基于颜色饱和度的快速图像去雾研究

在雾霾天气条件下,室外场景图像往往会产生严重退化,造成图像对比度的下降和颜色的衰减。为得到清晰无雾的图像,从单色大气散射模型出发,提出一种基于颜色饱和度的快速图像去雾算法（FIDS）。首先,大气光亮度[A]通过四叉树方法进行估计,接着采用饱和度运算对透射率进行估计,并对其修正和平滑保边得到较精确的大气透射率,最后基于大气散射模型获取最终的去雾图像。对比实验结果表明该算法能提高图像的清晰度和运算效率,很好地恢复图像的颜色和对比度。     

基于颜色衰减先验的自适应Retinex去雾算法

当前的图像去雾算法中对自适应的要求越来越高,而传统的Retinex算法无法根据雾天图像的实际雾化情况进行去雾,导致处理后的图像仍然存在细节不突出以及色彩失真等问题。针对上述问题,提出了一种基于颜色衰减先验的自适应Retinex去雾算法。利用颜色衰减先验理论求得有雾图像的景深信息,通过建立的景深和高斯尺度参数的线性模型实现对亮度分量的自适应Retinex去雾处理;其次采用饱和度自适应线性拉伸算法优化饱和度分量,最终实现雾天图像的自适应处理。实验结果表明,上述算法在突出图像细节的同时,能够更好地修复图像本来的色彩,改善了雾气浓度不均对图像的影响,为图像去雾的自适应处理提供了有益参考。     

基于HSI颜色空间的单幅图像去雾算法

针对有雾图像对比度差、能见度低的情况,结合HSI颜色空间特点,提出一种单幅图像去雾算法。首先,将有雾图像从RGB颜色空间转换到HSI颜色空间;然后,依据HSI颜色空间中色度、饱和度和亮度各分量受雾影响程度的差异,建立相应的去雾模型;最后,通过分析图像饱和度,得到饱和度模型中权重的取值范围,再对亮度模型中权重进行估计,从而实现去雾效果。与其他几种算法的实验结果比较表明,所提算法运算效率提高1倍左右。同时该算法能有效增强图像清晰度,能很好地运用于单幅图像去雾。     

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。     

基于透射率归一化的单幅图像去雾算法

在有雾天气条件下拍摄的图像,由于光线在传播人过程中受到空气中悬浮颗粒的散射,导致图像内容模糊不清,颜色偏灰白色。为了恢复出清晰的图像,根据大气散射物理模型,提出一种单幅图像去雾算法。首先,该算法从大气散射模型出发,对大气光模型进行变形化简,得到新的去雾模型。然后对大气光值估计,并利用在局部统计上不相关性恢复透射率。最后,对透射率进行归一化处理,带入模型,得到恢复图像。实验结果表明,该算法能够很好地恢复图像的对比度和保持图像的真实颜色。     

结合直方图均衡化和暗通道先验的去雾算法

针对暗通道先验单幅图像去雾算法去雾不彻底且速度慢的问题,提出了一种结合直方图均衡化算法的改进算法.在分析光晕产生的基础上,算法对有雾图像的最小值图像进行了直方图均衡化,提高了最小值图像的对比度;利用双边滤波平滑且保持边缘的特性细化对比度增强后的最小值图像,以其作为引导图对初始透射率图细化.同时,取暗通道图像中强度值在前0.1%的像素点的值求平均值,作为大气光值A,根据大气散射模型恢复无雾图像.实验结果表明:算法得到的透射率图恢复的图像具有更好的清晰度,提高了运算速度,弥补了传统算法在明亮区域透射率估计的不足.     

基于并联卷积神经网络的图像去雾

针对现有的单幅图像去雾问题, 提出了一种基于并联卷积神经网络的单幅图像去雾算法, 以端对端的方式实现图像去雾. 首先, 使用雾天RGB图像YUV变换的Y、U和V分量构建并联卷积神经网络, 自适应获得雾霾特征; 网络结构由两个子网络组成, 较深的网络预测清晰图像的亮度通道, 较浅的网络预测色度通道和饱和度通道. 最后, 采用递归双边滤波, 对去雾后的图像进行滤波, 可以得到更加清晰的无雾图像. 实验结果表明, 本文去雾算法无论是在合成雾天图像数据集还是自然雾天图像数据集上, 都具有良好的对比度与清晰度. 在主观评价和客观评价方面, 本文去雾算法都优于其他对比算法.     

基于暗通道先验和Retinex理论的快速单幅图像去雾方法

针对雾霾天气下捕获的图像存在低对比度、低饱和度和色调偏移等现象, 提出了一种基于暗通道先验和Retinex理论的快速单幅图像去雾方法.该方法从大气散射模型出发, 利用暗通道先验法则,通过灰度开运算对大气光值进行区间估计,同时获得介质传输率的初始估计, 并通过白平衡简化大气散射模型; 其次,基于Retinex理论,利用高斯滤波获得介质传输率的粗略估计, 并通过线性映射实现灰度值搬移; 然后,将介质传输率的初始估计和粗略估计进行像素级融合, 利用快速联合双边滤波进行边缘优化,同时通过参数自适应调整的方法对雾图中大片天空区域的介质传输 率进行修正; 最后,通过简化大气散射模型和色调调整得到复原图像.与几种典型的图像去雾算法相比, 本文算法具有很快的运算速度,能有效提高复原图像的清晰度和对比度,同时获得较好的图像颜色.     

高斯自适应多尺度加权滤波去雾算法

为了达到良好的图像去雾效果,提出一种高斯自适应多尺度加权滤波去雾算法。通过多尺度最小值加权滤波得到暗通道图像,建立最小通道与高斯函数的关系,线性约束后并经过自适应参数对像素灰度值的调整得到粗级透射率,紧接着对得到的粗级透射率图像进行多尺度加权引导滤波得到优化透射率,结合加权大气光强并依据大气散射模型对图像进行去雾复原处理。实验结果表明,该方法有效地将单幅有雾图像进行了处理,与其他经典算法相比较得到的图像细节显示效果好,很好地恢复了场景的对比度,增加了图像的可见度,具备一定的优异性。     

结合天空分割和局部透射率优化交通图像去雾算法

针对现有的去雾算法在处理交通场景图像时由于透射率估计与实际情况偏差较大,尤其交通图像含有天空区域时容易导致色彩失真和产生光晕效应等问题,在暗原色先验理论的基础上,提出一种结合天空分割和局部透射率优化的交通图像快速去雾算法。首先,采用大津算法(OTSU)将原始图像分割为天空区域与非天空区域;其次,对非天空区域,利用最大值滤波和引导滤波对其透射率进行优化,采用自适应参数调整的方法对天空区域的透射率进行修正;最后,对复原的图像利用限制对比度自适应直方图均衡法(Contrast Limited Adaptive Histogram Equalization, CLAHE)调整色调,提高亮度。实验结果表明,对于天空区域,本文算法不但能有效减少产生颜色失真和光晕效应的现象,得到更为自然清晰的复原结果,对于非天空区域,复原结果的清晰度和对比度更高,而且,算法保持较高的运行效率,另外,去雾后的图像在方差、平均梯度、信息熵等指标上相对于暗原色先验算法、Tarel算法、Meng算法、Zhu算法和Berman算法均有所提升。本文方法可较好地复原雾天交通图像,能为雾天模糊的交通图像快速有效去雾复原提供重要有益的理论基础和技术支持。     

一种基于改进AOD-Net的航拍图像去雾算法

针对航拍图像易受雾气影响, AOD-Net (All in one dehazing network)算法对图像去雾后容易出现细节模糊、对比度过高和图像偏暗等问题, 本文提出了一种基于改进AOD-Net的航拍图像去雾算法. 本文主要从网络结构、损失函数、训练方式三个方面对AOD-Net进行改良. 首先在AOD-Net的第二个特征融合层上添加了第一层的特征图, 用全逐点卷积替换了传统卷积方式, 并用多尺度结构提升了网络对细节的处理能力. 然后用包含有图像重构损失函数、SSIM (Structural similarity)损失函数以及TV (Total variation)损失函数的复合损失函数优化去雾图的对比度、亮度以及色彩饱和度. 最后采用分段式的训练方式进一步提升了去雾图的质量. 实验结果表明, 经该算法去雾后的图像拥有令人满意的去雾结果, 图像的饱和度和对比度相较于AOD-Net更自然. 与其他对比算法相比, 该算法在合成图像实验、真实航拍图像实验以及算法耗时测试的综合表现上更好, 更适用于航拍图像实时去雾.     

暗通道先验在雾化图像复原中的应用

目前,基于暗通道先验的去雾算法是目前最有效的单幅图像去雾方法之一.文中研究比较了各种基于暗通道先验的雾化图像去雾技术;由于采用软抠图算法的暗通道先验去雾算法时间复杂度太大,文中提出利用自适应中值滤波实现对透射率的平滑与细化,以提升去雾算法的速度;提出了一种具有鲁棒性的大气光值求取方法.实验结果表明,文中所提方法能实现雾化图像的有效去雾,能保证去雾图像的清晰度,大幅提高暗通道先验去雾算法的速度,具有一定实用价值.     

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。为了研究图像去雾算法的发展过程、现状以及未来,根据原理不同将去雾算法分为基于物理模型去雾算法、基于非物理模型去雾算法和基于深度学习去雾算法三大类。对其中经典算法从内容、发展和优缺点等方面进行介绍;并对算法进行实验分析与比较。展望了去雾算法的未来研究的重难点。     

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。     

基于天空分割的单幅交通标志图像去雾算法

针对现有去雾算法应用于交通标志图像时容易产生信息丢失、色彩失真等问题,导致去雾后图像质量较低,不能很好地满足交通标志识别系统（TSRS）的实际应用需求,提出一种基于天空分割的单幅交通标志图像去雾算法。根据大津算法结合图像灰度特征得到自适应阈值实现天空区域和非天空区域的准确分割;非天空区域采取改进的暗通道先验算法去雾,引入自适应中值滤波和快速双边滤波联合的方法优化透射率,天空区域则采取直方图均衡化算法去雾;通过融合得到无雾图像;引入高斯滤波对严重降质图像进行去雾后清晰化处理。实验结果表明,去雾后图像在峰值信噪比等多个客观评价指标上的综合表现优于其他几种去雾方法,所提算法在保证较低的时间复杂度的同时,能有效地保留图像信息,还原出清晰的真实图像,满足TSRS的实际应用需求。     

基于图像分割的交通图像快速去雾算法

现有去雾算法较少考虑交通图像的特征,直接应用于交通图像去雾效果和实时性较差。针对这一情况,在充分分析了雾天交通图像特征的基础上,提出一种基于图像分割的交通图像快速去雾算法。算法首先采用改进的均值漂移算法分割出天空区域,然后在天空区域中较准确的估计出大气光强度值,最后采用基于双边滤波器的改进暗原色先验（DCP）算法实现去雾,并结合雾天交通图像的特征对去雾图像进行了后处理,增强了去雾效果。实验结果证明该算法实时性高且去雾效果好,在交通图像去雾方面所提出的算法的综合性能优于现有的同类去雾算法。     

基于暗通道先验的自适应超像素去雾算法

传统基于暗通道先验的图像去雾算法不能有效去除有雾图像在景深突变处的雾点,边界处容易引起光晕效应,对此提出一种基于暗通道先验的自适应超像素去雾算法.首先,在暗通道的获取过程中引入自适应方法判断当前像素邻域内是否具有多个景深物体,若仅存在相同景深物体,则直接求取此像素的暗通道,若存在多个景深物体,则引入超像素分割算法区分不同景深物体,减小景深变化对暗通道获取的影响,以求取更准确的暗通道;然后,估计粗略的透射率,并根据上下文约束细化透射率;最后,通过图像降质的逆过程求解去雾图像.实验结果表明,所提出的算法与暗通道先验单幅图像去雾(DCP)算法、基于边界邻域最大值滤波的快速图像去雾(EMDCP)算法、基于自适应暗原色的单幅图像去雾(ADCP)算法、带边界约束和上下文正则化的高效图像去雾(BCCR)算法相比,可将客观质量综合评价准则提高10%,能够抑制光晕效应,提高有雾图像的视觉效果.     

基于自适应融合的手掌静脉增强方法

针对掌脉轮廓不清晰，图像对比度低、亮度低，进而导致识别性能降低的现象，提出一种自适应融合的手掌静脉增强方法。首先，基于暗原色先验（DCP）去雾算法，根据掌脉图像变异系数自适应选择去雾系数，得到DCP增强图像，并且基于部分子块重叠直方图均衡（POSHE）算法得到POSHE增强图像；然后，将图像分为16个子块，依据图像灰度均值与标准差确定各子块权重；最后，根据各子块权重对DCP和POSHE增强图像进行自适应融合，得到最终增强图像。该方法既保留了DCP算法在增强图像对比度和亮度的同时不引入明显噪声的优点，又保留了POSHE算法在增强图像对比度和亮度的同时不损失局部细节的特点；同时，两者的自适应融合既解决了DCP图像阴影部分掌脉缺失现象，又削弱了POSHE产生的块效应。在对两个公开库和自建库分别进行的实验中，三个数据库的等错误率分别为0.0004、0.0472、0.0579，识别率分别为99.98%、94.27%、92.05%。实验结果表明，与现有的图像增强方法相比，该方法降低了等错误率，提高了识别精度。