基于物理模型的单幅图像对比复原算法

基于图像复原的去雾算法中参数的估计容易造成去雾图像场景信息的丢失,对此,提出一种图像去雾新算法。在暗通道先验的基础上,通过对大气散射模型的分析,总结出雾气分布对暗通道图像的影响,并依此对外景图像进行加雾操作,利用加雾后的参考图像与外景图像中各点的景深关系完成透射率的估计,进而达到去雾目的。算法利用物理模型和多幅图像实现参数的估计,能够更好地保留场景信息。实验结果表明,该算法不仅去雾效果优于对比算法,在处理速度上也有明显改善。     

基于物理模型的雾天图像复原新方法

由于雾天场景的能见度很低,因此为了保证视频监控系统的正常工作,需要对视频图像进行去雾处理。根据光学原理,雾天条件下场景的能见度下降是与场景深度呈指数关系的,鉴于现有的基于物理模型方法的去雾效果不够理想,因此提出了一种新的基于物理模型的图像复原方法,该方法首先对雾天场景的光学成像建模;然后借助于一张晴天和一张雾天场景的参考图像,计算出场景各点的深度比关系,最后利用深度关系复原雾天图像或雾天视频。实验结果证明,该方法是有效的和实用的。     

雾霾图像清晰化算法综述

雾霾图像不仅影响视觉效果,而且模糊不清晰的图像容易为后续识别、理解等高层次任务带来困难。雾霾图像清晰化问题是一个典型的不适定问题,其成像过程难以精确建模,消除图像中的雾霾面临巨大的挑战。近年来,研究者提出大量的图像去雾算法克服雾霾引起的图像降质退化,为全面认识和理解图像清晰化算法,论文对其进行梳理和综述。首先,对雾霾图像清晰化算法进行整理,根据雾霾退化过程是否有模型支持,将清晰化算法分为基于Retinex模型、大气散射模型去雾算法和无模型图像去雾算法。大气散射模型是有模型算法中主流模型,本文详细剖析了模型成像机理,并根据其成像机制揭示大气散射模型容易受大气浓度均匀分布假设的限制,较难处理非均匀雾霾图像问题。基于深度学习的无模型图像去雾算法则不仅可以应对非均匀雾霾图像,而且去雾性能获得了极大地提升。其次,本文汇总了近年来常用去雾数据集,从数据集适应范围、规模、可扩展性等多个维度进行总结。并根据雾霾图像形成方式,对人工合成雾霾数据集和真实拍摄数据集分别从定性和定量的角度探讨了数据集对图像去雾算法的影响。     

雾霾天气条件下的机器视觉图像清晰化研究

针对机器视觉图像清晰度在雾霾天气条件下受到严重影响的问题,提出一种基于暗原色先验的机器视觉图像去雾算法。以大气散射模型和暗原色先验理论为基础,在带雾图像的暗原色图上指定某一灰度区间,选取其中出现频率最高的亮度值作为大气光亮度值。将带雾图像转为灰度图像,采用直方图均衡化的方法对其进行增强,尽可能多地展现带雾图像所包含的结构信息,进而以增强后的灰度图像作为引导图像进行导向滤波,进一步优化透射率,加快运行速度。实验结果表明,该算法可获得较好的去雾效果,同时具有较高的运算效率。     

利用偏振滤波的自动图像去雾

针对雾天退化图像提出一种自适应图像复原方法。 该方法基于定义的偏振图像暗通道, 自动提取图像中的天空区域, 由此获得大气光的强度和偏振度; 采用偏振滤波提取大气光强信息, 并基于最小归一化互信息原则对估计的大气光偏振度进行优化; 根据大气光强的变化规律, 对大气光强的分布进行修复; 将大气光强作为加性噪声予以扣除, 并补偿因大气衰减带来的影响, 最终复原得到场景的辐射强度信息。 实验结果表明, 该方法能够有效地改善雾天下图像的退化现象, 提高了图像的清晰度。     

基于非物理模型的夜间图像去雾

夜晚由于人工光源的存在,常规的基于非物理模型的白天去雾算法不适用夜晚去雾。夜晚采集到的图像具有偏色、整体亮度较低和光照不均匀等特点。针对光照不均匀问题,利用传递函数为高斯低通型的同态滤波进行滤波处理,以校正图像光照;针对光晕问题,经光照校正的图像再利用Retinex算法去除光源附近的光晕;针对夜晚图像整体亮度较低问题,采用CLAHE算法提高夜晚图像暗区域的对比度;针对色偏问题,利用白平衡算法进行颜色校正,以符合人眼的视觉特性。通过对夜晚有雾图像进行实验,以平均梯度、信息熵、对比度和算法时间为客观指标,与传统Retinex算法、白天和夜晚图像去雾算法比较,结果表明该算法在以上客观指标中总体表现最优,验证了该算法的有效性。     

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％.     

一种基于多尺度Retinex算法的图像去雾方法

在有雾天气条件下拍摄的图像,由于大气的散射作用,导致图像的内容模糊不清,对比度下降,给交通系统及户外视觉系统的应用带来严重的影响。通过改进大气物理退化模型,在多尺度Retinex算法MSR(Multi-Scale Retinex)的基础上,提出一种新的去雾方法。该方法根据雾天成像机理对图像建立模型,再根据MSR算法对建模后的图像进行处理。实验表明,该方法能有效去除雾化效果,实现彩色退化图像的复原。     

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.     

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。     

基于特征模型的非结构化道路跟踪算法研究

鉴于室外自主移动机器人视觉导航的应用需求,提出一种提高非结构化道路跟踪准确性和鲁棒性的算法。首先,利用局部二值模式LBP的纹理特征和颜色特征建立道路区域的H-S-LBP特征模型,利用特征模型对视频序列图像进行反向投影,将图像分割为道路区域和背景区域。同时,采用卡尔曼滤波器更新道路特征模型。通过反向投影与特征模型更新的交替完成,实现非结构化道路跟踪。实际应用表明,提出的算法能够准确跟踪视频图像中道路区域,对复杂多变的室外环境适应性较强,道路边缘处区分度较高,满足实时性要求。     

基于LSTM的图像生成诗歌模型

伴随人工智能技术的发展,自然语言处理以及图像处理技术不断深入,使机器看图说话的水平不断提高,因此根据图像生成一首诗歌成为可能。首先,将图像转化为中文关键字,选择了VGG16模型,汉化VGG16模型标签关键字;然后所得的中文关键字运用一个单词级别的长短期记忆网络(Long Short-Term Memory,LSTM)模型进行处理,所得字序列通过缓冲池,然后运用多级联模型进行计算,最后输出最佳的诗歌,使得生成诗歌的质量获得很好的评价。     

Road model prediction based unstructured road detection

Vision-based road detection is an important research topic in different areas of computer vision such as the autonomous navigation of mobile robots. In outdoor unstructured environments such as villages and deserts, the roads are usually not well-paved and have variant colors or texture distributions. Traditional region- or edge-based approaches, however, arc effective only in specific environments, and most of them have weak adaptability to varying road types and appearances. In this paper we describe a novel top-down based hybrid algorithm which properly combines both region and edge cues from the images. The main difference between our proposed algorithm and previous ones is that, before road detection, an off-line scene classifier is efficiently learned by both low- and high-level image cues to predict the unstructured road model. This scene classification can bc considered a decision process which guides the selection of the optimal solution from region- or edge-based approaches to detect the road. Moreover, a temporal smoothing mechanism is incorporated, which further makes both model prediction and region classification more stable. Experimental results demonstrate that compared with traditional region- and edge-based algorithms, our algorithm is more robust in detecting the road areas with diverse road types and varying appearances in unstructured conditions.     

Image enlargement based on a step edge model

In compiling a multimedia document we often need to enlarge the size of an image. The traditional pixel repetition method tends to make the edges jagged. On the other hand, the interpolation-based methods tend to make the edges blurry in the enlarging process. In this paper we propose an image magnification method based on a step edge model. Using the model, we are able to define a straight step edge segment with four parameters. In enlarging a digital image, we first derive the parameter values for its step edge segments. This is like extracting the step edges in the corresponding continuous image. Then we re-digitize the step edges in the continuous image with a finer grid to obtain an enlarged image. In this way, the step edges are able to stay well defined after they are enlarged. The experiments show that in both visual comparison and quantitative analysis, the results produced by the suggested step edge model-based approach are consistently and significantly better than that produced by pixel repetition and bilinear interpolation.     

基于交通管理GIS的道路模型研究与实现

道路模型是城市地理信息系统的基础,在系统设计中既要考虑数据的组织和存储方式,又要顾及到其视觉效果.以交警地理信息系统为背景,以对路网要素标识的惟一性和道路模型的视觉效果为切入点,提出了一个多层复合道路模型.该模型通过运用基于地理位置的编码规则对路网要素的编码确保了对路网要素的惟一标识,通过引入参数化的道沿过渡线和绘制路面标线的方法提高了道路模型的视觉效果.实践证明,该道路模型能够较好地满足交通管理系统的应用需求.     

基于多尺度局部特征的图像分割模型

为了解决图像分割中灰度不均匀和初始轮廓敏感的问题,提出一种基于多尺度局部特征的图像分割模型.与传统局部邻域定义在方形区域不同,该模型采用圆形区域来获取更多的局部信息;考虑到局部区域灰度的变化程度不一,提出利用多尺度结构与均值滤波器相结合的方法获得多尺度局部灰度信息;通过转换灰度不均匀模型得到一个逼近真实信息的图像,并将其融合进局部高斯分布拟合(LGDF)模型,构造出基于多尺度局部特征的能量泛函.从理论分析和实验结果表明:由于多尺度结构弱化了灰度不均匀的影响,该模型既能快速、准确地分割灰度不均匀图像,又表现出对初始轮廓具有较强的鲁棒性.     

基于关联规则理论的道路交通事故数据挖掘模型

根据数据挖掘技术中的关联规则理论,提出"道路交通事故属性"的定义,并建立一种新的道路交通事故数据挖掘模型,利用改进的多维多数据类型的Apriori算法,从记录交通事故的数据库中发现潜在的、有价值、有联系的规律,用以指导交通管理部门找出道路黑点,并做出决策,杜绝事故隐患、减少事故发生,保障人们的生命和财产的安全。     

基于马尔可夫模型和特征融合的图像隐写分析

提出一种针对JPEG图像隐写的通用隐写分析方法.根据量化后分块DCT系数绝对值构造水平、垂直和zigzag方向的差分数组,利用三向差分数组马尔可夫模型挖掘量化后分块DCT块内邻近系数相关性,提取转移概率矩阵的特征.对三向特征加权融合后进行隐写分析,以提高分类性能.对安全性较高的JPEG隐写OutGuess和F5,在不同嵌入率下进行隐写分析.实验结果显示,引入特征融合后隐写分析的检出率明显提高.     

道路模型与TIN地形无缝融合算法研究

结合道路实时三维可视化系统的研发,本文提出了道路模型与TIN地形模型无缝融合的总体思路,并对融合过程中的几个关键算法进行了优化和改进.采用网格索引来组织地形数据,利用方向线段来优化查找点所在三角形算法,对约束多边形嵌入算法进行了优化和改进,并针对道路边界为任意多边形的特点,提出了快速删除道路边界多边形内的地形三角形的方法.经实例验证,本文提出的道路模型与地形模型无缝融合算法高效、稳定,可以满足实时三维可视化系统需要.