基于改进暗通道先验的图像去雾算法

针对雾霾天气下采集的图像存在细节丢失和对比度较低的问题,提出了基于改进暗通道先验的图像去雾算法.现有的图像去雾算法仍然受到颜色失真和亮度偏暗的困扰.而改进算法首先通过四叉树搜索算法来估计大气光候选区域,提高了大气光值估计的准确性,降低了大气光候选区域定位在亮白色物体上导致去雾后的图像出现颜色失真的情况.其次,将去雾后图...     

改进残差神经网络的图像去雾算法

针对图像去雾算法中存在因介质透射率估计不准确而造成色彩失真、去雾不完全的问题,提出了一种改进残差神经网络的图像去雾算法.首先采用并行多尺度卷积层提取雾图像特征.然后通过引入了深度可分离卷积层的残差网络学习介质透射率,并利用加权引导滤波细化介质透射率.最后根据大气散射模型反演得到无雾清晰图像.实验结果表明,该算法与其他去雾算法相比在峰值信噪比(peak signal to noise ratio, PSNR)和结构相似度(structural similarity, SSIM)指标上取得了一定的提高,并且去雾图像在主观视觉上也取得了较好表现.     

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.     

基于图像融合的快速单幅图像去雾算法

针对单幅雾霾图像中存在大面积明亮区域,暗通道先验失效、引导滤波算法去雾不彻底和时间复杂度较高的问题,提出了一种基于图像融合的快速单幅图像去雾算法.在大气散射模型的基础上,对大气光值进行区间估计;由暗通道先验法得到透射率的简单估计,由Retinex理论进行多尺度高斯卷积得到透射率的模糊估计,利用图像融合将两者进行像素级融合,得到透射率的精确估计;采用交叉双边滤波进行平滑处理并针对明亮区域修正透射率;对复原图像进行色调调整后得到最终图像.实验表明:算法不仅取得良好的去雾效果和较好的图像色彩,还有效降低了时间复杂度.     

基于DehazeNet与边缘检测均值引导滤波图像去雾算法

针对目前在有较多明暗区域的雾天图像去雾处理,存在恢复的图像偏暗和丢失图像边缘细节信息的问题,提出了基于DehazeNet与边缘检测均值引导滤波图像去雾算法。使用DehazeNet可训练卷积神经网络,根据4个雾天相关特征来估计雾天图像的初透射率图;通过局部的大气光值获得初大气光值图,替代单个大气光值,避免恢复的图像偏暗;提出边缘检测均值引导滤波算法,分别对初透射率图和初大气光值图进行优化,保留边缘细节信息;最后基于大气散射模型还原出去雾后的图像。实验结果表明:该算法去雾图像的主观视觉效果较好,且图像信息熵、峰值信噪比和结构相似性3方面的客观评价结果也较优于其它对比算法。可以解决恢复图像偏暗和丢失图像边缘细节信息的问题,使去雾图像清晰自然。     

图像去雾透射率的优化算法

在雾、霾等天气条件下,大气粒子的散射作用导致图像严重降质。本文提出一种简单快速的基于物理模型的 图像去雾新算法,对大气散射模型进行化简,得到新的去雾模型。然后,利用暗原色先验方法估计大气光值A,并代入新的简 化模型,得到去雾图像。实验表明,该算法在处理速度和去雾效果上都优于现有算法。     

基于暗通道先验的单幅图像去雾新算法

由于暗通道先验去雾算法会使天空等明亮区域产生颜色失真、偏移等问题,对此文中提出基于暗通道先验的单幅图像去雾新算法,提高了图像去雾效果.首先,根据图像的大小设计了一种自适应滤波窗口;其次,为了防止图像中的高亮像素对大气光值估计的影响,利用变差函数去除这些高亮像素,并结合去除高亮像素后图像的暗通道图,估计大气光值;然后,提出了一种结合结构相似性的暗通道先验去雾改进算法,并对透射率进行优化、修正;接着,利用大气散射模型恢复出无雾图像;最后,利用RGB模型和HIS模型的相互转化,增强恢复图像的亮度.实验结果表明,该算法不仅能对图中景物进行较好的去雾,还能较好地处理天空等明亮区域,使处理后的图像有很好的视觉效果.     

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.     

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。     

一种简单快速的图像去雾算法

在雾、霾等天气条件下,大气粒子的散射作用导致捕获的图像严重降质。提出一种简单快速的基于物理模型的图像去雾新算法。首先从雾形成的角度出发,考虑到传播图像的低频性和单通道性,对大气散射模型进行变型化简,得到新的去雾模型。然后,利用暗原色先验方法估计大气光值A,并带入新的简化模型,得到去雾图像。方法不需要求取过多的变量,只需要求取大气光值A,大大提高了算法的效率。最后大量实验表明,该算法无论在处理速度还是去雾效果上都优于现有算法。     

基于图像分割的交通图像快速去雾算法

现有去雾算法较少考虑交通图像的特征,直接应用于交通图像去雾效果和实时性较差。针对这一情况,在充分分析了雾天交通图像特征的基础上,提出一种基于图像分割的交通图像快速去雾算法。算法首先采用改进的均值漂移算法分割出天空区域,然后在天空区域中较准确的估计出大气光强度值,最后采用基于双边滤波器的改进暗原色先验（DCP）算法实现去雾,并结合雾天交通图像的特征对去雾图像进行了后处理,增强了去雾效果。实验结果证明该算法实时性高且去雾效果好,在交通图像去雾方面所提出的算法的综合性能优于现有的同类去雾算法。     

基于颜色衰减的自适应去雾算法

雾霾使室外拍摄的图像、视频画质退化严重,给室外安防和交通监控等系统的正常运行带来困难。去雾算法旨在恢复图像质量,增强图像对比度和清晰度。本文提出了一种结合大气散射模型与颜色衰减先验的去雾复原模型,并以新增可见边比为评价标准,给出了模型参数的自适应求取方法,并采用引导滤波对透射率进行优化,从而较好地恢复出无雾图像。对有雾图像分别采用本文方法和三种现有去雾算法进行对比实验,从实验结果看,基于颜色衰减的自适应去雾算法可使图像清晰度、对比度得到较大的提高,与其他算法相比,在实时性和清晰度方面有一定优势。     

基于暗原色先验的图像去雾改进方法

本文基于大气散射模型, 建立了雾天图像复原的关系, 以暗通道原理作为基础知识, 复原雾天图像. 对不符合暗原色先验假设的大片浓雾及天空区域, 分析图像失真的原因, 通过引入容差参数来修正透射率, 防止天空区域的去雾程度过大, 从而提高含天空区域图像的复原效果. 为了避免大气光强过高, 去雾程度加强, 本文设置了大气光强的阈值, 并采用自动色阶算法对复原后的图像的色调分布进行相应调整, 使复原图像更自然, 增强其视觉效果. 完成图像去雾算法验证流程设计, 实现参数可调. 通过主观与客观的分析方式对3种算法进行性能验证与分析, 证明了改进后的算法优于前两种算法, 能够达到明显去雾的效果.     

Light source point cluster selection-based atmospheric light estimation

The atmospheric light value is a critical parameter in defogging algorithms that are based on atmospheric scattering models. Any error in the atmospheric light value will impact directly on the accuracy of scattering computation and thus cause chromatic distortions in the restored images. To address this problem, this paper proposes a method that relies on clustering statistics to estimate the atmospheric light value. It starts by selecting in the original image some potential atmospheric light source points, which are grouped into point clusters using a clustering technique. From these clusters, several clusters containing candidate atmospheric light source points are selected; the points are then analyzed statistically, and the cluster containing the most candidate points is used for estimating the atmospheric light value. The mean brightness vector of the candidate atmospheric light points in the chosen point cluster is used as the estimate of the atmospheric light value, and their geometric center in the image is accepted as the location of atmospheric light. The experimental results suggest that this statistical clustering method produces more accurate atmosphere brightness vectors and light source locations. This accuracy translates to, from a subjective perspective, both a more natural defogging effect and improvements in various objective image quality indicators.     

基于逆通道与改进引导滤波的暗通道去雾算法

为解决暗通道先验去雾算法存在的透射率计算不精确和图像去雾后偏暗等问题,提出一种利用逆通道与改进滤波的暗通道去雾算法。根据雾天可见光的衰减特性,基于蓝色通道的逆通道得到修正的雾天图像暗通道图,通过在引导滤波中设置自适应平滑因子,滤波处理时检测图像边缘并利用局部方差自适应调整滤波强度,以获得更准确的透射率,同时选取图像中天空部分亮度最大区域的像素平均值作为大气光值,最终得到修复的去雾图像。实验结果表明,与基于边界限制的去雾算法和多尺度小波去雾算法相比,该算法的峰值信噪比和结构相似性值更高且均方误差更小,图像去雾效果更好,能较好保持图像原有信息。     

一种基于改进AOD-Net的航拍图像去雾算法

针对航拍图像易受雾气影响, AOD-Net (All in one dehazing network)算法对图像去雾后容易出现细节模糊、对比度过高和图像偏暗等问题, 本文提出了一种基于改进AOD-Net的航拍图像去雾算法. 本文主要从网络结构、损失函数、训练方式三个方面对AOD-Net进行改良. 首先在AOD-Net的第二个特征融合层上添加了第一层的特征图, 用全逐点卷积替换了传统卷积方式, 并用多尺度结构提升了网络对细节的处理能力. 然后用包含有图像重构损失函数、SSIM (Structural similarity)损失函数以及TV (Total variation)损失函数的复合损失函数优化去雾图的对比度、亮度以及色彩饱和度. 最后采用分段式的训练方式进一步提升了去雾图的质量. 实验结果表明, 经该算法去雾后的图像拥有令人满意的去雾结果, 图像的饱和度和对比度相较于AOD-Net更自然. 与其他对比算法相比, 该算法在合成图像实验、真实航拍图像实验以及算法耗时测试的综合表现上更好, 更适用于航拍图像实时去雾.     

单幅图像快速去雾算法

目前去雾算法主要有通过暗原色和对图像颜色通道处理等方法,但是这些方法去雾效率不高,从而导致实用性不强,针对此弊端提出了一种基于单幅图像的快速去雾算法。大气光估计运用改进的暗通道方法,先对颜色通道进行最小滤波,然后取最小滤波的最大值作为大气光的估计值;透射率估计运用物理模型均值滤波,先根据数学模型转换,然后进行一次均值滤波,再用偏移值来修正带透射率的估计值。算法简单快速有效,具有实用性。对实验结果进行定性定量分析,证明与其他算法相比,所提算法具有更好的去雾效果和更快的处理速度。     

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HSI亮度分量和RGB空间的图像去雾算法

图像去雾技术处理的目的是消除雾霾对视频监控图像的影响,提高雾霾图像的视觉效果。目前,一般去雾图像只是比较去雾后和去雾前的图像,处理结果通常失真严重或过饱和,不能在保证细节清晰的同时保证颜色信息完整。针对上述问题,提出了一种基于大气散射模型和光学原理,建立具有散射特性的HIS亮度转换模型,并与RGB空间结合计算的图像复原方法。该方法通过分析晴天图像和雾霾图像的对比关系,结合HSI空间人眼视觉最敏感的亮度分量计算出图像场景的相对深度关系,利用大气散射模型以及景深比,对雾霾视频图像进行清晰复原和结果的测评。实验结果证明,与只从RGB空间计算的去雾霾方法对比,所提方法去雾效果更清晰,彩色失真和过饱和程度更小。     

Estimation of atmospheric light based on gaussian distribution

Existing defogging algorithms use a small number of sample points to estimate the atmospheric light, which leads to poor defogging effect. To solve this problem, a novel Gaussian distribution based algorithm for atmospheric light estimation is proposed. The algorithm has the following features: it uses a brightness threshold to select the candidate points to increase the number of initial samples; it uses clustering algorithms to merge the point clusters for increasing the samples included in the candidate point cluster; it uses a proportional threshold to filter out unreasonable point clusters; it regards each candidate point cluster as a single light source and calculates their influence on surrounding pixels with a Gaussian-distribution-based model; and it uses an atmospheric light map (instead of a constant value) to restore the image. The experimental results suggest that the defogging results produced by the proposed algorithm look more natural than the original algorithm under subjective vision and the objective image quality evaluation indicators are also excellent.