基于自适应gamma校正估计的图像去雾算法

针对当前流行的图像去雾算法存在去雾过度造成图像颜色失真,或者去雾不足等问题,提出了一种自适应gamma校正估计的图像去雾算法。首先根据图像亮度,利用不同的gamma校正函数拟合不同场景深度下有雾图像与无雾图像之间的关系,自适应估算出无雾图像最小通道,并通过引导滤波算法进行修正,保持局部区域内线性的关系,进而根据大气散射模型得到初始透射率,然后通过高斯相对性进行优化;另外,通过增加搜索领域,将有雾图像的蓝色通道上半部分作为输入对四叉树算法进行改进,得到场景最深处所对应的有雾图像像素值作为大气光值;最后通过gamma校正函数对复原图像的亮度进行增强。实验结果表明复原图像的对比度、平均梯度分别平均提高了40.66%,20.98%,并具有较高的信息熵。上述算法去雾显著,复原图像具有较高的清晰度。     

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。     

一种改进实时图像去雾的暗原色先验算法

针对暗原色先验图像去雾算法运行时间长,天空区域分割耗时,复原图像中存在方块效应以及整体偏暗等缺点,提出一种改进的实时图像去雾暗原色先验算法。在暗通道求取时,使用快速最小值滤波,加快传统暗通道求取最小值排序的时间;在大气光求取时,使用像素值限定的方法快速排除天空区域,使用暗通道图像剩余最亮部分对应原图像像素值的均值,有效避免原算法中求取大气光值过大导致复原图像失真的现象;在透射率的优化时,使用Sobel边缘检测与求取图像二阶导数图像,得到精细的透射率,改善了细化透射率的时间复杂度;对最终图像采取伽码变换,提高图像亮度。实验结果表明,与原暗通道先验算法相比,此算法有效提高了算法的实时性。     

基于暗原色优化算法的去雾研究

针对基于传统的暗原色先验去雾算法中,由于某些场景下的雾天图像存在大面积明亮区域无法满足暗原色先验的假设,导致去雾效果不佳。文中就此问题提出了一种改进的去雾算法,基于McCartnet的理论建立大气散射模型,根据暗通道理论粗略估计透射率,之后引入容差参数并设置阈值,重新计算明亮区域的透射率,从而实现对明亮区域透射率的自校正。针对于复原图像色彩较暗的问题,采用改进的线性亮度调整方法来调节图像的亮度。实验结果显示,相较于原算法而言,改进算法可以有效的对大气光值进行估计,降低明亮区域的色彩失真,复原的图像可以保持足够的亮度,同时不丢失图像的细节,视觉效果显著提高。     

基于暗通道先验的图像去雾优化算法

暗通道先验算法虽然在单幅图像去雾方面取得了一定的效果,但是该算法运行时间较长,另外对环境光的计算不太准确,不适用于天空区域,会导致复原图像色彩失真、亮度偏暗。针对这些缺陷,本文提出一种改进的White Patch Retinex算法,对原有图像去雾算法进行优化。首先,通过改进的White Patch Retinex算法计算出环境光。其次通过暗通道先验算法获得透射率。最后根据得到的环境光和透射率,求解大气散射模型,从而得到去雾后的图像。实验结果表明,该算法不仅运行时间较短,对分辨率为600×800的图像处理时间平均为5 s左右,且能解决天空区域失真问题,去雾后的图像具有较高的亮度和对比度。     

基于多尺度Retinex和暗通道的自适应图像去雾算法

针对暗通道先验算法处理大片天空区域存在复原图像的可视化效果较差和图像细节信息不丰富等问题,提出一种基于多尺度Retinex和暗通道的自适应图像去雾算法。采用Canny算子对亮度分量进行边缘检测并利用多尺度Retinex算法消除亮度分量,采用交叉双边滤波优化暗通道的先验理论获得粗略估计的透射率,采用四叉树子空间搜索法选取全局大气光值。为了消除图像中复原图像整体较暗以及无法显示细节信息的现象,使用二维伽马函数校正亮度值,最终得到复原后的去雾图像。实验结果表明,所提算法可以有效恢复有雾图像的细节信息,去雾较为彻底,整体平滑,色彩明亮度较好,图像清晰自然。     

基于雾度分布与自适应衰减的图像去雾算法

针对去雾过程中的偏色及去雾不彻底等问题,提出了一种基于雾度分布与自适应线性衰减的图像去雾算法.从雾天图像退化本质以及雾度与透射率呈负相关的特性出发,提出了一种自适应线性衰减模型以完成清晰图像暗通道的估计,并得到了透射率.根据大气光仅能反映亮度信息的特性,利用雾度分布对局部大气光进行改进,并结合大气散射模型得到了去雾结果.实验表明,所提算法去雾彻底、颜色自然、亮度适宜,在主客观评价中均取得了令人满意的结果.     

基于改进暗通道算法的红外图像去雾研究

为了提高红外图像去雾的质量,采用改进暗通道算法。首先通过图像自身调节来获得较准确的大气光强,利用原图暗原色图以及亮原色图的调节因子得到更加接近图像真实值的大气光强;然后均方差判断去雾图像区域块的对比度,通过透射率伸缩系数和透射率增减系数来调节透射率;接着为避免去雾图像画质偏暗,通过灰度值大小对图像亮度进行校正;最后给出了算法流程。实验仿真显示本文算法没有色彩失真现象,边缘细节处理更清晰明亮,平均梯度值最少为6.0,信息熵最少为7.5,峰值信噪比最少为17.6dB,能够满足红外图像去雾对清晰度、信息量的要求。     

基于改进暗通道和自适应容差的图像去雾算法

传统暗通道去雾算法计算的透射率图存在块效应,易造成复原图像白边现象,同时图像中天空、白云等明亮区域不适用暗通道原理,易引起去雾图像失真。本文结合引导滤波和自适应容差机制提出了一种基于多尺度暗通道和自适应容差的去雾算法,可有效避免以上问题。首先,计算3种不同尺寸滤波窗口下的透射率初估计,并对估计结果进行有效融合;接着,通过引导滤波对透射率进行细化,以获得鲁棒性和准确性更好的多尺度透射率图;然后,引入自适应容差策略对图像中明亮区域的透射率进行修正;最后,由于暗通道去雾图像整体亮度偏暗,因此对去雾图像的亮度和对比度进行亮度补偿。实验结果表明,采用不同算法对不含和少量天空区域的图像去雾,信息熵约提高0.2 bit/symbol,平均梯度约提高0.5,PSNR约提高8 dB。对较多和大量天空区域图像去雾,PSNR约提高3 dB,SSIM约提高0.1。较好地实现了去雾图像细节清晰、颜色可靠且明亮区域去雾效果良好等要求。     

结合天空区域分割的图像去雾算法

针对现有去雾算法在天空区域易失真和复原图像整体偏暗的问题,提出一种结合天空区域分割的图像去雾算法.该算法首先利用图像局部香农熵将原图像分割为天空区域与非天空区域;然后对相应的透射率分别进行求取,并利用快速引导滤波对最终的透射率进行细化处理,再采用四叉树搜索算法求取大气光值,最后利用暗原色先验模型恢复出无雾图像;另外对于整体偏暗的复原图像,则利用改进的局部对比度保留的非线性增强方法进行亮度调整.实验结果表明,与其它去雾算法相比,所提算法能更有效地复原图像;复原后的图像无颜色失真和光晕效应,而且清晰度和亮度更佳,整体视觉效果更加符合人眼视觉特性.     

一种快速的单幅图像去雾算法

为了解决基于暗原色先验的单幅图像去雾算法运行效率低,以及去雾后在图像的明亮灰白区域存在图像色彩失真的问题,提出一种快速有效的单幅图像去雾算法.该算法基于HSI色彩空间进行粗略的透射率以及大气光的估计;然后,用导向滤波对粗略的透射率进行平滑,再利用阈值法对灰白明亮区域的透射率进行修正,得到最终的透射率;最后,进行色彩调整得到复原图像.实验结果表明,本文算法具有很高的运行效率,能有效提高复原图像的清晰度和对比度.     

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.     

Single image visibility restoration using optical compensation and pixel-by-pixel transmission estimation

Aiming at image degradation in hazy and sandstorm weather,an optical compensation color restoration and pixel-by-pixel transmissvity estimation algorithm was proposed.The blue light was absorbed by sandstorm particles.The color shift phenomenon could be eliminated by optical compensate method,which convert the sandstorm images into hazy images.Then the ratio relationship between the minimum channel and its Gaussian function as the transmissivity,and median filter was used to eliminate its texture effects.The depth of the restored transmissivity alternated obviously and the edge was well preserved,which did not need the time-consuming postprocessing operativity.Finally,the image was restored by the atmospheric scattering model.The experimental results show that recovered sandstorm image treatment is better,and the saturation of the haze image is appropriate,the bright area is more nature,and running time is faster.     

基于改进暗通道算法的红外图像去雾

为了提高红外图像去雾效果,提出改进暗通道算法。首先利用近红外光在天空区域与非天空区域的穿透能力不同,天空区域的红外能量相对非天空区域能量较小,通过红外有雾图像的能量差异性划分为天空区域、非天空区域;接着天空区域的大气光值通过滑动窗口的像素亮度平均值计算,透射率考虑近红外波段衰减,非天空区域的大气光值、透射率通过改进暗通道算法计算;最后通过各区域大气光值、透射率恢复出无雾图像。实验结果表明,本文算法对红外图像去雾结果清晰,图像细节信息较好,评价指标较优。     

结合区域生长与容差机制的暗通道去雾算法

针对传统的暗通道先验算法在处理带有大面积天空区域的有雾图像时出现明显的块效应、色彩失真和亮度偏低等问题,提出了一种结合区域生长与容差机制的去雾算法。首先通过灰度图腐蚀求出暗通道;接着利用种子区域生长法分割出天空区域,并把天空区域的平均灰度值作为大气光值估计;然后结合大气散射模型得到粗略的透视率,并采用改良的容差机制和引导滤波对透视率进行修正和细化;最后,引入Retinex法对图像进行后处理,进一步调整色彩和亮度。实验结果表明,本文提出的去雾算法对带有天空区域的图像去雾效果明显,天空区域的色彩有了显著改善,图像整体清晰明亮。     

结合线性景深和自适应雾浓度的去雾算法

针对图像去雾中由于景深和大气光估计不准确等问题,导致军事监测、目标检测、导航、无人驾驶等系统成像设备获取到的图像质量下降,提出一种结合线性景深估计和自适应雾浓度估计的去雾算法。首先,依照景深与亮度分量和饱和度的关系,利用双滤波优化二者高亮区域,结合线性转换建立线性模型估计景深。然后,提取纹理特征构造雾浓度模型求取自适应散射系数,通过所求景深与自适应散射系数得到透射率。最后,根据对雾图是否含有天空区域的判决,采用两种不同的大气光估计方法。实验结果通过与不同去雾算法定性和定量分析,所提出的方法在保留深度边缘、颜色质量及细节方面具有良好的有效性和鲁棒性,图像恢复质量也相对较佳。     

基于自适应指数加权移动平均滤波的快速去雾算法

经典的暗原色先验去雾算法易丢失图像细节信息,基于保边滤波的去雾算法虽可以有效保护图像细节,却耗时较长。针对以上问题,提出一种能够很好地保护图像边缘细节且耗时较短的自适应指数加权移动平均滤波算法,并与改进的暗通道结合,实现快速去雾。首先,对暗通道加以改进并求得透射率粗分布;再利用自适应指数加权移动平均滤波算法对透射率进行优化;之后修复明亮区域透射率,避免颜色失真;最后通过变换大气散射模型求解得到去雾图像。实验结果表明:本文算法具有很快的执行速度,且经本文算法处理后的去雾图像质量较高,在有效边缘强度、色彩还原能力、结构信息这三个无参考客观评价指标下均表现不错。     

Single image dehazing using a new color channel

Images with hazy scene suffer from low-contrast, which reduces the visible quality of the scene, thus making object detection a more challenging task. Low-contrast can result from foggy weather conditions during image acquisition. Dehazing is a process of removal of haze from the photography of a hazy scene. Single-image dehazing based on dark channel priors are well-known techniques in this field. However, the performance of such techniques is limited to priors or constraints. Moreover, this type of method fails when images have sky-region. So, a method is proposed, which can restore the visibility of hazy images. First, a hazy image is divided into blocks of size 32 × 32, then the score of each block is calculated to select a block having the highest score. Atmospheric light is calculated from the selected block. A new color channel is considered to remove atmospheric scattering, obtained channel value and atmospheric light are then used to calculate the transmission map in the second step. Third, radiance is computed using a transmission map and atmospheric light. The illumination scaling factor is adopted to enhance the quality of a dehazed image in the final step. Experiments are performed on six datasets namely, I-HAZE, O-HAZE, BSDS500, FRIDA, RESIDE dataset and natural images from Google. The proposed method is compared against 11 state-of-the-art methods. The performance is analyzed using fourteen quantitative evaluation metrics. All the results demonstrate that the proposed method outperforms 11 state-of-the-art methods in most of the cases.