图像去雾算法综述

由于气候变化、空气污染等原因,含雾图像的产生不可避免。对含雾图像进行去雾处理是消除雾对图像的不良影响,进而获得细节纹理等方面高质量的清晰图像。首先,主要就图像增强、物理模型和深度学习三个方面对图像去雾算法的研究现状进行系统的归纳总结,包括各类去雾算法的优缺点分析。其次,指出去雾算法的问题所在。最后,提出去雾算法的前景展望。     

图像去雾算法研究综述

随着人工智能技术的不断发展,计算机视觉在各个领域有着广泛的应用。然而这些应用作用在有雾图像上,其性能将受到严重的影响。为解决此类问题,图像去雾算法研究已受到较多研究者的关注。图像去雾算法是为了处理有雾受损场景、获取细节增强的图像预处理结果图的处理方法。为了研究图像去雾算法的发展现状,将对传统图像处理去雾算法和深度学习去雾算法进行分类。在此基础上,介绍不同算法的优缺点,并总结图像去雾算法的发展展望。     

图像去雾技术研究综述与展望

图像去雾技术是图像处理和计算机视觉领域共同关心的重要问题。通过从图像处理和物理模型的研究角度对图像去雾技术进行综述,综合了近年来提出的典型的图像去雾方法的基本原理和最新研究进展,并对一些典型的及最新提出的去雾方法,给出了其视觉上的去雾效果和客观的评估数据。最后展望了图像去雾技术的未来研究方向,并给出了一些建议。     

特征学习的单幅图像去雾算法

目的 雾霾天气使图像降质,严重影响军事、交通和安全监控等领域信息系统的正常运作,因此图像去雾具有重要研究意义。目前主流的单幅图像去雾算法主要利用各种与雾相关的颜色特征实现,但不同的颜色先验知识往往存在各自的场景局限性。为提高图像去雾的普适性,提出一种特征学习的单幅图像去雾方法。方法 首先通过稀疏自动编码机对有雾图像进行多尺度的纹理结构特征提取,同时抽取各种与雾相关的颜色特征。然后采用多层神经网络进行样本训练,得到雾天条件下纹理结构特征及颜色特征与场景深度间的映射关系,并估算出有雾图像的场景深度图。最后结合大气散射模型,根据场景深度图复原无雾图像。结果 与主流去雾算法的结果定性对比,复原后的图像细节更清晰,颜色更自然。采用均方误差和结构相似度定量评价各算法去雾结果与真实无雾图像的相似度,本文算法结果与真实无雾场景间的相似度最高,达到99.9%。结论 对实验结果的定性及定量分析表明,本文算法能有效获取有雾图像的场景深度,复原出视觉效果理想的无雾图像,且具有很好的场景普适性。     

图像去雾技术研究综述

图像去雾是计算机视觉领域一个重要的研究方向,旨在从有雾图像中获取原有场景的细节和纹理特征等信息,进而得到清晰无雾的图像。作为一项基础的图像处理任务,图像去雾技术有着广泛的应用。为了探究图像去雾算法的发展历程与研究现状,现将去雾算法按照所使用图像数量的不同分为多幅图像去雾算法和单幅图像去雾算法两大类。首先梳理了图像去雾算法的发展历程与研究现状,然后对比总结了各类算法的异同点,最后讨论了图像去雾算法的研究所面临的潜在问题,并对未来的研究方向做出了全新的展望。     

基于曝光融合的单幅图像去雾算法

针对雾霾等恶劣天气导致户外图像降质的问题,设计了一种简单、高效的图像去雾算法。首先通过空域高通滤波对降质图像进行处理,达到压制低频分量、增强图像边缘细节的目的;然后,对滤波后的图像进行空间线性对比度拉伸,增强图像的对比度;最后通过拉普拉斯金字塔的多曝光图像融合方法,将滤波结果与对比度拉伸结果进行融合,得到最终的去雾图像。实验结果表明,所提算法实时性较高,对雾霾、沙尘、水下等降质图像均有较好的增强效果。     

单幅图像快速去雾算法研究与实现

近年来,尽管图像清晰化算法取得了很大进展,但依旧存在去雾算法复杂度高、去雾时间长以及工程化实现难度大等问题。针对以上问题,笔者首先分析了现有去雾算法的模型,并简化了该模型,提出了用暗通道图中每一行最大值的平均值作为整体大气光照值,并在SoPC(System-on-a-Programmable-Chip,可编程片上系统)平台上实现了单幅图像去雾算法。经测试发现,在SoPC平台上求解暗通道图仅需要9个时钟周期,去雾算法的整体延迟时间为83个时钟周期,对800*600的图像只需要12 ms就能完成去雾处理,且每个像素点仅延迟2.075 us。     

图像去雾算法的综述及分析

图像去雾是以满足特定条件下应用需求为目的,通过对有雾图像进行分析和预处 理,突出图像中的细节信息使之更加适合人机识别的一种图像预处理方法。在雾天条件下拍摄 到的图像因为雾霾的影响导致图像可能会存在细节丢失、对比度低的情况,将会影响图像后续 的分析识别工作。经归纳总结目前图像去雾算法的研究现状,主要包括基于图像增强、图像复 原以及卷积神经网络 3 类去雾方法及其改进算法,对其中的一些算法进行了实验、评价及优缺 点分析,并对未来的发展进行了展望,对算法中的难易点提出了一些参考的建议,促进了图像 去雾算法的进一步发展。     

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。     

基于曝光融合的单幅图像去雾算法

针对雾霾等恶劣天气导致户外图像降质的问题,设计了一种简单、高效的图像去雾算法。首先通过空域高通滤波对降质图像进行处理,达到压制低频分量、增强图像边缘细节的目的;然后,对滤波后的图像进行空间线性对比度拉伸,增强图像的对比度;最后通过拉普拉斯金字塔的多曝光图像融合方法,将滤波结果与对比度拉伸结果进行融合,得到最终的去雾图像。实验结果表明,所提算法实时性较高,对雾霾、沙尘、水下等降质图像均有较好的增强效果。     

图像去雾透射率的优化算法

在雾、霾等天气条件下,大气粒子的散射作用导致图像严重降质。本文提出一种简单快速的基于物理模型的 图像去雾新算法,对大气散射模型进行化简,得到新的去雾模型。然后,利用暗原色先验方法估计大气光值A,并代入新的简 化模型,得到去雾图像。实验表明,该算法在处理速度和去雾效果上都优于现有算法。     

基于景深的单幅图像快速去雾算法

在雾、霾天气条件下,由于大气粒子的散射作用导致采集的图像质量严重下降,给计算机视觉系统成像带来极大不便。针对上述问题,提出一种基于景深的单幅图像快速去雾算法。通过暗通道对图像处理,得到图像传输图,从而简化大气散射模型,利用景深信息估计大气散射模型,得到边缘突变景深关系比,通过近水平方向上的景深关系比值优化传输图,利用双边滤波对景物边缘进行处理。从3个颜色通道出发,降低波长对景深估计的影响。实验结果证明,该算法能够恢复景物边缘的细节对比度,有效提高图像的清晰度与视见度。     

野外视频监控图像去雾算法研究

在野外雾天环境下,由于大气粒子的散射作用导致图像降质严重,直接影响图像的视觉效果和应用价值,因此有必要对雾天图像进行去雾处理,以提高雾天图像的清晰度和保真度。为此,提出一种野外视频监控图像去雾新方法。基于暗原色先验去雾的原理,采用区域生长算法准确快速估计雾天图像的深度信息,应用雾天图像物理模型对图像去雾处理,并进行亮度补偿。实验结果表明,该算法能有效改善雾天图像的质量,大幅提高运算速度。     

二阶段端到端的图像去雾生成网络

单幅雾天图像的恢复是计算机视觉领域的一个基础问题,现有的方法主要包括基于先验信息的去雾方法和基于学习的去雾方法.然而,在实践中,前者具有很强的假设先验,导致该类方法的应用场景具有一定的局限性;后者在获取大量的配对数据上很困难.针对这2类问题,提出一种基于非配对数据训练的二阶段端到端的自适应去雾生成网络,其基于循环生成式对抗网络框架,不同的是,在训练的过程中,提出一种二阶段映射策略.首先通过一级映射网络得到去雾结果;然后将该结果作为二级映射网络的输入,进一步提高去雾效果.另外,提出一种循环增强损失函数,并引入了先验信息约束生成器之间的映射关系.采用室内外多场景下的仿真雾图和真实雾图作为测试数据,通过全参考和无参考图像质量评价指标进行对比分析;实验结果表明,该方法不仅能够更好地适应处理各类雾天场景,有效地提高图像的峰值信噪比和结构相似度,且较好地复原了退化场景的边缘信息和色彩信息.     

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。     

基于雾气遮罩理论的图像去雾算法

针对场景中雾气分布可能不均匀的问题,本文提出了一种基于雾气遮罩减除的图像去雾算法。首先对降质图像平滑滤波以估计其亮度分量,对亮度分量求均值得到均匀分布的雾气遮罩,并结合退化图像获取与场景深度信息相关的雾气遮罩。在对数域中从降质图像中减除获得的雾气遮罩,即可得到场景的反射图像。对反射图像进行自适应的对比度拉伸,可以得到最终的去雾结果。所提算法能较容易地扩展至视频去雾应用,真实场景的图片与视频实验验证了所提算法的有效性。     

基于图像分割的交通图像快速去雾算法

现有去雾算法较少考虑交通图像的特征,直接应用于交通图像去雾效果和实时性较差。针对这一情况,在充分分析了雾天交通图像特征的基础上,提出一种基于图像分割的交通图像快速去雾算法。算法首先采用改进的均值漂移算法分割出天空区域,然后在天空区域中较准确的估计出大气光强度值,最后采用基于双边滤波器的改进暗原色先验（DCP）算法实现去雾,并结合雾天交通图像的特征对去雾图像进行了后处理,增强了去雾效果。实验结果证明该算法实时性高且去雾效果好,在交通图像去雾方面所提出的算法的综合性能优于现有的同类去雾算法。     

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...     

一种基于改进AOD-Net的航拍图像去雾算法

针对航拍图像易受雾气影响, AOD-Net (All in one dehazing network)算法对图像去雾后容易出现细节模糊、对比度过高和图像偏暗等问题, 本文提出了一种基于改进AOD-Net的航拍图像去雾算法. 本文主要从网络结构、损失函数、训练方式三个方面对AOD-Net进行改良. 首先在AOD-Net的第二个特征融合层上添加了第一层的特征图, 用全逐点卷积替换了传统卷积方式, 并用多尺度结构提升了网络对细节的处理能力. 然后用包含有图像重构损失函数、SSIM (Structural similarity)损失函数以及TV (Total variation)损失函数的复合损失函数优化去雾图的对比度、亮度以及色彩饱和度. 最后采用分段式的训练方式进一步提升了去雾图的质量. 实验结果表明, 经该算法去雾后的图像拥有令人满意的去雾结果, 图像的饱和度和对比度相较于AOD-Net更自然. 与其他对比算法相比, 该算法在合成图像实验、真实航拍图像实验以及算法耗时测试的综合表现上更好, 更适用于航拍图像实时去雾.