基于改进SRGAN的无人机航拍图像去雾算法

针对航拍图像往往受雾霾天气影响出现图像模糊、细节丢失等问题,本研究提出了一种基于改进SRGAN的无人机航拍图像去雾算法,旨在快速高效地去除航拍图像中的雾霾并恢复图像细节和纹理信息。本文重新设计判别器核心结构SResblock并引入CBAM注意力机制,完成了对原始SRGAN的改进,提出DH SRGAN算法。在VISDRONE户外航拍合成雾数据集上测试结果显示,本算法在单幅图像去雾方面取得了显著提升,去雾后的图像与原始图像PSNR 达2448dB、SSIM 达9529,两项指标均优于传统算法。相比原始SRGAN,DH SRGAN算法更加轻量化,适合嵌入到无人机侦察任务中的图像预处理流程。     

基于双注意力机制的多尺度去雾网络

图像去雾是计算机视觉领域中一个具有挑战性的任务。在雾霾天气下拍摄的图像会受到严重的信息退化,图像颜色和对比度大幅度衰减等问题。因此,图像去雾任务作为众多高级视觉任务的前置工作成为了计算机领域的一个研究热点。随着深度学习的发展,端到端的去雾网络在图像去雾领域取得了巨大的进展。由于雾霾在图像上的像素不均匀分布,大多数端到端图像去雾网络都将特征中每个通道都平等处理,导致去雾效果欠佳。文章引入通道注意力机制使网络更加关注对去雾有效的特征,抑制无关特征。此外,我们在去雾网络中引入多尺度结构并且考虑到图像的空间结构信息,通过结合不同尺度的特征,并捕获一定的图像空间位置信息,从而达到更好的去雾效果。在合成有雾数据集和真实有雾数据集上的相关实验表明,该方法能够有效的提升去雾网络性能。     

基于图像去雾功能的车牌识别算法研究

智能交通系统是将各项高新技术用在城市交通监管上,从而使车辆行驶更加安全。车牌识别是智能交通系统的重要组成部分之一,通过对采集到的车辆图像进行处理从而获得车辆有效信息—车牌。在雾霾天气下拍摄取像时,由于大气散射作用,使得成像设备接收到的光产生了变化,导致图像对比度低、失真等问题,无法准确提取车牌信息,这对智能交通和社会安全都产生了极大地影响。本项目目标是基于matlab软件设计一款能够在雾霾天,或者能见度不高的环境下进行车牌的识别的装置,该装置具有以下功能：能够读取图片,进行图像预处理并进行去雾及增强;最后将其转化为字符串的形式并提取出来。     

一种基于反馈机制的闭环图像去雾算法

针对目前去雾算法易受大气环境随机性和复杂性影响而造成自适应性不强的问题,该文提出一种具有反馈机制的自适应闭环去雾算法。该算法首先通过基于人眼视觉的特征认知评价进行参数初始化;然后利用去雾强度评价结果对反馈校正局部对比度参数进行调节,从而对去除加性光照后的图像进行自适应局部对比度提升;最后借鉴去雾后图像的自然度设定迭代终止条件,决定是否输出去雾结果。实验表明该算法能够自适应提升不同退化类型、不同退化程度下的雾天图像对比度,且去雾结果的信息熵和清晰度质量评价指标优于已有算法。     

基于暗通道原理的图像去雾算法改进研究

针对采用暗通道原理的单幅图像去雾算法的处理效率,提出了采用低分辨率暗通道模板进行有雾图像去雾处理的改进方法;该方法利用低分辨率图像估算大气透射率并利用插值还原模板分辨率以估算无雾图像,可以在保持处理效果的同时,有效节省图像去雾的处理时间及与对处理单元资源的需求;通过分析及仿真计算验证了该方法的有效性。该方法还适用于对高分辨率图像去雾处理,具有良好的工程实用性。     

基于雾线暗原色先验的红外图像去雾算法

红外图像去雾算法的主要任务是解决红外图像因米氏散射引起的低可见性和模糊.但是当前红外图像去雾算法对红外图像暗处透射率估计欠佳,针对这一情况,研究了基于雾线暗原色先验的红外图像去雾算法.首先,利用霍夫变换估计大气光照;然后,针对雾线去雾方法在部分场景中失效的现象,采用雾线暗原色先验方法,通过假设雾线较暗端为真实颜色估计透射率,获取透射率图;最后为去除透射率图中噪声,对透射率图全变分正则化进一步优化透射率图.以公开红外数据库LTIR作为测试对象,实验结果表明,本文去雾算法在增强红外图像清晰度的同时未破坏红外辐射分布,对各种场景的红外图像有较好去雾效果.透射率估计准确,有较好红外图像去雾能力.     

基于单幅图像去雾算法分析

单幅图像去雾算法,是指在雾霾环境中,获取清晰、高质量的画面。基于单幅图像去雾算法,有利于提高画面的质量,确保交通、拍摄等项目中,能够准确的使用画面。单幅图像去雾算法,得到了充分的应用,细化算法应用,提高计算的效率。本文主要围绕单幅图像,探讨去雾算法的相关内容。     

基于暗通道原理的图像去雾算法改进

本文基于暗通原理改进的去雾算法针对透射率细化过程比较耗时的问题,通过结合Retinex算法进行改进;针对暗通道去雾类似区域出现颜色失真、色偏效应,采用分割出天空区域在求取大气参数A,提高求取大气参数A的精度,并结合阈值法对透射率加个增幅项;针对暗通道去雾处理后的图像有偏暗的现象,采用自适应对数映射算法进行色调调整。该改进算法能较好的还原出无雾图像,并具有很好的保留边缘细节信息等特性。     

视频图像去雾算法的自适应机制设计及FPGA加速实现

该文提出了一种自适应图像去雾算法,充分考虑不同复杂场景下的图像特征,建立了算法的自适应机制.该机制包含对图像是否有雾、是否为天空区域、滤波器尺寸等的自适应调整,解决了传统图像去雾算法在深度断层处可能产生的光晕效应等问题.该文同时对上述自适应图像去雾算法进行FPGA加速实现,实验结果表明,该文算法在XC7K325T型号FPGA视频处理平台上可以满足对1080P@60Hz视频去雾的实时性要求.对于大多数轻雾或浓雾场景,该文算法去雾后图像色彩自然无过饱和,全局对比度和饱和度提升比率均值为0.309和0.994,相比于本领域其他去雾算法优势明显.     

多尺度CNN与高频信息融合的图像去雾算法

针对现有去雾算法在恢复图像边缘区域效果不佳以及存在薄雾残留等问题,本文提出了一种基于多尺度卷积神经网络(CNN)与高频信息融合的图像去雾算法(HF-MSNet),采用拉普拉斯算子分离高频信息作为额外先验,用于提高图像细节恢复。首先,采用多尺度CNN作为主干网络,提取图像的主要纹理特征;其次,采用高频特征融合分支对高频信息逐阶段地提炼,并融合了通道注意力模块,使用注意力机制对不重要的特征进行约束;最后,采用高频注意力模块对全局特征自适应地筛选,整合高频特征和纹理特征的分布,得到目标的无雾图像。实验结果表明,本文的算法可以生成更自然真实的去雾图像,并在峰值信噪比(PSNR)、结构相似度(SSIM)两种指标上都达到了理想的效果。     

视频图像去雾算法的自适应机制设计及FPGA加速实现

该文提出了一种自适应图像去雾算法,充分考虑不同复杂场景下的图像特征,建立了算法的自适应机制.该机制包含对图像是否有雾、是否为天空区域、滤波器尺寸等的自适应调整,解决了传统图像去雾算法在深度断层处可能产生的光晕效应等问题.该文同时对上述自适应图像去雾算法进行FPGA加速实现,实验结果表明,该文算法在XC7K325T型号F...     

基于霾层学习的单幅图像去雾算法

针对传统去雾算法出现色彩失真、去雾不完全、出现光晕等现象,本文提出了一种基于霾层学习的卷积神经网络的单幅图像去雾算法.首先,依据大气散射物理模型进行理论推导,本文设计了一种能够直接学习和估计有雾图像和霾层图像之间的映射关系的网络模型.采用有雾图像作为输入,并输出有雾图像与无雾图像之间的残差图像,随后直接从有雾图像中去除此霾层图像,即可恢复出无雾图像.残差学习的引入,使得网络来直接估计初始霾层,利用相对大的学习率,减少计算量,加快收敛过程.再利用引导滤波进行细化,使得恢复出的无雾图像更接近真实场景.本文对不同雾浓度的有雾图片的去雾效果进行测试,并与当前主流深度学习去雾算法及其他经典算法进行对比.实验结果显示,本文设计的卷积神经网络模型在图像去雾的应用,不论在主观效果还是客观指标上,都有优势.     

基于混合注意力机制的SAR图像目标识别算法

深度学习算法应用于SAR图像分类领域时存在模型训练时间较长且精度不够高等问题。对此,提出一种基于混合注意力机制的卷积神经网络模型,该模型基本模块分为主干分支和软分支。主干分支由残差收缩网络和改良之后的通道注意力机制组成,负责提取主要特征;软分支将下采样和上采样相结合,负责提取混合注意力权重,增强从输入到输出的映射能力。该模型在MSTAR数据集上取得了99.6%的识别率,且训练时间较短。噪声分析显示：该模型对椒盐噪声具有较强的鲁棒性。     

单幅图像的快速去雾算法

雾的存在使得户外图像的处理变得困难。雾、霭、烟等现象会使彩色图像退化,对比度降低。介绍了一种单幅图像的去雾新算法,不需要分割图像,直接利用高斯低通滤波器分离出背景空气光,利用改良的暗通道法对大气光进行估计,结合雾天图像的物理模型对图像进行复原,最后再对图像的饱和度进行校正,得到最终的复原效果。该算法的主要优点是速度快,...     

基于融合策略的单幅图像去雾算法

为了有效增强雾天衰退图像,提出了一种基于融合策略的单幅图像去雾算法。该融合策略无需依靠大气散射模型或场景结构信息,只需通过原始衰退图像来获取其输入图与权重图。其中2幅输入图的作用主要是对原有雾图像进行颜色校正和对比度增强,而3幅权重图则突显了图像雾气较浓区域的细节信息。融合策略将上述输入图与权重图相融合以生成对比度高、色彩丰富的去雾图像。此外,本文还从人类视觉感知的角度提出了一个新的去雾效果评价指标,从而为图像去雾与去雾效果评价问题提供了新的解决思路。实验结果表明,与已有方法相比,提出的基于融合策略的去雾算法能更好地提高各种雾天图像的清晰度。     

基于生成对抗网络的图像去雾算法

近几年在图像去雾领域中基于深度学习的方法层出不穷,利用循环生成对抗网络(CycleGAN)设计图像去雾算法.在CycleGAN中,通过对生成器进行改进来达到预期的处理效果.在生成器的编码网络和解码网络中选用Leaky ReLU和tanh两种激活函数,并对转换网络的残差块进行减少数量处理和加权优化处理.本设计能够更好地展...     

基于饱和度运算单幅图像去雾算法

在雾、霾等恶劣的天气条件下,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图像,造成图像识别率降低.从单色大气散射模型和暗原色先验规律,提出面向视觉感知的HSI颜色模型的饱和度的新算法,从而实现图像去雾,对于去雾图像最小值像素点采用极大值和极小值进行估计,并对透射率进行修正.该算法能够有效地提高清晰度,能很好地运用于单幅图像去雾.     

改进的雾线先验透射率优化图像去雾算法

针对传统去雾算法处理图像后存在颜色不均衡、能见度较低等问题,提出一种基于雾线先验的双边滤波优化透射率算法。首先,将像素在RGB空间中聚类成雾线并引入自适应模块对大气光值进行预估。将大气散射模型和上下文正则化原理相结合,对图像透射率进行初步优化,同时基于最小通道对透射率进行更正,使得传输率图更加平滑,防止相邻景深区域透射率差距过大;再经过双边滤波对透射率进行二次优化,使其变得更加精准。然后,将大气光值和透射率输入到大气散射模型进行去雾处理得到无雾图像。最后,将去雾后的图像进行色彩增强,以提升图像的色彩真实性和亮度。实验结果表明,所提方法在主观上提升了人眼的视觉效果,在客观评价指标结构相似性(SSIM)、峰值信噪比(PSNR)、角点检测数、通用质量指数(UQI)、自然图像质量评估(NIQE)和处理时长上均有着显著的优越性。