基于雾气分布的大气光幕估计去雾算法

由于雾霾天气下空气中介质粒子的影响，成像设备所捕获的图像通常会存在对比度低、色彩丢失等问题。针对这些问题，本文提出一种基于雾气分布的大气光幕估计去雾算法。首先，将Fade方法提取的初始雾气分布图像进行阈值分割与细化处理得到较为准确的雾气分布信息。其次，通过分析景深、雾浓度、大气光幕之间的关系建立大气光幕估计模型。最后，通过亮度权重图与自适应大气光阈值选取大气光区域，获取较为准确的大气光，进而恢复退化场景。实验与结果表明，本文算法恢复的图像清晰自然，去雾效果彻底，并且能够保留图像中的细节信息。     

基于二次约束与雾气分布的图像复原算法

针对最小滤波导致的光晕、伪影及透射率估计不足引起的天空失真等问题,提出了一种基于二次约束与雾气分布的去雾算法.首先,利用Canny检测算子得到有雾图像的粗纹理分布,在场景深度的基础上得到有雾图像的雾气分布图.其次,根据图像特征,提出了一种基于自适应雾气系数的二次约束模型,估计出清晰图像的最小通道图,并利用大气散射模型得到粗略透射率.然后通过自适应下边界约束与双边滤波进行透射率优化,并通过形态学操作改进局部大气光.最后根据复原模型得到去雾图像.实验表明,所提算法在主、客观评价中均取得了理想的效果,较好解决了去雾图像中的光晕、伪影与天空失真等问题.     

基于雾度分布与自适应衰减的图像去雾算法

针对去雾过程中的偏色及去雾不彻底等问题,提出了一种基于雾度分布与自适应线性衰减的图像去雾算法.从雾天图像退化本质以及雾度与透射率呈负相关的特性出发,提出了一种自适应线性衰减模型以完成清晰图像暗通道的估计,并得到了透射率.根据大气光仅能反映亮度信息的特性,利用雾度分布对局部大气光进行改进,并结合大气散射模型得到了去雾结果.实验表明,所提算法去雾彻底、颜色自然、亮度适宜,在主客观评价中均取得了令人满意的结果.     

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。     

基于边界约束的双滤波透射率优化图像去雾

在大雾条件下,密度不均匀的介质使得光在传输过程中形成散射、反射和衰减,图像出现严重的退化现象,导致无人机航拍获取图像信息存在困难.为了解决该问题,提出了一种基于边界约束的双滤波透射率优化图像去雾算法.首先,对图像进行颜色校正,增强图像的色彩鲜艳度;其次,根据传输函数的固有边界约束,进行边界约束构造,该约束与上下文正则化相结合,求解图像的初始化透射率,并对其反复求解进行细化;然后,将求解细化后的透射率进行高斯加权,将噪声干扰降到最低,经双边滤波器处理得到最优透射率;最后,对图像的全局大气光进行求值并运用暗通道理论方法对图像进行去雾处理,得到清晰化图像.主观视觉效果和客观数据实验分析表明,所提方法能够有效地去除退化图像中的雾化现象,与现有新颖的图像去雾算法相比具有显著的优越性.     

结合暗通道先验和MRF理论的单幅图像去雾算法

针对在雾霾环境下获取的图像降质严重、现有算法去雾图结构细节信息丢失较多的问题,提出了一种结合暗通道先验(DCP)和马尔可夫随机场(MRF)的单幅图像去雾算法。该算法先采用子块部分重叠局部直方图均衡(POSHE)对原始雾图进行增强,以提高其对比度,并通过DCP算法获取优化后的透射率;利用MRF模型对图像结构细节信息的约束特性,对透射率进行建模,以进一步细化透射率;由天空域的显著特征,通过分块搜索法求取大气光值。与传统去雾算法相比,该算法能得到更精确的透射率图,有效保持图像结构信息,去雾后的图呈现出丰富的细节和较真实的色彩视觉效果。     

基于YUV颜色模型与导向滤波的图像去雾算法

针对去雾过程中容易出现色彩过饱和与偏色现象的问题,提出一种基于YUV颜色模型和导向滤波的图像去雾算法。首先分离出含雾图像的亮度分量,结合拉普拉斯锐化算子与导向滤波细化大气光幕,求得准确的透射率之后,对天空区域进行修正;其次根据光幕值的强度信息定位浓雾区域,将该区域平均值作为大气光的估计;最后对色度分量进行补偿,还原真实场景的色彩饱和度。实验结果表明,去雾后图像的边缘强度与颜色保真度得到大幅提升,信息熵、平均梯度和标准差客观评价参数均优于目前主流的算法。该算法去除雾气的效果显著,能满足图像视见度和细节清晰度的需求。     

基于双重暗通道结合与高斯加权的去雾改进算法

针对暗通道先验算法去雾后图像存在伪影和景深突变处留有残雾的问题,提出一种基于双重暗通道结合与高斯加权的去雾方法.分别利用超像素块滤波和中值方块滤波求取两层暗通道,对两层暗通道进行像素级结合并构造高斯加权函数进行加强,然后采用引导滤波优化透射率图.把雾图转化到HSV空间并提取包含天空等的白色区域,引入概率函数取白色区域前10％像素点的明度分量平均值作为大气光估计值.实验结果表明,所提算法能较好地保留图像细节并去除景深突变处的残雾,同时能改善伪影现象.     

基于多尺度Retinex和暗通道的自适应图像去雾算法

针对暗通道先验算法处理大片天空区域存在复原图像的可视化效果较差和图像细节信息不丰富等问题,提出一种基于多尺度Retinex和暗通道的自适应图像去雾算法。采用Canny算子对亮度分量进行边缘检测并利用多尺度Retinex算法消除亮度分量,采用交叉双边滤波优化暗通道的先验理论获得粗略估计的透射率,采用四叉树子空间搜索法选取全局大气光值。为了消除图像中复原图像整体较暗以及无法显示细节信息的现象,使用二维伽马函数校正亮度值,最终得到复原后的去雾图像。实验结果表明,所提算法可以有效恢复有雾图像的细节信息,去雾较为彻底,整体平滑,色彩明亮度较好,图像清晰自然。     

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。     

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WLS的雾天交通图像恢复方法

在尘雾等恶劣天气条件下,由于大气粒子的散射作用,致使获取的道路图像严重退化,给交通运输带来很大的困难.为了提高道路环境的可视性,文中提出了一种基于WLS的雾天交通图像恢复算法.该算法从大气散射模型出发,首先进行大气光照的估计与白平衡处理,然后结合道路环境的约束,构建WLS框架对大气耗散函数进行估计,从而恢复场景反照率.通过实验分析可知,文中算法能够有效去除图像中雾霾,消除了Halo效应的影响,较好地凸显图像远景的细节信息,实现了交通图像的视见度的提高.     

分割映射的单幅彩色图像去雾方法

针对传统暗通道先验去雾方法在进行大气散射函 数估计时容易出现块状模糊效应的问题,提出了一种 基于分割映射的单幅彩色图像去雾方法。首先对前端采集图像进行近景与远景区域分 割,并基于分 割区域进行亮度信息的分段映射,通过分段计算获取大气散射函数的预测估计值;接着,采 用传统的导向 滤波方法对大气散射函数的估计值进行优化分析,进一步增强图像的边缘信息,改善在大面 积天空颜色情 况下图像边缘的块状模糊效应,提升含雾图像在突变区域的去雾效果。针对实际采集 的含雾图像进 行去雾效果分析和对比,分别基于图像的对比度改善量e、色彩自然度(CN I)、颜色丰富程度(CCI)以及计算耗时等4方面进行定量对比。分析结果表明, 本文方法很好地改善了图像的去雾效果,并进一步提升了运行的实时性。     

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.     

Image restoration algorithm based on compensated transmission and adaptive haze concentration coefficient

Aiming at the drawbacks of traditional dark channel prior,which was prone to distortion and Halo effects in the bright areas,a haze image restoration algorithm based on compensated transmission and adaptive haze concentration coefficient was proposed.First of all,a Gaussian function was used to fit the attenuation relationship between the haze and haze-free image,and the compensation transmission was set to correct the initial transmission.Then the characteristics of haze was analyzed,the concept of brightness entropy was introduced and the bright channel operation was performed to acquire entropy value with pixel by pixel.Combined with the Gaussian pyramid to extract texture features,the haze distribution map was obtained.An adaptive transformation was established to seek the haze concentration coefficient and get the accurate transmission.Finally,the recovery results were restored by improved atmospheric light value and atmospheric scattering model.Experimental results show that the recovered image has better color and detail,the degree of dehazing is thorough,the brightness is appropriate,and the effect is clear and natural.     

单幅图像的快速去雾算法

雾的存在使得户外图像的处理变得困难。雾、霭、烟等现象会使彩色图像退化,对比度降低。介绍了一种单幅图像的去雾新算法,不需要分割图像,直接利用高斯低通滤波器分离出背景空气光,利用改良的暗通道法对大气光进行估计,结合雾天图像的物理模型对图像进行复原,最后再对图像的饱和度进行校正,得到最终的复原效果。该算法的主要优点是速度快,...     

Weakly supervised single image dehazing

Single image dehazing is a critical image pre-processing step for many practical vision systems. Most existing dehazing methods solve this problem utilizing various of hand-crafted priors or by supervised training on the synthetic hazy image information (such as haze-free image, transmission map and atmospheric light). However, the assumptions on the hand-crafted priors are easily violated and collecting realistic transmission map and atmospheric light are unpractical. In this paper, we propose a novel weakly supervised network based on the multi-level multi-scale block. The proposed network reduces the constraint on the training data and automatically estimates the transmission map and the atmospheric light as well as the intermediate haze-free image without using any realistic transmission map and atmospheric light as supervision. Moreover, the estimated intermediate haze-free image helps to generate accurate transmission map and atmospheric light by embedding the physical-model, which presents reliable restoration of the final haze-free image. In particular, our network also can be trained on the real-world dataset to fine-tune the model and the fine-tuning operation improves the dehazing performance on the real-world dataset. Quantitative and qualitative experimental results demonstrate the proposed method performs on par with the supervised methods.     

Variational optimization based single image dehazing

In this paper, we present a new approach for single image dehazing based on the proposed variational optimization. A hazy image captures the information about haze in terms of the transmission map and object details present in it. We propose to estimate the initial transmission map by performing the structure-aware smoothing of the hazy image. Further, we formulated a variational optimization for the estimation of final transmission, which refines the initial transmission of a hazy image. Atmospheric light can be considered to be constant throughout the scene for practical purposes. The uniform atmospheric light is computed from the dark channel of a hazy image. The exhaustive experimentation shows that the performance of the proposed method is comparable or better.     

基于暗通道先验原理的偏振图像去雾增强算法研究

在装备试验与测试中,常规光学成像系统极易受气象环境(如雾霾、沙尘等)影响,导致探测距离、成像效果、测量精度等受到大幅限制,从而严重影响目标成像效果及关键参数获取。如何增强雾霾条件下光学探测识别能力及成像质量,成为了当前急需解决的关键问题。本文利用偏振成像优势,结合暗通道先验原理,提出了基于暗通道先验原理的偏振图像去雾增强算法。该算法首先利用采集到的偏振图像提取偏振特征,计算偏振度和偏振角;同时,采用基于区域增长算法自动提取出天空区域,对天空区域进行大气光参数估计,获取大气光偏振度及偏振角相关参数估计;然后,结合暗通道先验原理,获取无穷远处大气光强,进而计算各像素点的大气光强;最后,建立在大气物理退化模型基础上,实现图像去雾增强。实例分析与验证中,通过主观评价与客观评价两种方法,对比本文提出的方法和常见其他方法,实际结果表明,本文算法去雾增强能力较强,能有效提升光学系统的探测识别能力及成像质量,对雾霾条件下武器装备关键参数获取具有重要意义。