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。     

结合天空识别和暗通道原理的图像去雾

目的 目前较为流行的去雾算法对天空区域的处理效果不佳,容易造成方块效应以及色彩严重失真.针对该问题,提出一种基于天空识别和暗通道原理的单幅图像去雾方法.方法 天空识别算法,将雾图分为天空与非天空部分,对其分别估计透射率图,通过大气散射模型得到复原图像;针对利用暗通道原理得到的去雾图像普遍偏暗的问题,对其进行色彩重映射,以增加图像亮度,提升图像视觉效果.结果 大量实验结果表明,本文算法复原的图像清晰自然,尤其是天空区域平滑明亮,取得了很好的去雾效果.结论 基于天空识别,提出了一种新颖的单幅图像去雾算法.与He Kaiming以及Tarel的算法相比,去雾后图像整体效果更佳.     

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。     

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。     

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.     

结合天空区域识别的单幅图像去雾方法

针对现有图像去雾方法易于在天空区域引入负面视觉效果的缺陷,提出一个结合天空区域识别的单幅图像去雾方法;提出一个新的天空区域特征先验知识,并利用所提先验将雾天降质图像分割为天空与非天空区域;基于天空区域对大气光进行估计,并利用暗通道先验和导向全变分模型对非天空区域的透射率进行估计,从而基于大气散射模型获得去雾处理后的图像;使用一种邻域自适应的Retinex方法克服了去雾处理后图像偏暗的问题。对比实验证明,所提方法相比现有的类似方法具备更好的有效性及鲁棒性。     

基于融合亮度模型和梯度域滤波的图像去雾#br#

为解决暗通道先验算法在处理图像的天空区域时容易出现颜色过饱和、亮度整体偏暗和光晕等问题,提出了一种融合亮度模型和梯度域滤波的图像去雾算法.首先,选择整幅图像中亮度最大的前0.1％ 像素的平均值作为大气光值;然后,利用自适应最小值滤波的改进暗通道模型和亮度模型分别对前景区域和天空区域求解透射率,在将其加权融合得到粗透射率的基础上,使用梯度域导向滤波对透射率进行细化;最后,通过大气散射模型和伽马校正复原出无雾图像.实验结果表明,在包含天空区域的雾图上本文算法能够快速有效地解决天空区域的光晕效应和图像失真问题,复原出来的图像清晰自然,保留了较多的细节信息,在主观和客观2个评价方面均优于其他对比算法.     

海天背景图像去雾方法研究

海天背景图像存在大面积天空区域,且在远距离平视时目标一定出现在海天线附近,现有的去雾算法对天空区域的改善都是弱化天空区域的处理,这样势必会造成海天线附近去雾效果的减弱,不利于后续的目标检测.针对该问题,提出一种基于大气散射模型的图像复原去雾算法.首先,利用海天背景图像的特点,采用边缘检测算子将图像划分为天空和非天空区域,并结合大气光的物理意义,取天空区域最大的值作为大气光的估计值;其次,针对有雾图像对比度很低而无雾图像对比度较高这一先验信息设计代价函数,并通过SLIC超像素分割进行分块,通过求解每个小块内该函数的最小值,估计出粗透射率,再用引导滤波对粗透射率进行细化从而消除块效应;最后,利用大气散射模型,代入前两步求得的参数便可以得到恢复的无雾图像.实验结果与分析结果表明,本文能对海天背景的图像取得较好的去雾效果.     

基于暗原色先验的快速单幅图像去雾算法

针对基于暗原色先验理论的单幅图像去雾算法中,由于某些场景下的雾天图像存在大面积明亮区域（如天空、水面或者偏白色物体等）不满足暗原色先验假设,从而导致去雾处理效果不好的问题。基于暗原色先验理论,提出了一种改进的单幅图像去雾算法。首先利用统计截断的方法估计出大气光值;然后对暗通道图进行中值滤波得到粗略估计的透射率图,并对明亮区域的透射率图进行自适应校正处理;最后将这些参数带入大气散射成像模型完成去雾处理。实验结果显示,相较于原算法而言,所提算法可以准确地选取出天空区域的像素点对大气光进行估计,有效降低明亮区域的色彩失真。通过不同算法对不同室外场景下采集的雾天图像的去雾效果的对比可知,所提算法在对明亮区域的处理上更加合理,可以较好地处理一些带有光源的图像,恢复出的图像具有很好的细节保持,视觉效果显著提高。所提算法对含有大面积明亮区域的雾天图像具有很好的增强处理效果,可以为图像分割、语义检索、智能分析等图像处理工作提供有效的预处理手段,对于交通监管、视频监控、行车视频记录、视觉导航等研究领域具有重要的意义。     

基于雾气浓度估计的图像去雾算法

根据雾气浓度的视觉特征,提出一种雾气浓度估计模型.在此基础上,结合大气散射模型,提出一种新的图像去雾算法.首先,基于雾气浓度估计模型计算出雾气浓度量化图,利用模糊聚类算法在量化图中识别出雾气最浓区域并估计出全球光; 然后,对量化图中的“非雾气最浓”区域再次进行聚类处理,根据文中所提最优透射率评价指标估计出每个聚类单元的透射率,将全球光与透射图以及有雾图像导入散射模型,便可达到去雾的目的; 最后,针对去雾后图像较实际场景偏暗,提出一种基于小波域的多尺度锐化算法进行增强处理,以改善其主观视觉质量.实验结果表明,本文算法与现有主流算法相比,具有更好的去雾效果,并且其计算速度也相对较快.     

基于颜色衰减先验的小波融合图像去雾

针对图像去雾问题,在颜色衰减先验基础上提出了一种基于小波融合的单幅图像去雾方法。首先,通过颜色衰减先验假设建立了透射率关于图像亮度、饱和度的线性模型,估计出图像的粗略透射率信息。其次,提取雾图像灰度图的细节信息作为透射率的细节补充。最后,采用小波变换将两者进行融合,得到准确率高的透射率,进而恢复出清晰图像。该方法避免了大气散射系数的人工选择,自动化程度高。并且结合了原图像的特性,提高了透射率的准确性。实验表明该方法泛化效果好,恢复出的图像彩色自然。     

基于暗原色先验的单幅图像快速去雾算法

针对雾天环境下图像清晰度降低以及色调偏移问题,提出一种基于暗原色先验的单幅图像快速去雾算法。首先使用灰度开运算代替最小值滤波得到粗略暗通道图,根据方差标记出雾天图像各个景深突变区的位置,并对突变区的暗原色值进行细化求解;其次求解出透射率的粗略估计并使用引导滤波来进行优化;然后使用一种自适应的容差机制对天空等明亮区域的透射率进行动态修正;最后利用大气散射模型复原出无雾图像。实验结果表明,与几种典型的图像去雾算法相比,所提算法具有较快的处理速度,同时得到的复原图像细节突出、色彩丰富。     

结合WLS滤波与还原控制因子的图像去雾

雾天退化图像的复原过程中,针对大气光幕和大气亮度估计不准确导致光晕效应、偏色现象和对比度不足等问题,提出一种结合WLS (weighted least square)滤波与还原控制因子的去雾算法.首先分析WLS滤波器的原理和性能,并用于大气光幕的有效提取;其次利用Sobel算子检测二值化图像边缘,将边缘数目与像素均值同时作为四叉树空间索引的依据,提高大气亮度的估计准确性;最后分析天空出现颜色失衡现象的原因,引入还原控制因子改善视觉效果.实验结果表明,去雾后图像的平均梯度整体提高58.03%,信息熵提高2.88%,运行时间节省50%以上.该方法对含有浓雾、薄雾以及天空等深度复杂的远景图像、近景图像均能得到高对比度、可视度和色彩保真度的恢复效果.     

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.     

雾天交通场景中单幅图像去雾

目的 针对雾天交通场景中通常含有大片天空区域,传统去雾方法在复原这些图像时容易产生光晕、色彩失真等现象。提出一种基于天空区域分割和暗通道先验理论的图像去雾方法。方法 首先提出一种基于最大类间方差法（OTSU）的图像分割算法来自动分离天空区域,然后将天空区域的平均强度值作为大气光值,从而改进场景传输率的估计。结果 本文方法不仅有效地解决了图像去雾后出现光晕和色彩失真等问题,与He Kaiming以及Fattal的方法相比,本文方法去雾后的图像更加真实、自然、平滑。结论 实验结果表明,本文方法能够很好地完成对雾天交通图像的复原,可为道路交通监管提供一种有效的理论基础和技术支撑。     

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。