恶劣天气环境下退化图像的清晰化算法

针对恶劣天气环境下的户外检测系统,提出一种退化图像清晰化算法.将近似点扩散函数估计算法与改进的部分重叠子块直方图均衡化去雾算法相结合,以去除影响图像质量的气象因素,根据图像大小选择子块的尺寸和步长,使用固定参数经验值进行图像处理,实现降质图像的复原.实验结果表明,该算法具有较强的自适应性和实时性.     

一种基于改进的暗原色先验图像去雾方法

为了减小雾霾天气对户外视觉系统的影响,本文提出一种基于改进的暗原色先验图像去雾方法。首先,分析雾霾天气图像的成像机理;其次对传统的暗原色先验去雾原理和算法进行简单介绍和客观分析;再次针对传统暗原色先验去雾算法做了部分的优化和改进;最后采用不同的去雾算法对部分有雾图像进行仿真实验。结果表明,该方法可以明显地提高原始图像的清晰度和对比度。     

单幅图像去雾算法研究综述

随着图像处理技术和计算机视觉技术的蓬勃发展,对特殊天气下的场景检测和图像处理成为该领域的重要研究方向.其中在雾天拍摄的图像容易受雾或霾的影响,导致图片细节模糊、对比度低以至于丢失图像重要信息,为解决此类问题图像去雾算法应运而生.图像去雾算法是以满足特定场景需求、突出图片细节并增强图片质量为目的的一种图像分析与处理方法....     

基于视觉颜色感知——光学相似的图像去雾方法

针对雾霾环境影响致使户外获取的图像质量严重下降问题，提出了一种基于视觉颜色感知—光学相似的图像去雾方法。充分利用人眼感知颜色的视觉机理，结合图像的相似性原理，构造了光学相似度函数，建立了新的基于视觉颜色感知—光学相似的图像去雾模型并设计相关算法，进而进行仿真验证。仿真实验结果表明，提出的方法在对有雾图像清晰化处理过程中效果明显，并与现有的图像去雾方法在主观视觉和客观量化方面进行图像去雾效果对比，进一步表明提出的方法在清晰化含雾图像处理中取得了较好的效果。     

雾霾环境下图像清晰化处理研究与应用

用TMS320DM642芯片作为主处理芯片搭建雾霾图像处理平台，研究雾霾图像处理原理和算法，比较不同算法的优劣势，采用暗通道滤波算法进行图像清晰化处理，完成雾霾天气下图像采集、处理、显示的过程，建立一套简单的去雾系统。     

视频实时自适应去雾算法

在雾天环境下,户外视频的可视性将受到极大损害,需要通过视频实时去雾来恢复视频的可视性。视频实时去雾对于单帧图像处理的速度有很高的要求,现有的图像去雾算法或是速度上达不到要求,或是速度虽快但去雾效果不理想。另外,视频还会面临拍摄场景中雾气浓度不断变化的问题,现有图像去雾算法中需要手动设置参数且参数固定,无法在雾气浓度变化的条件下始终达到理想的去雾效果。提出了一种实时的视频自适应去雾算法,该算法对视频中单帧图像进行去雾时,会基于暗原色值来区分图像区域,并对不同区域进行不同程度的去雾,在满足实时性的同时得到了很好的去雾效果。此外,该算法还基于暗通道先验设计了评价去雾结果的方法,并使用迭代的方式根据雾气浓度自动调整去雾参数,从而在视频中雾气浓度变化的情况下,始终能达到理想的去雾效果。     

基于ZYNQ的Retinex实时图像去雾

雾霾天气严重影响户外视频系统的图像质量。随着户外视频系统的广泛和深入的应用,迫切需要能够进行实时处理的小型化的嵌入式图像去雾系统。提出一种基于ZYNQ的Retinex实时图像去雾方法,在HSV颜色空间对亮度分量V进行Retinex算法去雾处理;采用ARM+FPGA软硬件协同的方式,由ARM完成算法控制功能及图像的颜色空间转换、对数等简单运算;在FPGA中采用高斯核函数与二维图像卷积的并行算法估计环境光的照度。实验结果表明,提出的方法在保证去雾效果的情况下,具有处理速度快、小型化、可嵌入、可移植和功耗低等优点,能够满足户外视频系统的性能要求。     

一种基于多尺度Retinex算法的图像去雾方法

在有雾天气条件下拍摄的图像,由于大气的散射作用,导致图像的内容模糊不清,对比度下降,给交通系统及户外视觉系统的应用带来严重的影响。通过改进大气物理退化模型,在多尺度Retinex算法MSR(Multi-Scale Retinex)的基础上,提出一种新的去雾方法。该方法根据雾天成像机理对图像建立模型,再根据MSR算法对建模后的图像进行处理。实验表明,该方法能有效去除雾化效果,实现彩色退化图像的复原。     

基于局部对比度最大化的单幅图像去雾方法

为了复原有雾天气条件下户外设备所拍摄的降质图像,文章研究了一种快速高效的基于局部对比度最大化和雾天退化物理模型的图像去雾方法。根据户外图像成像的特点并结合图割理论,对原有基于局部对比度最大化的方法进行改进和优化,并选取大量户外受雾影响的降质图像进行实验测试。实验结果表明,本文的方法相对于原有的方法具有更快的处理速度,并且能够得到较好的去雾效果。对户外成像设备的稳定性和可靠性的提高效果显著。     

一种用于图像去雾的改进生成对抗网络

雾霾天气会使计算机视觉相关系统获取到的图像质量下降并影响系统的正常工作。传统图像去雾算法通过分析大量图像建立模型,并找出清晰图像与模型之间的映射关系,但该类算法大多存在颜色失真和图像失真的问题,且在某些特定场景下可能失效。基于卷积神经网络的去雾算法得到的图像质量相对较好,但是该类算法对数据集要求较高,普遍需要成对数据进行训练,而获取同一时刻和场景下的有雾图像与无雾图像难度较高。提出一种基于循环生成对抗网络（CycleGAN）的改进图像去雾算法,该算法无需使用成对的数据进行训练。通过优化生成器生成的无雾图像与真实无雾图像之间的颜色损失,使得生成器能够生成与无雾图像具有相同颜色分布的图像。同时,通过向2个生成器中分别添加对应目标域图像的输入并引入特征损失函数,以解决经典CycleGAN在图像转换时存在的图像失真问题,从而更好地还原原始图像的细节特征。实验结果表明,相较DCP、CycleGAN、AOD-Net、Cycle-dehaze等算法,该算法的结构相似度提高4.3%~23.0%,峰值信噪比提高2.3%~36.9%,其能取得更好的去雾效果。     

Vision and the Atmosphere

Current vision systems are designed to perform in clear weather. Needless to say, in any outdoor application, there is no escape from bad weather. Ultimately, computer vision systems must include mechanisms that enable them to function (even if somewhat less reliably) in the presence of haze, fog, rain, hail and snow.We begin by studying the visual manifestations of different weather conditions. For this, we draw on what is already known about atmospheric optics, and identify effects caused by bad weather that can be turned to our advantage. Since the atmosphere modulates the information carried from a scene point to the observer, it can be viewed as a mechanism of visual information coding. We exploit two fundamental scattering models and develop methods for recovering pertinent scene properties, such as three-dimensional structure, from one or two images taken under poor weather conditions.Next, we model the chromatic effects of the atmospheric scattering and verify it for fog and haze. Based on this chromatic model we derive several geometric constraints on scene color changes caused by varying atmospheric conditions. Finally, using these constraints we develop algorithms for computing fog or haze color, depth segmentation, extracting three-dimensional structure, and recovering clear day scene colors, from two or more images taken under different but unknown weather conditions.     

一种基于小波分析的新型图像破雾处理方法

视频是监控系统中的一个重要信息来源,其信息量直观且丰富。但在恶劣天气条件下,尤其是雾霾天气,会使视频监控的可视性能急剧下降。采用适当的图像增强算法,可以有效地改善雾霾天气条件下监控视频的可视性。文章基于小波分析,设计一种以图像增强为基础的新型图像破雾处理方法,以期达到实用的目的。     

基于隶属函数的骆岗机场新型大雾预报方法

准确预报大雾对机场减少航班大面积延误和旅客滞留有重要意义。本文阐述一种适用于机场的大雾短时预报方法。通过选取骆岗机场历史地面逐时观测气象资料,依据气温趋势不同类型,运用模糊隶属度与发生条件概率模型,分别建立短时大雾的预报方法。利用VC++程序开发了骆岗机场大雾短时预报软件,可扩展硬件构建实时预警系统。使用2011年地面资料检验结果显示:对未来3小时大雾预报准确率为91.3%,TS评分为0.84。因此,本文提出的大雾短时预报方法在骆岗机场附近3小时大雾预报中是有效的。     

高速公路气象数据融合滤波与短时雨雾预测

高速公路路域内雨雾气象数据呈现多源、异构特性,对其进行短时精准预测存在很大难度;针对该问题,在利用联合概率法求得数据之间联合概率的基础上构建异构数据融合模型,并将该融合模型与卡尔曼滤波方法相结合,建立面向多源异构气象数据的协同融合滤波模型;在此基础上,利用贝叶斯最大熵方法,结合雨雾经验理论、融合滤波后的数据以及原始雨雾数据,实现了对高速公路目标路段雨雾天气的短时精准预测;实验结果表明,该方法能够为用户提供精准、稳定的高速公路短时雨雾气象预测结果,对减少交通事故,合理进行交通管制具有重要意义。     

DAGL-Faster: Domain adaptive faster r-cnn for vehicle object detection in rainy and foggy weather conditions

Convolutional neural networks (CNNs) have made remarkable progress in detecting vehicle objects in normal weather conditions. However, the performance of these networks deteriorates when faced with rain and fog, as these conditions degrade image quality and cause blurring. The network models trained on clear images perform poorly on rainy and foggy images due to the differences in distribution between normal weather and adverse weather conditions, leading to domain bias. To address this challenge, we present a novel algorithm called DAGL-Faster (Domain Adaptive Global-Local Alignment Faster RCNN) , which enables domain-adaptive vehicle object detection specifically for rainy and foggy weather. DAGL-Faster extends the Faster RCNN framework by incorporating three domain classifiers. These classifiers aid the network in extracting features that are invariant to the domain differences between the source domain (normal weather) and the target domains (rain or fog). The algorithm tackles the domain dissimilarities from three perspectives: local image-level, global image-level, and instance-level. Additionally, it introduces consistency regularization to facilitate simultaneous alignment at the image-level and instance-level, optimizing the overall alignment effect. Through extensive experiments, we demonstrate the efficacy of DAGL-Faster on two benchmark datasets: Foggy Cityscapes and Rain Vehicle Color-24. The algorithm achieves an impressive mean average precision (mAP) of up to 36.7% on the Foggy Cityscapes dataset and 49.79% on the Rain Vehicle Color-24 dataset. Moreover, DAGL-Faster demonstrates superior computational efficiency, with a processing time of 1.9 seconds per image using a single GTX 1080 Ti GPU. These results surpass state-of-the-art algorithms for popular domain adaptive object detection methods.     

自然山区大气景观模拟显示方法初探

提出了一个模拟大气、云雾等自然环境的照明模型，对视线距离较大，视野开阔的自然景物造型，如山体造型，更具有真实感效果，可获得模拟云、雾等天气特征的三维地形风景图。实验效果令人满意，并具有简单实用之特点。     

均质雾天下摄像机动态标定的车速估计

在均质雾天下,利用光线传输模型中的距离信息和摄像机线性模型动态标定摄像机来计算不同天气条件下的车速,与以往研究不同的是将均质雾天加入到交通模型.该模型只包含路面以及运动前景,不需提取交通常见的先验信息或交通特征.首先,在活动图的基础上利用区域搜索算法(ASA)提取感兴趣区域,如果所选区域内像素以刃边函数的形式变化则当前天气为均质雾天;然后,根据暗原色先验原理计算场景透射率,选取路面区域具有特定透射率差的8个点标定摄像机,通过多帧取平均获得摄像机参数的准确值;最后,将行驶车辆的图像坐标变换为世界坐标得到实际速度.通过在3种不同天气条件下的车速计算实验结果,验证了本文算法的有效性.     

自然册区大气景观模拟显示方法初探

提出了一模拟大气，云雾等自然环境的照明模型，对视线距离较大，视野开阔的自然景物造型，如山体造型，更具有真实感效果，可获得模拟云，雾等天气特征的三维地形风景图。     

H8/AHI卫星数据的夜间陆地雾自动检测

夜间雾已成为交通事故频发的重要隐患,夜间雾检测对防治和减少因雾造成的事故和损失,保障人民生命财产安全具有重要的意义。雾与晴空地表夜间亮温差存在明显差异,二者在亮温差影像上有清晰边缘的特征,算法通过Canny边缘检测获取该边缘混合像元,根据边缘混合像元亮温差均值自动获取二者分离检测阈值,进行夜间陆地雾检测。5天H8/AHI夜间雾算法检测结果平均正确率为93.3%、误警率为29.8%,可靠性因子为67.8%,结果表明算法较适合大面积浓雾检测,但对地表存在的特殊天气如霾、雨雪天、雾发展为低云等情况易虚假报警,如未有相关伴随雾的天气现象出现,检测结果正确率为94.6%、误警率为0.05%、可靠性因子为90.1%。算法优点为可自动确定雾与晴空地表的分离检测阈值,与已有夜间雾自动检测算法相比,该算法检测精度有较大提高。2015年11月27日至12月1日17：00~07：00不同时刻夜间雾时序检测定性验证结果证明,算法适合晨昏时刻遥感影像中已处于夜晚区域的雾检测,可检测出90%左右的雾区;对整幅影像均处于夜间的遥感影像,算法检测结果正确率高达90%以上,定性验证结果进一步证明了算法的稳定性和可靠性。