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.     

基于明亮区域分割的图像去雾算法

针对暗通道先验去雾中存在的光晕和色彩失真问题，提出一种基于明亮区域分割的图像去雾算法。首先通过亮度阈值分割和区域生长将雾天图像分割为明亮区域与非明亮区域；然后用亮通道先验和超像素分别改进明亮区域和非明亮区域透射率的计算公式；再用加权融合的方法将这两个区域的透射率进行融合得到粗略的透射率，使用引导滤波对其进行优化，同时对雾天图像进行四叉树分割，取最终分割区域像素的亮度平均值为大气光值，通过大气散射模型复原去雾图像。实验结果表明，改进后去雾图像的峰值信噪比与改进前相比提高了6.5%，信息熵提高了2.1%，新增可见边之比提高了5.5%，梯度均值提高了5.3%。本文改进算法能够解决暗通道先验去雾中的问题，得到清晰且对比度高的去雾图像。     

单幅图像的快速去雾算法

雾的存在使得户外图像的处理变得困难。雾、霭、烟等现象会使彩色图像退化,对比度降低。介绍了一种单幅图像的去雾新算法,不需要分割图像,直接利用高斯低通滤波器分离出背景空气光,利用改良的暗通道法对大气光进行估计,结合雾天图像的物理模型对图像进行复原,最后再对图像的饱和度进行校正,得到最终的复原效果。该算法的主要优点是速度快,...     

基于天空区域分割与置信度图导向融合的去雾方法研究

基于暗通道先验的去雾算法总是存在复原结果中天空区域处理不佳等问题,为了进一步优化对传输函数的估计,本文提出一种基于置信度图导向融合的传输函数优化方法。首先,将雾天图像的天空区域分离出来,以达到对天空区域的优化;计算窗口级暗通道与像素级暗通道,以平滑传输函数在物体边缘并保留小于窗口尺寸的细节特征;最后,计算窗口级暗通道与像素级暗通道之间的置信度图,以其为导向对两者进行融合得到优化的传输函数图,实现图像去雾。实验结果表明,本文算法可达到很好的复原结果优化效果。     

基于景深约束的单幅雾天图像去雾算法

本文提出一种基于景深约束的单幅雾天图像去雾算法,该算法首先对退化模型进行变换以满足Kimmel变分框架的要求;其次,考虑到人眼视网膜锥细胞对绿光的敏感性,将绿光分量作为大气传输图变分求解模型的输入;最后,利用景深图像特性,在8邻域快速求解中对能量函数进行约束,从而有效提升去雾图像的视觉效果.实验结果表明本文算法在获得最佳去雾效果的同时,具有较好的实用性和较少的计算资源消耗.     

基于图像深度重定义的雾天车道线特征提取

为了解决雾天车道线特征不清晰、车道线特征分割阈值选取困难的问题,提出了一种结合图像深度重定义去雾模型的雾天车道线特征提取方法.首先,将采集装置与道路之间的实际场景映射到几何模型上.其次,在抽象好的几何模型上提出图像深度图的定义,并根据图像深度图以及雾天图像模型计算去雾之后的图像.最后,利用图像HSV颜色模型,构建图像分割模型,对车道线特征和非车道线特征进行初步分割,并结合OSTU阈值调优方法对车道线特征进行二次分割.实验结果显示,去雾之后车道线特征清晰,阈值分割比传统的OSTU分割效果更好,最终非车道线特征的占比要比基于灰度算法的平均减少14％.     

基于小波变换的迭代融合去雾算法

在有雾气的环境下,户外采集到的图像容易出现对比度低、细节丢失等问题.针对该问题,提出了多尺度Retinex(MSR)理论结合小波变换的图像融合算法对雾天图像进行恢复.首先,用MSR算法对采集到的雾天图像进行增强处理,之后采用'db5'小波基对雾天图像与增强图像的亮度分量V进行融合处理,并对雾天图像的饱和分量进行约束,最后合成去雾图像.设置阈值,用小波变换对雾浓度相对较大的雾天图像进行二次迭代融合去除残雾.实验结果表明,所提算法可有效恢复不同浓度的雾天图像,去雾后的图像可增强暗区细节、增强图像色彩、丰富图像信息.小波融合的使用保留了更多图像信息,使图像色彩丰富自然、整体平滑,融合图像具有良好的复原效果.     

基于光照估计的夜间图像去雾

相对白天雾天图像,夜晚雾天图像具有整体亮度低、光照不均匀、偏色等特点,因此去雾难度大。本文从夜间雾天成像规律出发,提出了基于光照估计的夜间图像去雾算法。针对光照不均匀问题,通过估计光照图来去除不均匀光照的影响;针对目前白天去雾算法假设不适用于夜晚图像问题,提出基于信息熵的传输图粗估计的方法;针对颜色失真问题,通过统计光源区域的颜色属性来进行颜色校正。实验结果表明,本文算法能够有效的去除不均匀光照影响,提高图像对比度,改善图像视觉效果。     

一种改进的基于暗原色先验的雾天图像清晰化方法

为了提高雾天降质图像的清晰度,基于暗原色先验提出了一种改进的图像去雾方法。针对原算法对明亮区域敏感和运算量过大问题,首先提出天空区域自适应选择算法求取大气光强度,然后利用快速双边滤波算法修复透射率图,在保证去雾效果前提下大幅度降低了计算复杂度。针对去雾后的图像颜色较真实场景偏灰暗的问题,提出了一种简单有效的亮度调节方法。实验结果表明,该算法可以有效的消除灰白和明亮区域对大气光和透射率计算的影响,真实地复原场景的色彩和清晰度,同时,本文算法的时间复杂度与图像大小成线性关系,可以明显提升运算速度。     

雾天偏振成像影响分析及复原方法研究

为了抑制雾天图像质量的退化,基于大气散射物理模型及偏振图像暗通道原理,提出了一种改进的雾天偏振遥感图像去雾算法。首先依据大气散射模型对雾天偏振成像机理进行分析,对大气偏振信息对去雾的影响进行了阐述。其次利用边缘检测和闭运算自动获取雾天偏振图像的天空区域,估算无穷远大气光强和大气偏振度。最后,针对图像中存在的噪声干扰等因素,修正大气偏振度及大气光强,恢复了退化图像的辐射强度信息。通过理论分析和实验验证,取得了较好的雾天图像复原结果。结果表明,该算法可以准确获取天空区域,实现更高鲁棒性的天空区域估计方法,有效提高图像的对比度和清晰度,增加图像细节,改善雾天图像的质量。该算法能够有效抑制雾天对图像造成的退化,从而提高遥感的目标探测和识别能力。     

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。     

一种基于图割的图像去雾方法

暗原色先验去雾方法在户外场景图像去雾方面取得了一定的去雾效果,但该方法在估计近景局部高亮物体透射率时会产生严重误差。本文针对暗原色先验方法的不足首先利用图割理论对粗透射率图进行分块,并使用指导滤波器对细化透射率图进行校正,最后将校正的透射率图带入有雾图像成像模型求得清晰无雾图像。通过将基于暗原色先验的方法、局部对比度最大化的方法和本文中的改进方法进行了实验并对实验结果进行了分析,结果表明本文中的图割分块校正透射率的方法能够更有效地复原因雾霾影响的单幅降质图像。     

Variational optimization based single image dehazing

In this paper, we present a new approach for single image dehazing based on the proposed variational optimization. A hazy image captures the information about haze in terms of the transmission map and object details present in it. We propose to estimate the initial transmission map by performing the structure-aware smoothing of the hazy image. Further, we formulated a variational optimization for the estimation of final transmission, which refines the initial transmission of a hazy image. Atmospheric light can be considered to be constant throughout the scene for practical purposes. The uniform atmospheric light is computed from the dark channel of a hazy image. The exhaustive experimentation shows that the performance of the proposed method is comparable or better.     

Single underwater image haze removal with a learning-based approach to blurriness estimation

Underwater images are usually degraded due to light scattering and absorption. To recover the scene radiance of degraded underwater images, a new haze removal method is presented by incorporating a learning-based approach to blurriness estimation with the image formation model. Firstly, the image blurriness is estimated with a linear model trained on a set of selected grayscale images, the average Gaussian images and blurriness images. With the estimated image blurriness, three intermediate background lights (BLs) are computed to obtain the synthesized BL. Then the scene depth is calculated by using the estimated image blurriness and BL to construct a transmission map and restore the scene radiance. Compared with other haze removal methods, haze in degraded underwater images can be removed more accurately with our proposed method. Moreover, visual inspection, quantitative evaluation and application test demonstrate that our method is superior to the compared methods and beneficial to high-level vision tasks.     

基于暗原色和加权形态学滤波的图像去雾算法

针对雾天图像能见度低、对比度差的特点,提出一种自动消除雾的方法：基于暗原色和加权形态滤波的增强算法。首先引入暗原色先验信息,然后利用形态学滤波方法估计雾浓度图。该方法既能平滑雾浓度图,又能很好地保留场景的边缘,使估计出的雾浓度图更加精确。最后恢复去雾图像。实验结果表明,该方法简单快速有效,能够很好地达到去雾目的,并且较好地保留图像边缘细节。     

Depth-aware total variation regularization for underwater image dehazing

Underwater images often show severe quality degradation due to the light absorption and scattering effects in water medium. This paper introduces a scene depth regularized underwater image dehazing method to obtain high-quality underwater images. Unlike previous underwater image dehazing methods that usually calculate a transmission map or a scene depth map using priors, we construct an exponential relationship between transmission map and normalized scene depth map. An initial scene depth is first estimated by the difference between color channels. Then it is refined by total variation regularization to keep structures while smoothing excessive details. An alternating direction algorithm is given to solve the optimization problem. Extensive experiments demonstrate that the proposed method can effectively improve the visual quality of degraded underwater images, and yields high-quality results comparative to the state-of-the-art underwater image enhancement methods quantitatively and qualitatively.     

基于天空约束暗通道先验的图像去雾

针对现有暗通道图像去雾算法存在的天空色彩失真,景物边缘光晕效应等问题,本文提出了基于暗通道理论的改进去雾算法.由于暗原色先验理论不适用于天空区域,本文将引导滤波用于天空区域的细化分割,准确估计包含天空区域图像的大气光照强度,解决了天空色彩失真问题;其次,利用中值滤波得到详细边缘信息,进而得到更为清晰的透射率,有效抑制了景物边缘光晕问题;最后针对去雾后图像偏暗的问题,在HSV空间对亮度分量V通道进行增强处理.实验结果表明,针对带雾图像,本文算法能够有效地去雾,改善天空区域色彩失真以及景物边缘光晕问题.     

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。     

基于黑色通道的图像快速去雾优化算法

黑色通道优先算法在处理单幅户外场景图像去雾方面取得了一定的效果,但是该方法需要消耗大量的存储和计算资源,另外对天空区域的处理不够准确.本文仍然基于黑色通道先验知识,对图像边缘和非边缘分别采用不同的模板处理得到透射图,并通过分割天空区域或者雾最浓区域求得准确的大气光值,利用该方法可以恢复出和原方法基本一致甚至更准确的结果,并且可以大大减少消耗,提升计算速度.     

基于FPGA的视频图像去雾系统的设计与实现

基于FPGA设计与实现视频图像实时去雾系统.该系统基于暗原色去雾模型,直接估算雾的浓度并恢复出高质量的去雾图像,具有并行运算能力强、接口逻辑丰富等特性,为构建实时、便携的视频图像实时去雾系统提供了一种有效、可行的解决方案.实验结果表明,通过合理的硬件架构设计,该系统完全可达到视频去雾的实时处理.