鲁棒图像去雾的大气光校正与透射率优化算法

针对已有单幅图像去雾方法中存在的天空灰暗和对比度增强不足等问题,提出基于大气光自适应校正与透射率鲁棒性优化的高可见度图像去雾算法.该算法采用白平衡和伽马校正对输入图像进行预处理,以提升亮度、增强对比度并避免出现严重的偏色现象.为了防止大气光值估计过高,提出一种基于天空检测的大气光自适应校正方法,以获得更明亮的天空区域复原效果.最后通过检测光晕像素和透射率上下文一致性推断来识别透射率不可靠的像素,并在可靠透射率保持项、不可靠透射率插值项以及相似像素透射率关联项的约束下设计了透射率鲁棒性优化模型,以对不可靠透射率进行校正.实验结果表明,文中算法获得的透射率更符合场景中的深度变化趋势,使得去雾结果具有较高的清晰度、对比度与色彩饱和度,且天空区域也显得更为自然.     

基于转换域与自适应伽马校正的去雾算法

针对暗通道先验算法中存在的光晕效应以及天空区域偏色等问题,提出一种基于转换域与自适应伽马校正的图像去雾算法。首先通过将大气散射模型转换至对数域,结合暗通道先验理论提出对数域正相关关系;再利用高斯函数拟合正相关,从而得到粗级透射率;然后将有雾图像转换至HSV色彩空间,提取亮度分量构造自适应伽马校正因子,对粗级透射率进行修正,并使用交叉双边滤波操作实现透射率的进一步优化;最后结合大气散射模型与改进的局部大气光,实现无雾图像的有效复原。仿真实验表明,与几种经典算法相比,该算法复原结果去雾彻底且细节丰富,具有较好的色彩保真度,更接近真实场景。     

基于形态学与梯度域导向滤波的图像去雾算法

目前的多数图像去雾方法不适用于浓雾场景,存在去雾后图像亮度偏暗及光晕伪影等问题,提出一种利用图像形态学和梯度域导向滤波的去雾算法。通过暗通道先验算法得到初始透射率,并根据图像形态学闭、开运算细化和平滑初始透射率。运用梯度域导向滤波优化透射率图,以平滑透射率图的边缘和消除矩形块状效应。为更好地估计出大气光值,对雾图的最小强度图进行形态学灰度腐蚀,并经过导向滤波处理,以此结果作为暗通道图,选取其最亮的前0.1%像素点对应到原图中,最高的像素值作为大气光值,得到大气光值后利用大气散射模型求出去雾后的图像。将除雾后的RGB图像转换到HSI颜色空间,利用多曝光融合框架对I通道进行无雾图像整体亮度提高,最终转到RGB颜色空间。实验结果表明,该算法能够恢复更多的细节信息,保证图像具有合适亮度,且颜色自然,无光晕伪影,优于暗通道先验和颜色衰减先验等去雾算法。     

高斯自适应多尺度加权滤波去雾算法

为了达到良好的图像去雾效果,提出一种高斯自适应多尺度加权滤波去雾算法。通过多尺度最小值加权滤波得到暗通道图像,建立最小通道与高斯函数的关系,线性约束后并经过自适应参数对像素灰度值的调整得到粗级透射率,紧接着对得到的粗级透射率图像进行多尺度加权引导滤波得到优化透射率,结合加权大气光强并依据大气散射模型对图像进行去雾复原处理。实验结果表明,该方法有效地将单幅有雾图像进行了处理,与其他经典算法相比较得到的图像细节显示效果好,很好地恢复了场景的对比度,增加了图像的可见度,具备一定的优异性。     

基于改进暗通道先验的交通图像去雾新方法

针对交通场景图像中由于雾霾导致的图像目标主体不清晰,影响监控效果的问题,提出一种基于导向滤波与自适应色阶调整的改进暗通道图像去雾新方法.首先,基于暗通道原理对原始图像进行映射处理,从而得到大气光成分与透射率的估计值,并利用多维导向滤波方法对大气透射率估计值进行优化处理;然后,根据图像降质过程的逆过程,求解雾霾图像清晰化处理初始结果;最后,利用多通道自适应色阶调整方法进一步优化初始结果,解决初始结果整体亮度较暗、不利于监控系统后期处理的问题.实验结果表明,清晰化处理后的图像具有较高的亮度和对比度值,较好地保留并增强了图像的边缘和细节信息,算法去雾霾效果显著,针对交通场景图像处理的自适应性较高.     

图像去雾中的大气光强度自适应恢复算法研究

传统的单幅图像去雾方法中大气光强度仅设定为与图像最亮象素有关的经验值,容易造成去雾后的图像亮度偏暗,且某些区域色彩还原失真等问题。本文提出一种大气光强度自适应恢复算法。首先对图进行分块,根据每个图块的像素在RGB颜色空间分布在同一条线上,可求得大气光强度的方向,然后对大气光强度模值引入一个惩罚因子实现图像去雾,对去雾后图像提出大气光强度模值估计的目标函数,根据图像明暗系数的最大值与透射率的等级无关的约束条件,利用L-BFGS优化从而得到正确的大气光强度模值。实验结果证明该方法可以有效避免大气光强度估值偏差而引起的图像色彩失真,鲁棒性强,去雾后的图像具有更好的色彩还原度和清晰度,更能符合人眼视觉效果。     

基于大气面纱优化和透射率修正的图像去雾

基于中值滤波的图像去雾算法不能有效去除细小边缘处的雾,且天空区域容易出现颜色失真问题。因此,提出了一种基于大气面纱优化和透射率修正的单幅图像去雾算法。首先基于阈值分割提取天空区域,并降低各颜色通道最小值图像中对应区域的灰度值,然后使用加权引导滤波得到优化后的大气面纱,从而得到较为准确的透射率,最后由大气散射模型得到复原图像。相比于其他算法,该算法在优化大气面纱的同时修正了透射率,在边缘处的去雾效果更加明显,同时解决了天空区域的色彩失真问题。     

基于自然场景统计的透射率优化图像去雾算法研究

针对有先验知识去雾算法的局限性，提出了一种基于自然场景统计的透射率优化图像去雾算法。该算法在判定有雾图像NSS特征与透射率相关性的基础上，构建了雾浓度透射率优化模型；通过敏感度和冗余度对比筛选NSS特征，从而提升算法去雾效率；对比实验结果证明，该方法去雾后的图像对比度与亮度都较高，远景区域也能较好去雾，很好地保留图像边缘的完整，避免了失真现象，且具有较高去雾效率。     

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。     

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。