基于多先验约束和一致性正则的半监督图像去雾算法

针对合成雾霾图像训练的去雾模型在真实场景中去雾效果不佳、对高层视觉任务性能提升不明显等问题,该文提出一种基于多先验约束和一致性正则的半监督图像去雾算法。该方法采用编码器-解码器网络结构,同时在合成雾霾图像与真实雾霾图像上学习去雾映射,并利用多种统计先验去雾结果作为真实雾霾图像参考真值进行半监督学习,同时通过多张真实雾霾图像的随机混合进行一致性正则约束,以消除多种先验去雾结果差异以及噪声干扰,提高图像去雾结果的视觉质量。实验对比结果表明,所提算法可比现有方法获得更好的真实场景去雾结果,并且能够显著提升高层视觉任务性能。     

基于深度学习的图像去雾算法研究进展

图像是信息的重要承载形式。雾霾的出现降低了图像采集设备采集到的图像质量,容易出现色彩暗淡、对比度和饱和度降低、细节信息丢失等问题,直接影响了有用信息的表达和利用。目前对图像去雾的研究多采用深度学习的方法,卷积神经网络代替了人工特征提取方式,取得了优于传统算法的去雾效果,但普遍存在着对真实世界雾霾图像和清晰图像对的依赖。无监督学习的方法带来了新的解决思路。从监督学习和无监督学习的角度对有代表性的深度学习图像去雾算法进行分类,归纳了常用的数据集、评价指标,概括分析了有影响力的去雾模型的核心思想,总结了各算法的优缺点和适用场景。针对目前工作存在的不足,探索了下一步研究的方向。     

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。     

基于霾层学习的单幅图像去雾算法

针对传统去雾算法出现色彩失真、去雾不完全、出现光晕等现象,本文提出了一种基于霾层学习的卷积神经网络的单幅图像去雾算法.首先,依据大气散射物理模型进行理论推导,本文设计了一种能够直接学习和估计有雾图像和霾层图像之间的映射关系的网络模型.采用有雾图像作为输入,并输出有雾图像与无雾图像之间的残差图像,随后直接从有雾图像中去除此霾层图像,即可恢复出无雾图像.残差学习的引入,使得网络来直接估计初始霾层,利用相对大的学习率,减少计算量,加快收敛过程.再利用引导滤波进行细化,使得恢复出的无雾图像更接近真实场景.本文对不同雾浓度的有雾图片的去雾效果进行测试,并与当前主流深度学习去雾算法及其他经典算法进行对比.实验结果显示,本文设计的卷积神经网络模型在图像去雾的应用,不论在主观效果还是客观指标上,都有优势.     

基于改进SRGAN的无人机航拍图像去雾算法

针对航拍图像往往受雾霾天气影响出现图像模糊、细节丢失等问题,本研究提出了一种基于改进SRGAN的无人机航拍图像去雾算法,旨在快速高效地去除航拍图像中的雾霾并恢复图像细节和纹理信息。本文重新设计判别器核心结构SResblock并引入CBAM注意力机制,完成了对原始SRGAN的改进,提出DH SRGAN算法。在VISDRONE户外航拍合成雾数据集上测试结果显示,本算法在单幅图像去雾方面取得了显著提升,去雾后的图像与原始图像PSNR 达2448dB、SSIM 达9529,两项指标均优于传统算法。相比原始SRGAN,DH SRGAN算法更加轻量化,适合嵌入到无人机侦察任务中的图像预处理流程。     

图像雾霾等级评价及去雾技术研究进展

图像去雾技术是对有雾图像进行清晰化处理的一门技术,该技术的任务是去除环境因素对图像质量的影响,从而增强图像的视见度。文章首先对雾霾图像的性质与分类研究进行了论述,并进一步综述了图像去雾技术的国内外研究现状,对直方图均衡化算法,Retinex算法和先验暗通道算法等典型的去雾方法的效果进行评价。总结了各类算法的性能,分析他们各自的优势和不足。最后指出了图像去雾技术的发展趋势和未来展望。     

基于雾线和颜色衰减先验的图像去雾方法

针对现有图像去雾方法易产生的颜色过饱和、细节丢失、伪影等问题，提出了一种基于雾线和颜色衰减先验的去雾方法。首先，利用雾线先验和霍夫投票估计大气光。然后，根据颜色衰减先验建立关于场景深度的非线性模型，获取准确的透射率。最后，通过对大气散射模型进行反向求解去除图像中的雾霾干扰，获得细节丰富的去雾图像。在RESIDE公共数据集上进行了实验，并与多种现有方法进行了比较。实验结果表明，所提方法可有效去除图像中的雾霾干扰，获得清晰自然的去雾图像，且其时间和空间效率均优于其他方法。     

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。     

单幅图像去雾算法研究

随着计算机技术和硬件能力的提高,计算机视觉处理系统已广泛应用于各类场景中,雾霾等恶劣天气下获取的图像会影响后续图像的处理,进一步导致计算机视觉处理系统性能的降低,因此提高降质图像的质量具有重要意义.文章给出一种结合图像增强和图像复原的处理算法,算法能在不同尺度的残差图像上和基础层上分别进行处理,达到保留图像细节和去雾的...     

高频信息对齐的多尺度融合去雾网络

目前，在去雾领域鲜有将先验信息引入到以数据驱动的深度学习方法中的工作，且大多数基于深度学习的去雾网络通常对计算机内存和算力有较高要求。为解决上述问题，本文提出一个高频信息对齐的多尺度融合去雾网络（HFMS-Net）。网络框架采用循环模式：对于生成器，通过在轻量卷积神经网络的不同深度引入残差连接，以充分利用网络的中间层特征，实现多尺度特征融合；对于判别器，网络需对其输入进行纹理信息提取，逼近去雾图像和有雾图像之间的高频信息，使基于数据驱动的网络更具物理解释性。与PFDN相比，HFMS-Net在相同设置下以约1/5的内存占用取得了更优越的性能，PSNR和SSIM分别提升了0.71、0.016。通过大量的对比实验和消融实验证明本网络的去雾性能与现有算法相比有一定的提升，对纹理信息具有更高的保真度。     

基于TS201 DSP平台的雾霾视频数据质量提升实现

近年来北京等华北地区雾霾天气多发,严重影响室外摄像头采集视频数据的质量及应用效能。为有效提升雾霾视频数据的质量,文章对经典的暗通道优先去雾算法,进行运算模块的拆解分析;并在此基础上研究基于TS201 DSP平台的雾霾视频质量提升仿真与实现。主要研究内容包括:基于暗通道优先的去雾算法原理解析、算法实现的流程设计、及算法到DSP的映射三项关键技术。最终实验结果表明:文章基于TS201 DSP平台实现的暗通道优先去雾算法,可有效实现对雾霾视频图像序列质量的提升。     

基于双注意力机制的多尺度去雾网络

图像去雾是计算机视觉领域中一个具有挑战性的任务。在雾霾天气下拍摄的图像会受到严重的信息退化,图像颜色和对比度大幅度衰减等问题。因此,图像去雾任务作为众多高级视觉任务的前置工作成为了计算机领域的一个研究热点。随着深度学习的发展,端到端的去雾网络在图像去雾领域取得了巨大的进展。由于雾霾在图像上的像素不均匀分布,大多数端到端图像去雾网络都将特征中每个通道都平等处理,导致去雾效果欠佳。文章引入通道注意力机制使网络更加关注对去雾有效的特征,抑制无关特征。此外,我们在去雾网络中引入多尺度结构并且考虑到图像的空间结构信息,通过结合不同尺度的特征,并捕获一定的图像空间位置信息,从而达到更好的去雾效果。在合成有雾数据集和真实有雾数据集上的相关实验表明,该方法能够有效的提升去雾网络性能。     

基于单幅图像去雾算法分析

单幅图像去雾算法,是指在雾霾环境中,获取清晰、高质量的画面。基于单幅图像去雾算法,有利于提高画面的质量,确保交通、拍摄等项目中,能够准确的使用画面。单幅图像去雾算法,得到了充分的应用,细化算法应用,提高计算的效率。本文主要围绕单幅图像,探讨去雾算法的相关内容。     

暗原色先验自适应图像去雾方法

针对传统暗原色先验去雾算法存在的亮区域色彩失真、去雾参 数人工设定等问题,提出了一种基于暗原色先验改进的自适应图像去雾方法。首先,提出快 速OSTU法对雾霾图像亮暗区域进行自适应分割,并分区域获取亮暗区域的暗原色值;其次, 根据亮区域分布情况,对不同区域大气光强进行自适应估计;接着,通过分析雾霾图像直方 图特征,提出采用灰度集中度法自适应计算去雾系数;然后,运用色阶自适应调整方法进行 输出图像的色彩调整;最后,通过开展对比实验,验证了本文算法的优越性。主客观 评价结果表明:本文方法无需人为设定去雾参数,具有较好的 鲁棒性,可适用于多种浓度、 各种场景雾霾图像的去雾处理,获取的图像清晰、色彩自然,对比度高。     

具有条件约束的金字塔视野扩张网络去雾算法

为了消除雾霾天气对机器光学视觉系统的影响,当今社会急需有效的图像去雾算法。基于此提出端到端具有条件约束的金字塔视野扩张网络去雾算法。该算法通过金字塔视野扩张网络有效地提取有雾图像的上下文语义信息,以大气散射模型为约束,能够还原出高质量的无雾图,有效解决雾霾天气对机器光学视觉系统的影响。与其他流行去雾算法进行了对比实验,实验结果表明,所提出的算法在O-HAZE真实雾霾数据集的去雾结果平均PSNR指标高于对比算法2.4 dB,去雾效果优于对比算法,具有有效性和鲁棒性。     

一种实时去雾图像增强算法的DSP实现

受雾霾、光照差等环境影响,造成实际成像存在朦胧不清晰等问题。雾霾天气导致能见度降低,给人们的日常生活和出行带来很大影响。为了更好地恢复雾霾图像的场景信息,对雾霾图像进行处理复原来提高原图像像质是十分必要的,针对此问题,文章设计一款基于DSP的实时去雾增强系统。该系统集合了DSP大型数据处理能力的优点,很好地将改进型"暗通道"原理算法移植其中。有效满足了实时去雾增强功能要求。实验结果和传统去雾算法对比,实验证明,该系统工作稳定有效,能有效解决实际工程中雾霾、光照不足给成像造成的影响。     

校园航拍中图像去雾霾技术的应用研究

无人机的发展使校园航拍风靡全国各大高校。然而受雾霾天气的影响,户外高空采集的图像往往严重降质。为解决这一问题,文章对图像去雾霾技术及各类方法进行了研究。先后实现了基于单尺度Retinex及暗通道先验的图像去雾霾算法,并将其应用到校园航拍采集到的因雾霾天气导致降质严重的图像中。根据对处理结果的比较分析总结了两种算法的适用范围和优缺点,同时对后续研究工作进行了探讨。     

基于多尺度融合卷积神经网络的图像去雾算法

为解决图像去雾后颜色偏暗以及去雾不彻底等问题,本文提出了一种基于多尺度融合卷积神经网络的图像去雾算法.以有雾图像为输入,首先经过预处理模块由单尺度卷积层提取有雾图像浅层信息,然后设计多尺度映射模块实现深度特征学习以及深、浅层特征融合,由反卷积模块还原图像尺寸,通过卷积操作得到有雾图像对应的粗透射率图.采用双边滤波法优化...     

采用自适应全局亮度补偿的夜间去雾算法

针对夜间雾霾天气情况下还原的去雾图像存在颜色失真、纹理损失严重、去雾效果差等问题,本文提出了一种夜间去雾算法,采用自适应全局亮度补偿、同态滤波、限制对比度自适应直方图均衡化算法以及联合双边滤波对降质图像进行处理,结合大气散射模型得到还原的去雾图像。实验结果表明,该算法的夜间去雾效果好、处理速度快,较对比算法在对比度、平均梯度以及信息熵上均有改善,有效减少了还原图像的颜色失真、纹理损失。     

基于迁移学习的三子网图像去雾方法

目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先,该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数,以加速模型训练收敛速度。其次,主干网络模型由3个子网组成：残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取,在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进,为衡量模型性能,模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题,可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。