基于形态学与梯度域导向滤波的图像去雾算法

目前的多数图像去雾方法不适用于浓雾场景,存在去雾后图像亮度偏暗及光晕伪影等问题,提出一种利用图像形态学和梯度域导向滤波的去雾算法。通过暗通道先验算法得到初始透射率,并根据图像形态学闭、开运算细化和平滑初始透射率。运用梯度域导向滤波优化透射率图,以平滑透射率图的边缘和消除矩形块状效应。为更好地估计出大气光值,对雾图的最小强度图进行形态学灰度腐蚀,并经过导向滤波处理,以此结果作为暗通道图,选取其最亮的前0.1%像素点对应到原图中,最高的像素值作为大气光值,得到大气光值后利用大气散射模型求出去雾后的图像。将除雾后的RGB图像转换到HSI颜色空间,利用多曝光融合框架对I通道进行无雾图像整体亮度提高,最终转到RGB颜色空间。实验结果表明,该算法能够恢复更多的细节信息,保证图像具有合适亮度,且颜色自然,无光晕伪影,优于暗通道先验和颜色衰减先验等去雾算法。     

暗原色先验图像去雾改进新方法

针对暗原色先验在明亮区域和天空区域透射率估计值偏小,致使复原图像亮度偏暗、颜色失真等问题,提出了一种新的图像去雾算法。在计算暗通道函数时,定义了一类平滑暗通道对3个颜色通道值的集中趋势进行描述,则该区域像素点的暗通道的值为其三原色通道的平均值,代替原来的最小值。使用均值滤波得到平滑的粗透射率,再通过引导滤波对透射率进行细化处理,进而估计全球大气光值,有效地去除了光晕效应及黑斑效应。将图像像素的亮度值与全球大气光值进行比较,对处在一定范围内大于或小于大气光值的像素点作为明亮区域的点,并对该点的透射率进行修正,使求得的透射率更为准确,复原后的图像细节更加清晰。实验结果表明,该算法能有效解决大面积明亮区域图像失真的问题,复原后的图像也具有较高的亮度和对比度。     

基于自适应大气光校正的图像去雾方法

针对暗通道先验去雾算法的不足,提出一种自适应大气光校正的改进算法。利用四叉树算法粗略估计大气光,利用提出的自适应大气光校正方法校正粗略估计的大气光;利用均值滤波代替最小值滤波得到暗通道,进而得到平滑的透射率,该透射率不需细化;使用一种自适应透射率补偿方法对天空等明亮区域的透射率进行动态修正;根据大气散射模型复原出无雾图像,并对无雾图像进行色调调整,用来得到清晰明亮的输出图像。实验结果表明,该算法具有较快的处理速度,同时所恢复出的图像细节突出,具有较好的视觉效果。     

结合暗通道先验的光补偿快速去雾算法

针对暗通道先验单幅图像去雾算法去雾不彻底、天空区域偏色严重且去雾速度慢等问题,提出了一种结合暗通道先验的光补偿快速去雾算法。首先将二阶Butterworth高通滤波器引入同态滤波函数,在频域内对最小颜色分量进行增强,同时,平滑最小颜色分量中的光照,补偿局部区域因光照不足引起的图像质量下降;然后用双边滤波对其进行平滑处理,使光照在最小颜色分量图像上过渡更加自然;最后将处理之后的最小颜色分量作为引导图细化初始透射率。实验结果表明,与Tarel算法和中值滤波算法相比,该算法得到的去雾图像具有更好的视觉效果;与引导滤波算法相比,该算法去雾效果更为彻底,天空区域颜色还原准确,且运算速度更快。     

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。     

基于图像融合的快速单幅图像去雾算法

针对单幅雾霾图像中存在大面积明亮区域,暗通道先验失效、引导滤波算法去雾不彻底和时间复杂度较高的问题,提出了一种基于图像融合的快速单幅图像去雾算法.在大气散射模型的基础上,对大气光值进行区间估计;由暗通道先验法得到透射率的简单估计,由Retinex理论进行多尺度高斯卷积得到透射率的模糊估计,利用图像融合将两者进行像素级融合,得到透射率的精确估计;采用交叉双边滤波进行平滑处理并针对明亮区域修正透射率;对复原图像进行色调调整后得到最终图像.实验表明:算法不仅取得良好的去雾效果和较好的图像色彩,还有效降低了时间复杂度.     

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。     

基于暗通道先验的单幅图像去雾新算法

由于暗通道先验去雾算法会使天空等明亮区域产生颜色失真、偏移等问题,对此文中提出基于暗通道先验的单幅图像去雾新算法,提高了图像去雾效果.首先,根据图像的大小设计了一种自适应滤波窗口;其次,为了防止图像中的高亮像素对大气光值估计的影响,利用变差函数去除这些高亮像素,并结合去除高亮像素后图像的暗通道图,估计大气光值;然后,提出了一种结合结构相似性的暗通道先验去雾改进算法,并对透射率进行优化、修正;接着,利用大气散射模型恢复出无雾图像;最后,利用RGB模型和HIS模型的相互转化,增强恢复图像的亮度.实验结果表明,该算法不仅能对图中景物进行较好的去雾,还能较好地处理天空等明亮区域,使处理后的图像有很好的视觉效果.     

基于优化透射率的快速去雾方法

针对恢复后图像产生光晕和求大气光值时存在大量计算负担的情况,提出了一种的基于优化透射率的快速图像去雾新方法。采用直方图均衡化和双边滤波透射率修正机制来消除图像的光晕效应。此外,为了减少预估大气光值的计算负担,在大气模型的基础上,优化了大气光值的快速估计方法,使大气光值估计值更加准确。其次,为了改善去雾之后图片颜色暗淡的情况,采用直接非线性方法对图像进行后处理,来改善去雾后效果图的整体视觉效果。最终实验结果显示,本文算法与文献[11]的算法对比,去雾后图片的信息熵平均提高了0.4447,对比度平均提高了19.0429,能够更快速有效地去雾。     

基于补偿暗通道和透射率融合的图像去雾算法

针对暗通道先验算法去雾不彻底且透射率估计不准确的问题，提出了一种基于补偿暗通道和透射率融合的去雾算法。该方法首先用中值滤波补偿暗通道，解决复原图像边缘细节不突出问题；然后由补偿暗通道得到透射率的简单估计及白平衡得到透射率的模糊估计，将两者进行像素级融合，得到透射率的精确估计；最后根据大气散射模型恢复出无雾图像。实验结果表明，该算法获得了较为精确的透射率，复原图像有效消除了残雾和Halo现象，在天空区域有较好的色彩保真度，同时也有效提升了运算速度。     

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.     

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。     

融合双边滤波和腐蚀处理的图像快速去雾方法

大气中混浊媒介（如雾、烟、水滴等）的存在致使户外场景图像降质,暗原色先验法对单幅图像去雾具有较好的效果,但是在处理图像时存在存储消耗大、耗时长等不足。针对这一不足,在暗原色先验原理基础上,提出一种融合双边滤波和腐蚀处理的图像快速去雾方法。该方法利用暗原色先验得到粗略软抠图,通过腐蚀处理粗略软抠图的边界点,再利用高斯型双边滤波对腐蚀后的透射图进行细化操作得到最终复原图像。实验结果表明该方法不仅达到了图像复原的要求,且比原方法在处理速度上有了较大的提高,同时还可以将其进一步应用于视频图像去雾。     

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。     

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。     

导向滤波优化的单幅去雾算法

针对暗原色先验的单幅去雾算法计算复杂度高,无法满足交通监控系统中实时性需求,且大气光易受白色物体影响,以及天空区域易失真的缺陷和景物边界出现白边现象,提出了基于暗原色改进的快速去雾算法.采用四叉树搜索的算法对大气光进行精确估计,利用最大值滤波后的差值图像估计出天空区域,对透射率进行补偿,利用导向滤波器改进透射率并结合大气散射模型恢复无雾图像.实验结果表明:改进算法改善了原算法去雾效果的同时也提高了算法的速度.     

Estimation of atmospheric light based on gaussian distribution

Existing defogging algorithms use a small number of sample points to estimate the atmospheric light, which leads to poor defogging effect. To solve this problem, a novel Gaussian distribution based algorithm for atmospheric light estimation is proposed. The algorithm has the following features: it uses a brightness threshold to select the candidate points to increase the number of initial samples; it uses clustering algorithms to merge the point clusters for increasing the samples included in the candidate point cluster; it uses a proportional threshold to filter out unreasonable point clusters; it regards each candidate point cluster as a single light source and calculates their influence on surrounding pixels with a Gaussian-distribution-based model; and it uses an atmospheric light map (instead of a constant value) to restore the image. The experimental results suggest that the defogging results produced by the proposed algorithm look more natural than the original algorithm under subjective vision and the objective image quality evaluation indicators are also excellent.