基于CIELAB色彩空间的颜色通道迁移(Color Channel Transfer, CCT)结合伽马校正(gamma correction)的无参考(non-reference)图像去雾方法

《Image and Vision Computing》：CIELAB-based Color Channel Transfer with gamma correction for no-reference image dehazing

　　

摘 要：雾天及低能见度图像是室外视觉应用（如交通监控、自动驾驶和监控系统）中常见的挑战，此类条件会降低对比度、扭曲颜色并削弱感知质量，进而影响下游视觉任务的精度。本研究提出一种基于CIELAB空间中统计颜色通道迁移（Color Channel Transfer, CCT）的无参考（non-reference）去雾框架，无需成对的有雾–清晰数据集，且侧重于实际实时部署的实用性改进。为解决对参考数据的依赖，研究人员将框架解耦为一个一次性的离线标定阶段（通过全参考指标确定最优参数）和一个运行时推理阶段（以完全无参考且无训练的模式运行）。该方法先施加最优伽马校正（gamma correction），按通道调整均值和标准差使其匹配目标统计量，再进行逆伽马校正，采用轻量化流程以适配资源受限的FPGA或ASIC平台实现。所提方法在合成及真实世界数据集（包括O-Haze、NH-Haze及RESIDE变体）上进行了评估。在RESIDE数据集上，基于参考统计的γCCTR达到21.30 dB PSNR和0.927 SSIM，而无参考版本γCCTNR取得16.82 dB PSNR和0.708 SSIM。在RESIDE-RTTS上，γCCTR获得更优的BRISQUE（24.47）和NIQE（2.793）分数，γCCTNR则提供具有竞争力的性能。总体而言，所提方法在有效平衡感知质量与颜色一致性的同时保持了较低的计算复杂度（处理512×512图像为0.1174 GFLOPs），平均CPU单帧耗时0.1774 s，为实际无参考推断下的去雾任务提供了一种鲁棒且易于硬件实现的解决方案。

论文解读：《CIELAB-based Color Channel Transfer with gamma correction for no-reference image dehazing》

该论文由Vidyamol K.和M. Surya Prakash撰写，发表于Image and Vision Computing。

一、研究背景与开展研究的动因

户外计算机视觉系统（如自动驾驶、交通监控、海上导航及消防机器人）常受雾霾、烟雾影响，导致图像对比度下降、色彩失真及结构细节模糊，严重影响目标检测、语义分割和跟踪等下游任务的可靠性。传统基于大气散射模型（Atmospheric Scattering Model）的恢复型方法，如暗通道先验（Dark Channel Prior, DCP）、颜色衰减先验（Color Attenuation Prior, CAP）等，依赖透射率估计和大气光建模，易产生光晕伪影和色彩失真；而基于增强的多尺度融合等方法可能导致过增强和颜色不平衡。深度学习方法虽在基准数据集上表现良好，但依赖大规模合成配对训练数据，面临域适配差、计算量大、难以部署于资源受限的FPGA/ASIC及边缘AI平台的问题。因此，亟需一种轻量、免训练、无参考（no-reference，即无需清晰参考图像或成对训练数据）、不依赖大气参数估计的去雾框架，同时兼顾感知色彩一致性与实时硬件实现能力——这正是本研究开展的目的。

研究人员提出了一种基于CIELAB空间的伽马校正颜色通道迁移（γCCT_NR）无参考图像去雾框架，将流程分为一次性离线标定与运行时无参考推断，通过简单的统计变换在感知均匀色彩空间内实现去雾，适合低功耗硬件实时部署。

二、主要关键技术方法

研究人员采用的主要方法如下：(1) 离线标定阶段：从多幅无雾清晰图像统计CIELAB各通道（L、a、b*）的均值和标准差，经全参考指标（PSNR、SSIM）择优确定固定目标统计量（Target Statistics）；(2) 运行时推断：输入有雾图像I(x)，先从sRGB非线性空间做最优伽马扩展（Gamma Expansion，γ≈2.2）将其线性化为近似场景辐照度数据，转换至CIELAB色彩空间（感知均匀色空间，Perceptually Uniform Color Space），对各通道执行颜色通道迁移（CCT，即像素级仿射变换将源通道均值和标准差匹配至离线标定的目标统计量：C'_i= (σ_target,i/σ_source,i)·(C_i? μ_source,i) + μ_target,i），完成后再逆变换回线性RGB并做逆伽马校正（Inverse Gamma Correction）恢复为sRGB输出；(3) 评估：在O-Haze、Dense-Haze、NH-Haze及RESIDE（SOTS、OTS、RTTS子集）上与参考统计版γCCT_R（以无雾图统计为基准）对照，采用PSNR、SSIM（全参考）及BRISQUE、NIQE（无参考图像质量评价指标，No-Reference Image Quality Assessment metrics）定量评估，并给出计算复杂度（GFLOPs）与CPU运行时间。

三、研究结果

Prior-based dehazing methods（基于先验的去雾方法综述）

研究人员综述了DCP、 haze-line prior、CAP等基于大气散射模型和统计先验的方法，指出其依赖透射图与大气光估计，在天空区域易产生光晕与伪影，且在复杂真实场景中泛化性不足，从而引出本研究不依赖此类模型与参数的统计增强路线。

Proposed method（所提方法总体框架）

研究人员设计了γCCT框架，核心在于引入最优伽马扩展确保颜色通道迁移作用于近似线性场景辐照度数据，以减小sRGB非线性带来的色彩畸变；整体流程为：sRGB→伽马扩展→CIELAB转换→各通道CCT匹配至离线标定目标统计量→逆CIELAB→逆伽马校正→输出去雾图像。框架分离线标定（确定固定目标μ、σ）与在线无参考推断两步，运行时无需参考图像或训练模型。

Color channel transfer algorithm for image dehazing（用于去雾的颜色通道迁移算法）

研究人员阐述CCT原理：将有雾图像I(x)=J(x)t(x)+A(1?t(x))（J为清晰场景辐射度，t为透射率，A为大气光）在CIELAB空间下去除因雾霾导致的均值漂移与对比度压缩——通过匹配通道统计特征使复原图像趋近清晰图像的亮度与色度分布，避免直接反演大气散射模型带来的残存色偏。

Proposed method: No-reference color channel transfer in LAB color space（在LAB空间中的无参考颜色通道迁移）

研究人员强调本方法不依赖参考图像的颜色映射，而是使用离线标定得到的固定目标统计量进行逐通道均值—标准差对齐，适用于无任何参考清晰图的真实场景，利用CIELAB的感知均匀性保障色彩保真。

Results and discussion（结果与讨论）

研究人员在多个数据集上对比γCCT_R（参考统计）与γCCT_NR（无参考/固定统计）：在RESIDE（SOTS室内/室外）上，γCCT_R达21.30 dB PSNR、0.927 SSIM，γCCT_NR达16.82 dB PSNR、0.708 SSIM；在RESIDE-RTTS（真实有雾交通场景）上，γCCT_R获BRISQUE=24.47、NIQE=2.793的最优无参考指标，γCCT_NR表现相当且有竞争力。计算复杂度为0.1174 GFLOPs（512×512图像），CPU平均单帧0.1774 s。结果表明该方法在保持低计算开销下有效平衡感知质量与色彩一致性，适合嵌入式实时应用。

Conclusion（结论）

研究人员总结：提出的CIELAB空间统计颜色通道迁移（CCT）去雾框架通过离线标定+无参考推断实现完全免参考复原；伽马校正增强可见性并缓解亮度非线性，感知色彩变换恢复颜色一致性。方法轻量、免训练、无需大气参数估计，为实际去雾任务提供可硬件实现（FPGA/ASIC）的鲁棒方案。

四、讨论总结（结论译文浓缩）

研究人员得出结论：本文提出的基于CIELAB空间统计颜色通道迁移（Color Channel Transfer, CCT）并结合伽马校正（gamma correction）的图像去雾框架，通过将流程解耦为一次性离线标定阶段和无参考推断阶段，在实际部署时实现了完全无参考（non-reference，无需真实清晰图像监督）的图像复原。伽马校正被用于提升可见性并减轻亮度非线性影响，而感知色彩变换恢复了颜色一致性。该无训练、轻量化方法避免了大气散射模型中透射率和大气光的估计，适合在低功耗FPGA或ASIC平台上实时实现，为真实世界去雾应用提供了一种鲁棒且硬件友好的解决方案。