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.     

基于先验知识与大气散射模型的图像增强算法

针对现有图像增强算法大多不具备处理多种类型降质图像的能力,提出一种基于先验知识与大气散射模型的快速图像增强算法.首先,通过大量实验统计,提出一种新的图像先验-明亮通道先验,即高质量清晰图像中每个像素邻域都极有可能存在白点;随后,对散射模型所存在的缺陷加以改进,并结合明亮通道先验与黑色通道先验,推导出场景反射率的恢复公式;最后,针对黑色通道先验失效情况,提出一种基于可靠性预测的容错机制,以提高其适用范围.实验结果表明:本文算法不但可以有效的突出纹理细节,还具有一定的色调恢复功能,能够处理多种不同类型的降质图像.     

一种基于暗通道先验的快速图像去雾算法

目前针对单幅图像去雾处理,暗通道先验算法具有较好的效果,但处理时间长,需要很大的储存资源与计算资源.本文在暗通道先验算法基础上提出一种快速去雾算法,首先用"边缘替代法"代替原算法中的抠图处理,显著降低了计算复杂度;然后针对明亮区域暗通道失效情况,提出了一种基于双阀值的明亮区域识别方法和透射率修正机制,提高了暗通道先验的适用范围;最后对去雾图像再采用非线性对比度拉伸进行增强处理,改善了去雾图像的视觉效果.实验表明:本文算法不仅极大地降低了计算复杂度,而且去雾能力优于原算法.