【阅读笔记】基于暗通道的红外图像增强Infrared traffic image enhancement algorithm based on dark channel prior and gamma
一、基于暗通道的红外图像增强Infrared traffic image enhancement algorithm based on dark channel prior and gamma correction
红外智能交通监控设备采集的红外交通图像对比度低、层次感差、视觉模糊，本文首次将暗通道先验应用于红外图像增强。将暗通道先验（DCP）与自适应伽马校正结合，解决红外交通图像低对比度、细节模糊、噪声干扰等问题，实现目标清晰化与背景抑制，适配交通监控场景。
论文公式细节较少，重点在红外图像暗通道先验计算
二、红外图像的暗通道先验（DCP）
2.1 可见光DCP
暗通道先验（DCP）原用于可见光去雾，暗通道先验基于可见光RGB图像的统计规律：无雾图像中，局部区域至少一个通道像素值极低（趋近0）。
J dark ( x ) = min c ∈ { r , g , b } ( min y ∈ Ω ( x ) J c ( y ) ) J^{\text{dark}}(x)=\min_{c\in\{r,g,b\}}\left(\min_{y\in\Omega(x)}J^c(y)\right)Jdark(x)=c∈{r,g,b}min(y∈Ω(x)minJc(y))
其中JC是不同色彩通道
2.2 灰度图像DCP
红外图像为单通道数据，将局部最小滤波替代三通道最小，提取暗通道图。
I dark ( x ) = min y ∈ Ω ( x ) I ( y ) I^{\text{dark}}(x)=\min_{y\in\Omega(x)}I(y)Idark(x)=y∈Ω(x)minI(y)
Ω ( x ) \Omega(x)Ω(x)：以x为中心的窗口（论文中选择15×15滑窗）
2.3 论文算法步骤
1、输入原始红外交通图像I(x)。将原始图像分割为若干块以计算其暗通道图像。块尺寸为15×15 pix。
2、估计透射率参数，文中没细说
可以用可见光，ω \omegaω取0.85
t ( x ) = 1 − ω ⋅ I d a r k ( x ) A t~(x)=1−ω⋅\frac{I_{dark}(x)}{A}t(x)=1−ω⋅AIdark(x)
3、估算全球大气光A，文中没细说
可以参考取暗通道前0.1% 最亮像素
4、计算增强图像
J ( x ) = I ( x ) − A m a x [ t ( x ) , t 0 ] + A J(x) = \frac{I(x) − A}{max[t(x), t0]}+ AJ(x)=max[t(x),t0]I(x)−A+A
5、通过gamma校正提升亮度