基于视觉颜色感知——光学相似的图像去雾方法

针对雾霾环境影响致使户外获取的图像质量严重下降问题，提出了一种基于视觉颜色感知—光学相似的图像去雾方法。充分利用人眼感知颜色的视觉机理，结合图像的相似性原理，构造了光学相似度函数，建立了新的基于视觉颜色感知—光学相似的图像去雾模型并设计相关算法，进而进行仿真验证。仿真实验结果表明，提出的方法在对有雾图像清晰化处理过程中效果明显，并与现有的图像去雾方法在主观视觉和客观量化方面进行图像去雾效果对比，进一步表明提出的方法在清晰化含雾图像处理中取得了较好的效果。     

基于HSI亮度分量和RGB空间的图像去雾算法

图像去雾技术处理的目的是消除雾霾对视频监控图像的影响,提高雾霾图像的视觉效果。目前,一般去雾图像只是比较去雾后和去雾前的图像,处理结果通常失真严重或过饱和,不能在保证细节清晰的同时保证颜色信息完整。针对上述问题,提出了一种基于大气散射模型和光学原理,建立具有散射特性的HIS亮度转换模型,并与RGB空间结合计算的图像复原方法。该方法通过分析晴天图像和雾霾图像的对比关系,结合HSI空间人眼视觉最敏感的亮度分量计算出图像场景的相对深度关系,利用大气散射模型以及景深比,对雾霾视频图像进行清晰复原和结果的测评。实验结果证明,与只从RGB空间计算的去雾霾方法对比,所提方法去雾效果更清晰,彩色失真和过饱和程度更小。     

基于改进暗通道先验的图像去雾算法

针对雾霾天气下采集的图像存在细节丢失和对比度较低的问题,提出了基于改进暗通道先验的图像去雾算法.现有的图像去雾算法仍然受到颜色失真和亮度偏暗的困扰.而改进算法首先通过四叉树搜索算法来估计大气光候选区域,提高了大气光值估计的准确性,降低了大气光候选区域定位在亮白色物体上导致去雾后的图像出现颜色失真的情况.其次,将去雾后图...     

一种用于图像去雾的改进生成对抗网络

雾霾天气会使计算机视觉相关系统获取到的图像质量下降并影响系统的正常工作。传统图像去雾算法通过分析大量图像建立模型,并找出清晰图像与模型之间的映射关系,但该类算法大多存在颜色失真和图像失真的问题,且在某些特定场景下可能失效。基于卷积神经网络的去雾算法得到的图像质量相对较好,但是该类算法对数据集要求较高,普遍需要成对数据进行训练,而获取同一时刻和场景下的有雾图像与无雾图像难度较高。提出一种基于循环生成对抗网络（CycleGAN）的改进图像去雾算法,该算法无需使用成对的数据进行训练。通过优化生成器生成的无雾图像与真实无雾图像之间的颜色损失,使得生成器能够生成与无雾图像具有相同颜色分布的图像。同时,通过向2个生成器中分别添加对应目标域图像的输入并引入特征损失函数,以解决经典CycleGAN在图像转换时存在的图像失真问题,从而更好地还原原始图像的细节特征。实验结果表明,相较DCP、CycleGAN、AOD-Net、Cycle-dehaze等算法,该算法的结构相似度提高4.3%~23.0%,峰值信噪比提高2.3%~36.9%,其能取得更好的去雾效果。     

含有大片天空区域图像的去雾算法

为提高包含天空区域图像的去雾效果,解决暗原色先验原理去雾容易导致天空区域色彩失真以及图像整体亮度较暗的问题,针对含有大片天空的图像,提出一种基于天空分割和色调映射的图像去雾算法.在HSI颜色空间中利用图像众数和图像连通区域提出天空识别算法,分割出天空与非天空区域;然后根据暗原色先验原理分别求取二者透射率,并在天空区域完成大气光值的估计;最后在RGB空间中利用大气散射模型复原图像,并经过改进的自适应色调映射得到最终的去雾图像.采用合成雾图、实景雾图和网络收集雾图进行实验的结果表明,该算法在主观视觉和客观指标方面均能得到质量更好的去雾图像.     

基于感知监督和多层次特征融合的去雾算法

现有图像去雾方法在网络训练时没有考虑去雾后的图像是否满足人类视觉感知;其次以编解码结构为主要结构的去雾网络,不可避免丢失细节信息,去雾后的图像存在纹理模糊、颜色失真等问题。针对上述问题,提出了一个基于感知监督和多层次特征融合的图像去雾网络。在网络结构中设计了不同层次的特征融合模块。在编码阶段设计分辨率层次特征复用与融合模块,更好地提取不同尺度下表达能力更强的特征,为重建高质量图像提供更多细节信息;特征转换阶段设计空间上下文层次特征提取与融合模块,提取与融合不同感受野的空间上下文的特征,以提供更加精准的图像结构信息;解码阶段设计自适应特征融合模块,自适应地融合下采样阶段生成的不同分辨率层次的特征及特征转换阶段输出的不同空间上下文层次的特征;其次在训练阶段的损失函数中引入感知损失和多尺度结构相似度损失,引导网络学习更多的视觉感知属性。与当前主流方法相比较,该方法在定量和定性指标得到明显提升的同时提高了对去雾图像的视觉效果。实验结果表明在RESIDE合成数据集以及真实有雾图像上取得显著的去雾效果。     

基于颜色衰减的自适应去雾算法

雾霾使室外拍摄的图像、视频画质退化严重,给室外安防和交通监控等系统的正常运行带来困难。去雾算法旨在恢复图像质量,增强图像对比度和清晰度。本文提出了一种结合大气散射模型与颜色衰减先验的去雾复原模型,并以新增可见边比为评价标准,给出了模型参数的自适应求取方法,并采用引导滤波对透射率进行优化,从而较好地恢复出无雾图像。对有雾图像分别采用本文方法和三种现有去雾算法进行对比实验,从实验结果看,基于颜色衰减的自适应去雾算法可使图像清晰度、对比度得到较大的提高,与其他算法相比,在实时性和清晰度方面有一定优势。     

基于内容特征和风格特征融合的单幅图像去雾网络

基于深度学习的方法在去雾领域已经取得了很大进展,但仍然存在去雾不彻底和颜色失真等问题.针对这些问题,本文提出一种基于内容特征和风格特征相融合的单幅图像去雾网络.所提网络包括特征提取、特征融合和图像复原三个子网络,其中特征提取网络包括内容特征提取模块和风格特征提取模块,分别用于学习图像内容和图像风格以实现去雾的同时可较好地保持原始图像的色彩特征.在特征融合子网络中,引入注意力机制对内容特征提取模块输出的特征图进行通道加权实现对图像主要特征的学习,并将加权后的内容特征图与风格特征图通过卷积操作相融合.最后,图像复原模块对融合后的特征图进行非线性映射得到去雾图像.与已有方法相比,所提网络对合成图像和真实图像均可取得理想的去雾结果,同时可有效避免去雾后的颜色失真问题.     

基于光源区域自适应的夜间去雾方法

夜间有雾图像会导致图像质量下降,主要体现在夜间有雾图像光照不均、对比度较低且色偏严重,而人工光源的存在更是使得环境光呈现出不均匀性.现有的主流算法主要是针对白天图像进行处理,并不适用于夜间场景去雾处理,导致夜间去雾难度加大.针对上述问题,通过深入分析夜间有雾图像的成像特点,提出了一种新的夜间图像去雾算法.针对夜间有雾图像的色偏问题,提出了改进的暗通道先验算法(MRP)进行颜色校正,该方法单独操作每一个颜色通道进行颜色校正,从而可以减少由MRP引起的光源区域周围的光晕效应;针对夜间场景环境光不均匀性的特点,提出了基于有雾图像低频分量的最小-最大值滤波方法,以此来实现局部环境光的估计;针对最大反射率先验(DCP)估计透射率在光源处失效的问题,提出了一种基于光源区域自适应的透射率估计算法.实验结果表明,该算法在抑制光晕和光源区域发散的同时,能够较好地重现暗部细节,恢复图像具有较好的亮度和对比度,且色彩自然.相比暗通道先验,所提方法的峰值信噪比(PSNR)与结构相似性值(SSIM)平均提升了81.8％和26.5％.     

基于颜色衰减先验的自适应Retinex去雾算法

当前的图像去雾算法中对自适应的要求越来越高,而传统的Retinex算法无法根据雾天图像的实际雾化情况进行去雾,导致处理后的图像仍然存在细节不突出以及色彩失真等问题.针对上述问题,提出了一种基于颜色衰减先验的自适应Retinex去雾算法.利用颜色衰减先验理论求得有雾图像的景深信息,通过建立的景深和高斯尺度参数的线性模型实...     

基于改进循环生成式对抗网络的图像去雾方法

针对现有图像去雾方法存在的颜色失真、细节丢失以及去雾效果不自然等问题,提出一种改进的循环生成式对抗网络用于图像去雾。通过添加多尺度鉴别器作为判别器来改进原始网络结构,增强判别能力,引导网络产生更精细自然的无雾图像。同时重新设计损失函数,使用最小二乘代替交叉熵作为对抗损失,引入循环感知损失,结合原始循环一致性损失组成新的复合损失函数,提高图像颜色与细节恢复的质量。在D-HAZY和SOTS数据集上的实验结果表明：该方法能够生成较为自然的无雾图像,其主观效果和客观指标均优于对比方法,具有更好的去雾能力;与原始循环生成式对抗网络相比,峰值信噪比从19.052 dB提高至23.128 dB,结构相似性指数从0.787提高至0.867。与DehazeNet、AOD-Net与GCANet等主流去雾方法相比,峰值信噪比和结构相似性指数比排名第二的方法分别提升7.1%和4.3%。     

减少色彩失真的自适应单幅图像去雾算法

基于暗通道先验的单幅图像去雾算法是目前最为高效的图像去雾技术,然而当图像中某些场景不完全满足暗通道先验时,去雾处理后的图像中常常出现大量伪影和色彩失真,因此需要根据图像对该方法进行修正。假设图像场景亮度越高,暗通道越不可信;场景饱和度越低,暗通道越不可信。基于该假设重新设计了图像的暗通道置信度,以补偿场景不完全满足暗通道先验时估算过大的暗通道值;另外对图像进行后置增强处理,以提升图像的视觉效果。对三类具有代表性的雾天图像进行实验,实验结果显示,与相关算法相比,该算法在缓解色彩失真、去除伪影等方面表现更好。该算法通过设计暗通道置信度克服了图像场景不完全满足暗通道先验时暗通道值估计偏大的问题,显著提升了暗通道先验去雾模型对不同雾天场景的适应能力。     

图像去雾算法清晰化效果客观评价方法

针对目前去雾效果评价方法少和已有评价方法存在局限性等问题, 提出了两种图像清晰化效果评价方法.一种借助由环境渲染或光路传播图所模拟的雾 环境图像,采用全参考方式评估算法的去雾效果;一种从人类视觉感知的角度出发,采 用无参考方式构建综合评价体系以全面衡量算法的去雾性能.实验证明两种方法均能 有效地评价各算法的清晰化效果,且评估结果与人眼的主观感受相一致.本文所提评 价方法分别从构建模拟雾环境和人类视觉感知两方面考虑,与已有评价方法相比,在 获得全方面评估结论的同时,具有较好的实用性和可靠性.     

基于改进DehazeNet的图像去雾方法

近年来,计算机视觉领域得到了飞速发展,因此获得高质量的图像信息显得尤为重要.图像去雾是在恶劣天气条件下增强图像视觉质量所广泛使用的一种技术.暗通道先验的方法通过估计大气光以达到图像去雾的目的,虽取得了不错的效果,但仍然存在大气光值估计过高和不适用于大面积白色区域的问题.针对现有的图像处理去雾问题,本文提出了基于改进De...     

基于天空分割的单幅交通标志图像去雾算法

针对现有去雾算法应用于交通标志图像时容易产生信息丢失、色彩失真等问题,导致去雾后图像质量较低,不能很好地满足交通标志识别系统（TSRS）的实际应用需求,提出一种基于天空分割的单幅交通标志图像去雾算法。根据大津算法结合图像灰度特征得到自适应阈值实现天空区域和非天空区域的准确分割;非天空区域采取改进的暗通道先验算法去雾,引入自适应中值滤波和快速双边滤波联合的方法优化透射率,天空区域则采取直方图均衡化算法去雾;通过融合得到无雾图像;引入高斯滤波对严重降质图像进行去雾后清晰化处理。实验结果表明,去雾后图像在峰值信噪比等多个客观评价指标上的综合表现优于其他几种去雾方法,所提算法在保证较低的时间复杂度的同时,能有效地保留图像信息,还原出清晰的真实图像,满足TSRS的实际应用需求。     

单幅图像快速去雾算法

目前去雾算法主要有通过暗原色和对图像颜色通道处理等方法,但是这些方法去雾效率不高,从而导致实用性不强,针对此弊端提出了一种基于单幅图像的快速去雾算法。大气光估计运用改进的暗通道方法,先对颜色通道进行最小滤波,然后取最小滤波的最大值作为大气光的估计值;透射率估计运用物理模型均值滤波,先根据数学模型转换,然后进行一次均值滤波,再用偏移值来修正带透射率的估计值。算法简单快速有效,具有实用性。对实验结果进行定性定量分析,证明与其他算法相比,所提算法具有更好的去雾效果和更快的处理速度。     

基于融合策略的改进Retinex低照度图像增强算法

针对Retinex算法处理低照度彩色图像出现色彩失真,边缘保持性差等问题,提出一种基于融合策略的改进Retinex低照度图像增强算法;该算法首先在YIQ颜色空间提取亮度分量Y,对其进行MSR算法增强;然后采用高斯-拉普拉斯算子对彩色图像的RGB三个分量进行边缘检测,将其叠加合成后转换成灰度图;最后使用小波变换将两幅图像融合得到新的亮度分量,将其与I、Q分量融合后转回RGB颜色空间,从而获得色彩保真度高、细节清晰的图像;实验结果表明,该方法有效提高了图像边缘细节信息,避免了色彩失真,具有很好的视觉效果。