人工光源条件下夜间雾天图像建模及去雾

夜间有雾图像光照不均匀,整体亮度较低,色偏严重,且人工光源周围存在光晕。现有的去雾模型和算法大多针对白天图像,其并不适用于夜间场景,夜间图像去雾颇具挑战性。该文深入分析夜间有雾图像的成像规律,建立含有人工光源的夜间雾天图像成像新模型,并在此基础上提出夜间图像去雾新算法。针对夜间图像光照不均问题,提出基于低通滤波的环境光估计方法,利用估计出的环境光可准确预测夜间场景传输率;针对目前夜间图像去雾后存在光源光晕问题,提出根据图像色度估计场景点属于近光源区域的程度,使算法能自适应地处理光源区域和非光源区域;针对非一致色偏问题,利用直方图匹配方法进行颜色校正。对大量图像进行实验,并与现有白天、夜晚图像去雾算法进行比较,验证了该文提出的夜间雾天图像成像模型及去雾算法的有效性。     

基于多光源模型的夜晚雾天图像去雾算法

依据夜间多光源导致强光处能见度低的现象,在传统大气散射模型中定义发光因子项,构建了一个专门针对夜晚雾天图像的去雾模型,在此基础上提出了一种夜晚雾天图像去雾算法.该算法将原输入图像分解为新雾天图像层和发光图像层,然后对此分解得到的新雾天图像层进行色偏纠正和引导滤波操作以得到最终的去雾结果.与暗原色原理方法、快速中值滤波方法、图像颜色迁移方法、夜晚成像模型方法等已有方法的对比实验证实了本文算法的有效性.该算法可应用于汽车防碰撞系统、道路监控系统,以及其他识别系统.     

基于暗通道先验的图像去雾算法改进

为了实现基于物理模型的图像复原去雾算法,文中提出了一种改进的基于暗通道先验的图像去雾算法。介绍了雾天图像退化模型和基于该雾天图像退化模型的几种去雾算法。详细介绍了何恺明提出的基于暗通道先验的去雾算法,该算法在估计光线传播图时使用的基于导向滤波的软抠图非常耗时,经过改进,直接使用景深估计光线传播图,算法运行时间大大减少。最后,使用MATLAB对改进的去雾算法进行仿真,并与原算法的运行时间进行比较。结果显示新方法对光线传播图的估计可靠,运行时间对比改进前大约下降60%,实时性大大提高。带有天空的有雾图像去雾后色斑和光晕大幅减少,取得了很好的效果。改进的去雾算法运行速度快、去雾效果好,新提出的光线传播图估计方法可靠,并且去雾过程中得到的光线传播图可以用于其他应用。     

基于双注意力机制的雾天图像清晰化算法研究

针对传统去雾算法容易依赖先验知识以及恢复出来的清晰图像会产生颜色失真等问题,本文提出一种基于双注意力机制的雾天图像清晰化算法。首先将雾图输入编码器,经过下采样后得到特征图像;特征提取模块将多个特征提取基本块联结在一起,每个基本块由局部残差学习和特征注意模块组成,提高图像质量以及图像特征信息的利用率,增加网络训练的稳定性;然后通过通道注意力与多尺度空间注意力并行的结构处理特征图像,使得网络更加关注细节特征,提取更多关键信息,同时提高网络效率;最后将融合后的特征图像输入解码器中,经过多级映射,得到与输入大小匹配的雾密度图。实验结果表明,不论是对合成雾天图像或者真实雾天图像,本文算法能够高效地进行去雾处理,得到更自然的清晰图像。     

基于融合策略的单幅图像去雾算法

为了有效增强雾天衰退图像,提出了一种基于融合策略的单幅图像去雾算法。该融合策略无需依靠大气散射模型或场景结构信息,只需通过原始衰退图像来获取其输入图与权重图。其中2幅输入图的作用主要是对原有雾图像进行颜色校正和对比度增强,而3幅权重图则突显了图像雾气较浓区域的细节信息。融合策略将上述输入图与权重图相融合以生成对比度高、色彩丰富的去雾图像。此外,本文还从人类视觉感知的角度提出了一个新的去雾效果评价指标,从而为图像去雾与去雾效果评价问题提供了新的解决思路。实验结果表明,与已有方法相比,提出的基于融合策略的去雾算法能更好地提高各种雾天图像的清晰度。     

基于颜色空间的单幅图像去雾算法

为改善雾天图像对比度差、能见度低的特点,本文结合雾天成像模型和暗原色先验规律,在颜色空间的基础上提出了一种去雾新算法。首先,在RGB颜色空间,根据暗原色先验规律估计出空气光,然后将图像从RGB颜色空间转换到HSI和HSV颜色空间,再对HSV空间下的明度分量运用大气散射模型进行去雾处理,最后再对HSI空间下的饱和度分量进行校正,最终得到去雾之后的图像。通过该算法能得到清晰化的图像,并且该算法较之传统的单幅图像去雾方法,速度更快、效果更自然。     

一种基于分割的图像去雾新算法

在雾天环境下,大气介质中悬浮颗粒的散射作用导致图像质量严重下降,限制了其使用范围,因此对雾天图像进行去雾处理是必要的.根据暗原色先验去雾的原理,在局部区域内基于图像分割的思想来较准确快速估计雾天图像的传播图,然后应用大气散射模型对雾天图像进行去雾处理,并通过直方图拉伸来增大处理后的图像的对比度.实验结果表明,该算法能有效去除雾气对图像的影响,与传统去雾算法相比较,具有较快的处理速度和较强的实用性.     

基于雾度分布与自适应衰减的图像去雾算法

针对去雾过程中的偏色及去雾不彻底等问题,提出了一种基于雾度分布与自适应线性衰减的图像去雾算法.从雾天图像退化本质以及雾度与透射率呈负相关的特性出发,提出了一种自适应线性衰减模型以完成清晰图像暗通道的估计,并得到了透射率.根据大气光仅能反映亮度信息的特性,利用雾度分布对局部大气光进行改进,并结合大气散射模型得到了去雾结果.实验表明,所提算法去雾彻底、颜色自然、亮度适宜,在主客观评价中均取得了令人满意的结果.     

一种基于反馈机制的闭环图像去雾算法

针对目前去雾算法易受大气环境随机性和复杂性影响而造成自适应性不强的问题,该文提出一种具有反馈机制的自适应闭环去雾算法。该算法首先通过基于人眼视觉的特征认知评价进行参数初始化;然后利用去雾强度评价结果对反馈校正局部对比度参数进行调节,从而对去除加性光照后的图像进行自适应局部对比度提升;最后借鉴去雾后图像的自然度设定迭代终止条件,决定是否输出去雾结果。实验表明该算法能够自适应提升不同退化类型、不同退化程度下的雾天图像对比度,且去雾结果的信息熵和清晰度质量评价指标优于已有算法。     

一种改进的透射率分布估计的夜间图像去雾算法

针对基于暗通道先验理论（dark channel prior, DCP）的去雾算法在处理夜间有雾图像时细节信息缺失、光源区域的纹理受损严重的问题,本文提出了一种改进的透射率分布估计的夜间图像去雾算法。通过引入暗态点光源模型、暗通道可信度权值因子和伪去雾图像,结合夜间图像成像模型,获取改进的透射率分布,对夜间降质图像进行去雾处理。实验结果表明,经本文算法处理后的图像在纹理细节上损失小、图像清晰度高,图像明暗对比度得到较好的拉伸,可以实现夜间有雾图像的有效去雾。     

改进的伽马校正与多尺度融合的水下图像增强

由于光在水下传播会发生吸收和散射,导致采集 的水下图像出现模糊、对比度低、色偏、光照不 均匀等问题。针对以上问题,提出了一种改进的伽马校正与多尺度融合的水下图像增强算法 。首先基于G 通道对R和B通道进行补偿,并对RGB 三通道进行直方图拉伸后使用灰度世界(Gray World) 算法得到颜 色校正图像;然后使用改进的伽马函数改善颜色校正后图像光照不均匀问题,得到光照均匀 图像,并进 行归一化处理;再对光照均匀图像使用限制对比度的自适应直方图均衡化(contrast limite d adaptive histogram equalization,CLAHE)算法得到对比度提升图像;最后采用多尺度融 合算法对以上得出的3幅图 片进行融合,得出增强图像。实验结果表明,提出的算法对不同水下环境的图像均有较好的处理 效果,图像质量评价指标得到明显提高。     

低照度环境下视频增强技术

在低照度环境下,摄像机捕捉到的夜间视频质量较差,常出现光照不足、对比度低、模糊不清和颜色偏移等问题,影响了视频的判读和理解。针对夜间视频存在的问题,提出不同时段空间背景融合技术和根据Retinex理论利用三边滤波器提取亮度图像的照度分量并结合Sigmiod 非线性拉伸函数对反射分量进行增强处理以突出细节达到图像增强的目的。经实验证明,提出的算法能够提高低照度夜间视频的整体视觉效果,图像的亮度、对比度、清晰度得到改善,突出了视频图像细节,保留了视频重要内容,增强结果自然清晰,避免了图像失真等问题,解决了夜间视频增强中常出现的光晕、鬼影、颜色偏移等问题,便于视频的判读与分析。     

基于双域分解的夜间车辆红外图像研究

夜间车辆交通红外图像光照不均,导致车辆图像细节纹理较弱,识别难度较大。为此,提出基于双域分解的夜间车辆交通红外偏振图像增强方法。采用改进Retinex低照度图像光照补偿算法,分解图像为低频图像与高频图像,对低频图像去雾、优化其对比度,对高频图像去噪与增强,合成低频、高频图像实现夜间车辆交通红外偏振图像增强。实验测试结果证明,对比传统方法,所提方法增强后图像亮度与对比度得以优化,且细节信息更丰富,具有理想的视觉效果。     

基于透射率权值因子的雾天图像融合增强算法

雾天图像增强具有重要现实意义。由于现有的图像去雾算法在提升图像全局对比度的能力上存在不足,为此将暗通道先验去雾算法与直方图均衡化算法的各自优势进行整合,该文提出一种雾天图像增强新算法。首先,分别采用基于导向滤波的暗通道先验去雾算法和基于HSV色彩空间的直方图均衡化算法处理雾天图像;然后,基于修正的透射率图构造权值因子,将上述两种处理结果加权融合,得到输出图像。仿真实验结果表明,该算法比现有去雾算法具有更高的标准差、平均梯度与信息熵,具有更好的全局与局部对比度增强效果。算法运行时间主要依赖于图像去雾环节,处理一般尺寸图像能够满足实时要求。     

Optimized contrast enhancement for real-time image and video dehazing

A fast and optimized dehazing algorithm for hazy images and videos is proposed in this work. Based on the observation that a hazy image exhibits low contrast in general, we restore the hazy image by enhancing its contrast. However, the overcompensation of the degraded contrast may truncate pixel values and cause information loss. Therefore, we formulate a cost function that consists of the contrast term and the information loss term. By minimizing the cost function, the proposed algorithm enhances the contrast and preserves the information optimally. Moreover, we extend the static image dehazing algorithm to real-time video dehazing. We reduce flickering artifacts in a dehazed video sequence by making transmission values temporally coherent. Experimental results show that the proposed algorithm effectively removes haze and is sufficiently fast for real-time dehazing applications.     

Single image dehazing using a new color channel

Images with hazy scene suffer from low-contrast, which reduces the visible quality of the scene, thus making object detection a more challenging task. Low-contrast can result from foggy weather conditions during image acquisition. Dehazing is a process of removal of haze from the photography of a hazy scene. Single-image dehazing based on dark channel priors are well-known techniques in this field. However, the performance of such techniques is limited to priors or constraints. Moreover, this type of method fails when images have sky-region. So, a method is proposed, which can restore the visibility of hazy images. First, a hazy image is divided into blocks of size 32 × 32, then the score of each block is calculated to select a block having the highest score. Atmospheric light is calculated from the selected block. A new color channel is considered to remove atmospheric scattering, obtained channel value and atmospheric light are then used to calculate the transmission map in the second step. Third, radiance is computed using a transmission map and atmospheric light. The illumination scaling factor is adopted to enhance the quality of a dehazed image in the final step. Experiments are performed on six datasets namely, I-HAZE, O-HAZE, BSDS500, FRIDA, RESIDE dataset and natural images from Google. The proposed method is compared against 11 state-of-the-art methods. The performance is analyzed using fourteen quantitative evaluation metrics. All the results demonstrate that the proposed method outperforms 11 state-of-the-art methods in most of the cases.     

图像去雾过程中的噪声抑制方法

大气中微小颗粒（如雾、霾等）的散射作用会使户外场景拍摄的图像发生退化,造成图像质量下降。图像去雾可以提升图像对比度,增加场景能见度,校正颜色失真,改善视觉效果。但是图像去雾经常会出现明显的噪声放大现象,尤其是无穷远处的天空区域最为严重。针对这一问题,提出了一种去雾过程中的噪声抑制方法。以传输率图像为指导,采用滤波半径变化的双边滤波对雾天图像进行模糊。再计算新的传输率图像,代入雾天成像模型,得到去噪后复原图像。结合噪声评价方法,实验结果验证了该方法的噪声抑制效果。     

基于OTSU分割和融合的非均匀光照水下图像增强

针对深海和夜间水域补充照明造成的水下图像光照不均,水中悬浮颗粒造成的图像 噪声、低对比度、偏色等问题,提出一种新的非均匀光照水下图像增强方法。首先,用高 斯滤波去除水下图像的噪声;其次,用最大类间方差法(大律法,maximum inter class variance, OTSU)分割出图像的明暗区域 掩膜,将亮度图分割成明暗区域,并对暗区域进行同态滤波处理,校正光照不均造成的阴 影;接着,用加权平均法融合明暗区域得到新的亮度图,重新合成彩色图像;最后,对水 下图像用对比度受限自适应直方图均衡化(contrast limited adaptive histogram equalization, CLAHE)和灰度世界进行增强对比度和颜色失 真校正,得到增强的水下图像。实验结果表明,本文提出的算法能够有效的改善光照不均 问题,并去除水下图像噪声、增强图像对比度,有利于后续目标检测、追踪等任务的进 行。     

基于迁移学习的三子网图像去雾方法

目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先,该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数,以加速模型训练收敛速度。其次,主干网络模型由3个子网组成:残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取,在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进,为衡量模型性能,模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题,可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。     

一种有效的低对比度水下图像增强算法

针对水下图像光照不均且对比度低的问题,提出一种新的水下图像增强算法。该算法首先利用去背景法获得照明均匀的前景图像;然后对传统的Butterworth同态滤波器进行改进,提高其高频增益并与相角结合,使得前景图像经改进的Butterworth同态滤波器滤波后,低频成分得到很好的抑制而高频成分被有效放大,从而获得高对比度的水下图像。实验结果表明,与其他算法相比,本文算法能有效地提高图像对比度。