论文：IDGCP: Image Dehazing Based on Gamma Correction Prior 作者：Mingye Ju, Can Ding，Y. Jay Guo，Dengyin Zhang 期刊：IEEE TRANSACTIONS ON IMAGE PROCESSING 年份：2020
论文提出了一种新颖有效的图像先验，即伽马校正先验(GCP)，这产生了一种有效的图像去雾方法——IDGCP。该方法首先将输入的雾度图像由提出的GCP预处理，得到雾度图像的均匀虚拟转换；然后，基于大气散射模型，从原始雾度图像和均匀虚拟转换中提取深度比，最后，采用全局策略和视觉指示器来回复场景反射率，从而恢复雾度图像。 IDGCP基于“全局明智”策略，仅需要一个未知常数即可还原高质量的图像，从而减少了处理时间和计算成本。
可见度低会严重降低相机拍摄的图像质量。图像去雾是恢复雾度图像并消除不良视觉效果的关键技术。 传统方法通过整体对比度或局部对比度来实现图像去雾，是最直观最简单的方法。但是，这些方法忽略了模糊图像的降级机制，从而限制了恢复性能。 融合策略：使用几种传统技术对模糊图像进行预处理，然后使用拉普拉斯金字塔将预处理后的图像混合为一张图像。当图像较暗或者雾度浓度较大时，该策略有局限。 像素策略：通过获取图像中每个像素的最小通道信息来获得传输图。 优点：效率高。 缺点：单个图像没有足够的信息来确定传输。同时会包含很多不合理的纹理细节，需要后续的模糊处理。对于过度增强问题，采用了均值滤波(MF)，但在不连续的区域中可能残留少量雾。 块策略：通过从每个补丁中提取本地信息来确定传输图。 优点：由于补丁的信息比像素丰富，因此可以一定程度上克服像素策略的局限性。 缺点：有估计误差，会有光晕伪像，需要边缘引导工具来消除。 场景策略：用聚类来分离输入图像。核心思想是将传输估计范围从补丁扩展到场景。 优点：大多数情况下可以提高恢复性能。 缺点：缺乏准确地分割输入图像中的所有场景的能力，在深度不连续中引入了传输估计误差。 非局部策略：该策略基于一个假设，即模糊图像必须包含近似的颜色或重复的色块。 缺点：不适用重度浑浊情况及空中照明亮与场景照明。 学习策略：深度学习，如CNN、MSCNN、AOD-Net。 全局策略：将输入图像视为一个整体，适用伽马校正(GCP)将输入图像转换为虚拟图像。基于大气散射模型和通过结合获得的虚拟图像和输入的模糊图像，可确定深度比信息进行去雾。 优点：仅通过两个图像（原始输入和虚拟图像）中提取深度比率来估计一个未知常数，大大减少了处理时间，还能更好地还原目标的颜色和细节。
估计透射图的不同图像去雾策略如图所示：
I：有雾图像， A：大气光 ρ：场景反射率 t：透射率（还可表示为如下公式） d：景深 β：散射系数
模型： 这篇论文的改进来自伽马校正，伽马校正预处理雾度图像能够提高整体图像亮度，但是伽马校正没有考虑到景深信息，导致处理之后输出的整个图像的大气介质的空间分布是不同的。导致图像近区域和远区域不能同时得到最佳恢复效果。
首先用伽马校正先验(GCP)对有雾图像进行预处理得到处理后的虚拟结果，将有雾图像和虚拟结果带入大气散射模型得到两个方程，从两个方程得出景深d的表达式，提取深度比d0；基于全局策略恢复场景反射率，最终达到去雾。
A.伽马校正(GC)存在的问题：模糊图像中的雾度也由GC处理，没有考虑场景深度信息。 B.GCP模型 GC与GCP的区别：输出分别为非均匀和均匀的。 GCP模型可表示为： Is为虚拟结果：将模糊图像反转为1-I，然后由GC处理，再反转返回以获得虚拟结果。 将Is带入到大气散射模型中，可得到散射系数： 通过估计每个像素的散射值，来得到稳定的散射系数。
为了验证伽马校正先验能够得到稳定的散射系数，作者用深度图和地面上真实的图像数据集的合成图像来验证，可以看出GCP的散射系数更稳定.。
将有雾图像和GCP处理后的图像带入大气散射模型中，得到两个方程： 得到景深d： 提取深度比d0： 其中，A用四叉树分解的方法求得。 下图为输入的雾度图像和对应的深度比图。
场景反射率： 避免像素溢出，设置场景反射率范围在[0,1]之间。 将其定义为反射率恢复函数dehaze(·)： 这里只有θ未知，为了计算精确的θ值，设计了一个全局优化函数： f(·)表示通过单个或多个图像先验设计的视觉指示器，而↓n是系数为n的下采样。 经过实验表明，通常，大约尺寸为[100×100]。
考虑到图像去雾的目的是在避免过度丢失信息的同时提高退化图像的视觉对比度，将视觉指示符定义为： 其中，In是要评估的图像，0≤λ<1是调节参数。 第一项求梯度用来确保图像In具有丰富的纹理信息，第二项用于测量丢失的信息成本，从而，得到了精确的θ，将θ带入到透射图t中，可最终达到去雾结果。
