基于暗通道先验的多元线性回归去雾模型
计算机视觉与模式识别
2019-04-29 v1
摘要
暗通道先验（DCP）是一种被广泛认可的传统去雾算法。然而，它在明亮区域可能失效，且复原图像的亮度比有雾图像更暗。本文提出一种优化 DCP 的有效方法。我们基于 DCP 大气散射模型建立多元线性回归去雾模型，并使用 RESIDE 数据集训练该模型，旨在减少由透射率图 t(x) 和大气光 A 的粗略估计所引起的非预期误差。RESIDE 数据集提供了足够的合成有雾图像及其对应的真实图像用于训练和测试。我们针对两个重要的全参考指标——峰值信噪比（PSNR）与结构相似性指数测度（SSIM），比较不同去雾算法的性能。实验结果表明，我们的模型取得了最高的 SSIM 值，且其 PSNR 值也高于大多数当前最优（SOTA）去雾算法。我们的结果也克服了 DCP 在真实世界有雾图像上的弱点。
引用
@article{arxiv.1904.11587,
title = {Multiple Linear Regression Haze-removal Model Based on Dark Channel Prior},
author = {Binghan Li and Wenrui Zhang and Mi Lu},
journal= {arXiv preprint arXiv:1904.11587},
year = {2019}
}
备注
IEEE CPS (CSCI 2018 Int'l Conference)