雾霾太重？深度神经网络教你如何图像去雾（附直播微信群）

本文作者蔡博仑，华南理工大学在读博士研究生。主要研究方向，机器学习，计算机视觉，图像处理等。目前已在TIP、ICCV、ICIP等期刊会议上发表论文10余篇，曾获第17届PCM最佳学生论文。现为TIP、TCSVT、Neurocomputing等期刊审稿人。（https://caibolun.github.io/）

  图像去雾的核心

现有的图像去雾（Image Dehazing）技术离不开一个简单的自然模型——大气散射模型（Atmospheric Scattering Model）。大气散射模型描述了，在雾霾和光照的共同作用下的成像机制：

阳光在物体表面形成反射光 J(x)，反射光在穿过雾霾的过程发生散射，只有部分能量 J(x)t(x) 能到达摄像头。与此同时，阳光也在悬浮颗粒表面散射形成大气光 α 被摄像头接收。因此，摄像头中的成像 I(x) 可由两部分组成，透射的物体亮度 J(x)t(x) 和散射的大气光照 α(1－t(x))：

其中，t(x) 是媒介透射率（medium transmission），顾名思义表示能顺利透过雾霾到达摄像头的比率。因此，透射率跟物体与摄像头距离 d(x) 成反比，离摄像头越远的物体受雾霾影响更大。当距离 d(x) 趋于无穷大时，透射率 t(x) 趋于零，I(x) 趋近于 α，α=max_{y∈{x|t(x)≤t0}}I(y)。综上所述，去雾的核心是如何更精确地估计媒介透射率 t(x)。

  基于人工特征

手工特征是传统机器视觉的基础，讲究的是熟能生巧，依赖的是实践出真知。通过“观察→经验→设计”构建各式各样的特征来满足各式各样的任务需求。图像去雾技术也是沿着手工特征逐步地发展起来。

（1）暗通道先验^[2]（Dark Channel Prior，DCP）

说起去雾特征，不得不提起的暗通道先验（DCP）。大道之行在于简，DCP作为CVPR 2009的最佳论文，以简洁有效的先验假设解决了雾霾浓度估计问题。

观察发现，清晰图像块的RGB颜色空间中有一个通道很暗（数值很低甚至接近于零）。因此基于暗通道先验，雾的浓度可由最暗通道的数值近似表示：

（2）最大对比度^[3]（Maximum Contrast，MC）

根据大气散射模型，雾霾会降低物体成像的对比度：Σ_x‖ΔI(x)‖=tΣ_x‖ΔJ(x)‖≤Σ_x‖ΔJ(x)‖。因此，基于这个推论可利用局部对比度来近似估计雾霾的浓度。同时，也可以通过最大化局部对比度来还原图像的颜色和能见度。

（3）颜色衰减先验^[4]（Color Attenuation Prior，CAP）

颜色衰减先验（CAP）是一种与暗通道先验（DCP）相似的先验特征。观察发现雾霾会同时导致图像饱和度的降低和亮度的增加，整体上表现为颜色的衰减。根据颜色衰减先验，亮度和饱和度的差值被应用于估计雾霾的浓度：

  基于深度智能

人的视觉系统并不需依赖这些显式的特征变换，便可以很好地估计雾的浓度和场景的深度。DehazeNet是一个特殊设计的深度卷积网络，利用深度学习去智能地学习雾霾特征，解决手工特征设计的难点和痛点。

（1）特征提取（Feature Extraction）

特征提取有别于传统卷积神经网络，DehazeNet采用“卷积+Maxout^[5]”的结构作为网络第一层：

并且可以证明，“卷积+Maxout”等价于传统的手工去雾特征：

当W₁是反向（Opposite）滤波器,通道的最大等价于通道的最小值，等价于暗通道先验（DCP）；当W₁是环形（Round）滤波器, 等价于对比度提取，等价于最大对比度（MC）；当W₁同时包含反向（Opposite）滤波器和全通（All-pass）滤波器，等价于RGB到HSV颜色空间转换，等价于颜色衰减先验（CAP）。

此外，从机器学习角度看，Maxout是一种样条函数，具有更强的非线性拟合能力，如下图（d）。

（2）多尺度映射（Multi-scale Mapping）与局部极值（Local Extremum）

多尺度特征会提高不同分辨率下特征提取的鲁棒性。传统去雾方法中也会采用不同尺度的滤波器（均值、中值、最小值）来增强特征在不同尺度下的鲁棒性。借鉴于GoogLeNet中的inception结构，采用3组不同尺度（3×3，5×5，7×7）的滤波器实现DehazeNet的尺度鲁棒性：

局部极值（MAX Pooling）是深度卷积神经网络的经典操作。局部极值约束了透射率的局部一致性，可以有效抑制透射率的估计噪声。此外，局部极值也对应于暗通道先验（DCP）的局部最小值和最大对比度（MC）的局部最大值。

（3）非线性回归（Non-linear Regression）

大气透射率是一个概率（0到1），不可能无穷大，也不可能无穷小。受到Sigmoid和ReLU激励函数的启发，提出双边纠正线性单元（Bilateral Rectified Linear Unit，BReLU），在双边约束的同时，保证局部的线性。

BReLU的非线性回归对应于传统去雾方法中的边缘抑制操作（如DCP和CAP）。双边约束引入先验信息缩小参数搜索空间，使得网络更加容易训练；局部线性避免Sigmoid函数梯度不一致带来的收敛困难。

DehazeNet基于手工特征，又超出传统方法，从人工到智能。因此，DehazeNet取得了更好的去雾结果，更多的对比实验和代码资源：

• 项目主页

  http://caibolun.github.io/DehazeNet/

• GitHub代码

   https://github.com/caibolun/DehazeNet

• BReLU+Caffe

   https://github.com/zlinker/mycaffe

• 其他复现

  （1）https://github.com/zlinker/DehazeNet

  （2）https://github.com/allenyangyl/dehaze

参考文献

[1] Cai B, Xu X, Jia K, et al. DehazeNet: An End-to-End System for Single Image Haze Removal [J]. IEEE Transactions on Image Processing, 2016, 25(11): 5187-5198.

[2] He K, Sun J, Tang X. Single image haze removal using dark channel prior[J]. IEEE transactions on pattern analysis and machine intelligence, 2011, 33(12): 2341-2353.

[3] Tan R T. Visibility in bad weather from a single image[C]//Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on. IEEE, 2008: 1-8.

[4] Zhu Q, Mai J, Shao L. A fast single image haze removal algorithm using color attenuation prior[J]. IEEE Transactions on Image Processing, 2015, 24(11): 3522-3533.

[5] Goodfellow I J, Warde-Farley D, Mirza M, et al. Maxout networks[J]. ICML (3), 2013, 28: 1319-1327.

文章还不够？来看直播吧！

 扫码进入直播间

关注 AI 研习社（okweiwu），回复 1 领取

【超过 1000G 神经网络／AI／大数据、教程、论文！】

后台回复 “我要进群” 加入 AI 技术讨论群

论黑科技的极致，大概就是谷歌DeepMind吧

▼▼▼