基于暗原色先验的单幅图像快速去雾算法

针对雾天环境下图像清晰度降低以及色调偏移问题,提出一种基于暗原色先验的单幅图像快速去雾算法。首先使用灰度开运算代替最小值滤波得到粗略暗通道图,根据方差标记出雾天图像各个景深突变区的位置,并对突变区的暗原色值进行细化求解;其次求解出透射率的粗略估计并使用引导滤波来进行优化;然后使用一种自适应的容差机制对天空等明亮区域的透射率进行动态修正;最后利用大气散射模型复原出无雾图像。实验结果表明,与几种典型的图像去雾算法相比,所提算法具有较快的处理速度,同时得到的复原图像细节突出、色彩丰富。     

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.     

基于暗通道先验和优化自动色阶的图像去雾算法

针对暗通道先验产生的图像深度边缘上的白色晕圈、天空区域失真等问题,提出基于暗通道先验和优化自动色阶的单图像去雾算法.引入改进暗通道先验对透射率进行导向滤波,精细化透射率传播图,利用加权最小二乘法保留图像边缘信息,以优化自动色阶增强图像.采用定性与定量分析相结合的方法对该算法和几种经典去雾算法进行评价,结果表明该算法能够在保持图像颜色质量的同时保留细节清晰,具有更好的视觉感知.     

基于形态学与梯度域导向滤波的图像去雾算法

目前的多数图像去雾方法不适用于浓雾场景,存在去雾后图像亮度偏暗及光晕伪影等问题,提出一种利用图像形态学和梯度域导向滤波的去雾算法。通过暗通道先验算法得到初始透射率,并根据图像形态学闭、开运算细化和平滑初始透射率。运用梯度域导向滤波优化透射率图,以平滑透射率图的边缘和消除矩形块状效应。为更好地估计出大气光值,对雾图的最小强度图进行形态学灰度腐蚀,并经过导向滤波处理,以此结果作为暗通道图,选取其最亮的前0.1%像素点对应到原图中,最高的像素值作为大气光值,得到大气光值后利用大气散射模型求出去雾后的图像。将除雾后的RGB图像转换到HSI颜色空间,利用多曝光融合框架对I通道进行无雾图像整体亮度提高,最终转到RGB颜色空间。实验结果表明,该算法能够恢复更多的细节信息,保证图像具有合适亮度,且颜色自然,无光晕伪影,优于暗通道先验和颜色衰减先验等去雾算法。     

改进的暗原色先验理论视频去雾算法研究

针对暗原色先验算法出现的边缘残雾、天空区域彩色失真、去雾后图像偏暗以及实时性差等问题,提出了一种基于点暗原色先验和引导滤波的视频去雾算法。采用逐点式最小值滤波来消除块效应,并利用四叉树法来快速准确地估计大气光值,结合直方图均衡化技术来增强图像,改善视觉效果,同时利用图像采样技术和引导滤波优化算法提高速度。实验结果显示,该算法的去雾图像清晰,运算量小,适用范围广,鲁棒性好,适合实时视频去雾。     

基于暗原色先验图像去雾的改进算法

基于暗原色先验的方法去雾效果较好,但也存在处理效率不高、天空区域容易产生较为明显的失真等缺点。采用双边滤波与最大值滤波相结合的方法取代软抠图对透射率进行优化,通过判断大气光强度和暗通道差值绝对值大小来区分雾图中明亮区域与暗原色区域,并削弱明亮天空区域的去雾。实验表明,本文算法不仅有效降低了传统算法的时间复杂度,还达到了较好的视觉效果。     

结合暗通道先验的光补偿快速去雾算法

针对暗通道先验单幅图像去雾算法去雾不彻底、天空区域偏色严重且去雾速度慢等问题,提出了一种结合暗通道先验的光补偿快速去雾算法。首先将二阶Butterworth高通滤波器引入同态滤波函数,在频域内对最小颜色分量进行增强,同时,平滑最小颜色分量中的光照,补偿局部区域因光照不足引起的图像质量下降;然后用双边滤波对其进行平滑处理,使光照在最小颜色分量图像上过渡更加自然;最后将处理之后的最小颜色分量作为引导图细化初始透射率。实验结果表明,与Tarel算法和中值滤波算法相比,该算法得到的去雾图像具有更好的视觉效果;与引导滤波算法相比,该算法去雾效果更为彻底,天空区域颜色还原准确,且运算速度更快。     

导向滤波优化的单幅去雾算法

针对暗原色先验的单幅去雾算法计算复杂度高,无法满足交通监控系统中实时性需求,且大气光易受白色物体影响,以及天空区域易失真的缺陷和景物边界出现白边现象,提出了基于暗原色改进的快速去雾算法.采用四叉树搜索的算法对大气光进行精确估计,利用最大值滤波后的差值图像估计出天空区域,对透射率进行补偿,利用导向滤波器改进透射率并结合大气散射模型恢复无雾图像.实验结果表明:改进算法改善了原算法去雾效果的同时也提高了算法的速度.     

结合暗原色图像参考的单幅图像去雾*

针对在暗原色先验理论下对天空区域的透射率估计总是过于偏小的问题,提出了一种基于暗原色图像的透射率纠正方法。以暗原色图像为参考,提取其天空等明亮区域的灰度归一化值替换生成新的透射率图。该方式提高了天空区域的透射率值,使其更接近于真实值。实验结果表明,对于各类雾化图像,在无需调整各参数值的情况下,该算法均能很好地避免天空区域出现色差失真问题;同时对于不含天空区域的图像,去雾仍然有效。此外,算法执行时无需进行复杂的天空区域识别及提取等操作。算法在实际去雾应用中实现了无参化,自动化程度高;对于分辨率为640?480彩色图像,速度可达1.5帧/s。     

基于显著图的可变模板形态学去雾方法

针对暗通道先验去雾中存在的光晕现象和天空区域颜色失真现象，提出了一种基于自适应可变形结构元（Adaptive deformable structuring element，ADSE）中值滤波结合灰度形态学重构精细化透射率的方法.该方法利用透射率与图像细纹理结构的无关性，由有雾图像的灰度图计算显著图（Salience map，SM），将SM作为导向图计算ADSE，用生成的ADSE对最小颜色通道图像进行自适应中值滤波运算；其次，以粗估计暗通道图像为标记图像，以自适应中值滤波后的图像作为模板图像进行灰度形态学重构运算，获得精细化暗通道图像，继而得到精细化透射率；最后，针对天空区域，引入最优化透射率方法，对天空和非天空区域做统一的运算得到最终透射率，完成图像去雾.本文算法对真实场景具有很好的去雾效果，同时，基于形态学的运算易于并行化和硬件实现.     

改进多尺度卷积神经网络的单幅图像去雾方法

针对当前已有的去雾方法容易造成天空区域存在光晕以及色彩失真的现象，提出了一种多尺度卷积结合大气散射模型的单幅图像去雾算法。将原始有雾图像与三个不同尺度的卷积核进行卷积，经过一系列特征学习后得到粗略的传播图，然后使用引导滤波器对其进行优化，得到精细化后的传播图。利用粗传播图和有雾图像计算出全局大气光。根据大气散射模型反推出无雾清晰图像。实验结果表明，该方法对天空区域的处理更加自然，在图像的纹理细节以及颜色失真上有较好的效果。     

基于融合亮度模型和梯度域滤波的图像去雾#br#

为解决暗通道先验算法在处理图像的天空区域时容易出现颜色过饱和、亮度整体偏暗和光晕等问题,提出了一种融合亮度模型和梯度域滤波的图像去雾算法.首先,选择整幅图像中亮度最大的前0.1％ 像素的平均值作为大气光值;然后,利用自适应最小值滤波的改进暗通道模型和亮度模型分别对前景区域和天空区域求解透射率,在将其加权融合得到粗透射率的基础上,使用梯度域导向滤波对透射率进行细化;最后,通过大气散射模型和伽马校正复原出无雾图像.实验结果表明,在包含天空区域的雾图上本文算法能够快速有效地解决天空区域的光晕效应和图像失真问题,复原出来的图像清晰自然,保留了较多的细节信息,在主观和客观2个评价方面均优于其他对比算法.     

基于改进暗通道和导向滤波的单幅图像去雾算法

针对单幅雾霾图像中包含的大面积天空或白色物体等区域暗通道先验失效和导向滤波去雾方法去雾不彻底的问题, 提出了一种基于改进暗通道和导向滤波的单幅图像去雾算法.首先基于暗通道引入了混合暗通道, 然后对混合暗通道进行映射处理, 从而得到大气耗散函数粗估计值; 利用导向滤波方法优化大气耗散函数粗估计值, 进而求解环境光值和初始传输图; 利用全变差正则化方法对初始传输图进行优化, 以解决其平滑性较差的问题.实验结果表明, 本文算法得到的去雾图像具有较高的清晰度, 对于大面积天空或白色物体区域也能实现良好的去雾效果.     

改进的暗通道先验快速图像去雾算法

针对暗通道去雾算法复杂度过高的问题,提出一种基于暗通道的快速去雾算法。首先对图像分块处理,提高求取暗通道值的速度;接着采用线性插值算法平滑处理,消除块状效应;然后根据暗通道先验求得透射率;最终利用大气散射模型得到清晰无雾图像。实验结果证明,在保证良好去雾效果的前提下,相比原暗通道算法,所提算法复杂度被有效降低,去雾所需时间也降为原来的1/10左右,达到准实时。     

基于暗原色先验的快速单幅图像去雾算法

针对基于暗原色先验理论的单幅图像去雾算法中,由于某些场景下的雾天图像存在大面积明亮区域（如天空、水面或者偏白色物体等）不满足暗原色先验假设,从而导致去雾处理效果不好的问题。基于暗原色先验理论,提出了一种改进的单幅图像去雾算法。首先利用统计截断的方法估计出大气光值;然后对暗通道图进行中值滤波得到粗略估计的透射率图,并对明亮区域的透射率图进行自适应校正处理;最后将这些参数带入大气散射成像模型完成去雾处理。实验结果显示,相较于原算法而言,所提算法可以准确地选取出天空区域的像素点对大气光进行估计,有效降低明亮区域的色彩失真。通过不同算法对不同室外场景下采集的雾天图像的去雾效果的对比可知,所提算法在对明亮区域的处理上更加合理,可以较好地处理一些带有光源的图像,恢复出的图像具有很好的细节保持,视觉效果显著提高。所提算法对含有大面积明亮区域的雾天图像具有很好的增强处理效果,可以为图像分割、语义检索、智能分析等图像处理工作提供有效的预处理手段,对于交通监管、视频监控、行车视频记录、视觉导航等研究领域具有重要的意义。     

基于交通场景区域增强的单幅图像去雾方法

针对当前已有的去雾算法在雾天道路图像的处理上易造成近处路面区域和远处天空区域亮度过低、处理程度偏强,而中远处区域去雾程度较低、亮度过高等问题,以基于深度学习去雾算法为基础提出一种结合雾天道路图像场景深度和道路图像特点的去雾算法。首先基于深度学习的去雾算法原理,构建卷积神经网络求取场景透射率;然后基于大气散射模型和透射率估计出图像深度图,且构造两个参数：上阈值和下阈值来将深度图分为中、远、近三个区域;再基于深度图的不同区域构造增强函数,来确定图像处理的增强幅度照;最后在传统的大气散射模型基础上结合增强幅度照来调节不同区域的复原强度得到优化后的处理图像。实验结果表明,所提算法可以在保证良好去雾效果的前提下增强道路图像的中远处区域,有效解决了去雾后雾天道路图像近处路面和远处天空的色彩失真、对比度过低问题,提升复原图像的视觉效果,并且与暗原色先验算法、均匀与非均匀雾的视觉增强算法以及典型的基于深度学习去雾算法相比具有更好的图像清晰化效果。