彩色对比度复原模糊图像脱色外文翻译资料

 2023-01-28 12:25:35

《Hazy Image Decolorization With Color Contrast Restoration》

摘要—将朦胧的彩色图像转换为灰度图像是一项挑战，因为朦胧图像的颜色对比场会失真。在本文中，提出了一种新颖的脱色算法，可以将模糊图像转换为失真恢复的灰度图像。为了恢复颜色对比度字段，将在CIELab颜色空间中显示恢复的颜色对比度与其失真的输入之间的关系。基于此恢复，制定了非线性优化问题以构造最终的灰度图像。引入了新的微分近似解，通过扩展Huber损失函数来解决该问题。实验结果表明，该算法有效地保持了全局亮度一致性，同时以灰度表示原始颜色对比度，非常接近相应的地面真实灰度。

索引词-脱色，颜色失真，除雾，颜色对比场，空间变化的线性映射。

一、引言

由于灰度图像的普遍应用，包括黑白打印，电子墨水设备，数字墨水显示器和彩色至灰色的扫描仪以及艺术目的，因此提出了许多彩色至灰色的转换方法以直接提取图像。亮度（在YUV空间中）或亮度（在CIELab空间中）。这种转换的主要缺点是，在对比度高于亮度对比度的区域中，图像对比度的损失。因此，首先在[1]中引入了脱色的想法，该想法可以在保留原始彩色图像的同时尽可能多地保留颜色信息，同时产生可感知的灰度结果。通过以约束和多变量优化的形式转换脱色问题，已经提出了几种脱色算法来解决对比度保持和计算复杂性问题。

要注意的是，现有的脱色算法集中于这样一种场景，在该场景中，输入图像清晰且具有高可见度，从而在颜色对比度字段中没有失真。因此，脱色过程是为了近似基础灰度图像中的颜色对比度。因此，现有方法不适用于在恶劣天气条件下捕获的图像，例如雾霾和夜间图像。在朦胧的日子里，空气中的微粒掩盖了场景的清晰度，并且该气氛中的物体因周围环境而变得模糊，从而使其在照片中失去了整体对比度。显然，朦胧的图像由于大气退化而具有差的对比度和剧烈的色彩偏移[14]，[15]。这两种现象都直接阻碍了朦胧的彩色图像到灰度图像的转换。因此，当模糊图像的颜色对比度失真时，将模糊图像转换为高质量的灰度图像是具有挑战性的。

朦胧图像的脱色的一种直接方法是使用现有的脱色算法将朦胧图像转换为灰度图像。由于模糊图像的颜色对比度的失真，直接方式的性能降低。朦胧图像除色的另一种直观方法是，首先通过现有的除雾算法（例如[16]-[29]）除去雾度，然后使用当前保留对比度的除色算法（例如[2]）将其转换为灰度图像] – [13]。不幸的是，直观的方法很有可能将更多的失真引入灰度图像。因此，期望开发一种用于使模糊图像脱色的新方法，以使得下面的灰度图像尽可能接近于相应的无雾图像。

本文提出了一种新颖的感知脱色算法，将朦胧的彩色图像转换为灰度图像，该图像接近于地面真相的黑白版本。所提出的算法有两个主要组成部分。一种是在Lab颜色空间中还原颜色对比字段，另一种是从还原的颜色对比字段中重建灰度图像。该恢复的颜色对比度字段具有定义，以描述其与朦胧输入的失真颜色对比度的关系。通过理论推导表明需要透射图来描述这种关系，所提出的算法放宽了对透射估计的依赖，因此许多透射估计方法可用于恢复色差场。

一旦恢复了颜色对比度，便会引入一种新的对比度保持算法，以构建具有空间变化线性映射的灰度图像。受[6]，[32]中多项式色差模型的启发，采用全局映射函数将[2]中的成本函数分解为两个简单的近似问题，从而简化了最初制定的非线性优化。解决此优化问题的另一个困难是不可微分成本函数，用于测量渐变域中的颜色对比度。本文没有像[6]，[13]中那样使用双峰分布来近似颜色对比度项，而是提出了一种新的优雅近似方法。通过扩展Huber损失函数[33]，提出的近似值引入了E2范数的原始估计。如果变量较小或线性，并且总是可微的，则新函数是二次函数。然后采用迭代方法来解决这个新术语。实验结果表明，该方法优于直观方法和直接求解方法。值得注意的是，除了使彩色彩色图像脱色之外，我们的方法还对颜色失真的图像执行从颜色到灰色的转换，以恢复颜色对比度，而不会产生噪声放大。据我们所知，这是通过色彩对比度恢复对模糊图像进行脱色的第一项工作。

二、相关工作

有许多保留对比度的脱色算法将颜色对比度与灰度对比度联系起来。 Rasche等文献[2]将脱色过程表述为一个受约束的多元非线性优化问题。由于只有绝对梯度场可用于灰度图像，并且它们的颜色方向是未知的，因此由于存在大量优化变量，解决此非线性脱色问题非常具有挑战性。如[3]，[4]，[9]中所述，通过基于欧几里得颜色距离在相邻像素之间执行颜色顺序约束来降低复杂度。但是，在这种严格的约束下，最终的灰度图像可能会遭受明显的对比度损失。为了放松这种不合理的约束，通过使用双峰分布的参数脱色模型开发了自动选择的颜色顺序，并进一步产生了基于感知的质量度量，用于评估对比度保持性能[6]，[8]。 Wang等[13]提出了一种优雅的方法来简化[6]，[8]中的解决方案基于双峰分布的脱色。然而，由于大气退化效应[34]，朦胧的图像通常遭受不良的可见性和色移[14]，[15]。这种大气现象中的物体会因周围环境而变得模糊，然后失去全局对比度。由于以上所有这些算法均假定输入图像的颜色对比度字段中没有失真，因此它们无法像雾霾图像一样使颜色失真的图像脱色。

通过使用不同的先验，提出了许多单图像去雾算法。为了检测雾度的厚度，在[17]中提出了暗通道先验（DCP），其基于室外图像的统计数据。 DCP处理重度雾霾图像，但在没有阴影的情况下无法工作。此外，通过使用DCP [21]，[22]可以放大天空区域的噪声。在[23]，[28]中引入了自适应天空区域补偿项来解决这个问题。Fattal[18]引入了基于色块的先验并发现了具有恒定透射率的小色块，这由拟合的色线描述。根据[18]的方法，Berman和Avidan [25]利用称为“雾度线”的线中的颜色簇来恢复距离图。根据彩色椭圆体的几何形状，Bui和Kim [29]选择彩色椭圆体而不是彩色线来适合像素矢量群集，以使除饱和像素外的除雾后像素的对比度最大化。受多尺度图像融合的启发，Bahat和Irani [26]利用与理想斑块重复的偏差作为恢复模糊的线索。为了加快介质传输图的计算，DehazeNet [27]采用了基于卷积神经网络的深层体系结构，其中包含层次来体现已建立的先验。朦胧图像脱色的直观方法中的单独的除雾过程可能会将额外的失真引入其彩色对比度场，然后放大所得的除雾图像中的潜在噪声。因此，随之而来的灰度图像的视觉感知可能会下降。相反，所提出的方法首先为雾度图像开发了一种简单的色彩对比恢复算法，然后对雾度图像进行了整理，而不会放大天空区域中的噪声。

三、建议的模糊图像脱色方法

对于传统的脱色方法，呈现图像在灰度中应该与色彩感知紧密相关，其中包括全局亮度一致性和颜色顺序保存。可以获得最终的灰度图像g（p）通过解决[2]中的以下优化问题：

这里，p是像素p的相邻像素，并且delta;（p，p）是输入彩色图像中的像素对（p，p）之间的颜色对比度。在朦胧的天气下这项工作更具挑战性。因为到达相机的光被阴霾这种散射光会导致颜色失真朦胧的输出，表明明显的颜色对比失利。换句话说，浑浊中的颜色对比度delta;（p，p）图像不适合大多数颜色到灰色的转换

阴霾破坏了局部对比度。提出的方法旨在恢复我们的局部颜色对比度delta;（p，p），然后将其转换为灰度对比，在灰度对比中可以区分不同的颜色并保留颜色顺序。鉴于此，在梯度域中提出的能量项定义为：

此处，建议的颜色对比度是基于CIELab颜色空间中的欧几里得距离表示的：

delta;（p，p）

该术语从我们恢复的颜色对比字段映射到最终的灰度。 我们恢复的色彩对比度delta;（p，p）通过描述场景中介质辐射衰减的媒体透射图t与原始失真的色彩对比度delta;（p，p）连接。

不是将等式（1）中的两个符号组合在一起，而是在模型（2）中首先采用了delta;（p，p）的符号，因为它的顺序是模棱两可的并且服从人类的视觉感知。

此外，在带符号的色度距离图[3]中观察到，当（g（p）-g（p））和delta;（p，p）同时具有符号时，色差会不适当地抵消。 值得注意的是，颜色顺序与颜色对比度密切相关，下面介绍该方法中的颜色顺序。

A.实验室色彩空间中的色彩顺序

CIELab色彩空间是一种合适的色彩空间，可以将朦胧的图像转换为灰度图像，因为它是一种数值方法，可在更广的色域上类似于人的感知。在Lab色彩空间中，黑白被视为一个单独的通道，即将对比度与色彩分开。这是因为CIELab色度维数未在整个色度坐标上映射亮度信息，因为颜色的色度信息与其亮度无关[30]。换句话说，它的颜色顺序与亮度对比度保持不变，而在这种合理的对立颜色空间中，大多数情况下减少了色移[31]。先前有关脱色中颜色顺序的工作主要基于RGB颜色空间。因此，这里首先介绍了从RGB颜色空间到Lab颜色空间的转换。

对于输入的模糊图像Zc（p），从RGB颜色空间到XYZ颜色空间的转换是线性的。从XYZ颜色空间到Lab颜色空间的以下转换为：

从等式（9）得知，在转换为Lab颜色空间之后，颜色对（p，p）仍满足L通道中的弱颜色顺序。 其余颜色对的顺序（图像中不满足方程式（6）的顺序）此处未预定义，因为它们转换为Lab颜色空间是非单调的。 取而代之的是，在解决下一部分中介绍的成本函数时，将最佳选择其不可执行和非单调的订单。

B.色差场的恢复

基于L通道中弱顺序的这些颜色对，通过整合二色模型，在此朦胧图像的彩色对比度场上恢复图像。 根据科希米德定律[14]，输入模糊图像Zc及其恢复的颜色对比度场Ic之间的双色模型描述为：

五、实验结果

本节通过定性评估（V-A节）和定量评估（V-B节）来验证所提出的方法。在定性小节中，分别评估了最新的脱色和除雾算法的性能。然后选择最佳脱色和除雾算法的组合作为直观方法的代表，以与所提出的方法进行比较。在D-HAZY数据库[38]上进行了色彩失真恢复和噪声抑制的广泛实验，而雾度/噪声降低的Cadik数据库[39]则证明了该方法的巨大优势。

A.对自然和合成模糊数据集的主观评估

在图如图3和4所示，分别显示了Fattal数据库[18]中自然户外有雾场景的结果，用于视觉评估脱色和除雾性能。在图3中，竞争选择直观方法的最新脱色算法包括Du等。 [9]，Lu等。 [8]，Nafchi等。 [12]，梯度相关相似度脱色[10]，对数欧式度量脱色[11]和保留颜色对比的脱色[13]。可以观察到，由于GcsDecolor [10]和LeDecolor [11]的整体亮度不受雾的影响，因此它们更适合对模糊图像进行脱色。图4展示了最新除雾算法的相应rgb2gray结果：他的DCP方法[17]，Fattal色线除雾[18]，Bahat内部补丁重复除雾[26]，Berman的非局部除雾[25]，DehazeNet [27]和Bui的CEP除雾[29]。显然，随着雾区的减少，所有算法都提高了整体可见性，尤其是第二行显示的结果。总体而言，在随后的实验中，直观的方法选择了暗通道先验（DCP）[17]，DehazeNet [27]和彩色椭球先验（CEP）[29]方法，因为它们可产生更一致的输出。

在图5中，将所提出的方法与直观的方法进行比较，后者是上面的除雾和脱色算法的顶级组合。可以看出，在恢复细节方面，所提出的解决方案优于所有其他算法。就前两行的噪声抑制而言，第（4）至（6）列中的DehazeNet [27]的结果以及第（10）列中提出的方法在天空区域中不会受到噪声放大的影响。在情况2中，DCP除雾[17]和CEP除雾[29]会产生伪影，因为在摩天大楼和旗杆上发现了可见光环。此外，由于高亮度区域和暗区域被放大，因此CEP [29]的灰度输出可提供清晰的视觉效果。由于在第三种情况下恢复了细节，因此LeDecolor脱色[11]优于GcsDecolor [10]和CCDecolor [13]，因为在牌匾上的书法总是在第（2），（5）和（8）列中可见，而我们在第（10）栏中得出的书法则清楚地显示了汉字。

还使用最近建立的称为D-HAZY数据库的数据库进行了实验[38]，该数据库包含超过一千个具有相应地面真实性的模糊数据集。图6给出了一组特定的结果。由于CEP除雾[29]对雾度层的估计过高，因此无法在不适当的照明条件下恢复整体亮度。考虑到恢复局部对比度的性能，第（4）栏和第（7）栏中的DehazeNet [27]和提出的方法可以在情况A至C的特写镜头中恢复大多数细节而不会产生噪声放大。根据其原始颜色顺序缩放比例是另一个挑战，如后两种情况所示，即地毯和床衬中的多色块。在情况D中，只有D.（5）中的结果和建议的结果正确地将地毯和椅子的两个块上相同的深海军色转移到相同的灰度级。这表明LeDecolor [11]和我们的方法都可以在颜色之间提供高度准确的可分辨性。值得注意的是，只有我们的方法才能将案例E中床衬上的三色三角形形状转换为三个不同的灰度，这三个灰度位于特写镜头的中间，与浅绿色菱形相邻。显然，我们的方法具有在灰度级上保留原始颜色感知并恢复局部对比度的优势。

为了解决噪声抑制在恢复色彩对比度方面的挑战，通过添加合成雾度和白噪声，在经典的颜色到灰色Cadik基准数据库[39]上进行了另一组实验，如图2和3所示。参见图7和8。合成色雾不会显着影响图7中的颜色到灰色的转换，除了E和F情况外，两者在过度曝光的区域均模糊不清。 DCP [17]方法在情况E下，花朵上的光线不均匀，这是由残留的雾霾引起的。在情况F中，CEP [29]方法结果的左下方有光晕伪像。在案例D和案例G中显示的图像表明，CCDecolor [13]方法和所提出的方法揭示了大多数灰度级来代表不同的颜色。但是，CCDecolor [13]方法发生了变化

从图5和6的相应结果的比较中可以看到颜色顺序不同的颜色。参见图7和8。在图8的情况下，我们的结果仍给出与图7相似的灰度级，而其他方

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[237673]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章