Sand-dust image enhancement using RGB color balance method

Table 1. Comparison of running time of ACE， GWA and RGBCbm
View table
View in Article
Table 1. Comparison of running time of ACE， GWA and RGBCbm
Algorithm Running time/s
ACE 11.86
GWA 3.29
RGBCbm 0.09

Table 2. Details of comparison algorithms

View table

View in Article

Table 2. Details of comparison algorithms

算法	特点	评价
MSRCR^［］	该算法利用彩色恢复因子调节输入图像中各个颜色通道之间的比例关系，从而显示图像中的色幕以及相对较暗的部分，达到恢复色差以及清晰化的目的。	MSRCR可以在保持图像高保真度的同时，对图像的动态范围进行压缩，减小沙尘色幕对图像的影响，但是该算法增强图像之后，图像的像素值一般会出现负值，并且会带来其他的色差问题。
RGHS^［19］	该算法使用相对全局直方图拉伸，通过获取自适应参数提高不同类型图像增强的健壮性。	该算法可以避免因为过度拉伸或欠拉伸某些颜色通道而导致破坏原始图像的细节，但从实验结果可以看出单独使用该方法的效果并不理想。
Park^［25］	该算法重点以获得一致性的彩色直方图为目的，使用一种直方图移动算法，使红色和蓝色直方图尽可能地重叠绿色直方图，最后，利用图像调整来提高沙尘图像的亮度。	该算法可以有效降低沙尘色幕的影响，图像对比度和清晰度的提高十分明显，但是该方法只是保持绿色直方图的均值，因此处理之后的图像色彩会由于直方图的变化偏离图像原有的色彩，不利于色彩的恢复。
文献［26］中的算法	该算法融合了直方图均衡化、限制对比度自适应直方图均衡方法、双边滤波、MSRCR、伽马校正、灰色世界算法、完美反射的颜色校正方法等多种图像增强方法，避免了图像色差问题。	该算法采用了很多已有类型的图像增强算法进行组合达到了较好的沙尘图像增强效果，但是天空区域出现大面积光晕，从而影响了整体的视觉观感。
FSAD-NET	FSAD-NET由4个模块组成，包括浅层特征提取块、反馈块、残差块和重构块。其中，反馈块被设计用于处理反馈连接，通过利用跨层次的深度特征来提高性能，增强特征之间的依赖性。	网络利用反馈块的设计提高性能，采用空间注意力机制帮助网络提高对低频区域的关注度，降低对不重要的信息的处理。但是在沙尘图像处理中与相应的清晰图像相比仍存在严重的色差，整体图像偏暗。由于缺乏大规模沙尘标准数据集，因此本文采用该网络进行对比实验可能并没有发挥该网络的最佳性能。
文献［17］中的算法	该网络引入了特征提取子网和数据拟合子网结构的双分支神经网络，通过一个可学习的融合尾融合两个子网的特征，然后映射得到清晰图像。	该算法性能优良，在2021非均匀去雾挑战赛获得很好的成绩，其特征提取子网采用在ImagesNet数据上预训练好的Res2Net网络，但是更好的方法是采用在相关数据集上预训练的参数模型作为特征提取子网。由于缺乏大规模沙尘标准数据集，因此本文采用该网络进行对比实验可能并没有发挥该网络的最佳性能。

Table 3. Average quantitative evaluation index of 20 test images

View table

View in Article

Table 3. Average quantitative evaluation index of 20 test images

Algorithm	UIQM	Conl	Information entropy	Standard deviation	Mean gradient
Sand dust image	-0.077	0.622	4.016	40.897	79.964
MSRCR	-0.136	0.320	3.161	13.211	98.249
RGHS	0.237	0.915	5.110	62.261	158.095
Park	0.458	0.943	5.149	64.171	171.338
literature［26］	0.462	0.958	5.467	57.497	144.218
FSAD-NET	-0.084	0.971	4.251	48.080	229.024
literature［17］	0.420	0.976	4.575	61.697	201.428
Ours	0.602	0.994	5.387	62.421	167.866