using Dark Channel Prior论文笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文2009年CVPR最佳论文,作者何凯明,是国内第一个在计算机视觉与模式识别会议上获得该奖项Doctor

如果是涉及到图像去雾领域这篇论文可以说是无人不晓。论文在的引用量已达到4000+。

论文读起来十分易懂,而读完只想说 :何凯明 🐮 🍺(怪我我才学浅薄,找不到更好的词形容)​

整体思路

描述雾图像的等式(这个是前人已经提出的)

在这里插入图片描述

  • 上述公式: I ( x ) = J ( x ) t ( x ) + A ( 1 − t ( x ) ) \mathbf{I}(\mathbf{x})=\mathbf{J}(\mathbf{x}) t(\mathbf{x})+\mathbf{A}(1-t(\mathbf{x})) I(x)=J(x)t(x)+A(1t(x))

  • I ( x ) I(x) I(x) 是有雾图像(或者说是我们想要去雾的图像)【已知

  • J ( x ) J(x) J(x) 是希望得到的已去雾图像 【未知

  • A A A 是大气光照(可以通过挑选图像中的较亮的像素点作为大气光照)【已知

  • t ( x ) t(x) t(x) 是透射率 (其中 t ( x ) = e − β d ( x ) t(x) = e^{-\beta d(x)} t(x)=eβd(x) )【未知

  • 【到此上述公式:总计四个参数,两个未知,无法得到已去雾图像 J ( x ) J(x) J(x)

⭐️暗通道先验⭐️

何doctor提出暗通道先验就可以得到透射率 t ( x ) t(x) t(x)啦,下面是具体思想和计算过程:

暗通道先验思想:
  • 作者发现如果是在没有天空的清晰图像中,三个通道( R 、 G 、 B R、G、B RGB)至少有一个通道中的某些像素点的值很小甚至接近0(像素点大小越接近0,颜色越接近是黑色)。

    • 暗通道定义 J dark  ( x ) = min ⁡ y ∈ Ω ( x ) ( min ⁡ c ∈ { r , g , b } J c ( y ) ) J^{\text {dark }}(\mathbf{x})=\min _{\mathbf{y} \in \Omega(\mathbf{x})}\left(\min _{c \in\{r, g, b\}} J^{c}(\mathbf{y})\right) Jdark (x)=minyΩ(x)(minc{r,g,b}Jc(y))

      暗通道先验 J dark  → 0 J^{\text {dark }} \rightarrow 0 Jdark 0

    • 上述公式中: c c c为通道集合,包含 r 、 g 、 b r、g、b rgb三个通道; Ω ( x ) \Omega(x) Ω(x) 表示包含在x内的一块像素区域。

    • 说人话就是,清晰图像在每个 r 、 g 、 b r、g、b rgb通道取最小值,并且每个像素块都取最小的 x x x,那么 x → 0 x \to 0 x0

  • 反之也就是说,如果是在没有天空的有雾图像中,三个通道( R 、 G 、 B R、G、B RGB)有些通道中的某些像素点的值会远离0。

    • 在清晰图像中呈现的效果

    在这里插入图片描述

    在这里插入图片描述

    • 在有雾图像中呈现的效果

    在这里插入图片描述

    • 作者对上述想法在随机挑选的5000张图像中进行了测试,结果基本符合上述暗通道先验
t ( x ) t(x) t(x) 的计算过程:

在这里插入图片描述

得到去雾图像

  • 这么容易就完成去雾了(当然论文中还有一些优化操作,在此不多阐述)。
    在这里插入图片描述

结语:

  • 这篇论文真心推荐涉及图像的同学看一看。思路清晰,看着也舒服。
  • 后续再把matlab和python代码写写也贴上来。

这篇关于(2020)Single Image Haze Removal Using Dark Channel Prior论文笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/651372

相关文章

usaco 1.3 Mixing Milk (结构体排序 qsort) and hdu 2020(sort)

到了这题学会了结构体排序 于是回去修改了 1.2 milking cows 的算法~ 结构体排序核心: 1.结构体定义 struct Milk{int price;int milks;}milk[5000]; 2.自定义的比较函数,若返回值为正,qsort 函数判定a>b ;为负,a<b;为0,a==b; int milkcmp(const void *va,c

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓