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.     

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。     

人工光源条件下夜间雾天图像建模及去雾

夜间有雾图像光照不均匀,整体亮度较低,色偏严重,且人工光源周围存在光晕。现有的去雾模型和算法大多针对白天图像,其并不适用于夜间场景,夜间图像去雾颇具挑战性。该文深入分析夜间有雾图像的成像规律,建立含有人工光源的夜间雾天图像成像新模型,并在此基础上提出夜间图像去雾新算法。针对夜间图像光照不均问题,提出基于低通滤波的环境光估计方法,利用估计出的环境光可准确预测夜间场景传输率;针对目前夜间图像去雾后存在光源光晕问题,提出根据图像色度估计场景点属于近光源区域的程度,使算法能自适应地处理光源区域和非光源区域;针对非一致色偏问题,利用直方图匹配方法进行颜色校正。对大量图像进行实验,并与现有白天、夜晚图像去雾算法进行比较,验证了该文提出的夜间雾天图像成像模型及去雾算法的有效性。     

基于FPGA的高清实时视频去雾系统的设计与实现

实现了基于Xilinx XC6SLX45 FPGA的高清实时视频去雾系统,详细介绍了系统的逻辑框架及主要的算法实现.首先,介绍了整个系统的硬件框架及FPGA内部的逻辑框架;其次,描述了改进的暗原色先验去雾算法,给出了在FPGA中的算法实现过程;最后,对系统进行测试.实验结果表明,该系统实现了预期的高清视频实时去雾,并具有自适应功能,去雾效果良好.     

一种基于降维滤波的快速去雾算法

为了达到单幅图像的快速去雾,提出了一种基于降维滤波的快速去雾算法.采用边界约束来求取透射率图,然后用降维滤波对透射率图进行优化,减少了计算量;通过自适应调节大气光值和透射率下限值优化了天空区域的失真;对去雾后的图像进行自适应Zadeh-X变换改善图像的视觉效果.通过对多种带雾图像实验表明该算法可以达到高速和高质量的去雾,并且适用于偏暗、偏亮和颜色不丰富的带雾场景.     

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。     

基于FPGA的视频图像去雾系统的设计与实现

基于FPGA设计与实现视频图像实时去雾系统.该系统基于暗原色去雾模型,直接估算雾的浓度并恢复出高质量的去雾图像,具有并行运算能力强、接口逻辑丰富等特性,为构建实时、便携的视频图像实时去雾系统提供了一种有效、可行的解决方案.实验结果表明,通过合理的硬件架构设计,该系统完全可达到视频去雾的实时处理.     

基于FPGA的视频实时去雾算法及其硬件实现

单幅图像去雾技术虽然已经取得较大的进展,但是算法较为复杂,运行时间较长.为了实现视频实时去雾,以硬件实现为目的,对暗通道先验算法进行改进,降低其时间复杂度.提出了一种暗通道图优化方法,保留了图像的边缘信息,消除了光晕效应,省去了透射率细化的复杂操作;提出了适应于硬件实现的大气光值估计和调节及透射率补偿方法,解决了视频帧间闪烁及天空等明亮区域的色彩失真问题.基于现场可编程门阵列(FPGA)对所提出算法进行了硬件实现.结果表明,该算法可以实时处理帧速为60 f/s、分辨率为1 920×1 080的视频图像,相比传统去雾算法速度更快,去雾质量更高.     

暗原色先验自适应图像去雾方法

针对传统暗原色先验去雾算法存在的亮区域色彩失真、去雾参 数人工设定等问题,提出了一种基于暗原色先验改进的自适应图像去雾方法。首先,提出快 速OSTU法对雾霾图像亮暗区域进行自适应分割,并分区域获取亮暗区域的暗原色值;其次, 根据亮区域分布情况,对不同区域大气光强进行自适应估计;接着,通过分析雾霾图像直方 图特征,提出采用灰度集中度法自适应计算去雾系数;然后,运用色阶自适应调整方法进行 输出图像的色彩调整;最后,通过开展对比实验,验证了本文算法的优越性。主客观 评价结果表明:本文方法无需人为设定去雾参数,具有较好的 鲁棒性,可适用于多种浓度、 各种场景雾霾图像的去雾处理,获取的图像清晰、色彩自然,对比度高。     

基于雾线先验的时空关联约束视频去雾算法

现有视频去雾算法由于缺少对视频结构关联约束和帧间一致性分析,容易导致连续帧去雾结果在颜色和亮度上存在突变,同时去雾后的前景目标边缘区域也容易出现退化现象。针对上述问题,该文提出一种基于雾线先验的时空关联约束视频去雾算法,通过引入每帧图像在空间邻域中具有的结构关联性和时间邻域中具有的连续一致性,提高视频去雾算法的求解准确性和鲁棒性。算法首先使用暗通道先验估计每帧图像的大气光向量,并结合雾线先验求取初始透射率图。然后引入加权最小二乘边缘保持平滑滤波器对初始透射率图进行空间平滑,消除奇异点和噪声对估计结果的影响。进一步利用相机参数刻画连续帧间透射率图的时序变化规律,对独立求取的每帧透射率图进行时序关联修正。最后根据雾图模型获得最终的视频去雾结果。定性和定量的对比实验结果表明,该算法下视频去雾结果的帧间过渡更加自然,同时对每一帧图像的色彩还原更加准确,图像边缘的细节信息显示也更加丰富。     

Attention mechanism enhancement algorithm based on cycle consistent generative adversarial networks for single image dehazing

This paper proposes AMEA-GAN, an attention mechanism enhancement algorithm. It is cycle consistency-based generative adversarial networks for single image dehazing, which follows the mechanism of the human retina and to a great extent guarantees the color authenticity of enhanced images. To address the color distortion and fog artifacts in real-world images caused by most image dehazing methods, we refer to the human visual neurons and use the attention mechanism of similar Horizontal cell and Amazon cell in the retina to improve the structure of the generator adversarial networks. By introducing our proposed attention mechanism, the effect of haze removal becomes more natural without leaving any artifacts, especially in the dense fog area. We also use an improved symmetrical structure of FUNIE-GAN to improve the visual color perception or the color authenticity of the enhanced image and to produce a better visual effect. Experimental results show that our proposed model generates satisfactory results, that is, the output image of AMEA-GAN bears a strong sense of reality. Compared with state-of-the-art methods, AMEA-GAN not only dehazes images taken in daytime scenes but also can enhance images taken in nighttime scenes and even optical remote sensing imagery.     

基于FPGA的图像高速去雾实时系统设计实现

雾霾使光照条件恶劣,导致采集的视频图像失真.为了解决这个问题,本文采用Altera公司的Cyclone IV系列现场可编程门阵列(Field-Programmable Gate Array,FPGA)芯片作为核心,设计了支持多种分辨率的图像高速去雾实时系统.通过RAM的乒乓操作缓存高速数据流,并利用流水线处理的优势实现了限制对比度自适应直方图均衡化(Contrast Limit-ed Adaptive His-togram Equalization,CLAHE)算法的流程.实验结果表明,该系统能处理高达75 帧/秒的视频图像,具有良好的实时去雾功能.     

高分辨率视频图像实时增强系统的设计

雾霾天气情况下,视频成像跟踪系统采集到的图像往往呈现对比度低、灰度分布集中的特点,地面的军事人员很难准确、快速的识别跟踪目标,为了解决这一问题,本文以Xilinx公司的Spartan 3AN系列低成本FPGA芯片为核心,设计了高分辨率（1004×1004）视频图像实时增强系统,主要工作为系统硬件平台的设计和限制对比度直方图自适应均衡(Contrast Limited Adaptive Histogram Equalization—CLAHE)算法的FPGA实现。通过实际系统测试,设计满足实时性的要求,同时增强效果明显,可以清晰的识别目标。该系统可用于医学图像增强、交通检测及航空航天等多个领域,具有较高的实用价值。     

Efficient image dehazing algorithm using multiple priors constraints

In this study, a robust and efficient image dehazing technique based on the atmospheric scattering model is proposed, which effectively overcomes the limitations of a single prior condition. It is composed of a transmission estimation module and an atmospheric light estimation module. The transmission estimation module integrates multiple dehazing prior strategies and effectively optimises transmission estimation and application range. The atmospheric light estimation module uses the fuzzy C-means clustering algorithm (FCM) to estimate the atmospheric light of different scenes in an image. Unlike in the previous work, the atmospheric light in this module is a nonglobal value, and a pixel-level atmospheric light value matrix is obtained. Numerous experiments show that the proposed dehazing algorithm is superior to state-of-the-art methods.     

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.