单幅雾天图像复原

 本文提出了一种单幅雾天图像分割复原的方法,首先利用黑体原理估计粗糙的大气光传输图,然后使用拉普拉斯修补矩阵对分割之后的传输图进行修补,当场景目标和大气光很类似时,采用置信传播推断算法纠正传输图,经过修补和推断之后的传输图能够准确反映光线通过雾的传输过程,结合雾天图像光学模型,从雾的物理特性上去除雾对图像的影响.实验结果表明,本文提出的雾天图像分割复原算法能够有效恢复出清晰图像,并能获取相应雾天图像深度信息.     

基于物理模型的快速单幅图像去雾方法

在雾天环境下,获取的图像受到大气粒子散射的影响而导致对比度和能见度降低.针对该问题,提出了一种基于物理模型的单幅图像的快速去雾方法.该方法以大气散射模型为基础,引入暗原色先验规律求取全局大气光,利用双边滤波局部估计雾浓度,间接求取大气耗散函数,最终通过变换的大气散射模型恢复无雾图像.大量实验结果表明,该方法能够恢复出自然清晰的无雾图像,并能够较好地处理景深突变的边缘及远景处.此外,该算法在处理图像的运算时间上具有明显的优势,可满足图像实时处理要求.     

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％.     

基于多态滤波的雾天激光图像增强研究

针对原有雾天激光图像增强方法完成图像处理后图像清晰度较差的问题,提出引用多态滤波技术实现雾天激光图像增强方法研究。首先根据雾天大气粒子类型及能见度范围构建大气散射模型,在对图像进行处理的过程中,通过此模型剔除对图像具有影响的数据。引用小波变换以及HSI颜色空间预处理上述图像数据,完成对激光图像的预处理。将预处理后的图像使用多态滤波,实现对原有图像的增强效果。最后与其他两种方法进行图像清晰度增强效果对比实验可知,所设计方法图像增强后清晰度更佳。综上所述,基于多态滤波的雾天激光图像增强方法更加适用于激光图像处理。     

单幅图像的深度标签流形学习

图像中背景与前景对象的空间位置决定了场景在图像中的相对深度,利用图像的局部特征相似性和流形结构的降维性能,并应用salient区域DCT高频系数分布的深度排序索引性能,定义出图像深度的马尔科夫概率图模型MRF。通过划分场景对象检测salient区域模糊度,最后估计得出图像场景的相对深度图。通过学习图像数据的流形嵌入对数据流形分布概率密度函数进行迁移,得出遵循相似流形分布的对象特征类别标记概率密度分布。进一步检测空间变化salient区的模糊程度,融合多尺度梯度幅度的高频离散余弦变换DCT系数特征,依据模糊变化高频特征计算深度标记索引确定深度标签的层级次序,融合类别标签以生成深度图。这种模型框架下检测单个图像中模糊和未模糊的区域,可获得图像中场景的相对深度,而无需了解相机设置或模糊类型的先验参数。在典型的深度图估计数据集中应用MRF深度图模型评测图像的深度估计性能,实验结果给出该方法在检测场景分布和划分场景深度次序上的准确率,验证了方法的有效性。     

雾天多次散射对激光透射仪能见度测量的影响

为了分析雾天多次散射引起的激光透射仪能见度测量误差，结合激光大气透射仪的系统参量，基于平流雾和辐射雾分布模型，采用蒙特卡洛法对激光在雾中的传输特性进行了理论分析和数值模拟，获得了雾天透过率数据，并计算得到了多次散射引起的能见度误差。结果表明，在雾天气下随着空气中含水量的增多，多次散射越明显，透过率测量误差越大，辐射雾的透过率相对误差高达116.76%；同等条件下，当接收机直径为100cm时，辐射雾多次散射引起的能见度测量误差为19.30%；同时选取较小的接收机直径可以减小多次散射引起的能见度测量误差。因此, 在雾天应用激光透射仪进行能见度测量时，需考虑多次散射的影响。此研究结果对实际雾天气下激光大气透射仪能见度的测量具有重要的指导意义。     

基于颜色空间的单幅图像去雾算法

为改善雾天图像对比度差、能见度低的特点,本文结合雾天成像模型和暗原色先验规律,在颜色空间的基础上提出了一种去雾新算法。首先,在RGB颜色空间,根据暗原色先验规律估计出空气光,然后将图像从RGB颜色空间转换到HSI和HSV颜色空间,再对HSV空间下的明度分量运用大气散射模型进行去雾处理,最后再对HSI空间下的饱和度分量进行校正,最终得到去雾之后的图像。通过该算法能得到清晰化的图像,并且该算法较之传统的单幅图像去雾方法,速度更快、效果更自然。     

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.     

基于多小波增强的雾天运动目标跟踪技术

在雾天等能见度极低的天气环境下应用联合变换相关器对运动目标进行跟踪识别，针对目标由于灰度对比度极低、能见度差及环境中背景噪声干扰所引起的低识别率问题，提出了一种基于多小波增强的预处理方法，该方法在多小波变换优点的基础上，根据分解后系数的不同特点，采用不同方法分别增强高、低频系数，使处理后的图像在不失真的同时，对比度和目标边缘同时增强，且背景噪声得以抑制。对模拟雾天环境下拍摄的大量运动目标进行光学相关实验，结果表明:该方法能有效提高在雾天天气环境下运动目标的跟踪效率，验证了算法的可行性。     

基于密集特征融合的无监督单目深度估计

针对无监督单目深度估计生成深度图质量低、边界模糊、伪影过多等问题,该文提出基于密集特征融合的深度网络编解码结构。设计密集特征融合层(DFFL)并将其以密集连接的形式填充U型编解码器,同时精简编码器部分,实现编、解码器的性能均衡。在训练过程中,将校正后的双目图像输入给网络,以重构视图的相似性约束网络生成视差图。测试时,根据已知的相机基线距离与焦距将生成的视差图转换为深度图。在KITTI数据集上的实验结果表明,该方法在预测精度和误差值上优于现有的算法。     

面向路灯照明自适应调节的雾天能见度分类

在智慧城市研究领域中，基于能见度分类网络进行路灯照明的智能调节，是近年来有效减少雾天发生交通安全事故的重要研究分支。但是，现有相关方法研究普遍存在准确率低和结果滞后等问题。基于此，提出了一种面向路灯照明自适应调节的雾天能见度分类方法。首先，通过分析多色彩空间的像素级信息，从而实现对图像的日夜判别；其次，基于此通过融合堆叠式注意力分割的残差网络，对雾天图像进行能见度精细化分类；最后，通过雾天能见度分类结果引导路灯自适应调节亮度、色温。实验验证表明，所提方法在自建数据集中分类准确率达到了80.56%,相较于ResNet提升了1.39%,能够有效引导路灯照明的自适应调节，为雾天车辆行驶提供了安全保障。     

基于密集特征融合的无监督单目深度估计

针对无监督单目深度估计生成深度图质量低、边界模糊、伪影过多等问题,该文提出基于密集特征融合的深度网络编解码结构.设计密集特征融合层(DFFL)并将其以密集连接的形式填充U型编解码器,同时精简编码器部分,实现编、解码器的性能均衡.在训练过程中,将校正后的双目图像输入给网络,以重构视图的相似性约束网络生成视差图.测试时,根据已知的相机基线距离与焦距将生成的视差图转换为深度图.在KITTI数据集上的实验结果表明,该方法在预测精度和误差值上优于现有的算法.     

基于局部深度一致性的自监督手部姿态估计

基于深度图的3D手部姿态估计通常需要大量人工标注数据以达到高精确度和鲁棒性，然而关节点标注过程冗杂且存在一定误差.现有研究工作使用自监督方法解决对标注数据的依赖，通过在虚拟数据集上预训练网络，并在无标注的真实数据集上进行模型拟合，实现3D姿态估计.自监督方法的关键在于设计模型拟合的能量函数以减小模型在真实数据集上的精度下降程度.为了减小模型拟合难度，本文提出局部深度一致性损失，依据初始姿态估计结果，提取输入与输出深度图的局部表征，将深度图显式地解耦为以关节点为中心的不同区域.通过有针对性地对不同关节点进行局部优化，减少虚拟与真实深度图之间的固有领域误差对网络学习的影响，增加训练的稳定性.本文方法在NYU数据集上相比基础方法平均关节点误差提升了21.9%.     

基于Double-Head的雾天图像目标检测

雾天环境下的图像对比度低,图像中的目标较为模糊并且其特征提取存在一定难度。现有的目标检测方法对于雾天图像的检测准确率偏低。针对上述问题,本文在Double-Head框架上基于图像的特征提取部分和预测头部进行改进。首先,在提取的深层特征图上添加通道和空间双维度的复合注意力机制,提高网络关注显著目标的能力;其次,将原始图像经过改进的暗通道先验以及处理后得到的先验矩阵和特征图进一步融合,获取更全面的雾天图像特征信息;最后,在预测头部引入可分离卷积,使用解耦合预测头对目标进行最终的分类和回归。该方法在RTTS数据集上的mAP为49.37%,在合成数据集S-KITTI和S-COCOval数据集上的AP值分别为66.7%和57.7%。与其他主流算法相比,本文算法具有更高的目标检测精度。     

基于图割的高质量深度图获取方法

3DTV作为下一代视频广播系统,还有许多技术难点有待解决,其中深度估计是3DTV的关键技术之一。为了获取高质量的深度图,提出基于图割(graph cut)的深度估计方法。该算法在构建能量函数的数据项时,通过对窗口内各个像素赋予自适应权重,引入梯度信息以抑制因亮度差异导致的误匹配问题并保护边缘信息。然后,经过交叉检测将深度图像素分为可靠点与不可靠点两类。对检测后的深度图进行后处理迭代优化,从而提高所获取深度值的可靠性。实验表明此算法估计出的深度图用VSRS绘制虚拟合成视时比标准的深度估计软件DERS5.1可有效提高虚拟视质量。     

一种单幅图像去雾方法

针对雾天图像时比度差、能见度降低的特点,提出了一种局部尘雾消除方法--LDOS.首先引入暗原色统计先验,说明有雾图像暗通道和其尘雾浓度图之间的近似关系.然后,针对以往的尘雾浓度估计方法存在估计结果粗糙、修正方法复杂、不易实现等问题,给出了一种新颖而有效的估计方法--中值滤波.该方法既能平滑尘雾浓度图,又能很好地保留场景...     

加权SIFT流深度迁移的单幅图像2D转3D

2D视频转3D视频是解决3D片源不足的主要手段,而单幅图像的深度估计是其中的关键步骤.提出基于加权SIFT流深度迁移和能量模型优化的单幅图像深度提取方法.首先利用图像的全局描述符从深度图数据库中检索出近邻图像;其次通过SIFT流建立输入图像和近邻图像之间像素级稠密对应关系;再次由SIFT流误差计算迁移权重,将近邻图像对应像素点的深度乘以权重后迁移到输入图像上;然后利用均值滤波对迁移后的近邻图像深度进行融合;最后建立深度图优化能量模型,在尽量接近迁移后近邻图像深度的前提下,平滑梯度较小区域的深度.实验结果表明,该方法降低了估计深度图的平均相对误差,增强了深度图的均匀性.     

基于强度反转和变分Retinex模型的图像去雾方法

提出一种基于强度反转变分 Retinex模型的雾天图像增强方法。首先,通过反转操作将雾天图像转化为虚拟暗图 像,并基于变分Retinex模型快速估计出虚拟暗图像所对应的入射分量图。然后,对雾天图像中的天空区域进行识别,并在此基础上对入射分量图进行修正,进而获取对应的反射分量图。最后,通过对反射分量图进行反转操作来获得消除雾气后的清 晰图像,并引入一种图像亮度调整算法进一步提高清晰图像的视觉效果。实验结果证实了所提方法的有效性。     

融合一致性与差异性约束的光场深度估计

光场图像深度估计是光场三维重建、目标检测、跟踪等应用中十分关键的技术.虽然光场图像的重聚焦特性为深度估计提供了非常有用的信息,但是在处理遮挡区域、边缘区域、噪声干扰等情况时,光场图像深度估计仍然存在很大的挑战.因此,提出了一种基于极平面图(Epipolar plane image,EPI)斜线像素一致性和极平面图区域差异性的深度估计算法用于解决遮挡和噪声问题.EPI斜线像素的一致性采用旋转线性算子(Spinning linear operator,SLO)的颜色熵度量,能够提高深度图边缘的准确性以及抗噪能力;EPI区域的差异性采用旋转平行四边形算子(Spinning parallelogram operator,SPO)的卡方x2度量,能够提高深度图深度渐变区域的准确性,并使用置信度加权的方法将两种度量进行融合,可以减少遮挡区域和噪声的干扰.另外,充分利用像素邻域的颜色相似性,使用引导保边滤波器和马尔科夫随机场(Markov random field,MRF)全局优化策略进行后处理,进一步减少深度图的边缘错误,得到遮挡边缘准确的深度图.在HCI光场数据集上进行了实验,并与经典光场深度估计算法进行了对比,结果表明该算法在主观质量和客观指标两方面都有明显提升.     

融合一致性与差异性约束的光场深度估计

光场图像深度估计是光场三维重建、目标检测、跟踪等应用中十分关键的技术.虽然光场图像的重聚焦特性为深度估计提供了非常有用的信息,但是在处理遮挡区域、边缘区域、噪声干扰等情况时,光场图像深度估计仍然存在很大的挑战.因此,提出了一种基于极平面图(Epipolar plane image,EPI)斜线像素一致性和极平面图区域差异性的深度估计算法用于解决遮挡和噪声问题.EPI斜线像素的一致性采用旋转线性算子(Spinning linear operator,SLO)的颜色熵度量,能够提高深度图边缘的准确性以及抗噪能力;EPI区域的差异性采用旋转平行四边形算子(Spinning parallelogram operator,SPO)的卡方x2度量,能够提高深度图深度渐变区域的准确性,并使用置信度加权的方法将两种度量进行融合,可以减少遮挡区域和噪声的干扰.另外,充分利用像素邻域的颜色相似性,使用引导保边滤波器和马尔科夫随机场(Markov random field,MRF)全局优化策略进行后处理,进一步减少深度图的边缘错误,得到遮挡边缘准确的深度图.在HCI光场数据集上进行了实验,并与经典光场深度估计算法进行了对比,结果表明该算法在主观质量和客观指标两方面都有明显提升.