20、单图像去雾技术：从潜在区域分割到深度Retinex网络

单图像去雾技术：从潜在区域分割到深度Retinex网络

1. 潜在区域分割单图像去雾

1.1 实现细节

为了让算法更易理解，这里介绍一些参数和实现细节：
- 在相关公式中，将σ固定为10。
- 局部补丁ω的大小在特定公式中均为11×11。
- λ通常设为2。
- 通过6次迭代求解特定方程，β从β0 = 1增加到βmax = 26，每次乘以κ = 2。
- 为确定哪些补丁能稀疏表达大气光区域，选择0.001作为边缘检测阈值。
- ε设为0.1以避免除零错误。

这些参数对于输入的有雾图像都是常量。

1.2 实验结果

将该方法与其他三种先进方法在计算成本和结果质量上进行了比较，并采用两种图像评估方法分别在色彩空间和灰度级上评估去雾方法的性能。
- 示例结果 ：从展示的去雾结果和相应的最优传输图示例中可以看出，该方法能有效恢复高对比度、色彩鲜艳的无雾图像，且天空区域的光晕伪影较少，传输图与感知一致且接近深度图。
- 定性比较 ：与其他方法相比，在一些细节上，尤其是明亮区域，该方法的结果更优。但有时会出现像素过饱和的问题，这是因为使用颜色差异代替深度差异，对于靠近镜头且颜色与浓雾相似但雾较轻的物体，可能会将其视为浓雾处理，过度增强这些像素的对比度。
- 定量评估
- 计算成本 ：在特定配置的PC上处理600×400像素的图像，该方法约需0.8 - 1s，其他方法所需时间不同，如某算法需10 -