【IT168应用】12月14日的学生研讨会上，来自上海交大的张军讲述了实时图像去雾算法及其在GPU上的实现。图像去雾(Haze removal or De-hazing)算法是计算机视觉领域中一个重要的研究课题，在诸如自动监控系统、自动驾驶、室外目标识别和低能见度环境中可视导航等领域内有着广泛的应用。

　　▲点击进入专题

　　由于单幅图像去雾问题的求解依赖于未知的场景深度信息，使之成为一个具有挑战性的研究课题。

　　图像去雾的目标

　　▲去雾前后

　　现有方法局限性

　　计算效率不能适应实时应用

　　鲁棒性不足，对夜景适应性差

　　数学模型&去雾算法

　　研究目标

　　提出一种基于虚拟去雾候选图像序列( Virtual Haze-free Candidate Image Sequence，VHCIs )的像素级图像增强算法，可对大尺寸图像进行实时消除雾效的计算。

　　该去雾算法通过离散化穷举所有可能的场景深度值，通过并发的快速局部计算而减少耗时的全局串行计算，非常适合在GPU上进行并行加速(Hardware friendly )。

　　虚拟去雾候选图像序列 VHCIs

　　数字图像的像素值只能取有限个整数值 (0~255 for 8-bit format), 故场景亮度值J(x)是可以从有限个对场景深度值d(x)离散化穷举中得到的。

　　全局尝试、局部精选

　　最优去雾准则：如何从VHCIs中挑选出合适的像素值，重新组成一幅消除雾效的图像。

　　图像质量评价准则( image quality assessment)成为局部精选的关键。

　　为保证可完全被GPU并行加速，局部精选操作涉及范围越小越好——单个像素位置!

　　像素级最优去雾准则

　　随着dk(x)值的连续变化，虚拟去雾图像Jk (x)将从“去雾过度”逐渐变化到“去雾不足”。考虑到Jk (x)是连续函数，其值必定会在两个极值点间存在一个平衡点(零点定理)，该值即为“非常好的去雾点”。

　　数学上，这种发生“质变”的点，一般都为曲线的“拐点”。

　　结合上述实际实验，确定最优去雾准则为(Pixel-level Optimal De-hazing Criterion, PODC)：

　　存在问题

　　过度的2D平滑操作有可能造成图像边缘处出现人工痕迹(Halo Artifacts)