基于引导滤波器的单幅雾天图像复原算法

基于中值滤波的单幅图像去雾算法所获取的大气面纱图像不能有效地保留雾天图像的边缘信息,也不能真实地反映场景的深度信息,因此,提出了一种基于引导滤波器的大气面纱修正方法。由中值滤波得到初始大气面纱,使用引导图像滤波器对其进行修正得到较为准确的大气面纱,去除多余的纹理信息的同时增强了雾天图像的边缘信息,由大气散射模型得到场景辐射光即复原图像,并对其进行亮度调整。与其他现有的典型去雾算法相比较,该算法在深度剧烈变化的边缘区域有更好的去雾和增强效果,且时间复杂度为线性。     

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.     

消除halo效应和色彩失真的去雾算法

目的 雾天条件下采集的图像存在低对比度和低场景可见度的问题,传统的去雾算法易产生halo效应和色彩失真问题。为此,结合大气散射光特性提出一种基于相对总变差的图像复原方法。方法 首先从大气散射光与纹理信息无关的角度出发,利用相对总变差分离图像主结构和图像纹理信息准确估计大气耗散函数,通过引入一个自适应保护因子来避免复原图像的色彩失真问题,最后由大气散射模型计算复原图像并进行图像的亮度调整,得到一幅清晰无雾的图像。结果 通过与经典的去雾算法比较,表明该方法可以有效避免halo效应和天空颜色失真等不足,并且在图像的深度突变处也能得到很好的去雾效果。结论 实验表明该算法的场景适应能力较强,时间复杂度与图像的大小成线性关系,相比于前人的算法在计算速度上有一定的提高。     

基于大气面纱优化和透射率修正的图像去雾

基于中值滤波的图像去雾算法不能有效去除细小边缘处的雾,且天空区域容易出现颜色失真问题。因此,提出了一种基于大气面纱优化和透射率修正的单幅图像去雾算法。首先基于阈值分割提取天空区域,并降低各颜色通道最小值图像中对应区域的灰度值,然后使用加权引导滤波得到优化后的大气面纱,从而得到较为准确的透射率,最后由大气散射模型得到复原图像。相比于其他算法,该算法在优化大气面纱的同时修正了透射率,在边缘处的去雾效果更加明显,同时解决了天空区域的色彩失真问题。     

基于导向图优化的单幅图像深度去雾算法

针对雾霾等天气条件下获取的图像出现对比度下降、颜色失真等降质现象,提出一种基于导向图优化的单幅图像深度去雾算法。该算法在对大气散耗函数特性进行分析的基础上,引入图像局部均值和标准差优化导向图;再进一步对导向图进行分区域滤波,得到平滑且边缘清晰的导向图;然后采用快速引导滤波估计大气散耗图;最后根据大气散射物理模型恢复清晰图像。实验结果表明,恢复的图像清晰自然,细节丰富,近景去雾彻底,远景去雾有很大提升,在景深突变处的边缘取得较好的效果,提高了户外视觉系统的视见度和鲁棒性。     

快速图像去雾新方法

由于原始Koschmieder模型中的变量都无法获得精确解,其求解是一病态问题,结合大气退化模型提出了一种弱化的Koschmieder模型,并基于该模型提出了一种快速图像去雾新方法。该方法避免求解晴天时所获图像的场景色度、大气传递效率和场景景深,与Dark-Channel方法相比,在速度上取得了较大提升,同时能够保持场景的颜色恒常性,而且在提升图像对比度上得到了近似甚至更好的效果。     

基于改进暗通道和导向滤波的单幅图像去雾算法

针对单幅雾霾图像中包含的大面积天空或白色物体等区域暗通道先验失效和导向滤波去雾方法去雾不彻底的问题, 提出了一种基于改进暗通道和导向滤波的单幅图像去雾算法.首先基于暗通道引入了混合暗通道, 然后对混合暗通道进行映射处理, 从而得到大气耗散函数粗估计值; 利用导向滤波方法优化大气耗散函数粗估计值, 进而求解环境光值和初始传输图; 利用全变差正则化方法对初始传输图进行优化, 以解决其平滑性较差的问题.实验结果表明, 本文算法得到的去雾图像具有较高的清晰度, 对于大面积天空或白色物体区域也能实现良好的去雾效果.     

基于双边滤波的图像去雾

目的在雾、霾等天气下,获取的图像受到大气粒子散射的影响而严重降质。针对这一问题,提出了一种基于双边滤波的单幅图像去雾算法。方法此算法是以大气散射模型为基础。首先利用双边滤波保持边缘的平滑特性得到准确的大气耗散函数。其次,针对明亮区域失真的问题,本文提出了弱化明亮区域去雾的方法。最后,通过变换大气散射模型得到清晰的无雾图像。结果大量实验结果表明,本算法恢复的图像清晰自然,尤其是在远景处和景深突变的边缘处的处理能取到很好的去雾效果。此外,其时间复杂度为图像大小的线性函数。结论针对雾、霾天气下的降质图像,基于大气散射模型与双边滤波特性,本文提出了一种新的单幅图像去雾算法。实验结果表明,本算法能获得很好的去雾效果,尤其在细节处理的表现优于Tarel的去雾算法。同时,与He Kaiming的去雾算法相比,运行时间具有明显优势,有利于实现实时性技术应用。     

特征学习的单幅图像去雾算法

目的 雾霾天气使图像降质,严重影响军事、交通和安全监控等领域信息系统的正常运作,因此图像去雾具有重要研究意义。目前主流的单幅图像去雾算法主要利用各种与雾相关的颜色特征实现,但不同的颜色先验知识往往存在各自的场景局限性。为提高图像去雾的普适性,提出一种特征学习的单幅图像去雾方法。方法 首先通过稀疏自动编码机对有雾图像进行多尺度的纹理结构特征提取,同时抽取各种与雾相关的颜色特征。然后采用多层神经网络进行样本训练,得到雾天条件下纹理结构特征及颜色特征与场景深度间的映射关系,并估算出有雾图像的场景深度图。最后结合大气散射模型,根据场景深度图复原无雾图像。结果 与主流去雾算法的结果定性对比,复原后的图像细节更清晰,颜色更自然。采用均方误差和结构相似度定量评价各算法去雾结果与真实无雾图像的相似度,本文算法结果与真实无雾场景间的相似度最高,达到99.9%。结论 对实验结果的定性及定量分析表明,本文算法能有效获取有雾图像的场景深度,复原出视觉效果理想的无雾图像,且具有很好的场景普适性。     

基于物理模型的快速单幅图像去雾方法

在雾、霾等天气条件下,大气粒子的散射作用导致捕获的图像严重降质.本文提出一种新的基于物理模型的快速单幅图像去雾算法.该算法从大气散射模型出发,通过对大气光照进行白平衡,从而简化大气散射模型;利用快速双边滤波方法估计大气耗散函数,进而恢复场景反照率.本文算法的时间复杂度达到图像像素数的线性函数,具有很快的执行速度.实验结...     

Nighttime image Dehazing with modified models of color transfer and guided image filter

Taking into account of the illumination characteristics of nighttime imaging, a new method for nighttime image dehazing is proposed in this paper. In the first place, based on the color transfer theory, the illumination level of nighttime hazy image can be artificially enhanced through flexibly selecting the reference image. In contrast to the classical model of color transfer with the strategy of overall to overall transfer, the modified model focuses on the different characteristics of various regions in the original image, and it works well even though the nighttime image is interfered by various artificial light sources. In the second place, the enhancement dehazing method based on the theory of guided image filtering is adopted since the key parameters of dehazing method using the atmospheric degradation model are difficult to obtain in the conditions of nighttime imaging. In addition, the key model parameters of guided image filter are selected according to the boundary information of original image rather than the original image itself, which makes it more advantageous for dehazing image taken on the hazy night. The experimental results show that the proposed method has better performance than the classical daytime dehazing methods. Additionally, our method exhibits superior effect compared to the well-known nighttime dehazing method in the aspects of suppressing color distortion and background illumination controlling. The evaluations of the experimental results are established on both the subjective and objective aspects, so the conclusion in this paper is more convincing.     

AIDEDNet: anti-interference and detail enhancement dehazing network for real-world scenes

The haze phenomenon seriously interferes the image acquisition and reduces image quality. Due to many uncertain factors, dehazing is typically a challenge in image processing. The most existing deep learning-based dehazing approaches apply the atmospheric scattering model (ASM) or a similar physical model, which originally comes from traditional dehazing methods. However, the data set trained in deep learning does not match well this model for three reasons. Firstly, the atmospheric illumination in ASM is obtained from prior experience, which is not accurate for dehazing real-scene. Secondly, it is difficult to get the depth of outdoor scenes for ASM. Thirdly, the haze is a complex natural phenomenon, and it is difficult to find an accurate physical model and related parameters to describe this phenomenon. In this paper, we propose a black box method, in which the haze is considered an image quality problem without using any physical model such as ASM. Analytically, we propose a novel dehazing equation to combine two mechanisms: interference item and detail enhancement item. The interference item estimates the haze information for dehazing the image, and then the detail enhancement item can repair and enhance the details of the dehazed image. Based on the new equation, we design an anti-interference and detail enhancement dehazing network (AIDEDNet), which is dramatically different from existing dehazing networks in that our network is fed into the haze-free images for training. Specifically, we propose a new way to construct a haze patch on the flight of network training. The patch is randomly selected from the input images and the thickness of haze is also randomly set. Numerous experiment results show that AIDEDNet outperforms the state-of-the-art methods on both synthetic haze scenes and real-world haze scenes.     

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。     

Color and sharpness assessment of single image dehazing

Multimedia Tools and Applications - Image dehazing is the process of enhancing a color image of a natural scene that contains an undesirable veil of fog for visualization or as a pre-processing...     

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。     

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。     

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.     

基于大气背景抑制的偏振去雾算法

提出一种基于大气背景抑制的偏振去雾算法,利用偏振成像探测系统获取任意多方向偏振图像,并对场景大气总光强及偏振度进行估计,利用景物偏振信息估算景物深度,同时对大气散射模型进行图像复原,以实现图像去雾。实验结果表明,该算法能有效改善薄雾条件下的景物视觉效果。     

基于低秩分解与像素置乱的图像去雾方法

针对浓雾场景下图像目标信息被严重遮挡,现有雾天图像清晰化算法难以取得较好去雾效果的问题,基于低秩分解并结合像素置乱提出一种新的图像去雾方法。根据低秩分解理论和散射介质成像模型,将雾天降质图像看作两部分的叠加：一部分是具有低秩特性的雾化背景,另一部分是具有高秩特性的清晰目标场景。由于目标场景本身具有局部相关性和非局部相似性而含有一定程度的低秩成分,直接进行低秩分解会导致一部分目标场景被当作雾化背景去除,因此对原始雾天图像进行像素置乱以破坏场景本身的相关性,同时雾化背景因其全局缓变特性仍保持低秩属性,从而在进行低秩分解时最大限度地保留场景信息。最后,将高秩成分进行像素归位,获得去雾后的复原场景。实验结果表明,与暗通道先验、DehazeNet等主流图像去雾方法相比,该方法针对O-HAZE数据集中浓雾图像的去雾具有更好的表现,在有效去除浓雾的同时,不会产生大面积色偏现象。     

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。