基于物理模型的低照度图像增强算法

针对低照度图像反转后为与雾天图像相似的伪雾图,其雾的浓度由光照情况而非景深决定这一特点,提出一种基于物理模型的低照度图像增强算法。该算法根据光照情况给出一种更加准确且快速的新方法估计伪雾图的透射率。首先,采用暗原色先验规律对伪雾图的环境光值进行估计,并基于光照情况对透射率进行估计;然后,基于大气散射模型还原出无雾图像;最后,对无雾图像反转得到低照度图像的增强结果,并对该结果进行细节补偿得到最终的增强图像。大量实验表明,与基于暗原色先验的增强算法、基于去雾技术的增强算法及带色彩恢复的多尺度Retinex算法相比,该算法处理效率更高且效果良好,信息不会丢失,可有效提高图像分析识别等系统的工作效率。     

基于视觉感知的快速雾天图像清晰度复原

针对雾霾恶劣天气状况下获取的图像视觉效果差,本文提出了一种基于视觉感知的快速雾天图像清晰度复原方法,测算大气光学物理模型的两个重要参量。首先采用阈值分割结合二叉树分割的方法拟合较为精准的大气光值,进而采用自适应各向异性型高斯滤波与色调调整方法优化透射率。与算法[1,3,5,8]实验结果表明,本文算法的去雾效果图效果饱和清晰,能够保留清晰的边缘细节和较高的对比度,算法的处理效率高,能满足实际应用需求。     

变差函数和形态学滤波的图像去雾算法

目的 为解决户外视觉系统在恶劣环境下捕捉图像存在细节模糊、对比度较低等问题,提出一种基于变差函数和形态学滤波的图像去雾算法（简称IDA_VAM）。方法 该算法首先利用变差函数获取较准确的全局环境光值,然后对最小通道图采用多结构元形态学开闭滤波器获取粗略的大气散射图,进而估计大气透射率并进行修正,接着采用双边滤波对其进行平滑操作,最后通过物理模型得到复原图像并进行色调调整,获取明亮、清晰无雾的图像。结果 本文算法与多种图像去雾算法进行对比,在含有雾气的近景图像、远景图像以及有明亮区域的图像均能很好地去除雾气,图像的信息熵值相对提高了38.0%,对比度值相对提高了34.1%,清晰度值相对提高了134.5%,得到较好的复原效果,获取一幅自然明亮的无雾图像。结论 大量仿真实验结果证实,IDA_VAM能够很好地恢复非复杂场景下的近景图像、远景图像以及含有明亮区域图像的色彩和清晰度,获得清晰明亮的无雾图像,细节可见度较高,且算法的时间复杂度与图像像素点个数呈线性关系,具有较好的实时性。     

消除光晕效应和保持细节信息的图像快速去雾算法

现有的基于大气散射物理模型的图像去雾算法,在去雾过程中大都无法避免的会产生光晕效应和细节丢失。针对这一问题,提出了一种消除光晕效应和保持细节信息的图像快速去雾算法。首先运用四叉树子矩阵划分的分层遍历方法得到更精确的大气光值,再通过分析大气散耗函数,利用融合梯度信息的改进引导滤波得到精确估计的大气散耗函数,并自适应的获取最小值图像与大气光平均值的阈值,求解出透射图,最后反演复原出无雾图像,并对复原后的图像进行亮度调整。对多组有雾图像进行了实验,本算法能有效地抑制去雾过程中产生的光晕效应,较多地保留了图像的细节信息,且运行时间大约减少了一倍。融合梯度信息的改进引导滤波不但可以较好地保留透射图的细节信息,有效地消除光晕效应,而且具有较好的鲁棒性和时间复杂性。本算法适用于交通等室外场景的去雾。     

基于人眼视觉特性的快速单幅图像去雾算法

为从降质图像中去除天气的影响,提出一种快速的图像去雾算法。该算法基于二色大气散射模型,针对雾天图像的亮度分布特点以及人眼的视觉特性,首先采用亮度分量来估计粗略传输图,然后采用线性空域滤波对粗略传输图进行细化处理,并利用大气散射模型得到复原图像,最后采用基于人眼视觉特性的拟合函数对复原图像进行亮度调节,使恢复的图像更自然、清晰。大量实验结果表明,该算法恢复的图像在对比度、信息熵和运算时间等客观评价标准上都优于现存算法,具有良好的视觉效果。     

结合精确大气散射图计算的图像快速去雾

提出一种基于精确大气散射图的单幅图像快速去雾算法.首先基于大气散射光的特性,充分利用双边滤波保边缘的平滑特性,估测大气散射光和图像局部对比度,并通过引入像素值与平均灰度值的比较,得出更加准确的大气散射图,然后根据大气散射模型复原雾天图像.通过对获得的结果图像进行色调调整和局部去噪的优化处理,得到一幅视觉上较真实的清晰无雾图像.通过与几种典型的图像去雾算法比较,表明本文算法对于远景和深度发生突变的位置可以获得更好的去雾效果.同时,本文算法的时间复杂度与图像大小成线性关系,并且由于本文算法可以并行运行,因此可以进一步采用GPU加速,从而使得本文算法可以满足实时应用的需求.     

基于物理模型的单幅雾天图像去雾方法

雾天图像对比度降低,为了保证图像的可见性,需要对图像进行去雾处理。根据光学原理,雾天条件下场景的能见度下降是与场景深度呈指数关系的。为了对雾天图像进行清晰化,提出一种基于大气光学物理模型的图像去雾算法。该算法首先用四叉树方法估计出雾天图像的环境光;然后估计出使输出图像对比度最大化的传输函数;最后进行雾天图像复原。试验表明,该方法是有效的和有用的。     

基于视觉物理模型的去雾算法

针对现有图像去雾算法不能有效增强复杂大气环境下退化图像的问题,结合单色 大气散射模型、大气传输函数(ATF)以及Retinex 提出了一种基于视觉物理模型(VPM)的图像去 雾算法。新模型可同时描述非均匀光照退化、雾霾退化以及噪声退化等复杂大气环境下的图像 退化。模型求解过程首先使用变分法消除环境光退化,然后引入马尔科夫随机场将场景反射率 求解问题转换为了最大后验概率问题,最后利用对比度抑制自适应直方图均衡来校正场景反射 率亮度,从而实现图像去雾。实验结果表明VPM 能够指复杂大气环境下退化图像的增强,使 其物理保真度和视觉愉悦性得到有效改善。     

含有大片天空区域图像的去雾算法

为提高包含天空区域图像的去雾效果,解决暗原色先验原理去雾容易导致天空区域色彩失真以及图像整体亮度较暗的问题,针对含有大片天空的图像,提出一种基于天空分割和色调映射的图像去雾算法.在HSI颜色空间中利用图像众数和图像连通区域提出天空识别算法,分割出天空与非天空区域;然后根据暗原色先验原理分别求取二者透射率,并在天空区域完成大气光值的估计;最后在RGB空间中利用大气散射模型复原图像,并经过改进的自适应色调映射得到最终的去雾图像.采用合成雾图、实景雾图和网络收集雾图进行实验的结果表明,该算法在主观视觉和客观指标方面均能得到质量更好的去雾图像.     

图像去雾透射率的优化算法

在雾、霾等天气条件下,大气粒子的散射作用导致图像严重降质。本文提出一种简单快速的基于物理模型的 图像去雾新算法,对大气散射模型进行化简,得到新的去雾模型。然后,利用暗原色先验方法估计大气光值A,并代入新的简 化模型,得到去雾图像。实验表明,该算法在处理速度和去雾效果上都优于现有算法。     

基于物理模型的单幅图像对比复原算法

基于图像复原的去雾算法中参数的估计容易造成去雾图像场景信息的丢失,对此,提出一种图像去雾新算法。在暗通道先验的基础上,通过对大气散射模型的分析,总结出雾气分布对暗通道图像的影响,并依此对外景图像进行加雾操作,利用加雾后的参考图像与外景图像中各点的景深关系完成透射率的估计,进而达到去雾目的。算法利用物理模型和多幅图像实现参数的估计,能够更好地保留场景信息。实验结果表明,该算法不仅去雾效果优于对比算法,在处理速度上也有明显改善。     

融合GF-MSRCR和暗通道先验的图像去雾

目的 针对雾天图像高亮和雾浓区域中容易出现场景透射率值求取不准确,导致复原后的图像细节丢失、出现光晕现象、对比度和色彩难以满足人眼的视觉特性等问题,提出了一种融合引导滤波优化的色彩恢复多尺度视网膜算法（GF-MSRCR）和暗通道先验的图像去雾算法。方法 首先利用加权四叉树方法从最小通道图中快速搜索全局大气光值,再从图像增强角度应用GF-MSRCR算法初步估计场景透射率值,依据暗通道先验原理对最小通道图进行二次估测,根据两次求取结果按一定比例进行像素级图像融合,得到场景透射率估计值;利用变差函数修正估计值,经中值滤波进一步优化得到场景透射率的精确值,最后通过大气散射模型恢复雾天图像,调整对比度和恢复颜色后,得到了轮廓完整且细节清晰的无雾图像。结果 理论分析和实验结果表明,经本文算法去雾处理后的图像信息熵、对比度、平均梯度、结构相似性分别平均提升了7.87%、21.95%、47.73%和15.58%,同时运行时间缩短了53.22%,对近景、含小部分天空区域、含大片天空区域和含白色物体场景的多种类型雾天图像显示出较好的复原效果。结论 融合GF-MSRCR和暗通道先验的图像去雾算法能快速有效保留图像的细节信息、消除光晕,满足了人眼的视觉特性,具有一定的实用性以及普适性。     

基于暗原色先验原理的偏振图像浓雾去除算法

在浓雾天气下,针对基于常规偏振特性去雾算法去雾效果不理想的特点,提出了一种基于暗原色先验原理的颜色空间转化算法去除偏振图像的浓雾。相比传统的成像技术,偏振图像探测技术在复杂环境下的目标探测和识别处理具有独特的优势,偏振图像通常采用强度图、偏振度图、偏振角图来表征目标的偏振信息。为了达到偏振信息与去雾模型相结合的目的,采用一种颜色空间转化的方法,首先把偏振信息转化到HIS颜色空间对应的亮度、色度、饱和度等各分量中,再把HIS颜色空间映射到RGB空间;其次,结合雾霾图像的大气散射模型用暗原色先验原理求图像的暗通道图;最后,在图像的稀疏先验基础上用softmatting算法细化修正大气传输率。实验结果表明,在能见度很低时,去雾后图像的标准差、信息熵、平均梯度等指标比现有的偏振去雾技术提高很多,该方法能有效增强浓雾天气下图像的整体对比度,提高偏振图像的目标识别能力。     

混合先验与加权引导滤波的图像去雾算法

目的 图像去雾是降低雾、霾、沙等低能见度成像环境对图像的退化影响,提高图像信息获取质量的过程。为了消除先验盲区,同时进一步提高去雾图像边缘细节的清晰度,提出一种混合先验与加权引导滤波的图像去雾算法。方法 首先改进大气光值估计方法,提高大气光值估计的准确性。然后利用混合先验理论求取双约束区域的大气透射率,一定程度上消除了先验盲区,提高了去雾算法的鲁棒性。最后利用加权引导滤波算法优化透射率图,提高了图像边缘细节的清晰度。结果 本文以通用去雾测试图像和小型无人机拍摄的雾天图像作为实验对象,通过对比分析4种组合步骤算法的复原效果,验证本文各步骤改进方法的合理性与整体算法的优越性。实验结果表明：混合先验理论改善了暗原色先验在明亮区域的失真现象和颜色衰减先验对浓雾处理上的不足,取得了较好的视觉效果;加权引导滤波改善了图像边缘模糊的现象,使复原后的图像边缘细节更加清晰;相较传统算法,本文算法视觉效果更好,去雾图像边缘细节更加明显,综合评价指标均值提升幅度较大。结论 针对有雾图像复原,通过理论分析和实验验证,说明了本文各步骤的改进具有一定的优越性,所提的算法具有较强的鲁棒性。     

基于颜色衰减的自适应去雾算法

雾霾使室外拍摄的图像、视频画质退化严重,给室外安防和交通监控等系统的正常运行带来困难。去雾算法旨在恢复图像质量,增强图像对比度和清晰度。本文提出了一种结合大气散射模型与颜色衰减先验的去雾复原模型,并以新增可见边比为评价标准,给出了模型参数的自适应求取方法,并采用引导滤波对透射率进行优化,从而较好地恢复出无雾图像。对有雾图像分别采用本文方法和三种现有去雾算法进行对比实验,从实验结果看,基于颜色衰减的自适应去雾算法可使图像清晰度、对比度得到较大的提高,与其他算法相比,在实时性和清晰度方面有一定优势。     

基于半反图像的导向滤波光补偿快速去雾算法

针对传统的基于暗原色先验的单幅图像去雾算法速度慢、效率较低,去雾不彻底以及在明亮区域颜色失真等问题,提出了一种基于半反图像的导向滤波光补偿快速去雾算法,将经过阈值调整的半反图像作为导向图,通过引导滤波得到大气散耗图,根据大气散射物理模型恢复清晰图像,并将恢复的图像进行参考白光补偿得到最终的去雾图像.实验结果表明:算法不仅降低了传统算法的时间复杂度,而且有效恢复了场景的对比度和饱和度,近景去雾彻底,远景去雾效果提升明显.     

基于改进DehazeNet的图像去雾方法

近年来,计算机视觉领域得到了飞速发展,因此获得高质量的图像信息显得尤为重要.图像去雾是在恶劣天气条件下增强图像视觉质量所广泛使用的一种技术.暗通道先验的方法通过估计大气光以达到图像去雾的目的,虽取得了不错的效果,但仍然存在大气光值估计过高和不适用于大面积白色区域的问题.针对现有的图像处理去雾问题,本文提出了基于改进DehazeNet的深度学习图像去雾方法,该方法在估计透射率图部分引入了深度可分离卷积层.为增大感受野,在大气光值中采用膨胀卷积的方法,经验证表明,本文改进的去雾算法能有效还原有雾图像,提高图像质量,去雾效果从定量和定性两者评价上均优于其他对比算法.