去雾论文Referenceless Prediction of Perceptual Fog Density and Perceptual Image Defogging

Even_ISP_Color

于 2021-10-20 16:06:20 发布

阅读量2.3k

点赞数

分类专栏： ISP 文章标签：去雾去雾评价 FADE 雾感知密度评估器

本文链接：https://blog.youkuaiyun.com/u011330902/article/details/120868255

版权

ISP 专栏收录该内容

11 篇文章

订阅专栏

该论文提出了一个名为FADE的无参考雾密度估计器，用于评估去雾算法。通过提取雾图像的感知统计特征并将其拟合到多变高斯模型（MVG），计算与自然无雾图像的统计偏差。雾密度被表示为雾层与无雾层的比率，这种方法扩大了预测范围并提高了评估准确性。关键步骤包括雾感知特征的提取、MVG模型的建立和马氏距离计算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

[1] Choi L K , You J , Bovik A C . Referenceless Prediction of Perceptual Fog Density and Perceptual Image Defogging[J]. IEEE Transactions on Image Processing, 2015, 24(11):3888-3901.

该论文的核心贡献是设计了一种可用于去雾算法无参考评估的“雾密度估计器（FADE）”

三、感知雾密度预测模型

感知雾密度衰减的无参考预测模型从测试雾图像中提取雾感知统计特征，将雾感知特征拟合到MVG模型中，然后计算与自然雾图像和无雾图像上观察到的统计规律的偏差。利用空间域规则NSS模型和雾图像的特征，推导了雾感知的统计特征。使用类似马氏距离的度量，计算从测试图像获得的雾感知特征的MVG拟合与分别从500幅无雾图像和另一幅500幅雾图像中提取的雾感知特征的MVG模型之间的偏差。每个相应的距离定义为雾级别和无雾级别。感知雾密度表示为雾层与无雾层的比率。比率法体现了雾和无雾图像的统计特征，因此能够在比单独使用雾级别更大的范围内预测感知雾密度。每个处理阶段的详细信息如下所示。