利用方向延伸专家场的单幅雾天图像复原

针对已有单幅雾天图像复原算法存在的局部方向性结构信息描述不充分,易导致复原后景物局部细节模糊或丢失的不足,提出一种基于方向延伸专家场的单幅雾天图像复原算法.首先基于大气散射模型获得粗略的大气光传输图估计,并在此基础上建立方向延伸专家场模型对大气光传输图进行优化;为避免在图像景物高亮度区域出现失真现象,利用无黑点约束算法对大气光传输图进行约束及调整,再根据图像中景物的梯度先验信息获取位于无穷远区域的像素集,由此估计出大气光强值;最后根据大气散射模型反向求解,得到复原后的场景图像.实验结果表明,该算法不仅可以显著地改善景物的细节信息、提高图像清晰度,并且恢复后的景物颜色更加自然、真实.     

一种基于视觉特性的仿生图像增强算法

常见的基于人类视觉特性的图像增强算法由于是同时完成动态范围压缩和对比度增强,导致增强图像的整体对比度不高、边缘部分效果不佳.通过分析人类视觉系统的全局和局部自适应调节原理及人眼视网膜神经节细胞感受野的传输特性,提出一种仿生图像增强算法.为适应人类视觉系统对光强的主观感觉特性,对图像作全局亮度对数变换;并利用人眼的主观亮度感觉与实际光强的对数呈局部线性关系的特性,采用视网膜神经元感受野三高斯模型来调整亮度图像的局部对比度;最后利用线性变换恢复图像的彩色信息.实验结果表明,该算法的增强效果良好,特别是对于图像边界处,既能很好地增强边缘对比,又可有效地提升区域亮度对比和亮度梯度信息.     

基于HSI亮度分量和RGB空间的图像去雾算法

图像去雾技术处理的目的是消除雾霾对视频监控图像的影响,提高雾霾图像的视觉效果。目前,一般去雾图像只是比较去雾后和去雾前的图像,处理结果通常失真严重或过饱和,不能在保证细节清晰的同时保证颜色信息完整。针对上述问题,提出了一种基于大气散射模型和光学原理,建立具有散射特性的HIS亮度转换模型,并与RGB空间结合计算的图像复原方法。该方法通过分析晴天图像和雾霾图像的对比关系,结合HSI空间人眼视觉最敏感的亮度分量计算出图像场景的相对深度关系,利用大气散射模型以及景深比,对雾霾视频图像进行清晰复原和结果的测评。实验结果证明,与只从RGB空间计算的去雾霾方法对比,所提方法去雾效果更清晰,彩色失真和过饱和程度更小。     

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.     

基于景深的单幅图像快速去雾算法

在雾、霾天气条件下,由于大气粒子的散射作用导致采集的图像质量严重下降,给计算机视觉系统成像带来极大不便。针对上述问题,提出一种基于景深的单幅图像快速去雾算法。通过暗通道对图像处理,得到图像传输图,从而简化大气散射模型,利用景深信息估计大气散射模型,得到边缘突变景深关系比,通过近水平方向上的景深关系比值优化传输图,利用双边滤波对景物边缘进行处理。从3个颜色通道出发,降低波长对景深估计的影响。实验结果证明,该算法能够恢复景物边缘的细节对比度,有效提高图像的清晰度与视见度。     

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.     

基于人眼视觉感知驱动的井下图像增强算法

为解决传统的对比度增强方法在对井下图像进行处理时不能兼顾压缩动态范围、调整亮度以及增强图像对比度等问题,提出一种基于人眼视觉感知特性的井下图像对比度增强算法。首先根据人眼亮度掩蔽特性对图像进行区域划分,然后基于非线性亮度映射模型,对图像的不同区域进行不同尺度的非线性调整,最后再将亮度调整后的不同区域组合成新的图像。实验结果表明,该方法能有效增强井下低照度图像的对比度,提升图像的视觉效果。     

基于饱和度运算的快速图像去雾算法

在雾、霾等恶劣天气条件下,大气介质中悬浮粒子的散射和吸收作用会严重退化户外拍摄的图像,造成图像识别率降低.从单色大气散射模型出发,提出面向视觉感知的HSV颜色模型定义饱和度的新算法,估计大气光亮度A;利用饱和度运算估计透射率函数进而恢复场景反照率;最后经直方图拉伸得到最终的复原图像.实验结果表明,改进算法能有效地复原场景的对比度和颜色,提高图像的视觉度和计算效率.     

基于形态学和高斯滤波的图像快速去雾算法

针对暗通道先验除雾算法运算效率低以及复原图像中出现Halo效应等问题,提出一种基于形态学和高斯滤波的暗通道先验图像去雾算法。使用暗通道先验方法估计全局大气光值;对最小通道图采用形态学开操作进行滤波;采用高斯滤波进行平滑处理,降低开操作产生的像素间差异;运用膨胀运算消除相邻区域间的梯度,进而精确估计透射率;通过大气散射物理模型快速、准确地获取复原图像。实验结果表明,该算法不仅能够取得良好的除雾效果,得到细节丰富、对比度和亮度适宜的复原图像,而且大大降低了时间的复杂度,提高了运算效率。     

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.     

改进多尺度卷积神经网络的单幅图像去雾方法

针对当前已有的去雾方法容易造成天空区域存在光晕以及色彩失真的现象，提出了一种多尺度卷积结合大气散射模型的单幅图像去雾算法。将原始有雾图像与三个不同尺度的卷积核进行卷积，经过一系列特征学习后得到粗略的传播图，然后使用引导滤波器对其进行优化，得到精细化后的传播图。利用粗传播图和有雾图像计算出全局大气光。根据大气散射模型反推出无雾清晰图像。实验结果表明，该方法对天空区域的处理更加自然，在图像的纹理细节以及颜色失真上有较好的效果。     

颜色保持的实时图像/视频去雾算法

针对目前去雾算法实时性较差,对天空等区域的处理不理想以及去雾后图像偏暗等问题,提出一种实时有效的去雾算法。首先,利用暗原色先验估计粗略透射率图;其次,下采样粗略透射率图并用优化的导向滤波得到改善的透射率图,以便实时处理更高分辨率的图像;然后,上采样改善的透射率图,并对其进行修正,得到优化后的透射率图,以解决暗原色先验不适于处理含有天空等大面积亮区图像的问题;最后,经过颜色保持的自适应亮度调整得到最终去雾图像。该算法时间复杂度仅是图像像素数的线性函数,对分辨率为600×400的图像,耗时约80ms。与基于导向滤波算子的暗原色先验的单幅图像去雾方法、基于中值滤波的快速去雾方法和带颜色恢复的多尺度Retinex(MSRCR)算法进行了对比,     

单幅图像自动去雾新算法

针对雾天拍摄图像的退化现象,提出一种针对单幅图像的自动去雾新算法。该算法先将有雾图像从RGB转换到YCbCr颜色空间后,再在亮度分量上进行多尺度Retinex处理,所得的亮度图在图像清晰度评价指标的调控下经过反色变换和中值滤波即可求得传播图,并进一步得到清晰化后的复原图像。实验结果表明,该算法能有效地改善雾天图像的退化现象,提高图像的清晰度。     

一种快速的暗通道去雾算法

为了在保证暗通道先验假设去雾效果的基础上,加快处理速度,提出了一种快速去雾算法。首先,根据暗通道先验假设结合中值滤波得到透射图;再根据函数构造的思想对透射图进行精确化处理;最后,采用直方图非线性拉伸实现处理后图像亮度的调整。通过对大量雾天图像处理效果图与近年来一些去雾算法处理效果图的主观和客观比较表明,该算法在保证去雾质量的前提下,提高了速度,而且去雾后图像色彩鲜艳,细节清晰。     

基于雾气浓度估计的图像去雾算法

根据雾气浓度的视觉特征,提出一种雾气浓度估计模型.在此基础上,结合大气散射模型,提出一种新的图像去雾算法.首先,基于雾气浓度估计模型计算出雾气浓度量化图,利用模糊聚类算法在量化图中识别出雾气最浓区域并估计出全球光; 然后,对量化图中的“非雾气最浓”区域再次进行聚类处理,根据文中所提最优透射率评价指标估计出每个聚类单元的透射率,将全球光与透射图以及有雾图像导入散射模型,便可达到去雾的目的; 最后,针对去雾后图像较实际场景偏暗,提出一种基于小波域的多尺度锐化算法进行增强处理,以改善其主观视觉质量.实验结果表明,本文算法与现有主流算法相比,具有更好的去雾效果,并且其计算速度也相对较快.     

Local albedo-insensitive single image dehazing

In this paper, we present a new algorithm to remove haze from a single image. The proposed algorithm extracts transmission iteratively under the assumption that large-scale chromaticity variations are due to transmission while small-scale luminance variations are due to scene albedo. A nonlinear edge-preserving filter is introduced to incrementally refine subtle transmission map while still keeping sharp transmission map distinct. The algorithm is verified by both synthetic images and real-scene photographs. The results demonstrate that our method can produce transmission maps without being affected by the local albedo variations and, furthermore, recover haze-free images. On top of haze removal, several applications of the transmission map including refocusing and relighting are also implemented.     

反馈调节机制的暗通道去雾算法

针对暗通道图像去雾算法在处理不满足暗通道先验条件的明亮区域时,估计的透射率偏小,导致去雾后的图像与原图像相比,色彩和纹理平滑度出现较大偏差的问题,提出反馈调节的暗通道去雾算法。该算法首先通过暗通道算法对原始有雾图像进行去雾,反馈出去雾后的图像与原始图像纹理平滑度的差异,使用模糊C-均值聚类算法分割出明亮的区域;然后用高斯函数调整明亮区域偏小的透射率,使其更加接近实际的透射率;最后利用调整后的透射率求得清晰的无雾图像。实验结果表明,该算法可以有效地处理不满足暗通道先验条件的区域,使得包含明亮区域的雾化图像,去雾后的色彩更加符合真实场景,视觉效果也更好。该算法可以提高户外监视系统的鲁棒性。     

视觉信息损失先验的图像分层去雾方法

目的 针对自然场景下含雾图像呈现出低对比度和色彩失真的问题,提出一种基于视觉信息损失先验的图像去雾算法,将透射图预估转化成求解信息损失函数最小值的目标规划问题。方法 首先通过输入图像的视觉特性将图像划分成含雾浓度不同的3个视觉区域。然后根据含雾图像的视觉先验知识构造视觉信息损失函数,通过像素值溢出映射规律对透射率取值范围进行约束,采用随机梯度下降法求解局部最小透射率图。最后将细化后的全局透射率图代入大气散射模型求解去雾结果。结果 结合现有的典型去雾算法进行仿真实验,本文算法能够有效地复原退化场景的对比度和清晰度,相比于传统算法,本文算法在算法实时性方面提升约20%。结论 本文算法在改善中、浓雾区域去雾效果的同时,提升了透射图预估的效率,对改善雾霾天气下视觉成像系统的能见度和鲁棒性具有重要意义。     

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。     

基于分类学习的去雾后图像质量评价算法

针对现有去雾后图像质量评价算法少、针对性弱和有效性差等问题, 本文提出一种基于分类学习的去雾后图像质量评价算法.该算法通过分析去雾后图像本身所蕴含的质量特征, 提取出基于图像增强、图像复原、统计先验以及人类视觉系统 (Human visual system, HVS) 的度量指标; 并在本文数据库基础上, 利用支持向量机 (Support vector machine, SVM) 将质量评价问题转换为分类问题.实验结果表明, 该算法与已有评价方法相比, 在获得高效分类评价结果的同时, 具有较好的实用性和主观一致性.