视频图像去雾算法的自适应机制设计及FPGA加速实现

该文提出了一种自适应图像去雾算法,充分考虑不同复杂场景下的图像特征,建立了算法的自适应机制。该机制包含对图像是否有雾、是否为天空区域、滤波器尺寸等的自适应调整,解决了传统图像去雾算法在深度断层处可能产生的光晕效应等问题。该文同时对上述自适应图像去雾算法进行FPGA加速实现,实验结果表明,该文算法在XC7K325T型号FPGA视频处理平台上可以满足对1080P@60Hz视频去雾的实时性要求。对于大多数轻雾或浓雾场景,该文算法去雾后图像色彩自然无过饱和,全局对比度和饱和度提升比率均值为0.309和0.994,相比于本领域其他去雾算法优势明显。     

视频图像去雾算法的自适应机制设计及FPGA加速实现

该文提出了一种自适应图像去雾算法,充分考虑不同复杂场景下的图像特征,建立了算法的自适应机制.该机制包含对图像是否有雾、是否为天空区域、滤波器尺寸等的自适应调整,解决了传统图像去雾算法在深度断层处可能产生的光晕效应等问题.该文同时对上述自适应图像去雾算法进行FPGA加速实现,实验结果表明,该文算法在XC7K325T型号FPGA视频处理平台上可以满足对1080P@60Hz视频去雾的实时性要求.对于大多数轻雾或浓雾场景,该文算法去雾后图像色彩自然无过饱和,全局对比度和饱和度提升比率均值为0.309和0.994,相比于本领域其他去雾算法优势明显.     

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。     

基于自适应gamma校正估计的图像去雾算法

针对当前流行的图像去雾算法存在去雾过度造成图像颜色失真,或者去雾不足等问题,提出了一种自适应gamma校正估计的图像去雾算法。首先根据图像亮度,利用不同的gamma校正函数拟合不同场景深度下有雾图像与无雾图像之间的关系,自适应估算出无雾图像最小通道,并通过引导滤波算法进行修正,保持局部区域内线性的关系,进而根据大气散射模型得到初始透射率,然后通过高斯相对性进行优化;另外,通过增加搜索领域,将有雾图像的蓝色通道上半部分作为输入对四叉树算法进行改进,得到场景最深处所对应的有雾图像像素值作为大气光值;最后通过gamma校正函数对复原图像的亮度进行增强。实验结果表明复原图像的对比度、平均梯度分别平均提高了40.66%,20.98%,并具有较高的信息熵。上述算法去雾显著,复原图像具有较高的清晰度。     

基于自适应阈值的改进暗通道先验图像增强技术研究

基于暗通道先验的图像增强技术在图像的去雾和增强方面具有较好的图像增强效果。针对基于暗通道先验图像增强算法在处理有雾图像存在大面积白色高亮区域时出现的失真,提出了基于自适应阈值的改进暗通道先验算法。该算法在对图像进行直方图统计的基础上,先判断图像是否存在大面积白色高亮区域,并对区域的面积进行标识和统计,得到自适应系数β,再利用该系数对暗通道先验算法进行修正,最终进行对比度增强实现图像的去雾增强效果。实验结果表明,该方法能够有效消除图像去雾过程中出现的失真,提升图像质量,具有较高的实用价值。     

基于自适应阈值改进暗通道先验图像增强技术

基于暗通道先验的图像增强技术在图像的去雾和增强方面具有较好的图像增强效果.针对基于暗通道先验图像增强算法在处理有雾图像存在大面积白色高亮区域时出现的失真,提出了基于自适应阈值的改进暗通道先验算法.该算法在对图像进行直方图统计的基础上,先判断图像是否存在大面积白色高亮区域,并对区域的面积进行标识和统计,得到自适应系数β,再利用该系数对暗通道先验算法进行修正,最终进行对比度增强实现图像的去雾增强效果.实验结果表明,该方法能够有效消除图像去雾过程中出现的失真,提升图像质量,具有较高的实用价值.     

基于图像增强和复原的图像去雾方法研究

雾霭等天气下获得的图像存在对比度低、颜色退化、景物模糊等一系列图像退化的问题,直接影响了对图像信息的有效利用。因此,对雾天图像进行有效的去雾处理,有效改善降质图像的质量,具有一定的实际意义。分析讨论基于图像增强的多尺度Retinex算法和利用图像复原原理的基于暗原色先验理论的去雾算法,并对具有不同特点的单幅有雾图像进行去雾仿真。实验结果表明,不同理论基础的两种去雾算法各有特点,基于暗原色理论处理得到的图像去雾效果更显著,算法运行速度更快。     

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。     

基于透射率权值因子的雾天图像融合增强算法

雾天图像增强具有重要现实意义。由于现有的图像去雾算法在提升图像全局对比度的能力上存在不足,为此将暗通道先验去雾算法与直方图均衡化算法的各自优势进行整合,该文提出一种雾天图像增强新算法。首先,分别采用基于导向滤波的暗通道先验去雾算法和基于HSV色彩空间的直方图均衡化算法处理雾天图像;然后,基于修正的透射率图构造权值因子,将上述两种处理结果加权融合,得到输出图像。仿真实验结果表明,该算法比现有去雾算法具有更高的标准差、平均梯度与信息熵,具有更好的全局与局部对比度增强效果。算法运行时间主要依赖于图像去雾环节,处理一般尺寸图像能够满足实时要求。     

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。     

基于非局部先验的雾线优化图像去雾算法

针对非局部先验去雾算法中雾线端点像素位置精确度不足的问题,提出了雾线优化的非局部先验图像去雾算法。首先分析雾线理论,结合暗通道理论确定最大聚类雾线真实端点,以其为已知条件补偿小聚类雾线端点与大气光之间的距离,根据类内不同像素与雾线对应夹角预估单个像素雾线端点进而求得像素级优化后的透射率,最后根据图像局部灰度值差异融合暗通道先验(dark channel prior, DCP)和非局部先验透射率得最终透射率图。将本文算法与其余3种去雾算法在多幅户外雾图下通过主观及客观两方面分析比较,实验结果表明该算法能取得更好的去雾效果,尤其在天空区域图像复原效果较为突出。     

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.     

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。     

基于多尺度特征结合细节恢复的单幅图像去雾方法

为提高单幅图像去雾方法的准确性及其去雾结果的细节可见性,该文提出一种基于多尺度特征结合细节恢复的单幅图像去雾方法。首先,根据雾在图像中的分布特性及成像原理,设计多尺度特征提取模块及多尺度特征融合模块,从而有效提取有雾图像中与雾相关的多尺度特征并进行非线性加权融合。其次,构造基于所设计多尺度特征提取模块和多尺度特征融合模块的端到端去雾网络,并利用该网络获得初步去雾结果。再次,构造基于图像分块的细节恢复网络以提取细节信息。最后,将细节恢复网络提取出的细节信息与去雾网络得到的初步去雾结果融合得到最终清晰的去雾图像,实现对去雾后图像视觉效果的增强。实验结果表明,与已有代表性的图像去雾方法相比,所提方法能够对合成图像及真实图像中的雾进行有效去除,且去雾结果细节信息保留完整。     

自适应高斯融合双通道的去雾算法

针对传统图像去雾算法存在的对比度下降和颜色偏移等问题,提出一种结合高斯融合的自适应双通道雾霾图像复原算法。首先,考虑到大气光应小于有雾图像最大值,且大于有雾图像最小值,根据亮度控制因子自适应控制的方式得到融合中通道,并获得中通道下的局部大气光;其次,提出双通道线性传输,即用最大值通道辅助完成线性传输,再用高斯函数加权融合的方法实现清晰图像最优通道估计,从而得到最优透射率;最后,结合复原模型恢复清晰图像。实验表明,所提方法有效解决了图像对比度下降与颜色偏移等问题,去雾效果良好、亮度适宜且颜色保真度更高。另外,该方法在定量指标上同样具有优越的表现。      

基于环境光差异的图像去雾算法

针对环境光差异引起图像去雾亮度值存在偏差、图像质量下降的问题,提出一种基于环境光差异的图像去雾算法。把图像分为环境光差异较大的天空区域和非天空区域,根据环境光差异设置不同的阈值对两类区域再进行分割;采用对比度先验去雾算法对天空区域块去雾,通过暗通道先验去雾算法对非天空区域块处理;最后用动态阈值白平衡算法调整恢复后的图像亮度和色彩。实验结果表明,本算法比其他算法能更有效解决环境光差异引起的图像去雾色彩失真、质量下降问题,鲁棒性较高,恢复后的图像色彩真实度和清晰度较高,更符合人眼视觉观察特性。     

基于双通道及图像质量评价模型的去雾方法

针对传统暗通道先验去雾算法易产生明亮区域失 真、去雾图像整体偏暗等问题,提 出一种基于双通道及图像质量评价模型的去雾方法。首先,划分出图像的明亮区域与非明亮 区域;其次,利用双通道先验算法准确估计出大气光值;接下来,将暗通道先验的透射率作 为非明亮区域的透射率,在明亮区域单独构建透射率,将二者融合细化,得到带有参数的透 射率;最后,通过构造参数驱动图像质量评价模型,迭代选取最优的无雾图像。实验结果表 明,算法去雾效果良好,可以有效地抑制Halo效应,避免区域的失真,改善复原图像 的综合质量。     

Adaptive single image dehazing method based on support vector machine

A dehazing method often only shows good results when processing the image for a certain haze concentration. So an adaptive hazy image dehazing method based on SVM is proposed. The innovation points are as follows: Firstly, combining the characteristics of the degraded images of haze weather, the dark channel histogram and texture features of the input images are extracted to form the feature vectors. These are trained by supervised learning through SVM algorithm to realize automatic binary classification of images; Secondly, the defined dehazing methods are called to process the classified result as a hazy image and the same quality evaluation indexes are used to evaluate each image output by different dehazing methods. Then, it outputs the highest evaluation image after haze removal. Finally, the output image is classified again by SVM until the image reaches the clearest it can be. The experimental results show that the proposed algorithm exhibits good contrast, brightness and color saturation from the visual effect. Also the scene adaptability and robustness of the algorithm are improved.