基于暗原色和加权形态学滤波的图像去雾算法

针对雾天图像能见度低、对比度差的特点,提出一种自动消除雾的方法：基于暗原色和加权形态滤波的增强算法。首先引入暗原色先验信息,然后利用形态学滤波方法估计雾浓度图。该方法既能平滑雾浓度图,又能很好地保留场景的边缘,使估计出的雾浓度图更加精确。最后恢复去雾图像。实验结果表明,该方法简单快速有效,能够很好地达到去雾目的,并且较好地保留图像边缘细节。     

基于均值不等关系优化的自适应图像去雾算法

针对暗通道先验去雾算法的不足,如天空区域透射率估计过小和在景深突变处易发生光晕效应,该文提出一种新颖且高效的去雾算法。首先通过几何分析建立雾图对应无雾图像暗通道图的平面扇形模型,然后设定一种新型的高斯均值函数,对其标准差进行自适应处理,用以估计扇形模型的上下边界值,通过引入均值不等关系对两侧边界进行逼近,拟合出最优无雾图像暗通道图,进一步求得最佳透射率,同时也改进局部大气光的探索方法并复原出最终结果。实验表明,与其它一些经典算法相比较,所提算法能广泛适用于各类图像,去雾程度彻底且效果清晰自然,具有较低的时间复杂度,有利于实时处理。

     

基于Wiener滤波的快速视频去雾算法

雾霾环境会极大的降低视频中事物的能见度。针对于目前去雾算法存在运算复杂度大、处理时间长的缺点,提出一种基于Wiener滤波的快速去雾算法,首先获取暗原色模型,通过Wiener滤波自适应获取透射率分布图并进行初级及深度去雾,最后通过自适应对数变换进行亮度调整,得到去雾后图像。实验证明,相比现有的先进方法,本文的算法具有处理速度快和去雾效果好的优点。     

基于引导系数加权和自适应图像增强去雾算法

针对基于暗通道先验去雾算法易产生图像偏暗、细节信息丢失等现象,提出了一种基于引导系数加权和自适应图像增强去雾算法.首先,对原导向滤波方法进行采样和引导系数加权,快速得到精细化的透射率;然后,利用K-均值聚类将原图像标定为亮色和非亮色区域,约束透射率和大气光值,达到图像噪声抑制和大气光值优化的效果;最后,结合大气散射模型恢复图像,并利用自适应线性对比度增强方法对恢复后的图像进行优化.实验结果表明,与其他代表性去雾方法相比,由本文算法所获得的去雾图像不仅能克服图像失真、细节丢失等问题,同样在主观指标上和客观指标上都能取得较好的结果.     

基于自适应维纳滤波的单幅图像快速去雾算法

在雾霾天气中,摄像头拍摄图像的对比度和清晰度都会受天气影响而降低,针对这类问题,提出一种基于自适应维纳滤波的快速去雾算法。算法基于大气散射物理模型,通过软件阈值分割法估计全局大气光,利用自适应维纳滤波算法估计大气光模型。实验结果表明,该算法具有较高的处理效率,能够较好还原无雾图像和保持图像的边沿细节。     

基于模糊集分类的单幅图像去雾算法

针对高亮度区域导致大气光强度A 计算不准确以及复原图像颜色失真影响图像去 雾效果的问题,提出一种基于模糊集分类的单幅图像去雾算法。首先从暗通道模型出发,对 图像进行分割并采用基于模糊集理论的图像分 类算法确定符合暗通道先验理论的非明亮区域,避免了天空等高亮区域对大气光强度计算 的影响;然后利用快速双边滤波方法既具有平滑效果,又具有边缘细节保持的特性,估计大 气耗 散函数,进而精确恢复场景透射率;最后由大气散射模型复原图像,并进行基于人眼视觉的 亮 度、色调的调整,修正图像中颜色失真区域,提高视觉效果。与经典算法相比,本文算法在 细节、色彩保真度具有较大改进。     

基于物理模型的快速单幅图像去雾方法

在雾天环境下,获取的图像受到大气粒子散射的影响而导致对比度和能见度降低.针对该问题,提出了一种基于物理模型的单幅图像的快速去雾方法.该方法以大气散射模型为基础,引入暗原色先验规律求取全局大气光,利用双边滤波局部估计雾浓度,间接求取大气耗散函数,最终通过变换的大气散射模型恢复无雾图像.大量实验结果表明,该方法能够恢复出自然清晰的无雾图像,并能够较好地处理景深突变的边缘及远景处.此外,该算法在处理图像的运算时间上具有明显的优势,可满足图像实时处理要求.     

一种快速的单幅图像去雾算法

为了解决基于暗原色先验的单幅图像去雾算法运行效率低,以及去雾后在图像的明亮灰白区域存在图像色彩失真的问题,提出一种快速有效的单幅图像去雾算法.该算法基于HSI色彩空间进行粗略的透射率以及大气光的估计;然后,用导向滤波对粗略的透射率进行平滑,再利用阈值法对灰白明亮区域的透射率进行修正,得到最终的透射率;最后,进行色彩调整得到复原图像.实验结果表明,本文算法具有很高的运行效率,能有效提高复原图像的清晰度和对比度.     

无人机侦察图像快速去雾算法

无人机在进行情报侦察时,容易受到不良天候条件的影响,使得侦察图像模糊不清,对比度下降,但是现有较多算法解决此类问题的实时性较差,所以本文提出了基于暗通道原理的无人机侦察图像快速去雾算法。首先对图像进行降采样,根据大气物理模型和暗通道原理,利用最小值滤波和均值滤波分析出透射率和大气光强的求解方法并进行优化,最后求解出去雾图像。通过实验验证,本文算法简单有效,实时性极高,可以用于工程实现。而且算法对图像的亮度也有一定的调整功能,具有较强的鲁棒性。     

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。     

基于边界限制加权最小二乘法滤波的雾天图像增强算法

针对经典的暗通道理论算法在处理雾天图像时天空区域出现光晕和亮度损失的问题,提出了一种基于边界限制加权最小二乘法滤波的雾天图像增强算法。该方法根据雾天图像的直方图特性,分割出天空区域,并求解出了全局大气背景光;根据辐射立方体法则推导出边界限制条件,得到了初始的透射率,运用加权最小二乘法滤波方法和容差机制,对透射率进行了平滑处理;利用暗通道理论的模型,求取了增强后的图像。研究结果表明,在去雾效果和图像的可视度方面,所提算法优于现有的暗通道算法。     

基于颜色空间的单幅图像去雾算法

为改善雾天图像对比度差、能见度低的特点,本文结合雾天成像模型和暗原色先验规律,在颜色空间的基础上提出了一种去雾新算法。首先,在RGB颜色空间,根据暗原色先验规律估计出空气光,然后将图像从RGB颜色空间转换到HSI和HSV颜色空间,再对HSV空间下的明度分量运用大气散射模型进行去雾处理,最后再对HSI空间下的饱和度分量进行校正,最终得到去雾之后的图像。通过该算法能得到清晰化的图像,并且该算法较之传统的单幅图像去雾方法,速度更快、效果更自然。     

一种单幅图像去雾方法

针对雾天图像时比度差、能见度降低的特点,提出了一种局部尘雾消除方法--LDOS.首先引入暗原色统计先验,说明有雾图像暗通道和其尘雾浓度图之间的近似关系.然后,针对以往的尘雾浓度估计方法存在估计结果粗糙、修正方法复杂、不易实现等问题,给出了一种新颖而有效的估计方法--中值滤波.该方法既能平滑尘雾浓度图,又能很好地保留场景...     

基于自回归移动平均模型的图像模糊消除机制

为了克服图像模糊消除算法不稳定与解模糊等难题,保证复原图像的细节信息清晰完整,并提高算法的运行效率,获取实时性,提出了神经网络融合自回归移动平均模型的图像模糊消除并行稳定机制.引入神经网络,基于突触权重系数,构造激活函数;再嵌入人工蜂群算法(Artificial Bees Colony,ABC),并以神经网络的均方误差函数设计适应度方程,由ABC算法训练神经网络,利用优化后的神经网络来获取自回归移动平均模型的参数;再将自回归移动平均优化模型引入模糊图像,以同时识别模糊函数与模糊图像;并对模糊函数进行相关定义,以消除算法不稳定性与解模糊问题;再对模糊图像进行反卷积,消除模糊.借助仿真实验来测试该机制的相关性能,结果表明:与其他模糊消除算法相比,该机制的运行速度更快,时耗最短;且该机制更稳定,模糊消除效果更好,复原图像的细节信息清晰可见.     

一种基于大气散射模型和Retinex的红外图像去雾算法

基于红外图像和可见光图像在有雾天气下退化过程中的相似性,可以使用大气散射模型对红外图像进行图像复原.但是图像在去雾复原处理后常常会有对比度低,细节不明显的特点,不利于人眼直接观察.针对这一情况,使用Retinex对去雾后的图像进行对比度增强.经过这两个算法处理后可以提高红外图像的对比度,突出其细节,提高其信噪比,并且具有良好的视觉效果.对算法的改进可以在计算处理速度和算法处理的效果上找到一个平衡点,为后期的嵌入式平台实现实时的视频去雾打下基础.     

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。     

基于先验知识与大气散射模型的图像增强算法

针对现有图像增强算法大多不具备处理多种类型降质图像的能力,提出一种基于先验知识与大气散射模型的快速图像增强算法.首先,通过大量实验统计,提出一种新的图像先验-明亮通道先验,即高质量清晰图像中每个像素邻域都极有可能存在白点;随后,对散射模型所存在的缺陷加以改进,并结合明亮通道先验与黑色通道先验,推导出场景反射率的恢复公式;最后,针对黑色通道先验失效情况,提出一种基于可靠性预测的容错机制,以提高其适用范围.实验结果表明:本文算法不但可以有效的突出纹理细节,还具有一定的色调恢复功能,能够处理多种不同类型的降质图像.     

基于自回归移动平均模型的图像模糊消除并行稳定机制研究

为了克服图像模糊消除算法不稳定与解模糊等难题,保证复原图像的细节信息清晰完整; 并提高算法的运行效率,获取实时性,本文提出了神经网络融合自回归移动平均模型的图像模糊消除并行稳定机制。引入神经网络,基于突触权重系数,构造激活函数;再嵌入人工蜂群算法（ABC- Artificial Bees Colony）,并以神经网络的均方误差函数设计适应度方程,由ABC算法训练神经网络,利用优化后的神经网络来获取自回归移动平均模型的参数;再将自回归移动平均优化模型引入模糊图像,以同时识别模糊函数与模糊图像;并对模糊函数进行相关定义,以消除算法不稳定性与解模糊问题;再对模糊图像进行反卷积,消除模糊。借助仿真实验来测试本文机制的相关性能,结果表明：与其他模糊消除算法相比,该机制的运行速度更快,时耗最短;且本文机制更稳定,模糊消除效果更好,复原图像的细节信息清晰可见。