Removing haze from a single image is a severely ill-posed problem due to the lack of scene information. General dehazing algorithms estimate airlight initially using natural image statistics and then propagate the incompletely estimated airlight to build a dense transmission map, yielding a haze-free image. Propagating haze is different from other regularization problems, as haze is strongly correlated with depth according to the physics of light transport in participating media. However, since there is no depth information available in single-image dehazing, traditional regularization methods with a common grid random field often suffer from haze isolation artifacts caused by abrupt changes in scene depths. In this paper, to overcome the haze isolation problem, we propose a non-local regularization method by combining Markov random fields (MRFs) with nearest-neighbor fields (NNFs), based on our insightful observation that the NNFs searched in a hazy image associate patches at the similar depth, as local haze in the atmosphere is proportional to its depth. We validate that the proposed method can regularize haze effectively to restore a variety of natural landscape images. This proposed regularization method can be used separately with any other dehazing algorithms to enhance haze regularization.
단일 이미지에서 헤이즈를 제거하는 것은 심각한 불량조건문제(ill-posed problem)인데, 이는 정보가 매우 부족하기 때문이다. 일반적인 헤이즈 제거 알고리즘들은 대기 산란광(airlight)의 양을 자연적 이미지 통계(natural image statistics)를 이용하여 희소한 초기값을 추정하고, 이것을 전파하여 조밀한 투과율(transmission)맵을 도출하고 이것으로 헤이즈가 제거된 이미지를 복원한다. 본 학위논문에서는 불완전한 자연적 이미지 통계를 사용하는 대신 픽셀 값을 대기 벡터(atmospheric vector)로의 투영을 통해 희소 투과율 맵을 추정하는 강인한 알고리즘을 제안한다. 또한, 희소한 헤이즈를 전파하는 문제는 다른 정규화(regularization)문제와는 다르게 이미지의 깊이 정보와 높은 상관 관계를 갖는다. 한편, 일반적인 격자형 마르코프 임의장(Markov random fields)을 이용하면 헤이즈 전파 시 이미지 내에서 깊이 값이 급격히 변하는 지점에서 아티팩트가 발생한다. 본 학위논문에서는 동일 깊이 근접장(iso-depth nearest-neighbor field)을 마르코프 임의장에 적용하여 더 정교한 헤이즈 전파를 실현하고, 이를 통해 헤이즈 제거 시 깊이 변화가 급격한 곳에서 발생하는 아티팩트를 감소시킬 수 있다. 또한, 이 방법은 다른 헤이즈 제거 알고리즘의 정규화 방법에 적용되어 아티팩트 감소를 기대할 수 있다.
