低亮度图片增强算法：基于去雾算法的低亮度图像增强算法

本文介绍一篇基于去雾算法的低亮度图片增强算法（FAST EFFICIENT ALGORITHM FOR ENHANCEMENT OF LOW LIGHTING VIDEO）。

该论文的作者观察到反转的低亮度图片（inverted image）具有与有雾图片类似的性质，比如：

以上两条性质是有雾图片特有的性质。
因此，我们可以运用成熟的去雾算法来进行低亮度图片的增强。

具体地做法如下：

其中， $A$ 是大气的亮度， $R(x)$ 是相机获取到的图像亮度， $J(x)$ 是原始图像或场景的亮度。

基于[1] , 我们可以得到：

$t(x)=e^{-\beta d(x)}$
其中 $\beta$ 是大气的散射系数， $d(x)$ 是像素 $x$ 的景深。

$t(x)=1-\omega \min _{c \in\{r, g, b\}}\left(\min _{y \in \Omega(x)}\left(\frac{R^{c}(y)}{A^{c}}\right)\right)$

其中 $\omega$ 在算法中设置为0.8， $\Omega(x)$ 是中心位于 $x$ 的一个小区域，在算法中设置为9。

为了获取大气的亮度，作者选取了图像中RGB通道中最小值里最大的100个像素，然后选取这些像素中RGB值相加最大的像素值最为 $A$ 的估计值。

$J(x)=\frac{R(x)-A}{t(x)}+A$

这里需要注意，我们需要增强的区域是位于前景的物体，例如房子、车子等物体，同时需要避免过度增强背景区域，像天空等。

所以，这里我们需要根据图片内容的不同，自适应地调节 $t(x)$ ，从而重点增强前景的内容。因此，这里引入了一个中间变量：

$P(x)=\left\{\begin{array}{ll}{2 t(x),} & {0<t(x)<0.5} \\ {1,} & {0.5<t(x)<1}\end{array}\right.$

然后，需要恢复的图片 $J(x)$ 可由下式计算得到：

$J(x)=\frac{R(x)-A}{P(x) t(x)}+A$

[]论文还介绍了如何加速视频的方法，由于不是该博客的研究重点，故而忽略，有兴趣的朋友可以查看原文。

低亮度条件下拍摄的图片

该算法增强后的效果_dong

参考文献
[1] Single Image Haze Removal Using Dark Channel Prior
[2] Fast efficient algorithm for enhancement of low lighting video