【阅读笔记】沙尘图像基于绿色通道色偏校正Sand-Dust Image Enhancement Using Successive Color Balance With Coincident Chrom

一、文章背景

1.1 文章框架

《Sand-Dust Image Enhancement Using Successive Color Balance With Coincident Chromatic Histogram》根据绿色分量的统计特性对各颜色分量的像素进行调整，然后应用一种绿色均值保留的色彩归一化技术，最后设计了直方图偏移算法，使红蓝分量直方图尽可能与绿色直方图重叠。基于该算法，可有效减少增强图像中出现的蓝红伪影。

1.2 沙尘图像特征

常见的三种典型劣化图像类型包括雾霾图像、水下图像和沙尘图像，目前许多水下图像增强方法和部分沙尘图像修复方案都基于自适应蒙特卡洛（ASM）模型——这是一种用于消除雾霾的物理模型。

沙尘图像具有较弱的蓝色分量和较强的红色分量，雾霾图像呈现灰度雾霭，其直方图显示出相似的红、绿、蓝三色分布。水下图像具有微弱的红色成分，其绿色成分的强度不同会呈现

图1(d)展示的沙尘图像带有黄色雾霭，该图像具有微弱的蓝色成分、正常的绿色成分以及强烈的红色成分。如图1(e)所示，同时具有微弱绿色和蓝色成分的沙尘图像呈现出红色雾霭。如图1所示，沙尘图像不仅具有强烈的红色成分，还存在微弱的蓝色成分

二、基于绿色通道的加权色偏校正

2.1 色偏校正

首先对于图像各通道采取加权绿色通道的方式进行补偿，可有效调整图像的红色通道和蓝色通道，使蓝色通道的平均值和标准差得到一定增强，红色通道的平均值和标准差得到一定程 度的减弱。

其中，I^c(x)表示原始各通道的像素值；I_1^c (x)表示经过补偿后各通道对应的像素值；\Delta^c 表示绿色通道的权重因子，为3个权重系数分量的乘积

其中，\delta_{m}^c是基于平均值的全局权重系数，*\delta_{s}^c是基于标准差的全局权重系数，\delta_{w}^c是基于像素的局部加权因子，计算公式如下：

$$ \delta_{m}^c=m(I^g)-m(I^c) \ \delta_{s}^c=\frac{\sigma(I^g)}{\sigma(I^c)}\ \delta_{w}^c(x)=1-\frac{1-m(I^b)+m(I^r)}{2}*I^c(x) $$

其中，m(I^g)为g通道全局均值，\sigma为通道数据标准差

该步骤主要是以绿色通道作为补偿量，对图像的红色通道和蓝色通道进行调整

2.2 通道数据归一化

在初始化调整红蓝通道的基础上，进一步根据绿色分量的均值拉伸其他通道，达到有效校正色偏的目的，具体实现为

处理后图像三通道直方图集中分布，色偏问题已基本解决

2.3 后续处理

后续处理图像动态范围，这里不展开了，感兴趣的看一下原文

三、文章效果

原始图经过2.1节、2.2节的处理后结果如下图所示。

若没有2.1节处理，只进行2.2节处理，处理结果有很多蓝色伪像，见下图

四、仿真效果

复现论文，2.1+2.2节的仿真结果如下，效果还可以。

运行BaseGreen模式

觉得本文对您有一点帮助，欢迎讨论、点赞、收藏，您的支持激励我多多创作。