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。     

基于非局部先验的雾线优化图像去雾算法

针对非局部先验去雾算法中雾线端点像素位置精确度不足的问题,提出了雾线优化的非局部先验图像去雾算法。首先分析雾线理论,结合暗通道理论确定最大聚类雾线真实端点,以其为已知条件补偿小聚类雾线端点与大气光之间的距离,根据类内不同像素与雾线对应夹角预估单个像素雾线端点进而求得像素级优化后的透射率,最后根据图像局部灰度值差异融合暗通道先验(dark channel prior, DCP)和非局部先验透射率得最终透射率图。将本文算法与其余3种去雾算法在多幅户外雾图下通过主观及客观两方面分析比较,实验结果表明该算法能取得更好的去雾效果,尤其在天空区域图像复原效果较为突出。     

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。     

基于改进暗通道先验模型的无人机遥感图像去雾算法

无人机航拍技术因其诸多优势,已被应用在越来越多的场景中.但因空气污染或气候原因使得某些地区雾霾较多,导致拍摄的图像降质明显.针对该问题,同时对于无人机遥感图像较高的去雾速度要求,提出了一种基于改进暗通道先验模型的无人机遥感图像去雾算法.首先使用下采样法和插值算法改进暗原色先验模型的透射率计算,大幅降低了计算复杂度;然后针对图像偏白色区域的去雾处理,采用结合容差机制恢复无雾图像的方法,减少了偏色现象;最后对去雾图像采用自动色阶算法进行图像增强处理,提升了去雾后图像的亮度.实验表明,该算法在图像去雾的精确性和效率上均优于原算法.     

基于暗原色先验与反图像的图像去雾算法

讨论了暗原色先验去雾算法的原理,指出其有去雾时在天空等明亮区域色彩失真的缺陷。针对这个缺陷提出了改进方法,该方法通过估算反图像的透射率修正透射率图以避免色彩失真。该算法可弥补传统算法在明亮区域透射率估算值较低导致色彩失真的不足。实验结果表明该算法有效。     

基于深度学习的图像去雾算法研究进展

图像是信息的重要承载形式。雾霾的出现降低了图像采集设备采集到的图像质量,容易出现色彩暗淡、对比度和饱和度降低、细节信息丢失等问题,直接影响了有用信息的表达和利用。目前对图像去雾的研究多采用深度学习的方法,卷积神经网络代替了人工特征提取方式,取得了优于传统算法的去雾效果,但普遍存在着对真实世界雾霾图像和清晰图像对的依赖。无监督学习的方法带来了新的解决思路。从监督学习和无监督学习的角度对有代表性的深度学习图像去雾算法进行分类,归纳了常用的数据集、评价指标,概括分析了有影响力的去雾模型的核心思想,总结了各算法的优缺点和适用场景。针对目前工作存在的不足,探索了下一步研究的方向。     

一种基于暗通道先验的快速图像去雾算法

目前针对单幅图像去雾处理,暗通道先验算法具有较好的效果,但处理时间长,需要很大的储存资源与计算资源.本文在暗通道先验算法基础上提出一种快速去雾算法,首先用"边缘替代法"代替原算法中的抠图处理,显著降低了计算复杂度;然后针对明亮区域暗通道失效情况,提出了一种基于双阀值的明亮区域识别方法和透射率修正机制,提高了暗通道先验的适用范围;最后对去雾图像再采用非线性对比度拉伸进行增强处理,改善了去雾图像的视觉效果.实验表明:本文算法不仅极大地降低了计算复杂度,而且去雾能力优于原算法.     

基于暗原色先验去雾的改进算法

暗原色先验去雾方法在单幅图像去雾方面效果明显,但该方法算法复杂度高、处理耗时。针对该算法不足之处,在传统的暗原色先验去雾方法基础上,提出一种改进算法。改进算法通过高斯滤波和腐蚀对透射率图进行优化;同时,为避免原算法的冗余计算,采用了一种快速计算初始透射率方法;并且通过Gamma变换和对比度增强方法对去雾后图像进行亮度和对比度增强处理。实验结果显示,改进算法处理效果与原算法基本一致,算法效率得到显著提高,应用在视频增强领域可以达到准实时。     

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。     

结合图像分割的暗原色先验去雾算法

基于暗原色先验规律的图像去雾算法在进行暗原色通道计算时,用固定区域会造成介质透射率估算的不合理,从而导致最终去雾效果细节不清晰和在较远景深场景模糊的现象。采用基于图论的分割算法来确定取暗原色通道的区域,能根据景深的变化自适应地改变区域大小,避免了固定区域求取暗原色的带来的介质透射率估计不合理问题。通过实验分析和验证,证实了该算法能有效地改善雾天图像的退化现象和提高图像清晰度。     

基于迁移学习的三子网图像去雾方法

目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先,该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数,以加速模型训练收敛速度。其次,主干网络模型由3个子网组成：残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取,在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进,为衡量模型性能,模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题,可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。     

基于景深约束的单幅雾天图像去雾算法

本文提出一种基于景深约束的单幅雾天图像去雾算法,该算法首先对退化模型进行变换以满足Kimmel变分框架的要求;其次,考虑到人眼视网膜锥细胞对绿光的敏感性,将绿光分量作为大气传输图变分求解模型的输入;最后,利用景深图像特性,在8邻域快速求解中对能量函数进行约束,从而有效提升去雾图像的视觉效果.实验结果表明本文算法在获得最佳去雾效果的同时,具有较好的实用性和较少的计算资源消耗.     

Single Image Dehazing Based on Combining Dark Channel Prior and Scene Radiance Constraint

Images captured in foggy or hazy weather conditions often suffer from poor visibility.The dark channel prior method has well solved the single image dehazing problem in nature,but it is invalid when the scene objects are inherently similar to the atmospheric light and no shadow is cast on them.We propose an efficient regularization method by adding a scene radiance constraint and combing the dark channel prior to remove hazes from a sin-gle input image.The experiments show that this improved algorithm can deal with various levels of foggy weather conditions,as well as greatly enhance the image's visibility and details.In addition,the recovered haze-free image has little or no halo artifacts.     

基于区间估计的单幅图像快速去雾

针对雾、霾等天气条件下捕获的图像存在严重降质现象,该文提出一种基于区间估计的单幅图像快速去雾方法。该方法从大气散射模型出发,基于暗通道先验理论,利用最小值滤波和灰度开运算,通过区间估计得到大气光值,同时得到介质传输率的初始估计值。通过对大气光照进行白平衡处理,从而得到简化大气散射模型。然后,利用简化大气散射模型和介质传输率的初始估计值,通过区间估计得到场景反照率的暗通道值,进一步得到介质传输率的粗略估计值。将介质传输率的初始估计值和粗略估计值进行像素级融合,通过联合双边滤波和值域调整得到介质传输率的最终估计值。最后,通过简化大气散射模型和色调调整得到去雾图像。实验结果表明,所提算法具有较快的运算速度,能有效提高去雾图像的清晰度和对比度,同时获得较好的色调保真度。     

基于正则化的半监督等距映射数据降维方法

针对等距映射(ISOMAP)算法无监督,不能生成显式映射函数等局限性,该文提出一种正则化的半监督等距映射(Reg-SS-ISOMAP)算法。该算法首先利用训练样本的标签样本构建K联通图(K-CG),得到近似样本间测地线距离,并作为矢量特征代替原始数据点;然后通过测地线距离计算核矩阵,用半监督正则化方法代替多维尺度分析(MDS)算法处理矢量特征;最后利用正则化回归模型构建目标函数,得到低维表示的显式映射。算法在多个数据集上进行了比较实验,结果表明,文中提出的算法降维效果稳定,识别率高,显示了算法的有效性。     

基于非局部全变分正则化优化的单幅雾天图像恢复新方法

该文针对无雾图像具有高灰度对比度且大气遮罩局部平滑的特性,提出一种基于非局部全变分正则化优化的单幅雾天图像恢复新方法。先构建一种基于非局部全变分正则化的有约束优化算法对大气遮罩进行估计,然后通过优化Bregman分离迭代法求解非局部Rudin-Osher-Fatemi模型获得准确的大气遮罩,进而从雾天场景图像恢复出场景图像。实验结果表明,所提新方法可以有效地对雾天降质图像进行复原,对多纹理复杂区域的恢复效果也较好。     

基于多尺度特征结合细节恢复的单幅图像去雾方法

为提高单幅图像去雾方法的准确性及其去雾结果的细节可见性,该文提出一种基于多尺度特征结合细节恢复的单幅图像去雾方法。首先,根据雾在图像中的分布特性及成像原理,设计多尺度特征提取模块及多尺度特征融合模块,从而有效提取有雾图像中与雾相关的多尺度特征并进行非线性加权融合。其次,构造基于所设计多尺度特征提取模块和多尺度特征融合模块的端到端去雾网络,并利用该网络获得初步去雾结果。再次,构造基于图像分块的细节恢复网络以提取细节信息。最后,将细节恢复网络提取出的细节信息与去雾网络得到的初步去雾结果融合得到最终清晰的去雾图像,实现对去雾后图像视觉效果的增强。实验结果表明,与已有代表性的图像去雾方法相比,所提方法能够对合成图像及真实图像中的雾进行有效去除,且去雾结果细节信息保留完整。     

基于在线半监督boosting的协同训练目标跟踪算法

基于自训练的判别式目标跟踪算法使用分类器的预测结果更新分类器自身,容易累积分类错误,从而导致漂移问题。为了克服自训练跟踪算法的不足,该文提出一种基于在线半监督boosting的协同训练目标跟踪算法(简称Co-SemiBoost),其采用一种新的在线协同训练框架,利用未标记样本协同训练两个特征视图中的分类器,同时结合先验模型和在线分类器迭代预测未标记样本的类标记和权重。该算法能够有效提高分类器的判别能力,鲁棒地处理遮挡、光照变化等问题,从而较好地适应目标外观的变化。在若干个视频序列的实验结果表明,该算法具有良好的跟踪性能。     

基于深度卷积神经网络的自适应图像去雾算法

室外拍摄图像由于受雾气、雾霾、沙尘等大气颗粒杂质的影响呈现出图像灰白化,而现有的图像去雾算法存在过度依赖先验信息、透射率计算不精确的问题。针对上述问题,文中提出了一种基于深度卷积神经网络的自适应图像去雾算法。该算法基于大气散射模型实现了有雾图像的去雾,设计浅层提取、并行提取和深度融合共3个全卷积网络实现图像浅层特征与深层特征的融合,大幅提高了透射率图的准确性。去雾实验测试结果表明,文中所提出的算法对室外露天雾图具有良好的去雾效果,且去雾细节效果更加理想。