基于单幅图像景深和大气散射模型的去雾方法

为恢复雾天图像对比度和颜色,更好地提取图像中的信息,根据海上开阔海域的特点,利用3维到2维透视投影模型,推导了海上图像任意像素点景深的计算公式,并结合暗原色先验知识,有效解决基准景深点的选取和天空亮度的选取问题,最后基于相对景深模型和大气散射模型,对单幅雾天图像进行清晰化处理。通过大量雾天降质图像的实验验证,该算法的去雾效果优于基于暗原色先验统计方法的效果。     

基于暗原色及入射光假设的单幅图像去雾

目的 雾是一种常见的天气状况,针对雾能使图像中的景物对比度降低、表面颜色退化的问题,提出一种基于入射光假设的单幅图像去雾方法。方法 首先利用全局暗原色进行初步去雾,从而使图像透射率处于[0,1]范围内;然后利用雾天光照均匀的特点以及Retinex的照度估计原理进行透射图的估计;最后利用透射图以及初步去雾图像得到复原图像。结果 与He算法、Fattal算法的对比实验结果显示,该算法获得的复原图像细节清晰,颜色自然。与引导滤波优化后的He去雾算法相比,本文算法速度提高了93%。结论 大量对比实验结果表明,本文算法能够显著恢复雾天降质图像,对于薄雾和浓雾同样有效,具有广泛的适用性,且算法原理简单。此外,本文算法也同样适用于灰度图。     

基于级联生成对抗网络的遥感图像去雾方法

针对图像训练对的去雾算法难以应对遥感图像中训练样本对不足,且模型泛化的问题,提出一种基于级联生成对抗网络（GAN）的遥感图像去雾方法。为解决成对遥感数据集的缺失,提出了学习雾生成的U-Net GAN（UGAN）和学习去雾的像素注意GAN（PAGAN）。所提方法通过UGAN学习如何使用未配对的清晰遥感图像和带雾遥感图像集在保留遥感图像细节的同时对无雾图像进行加雾处理,然后引导PAGAN学习如何正确地对此类图像进行去雾。为了减少生成的带雾遥感图像和去雾后遥感图像之间的差异,在PAGAN中加入自我注意机制,用生成器从低分辨率图像中所有位置的细节线索生成高分辨率细节特征,用判别器检查图像远端部分的细节特征是否彼此一致。与特征融合注意网络（FFANet）、门控上下文聚合网络（GCANet）和暗通道先验（DCP）等去雾方法相比,级联GAN方法无需大量成对数据来反复训练网络。实验结果表明该方法能够有效地去除雾和薄云,在目视效果和定量指标上均优于对比方法。     

基于运动估计共享的雾霾视频压缩方法

现有视频压缩技术中几乎没有同时对视频进行压缩和去雾的方法,针对这一现象,提出了一种基于运动估计共享的雾霾视频压缩方法,在改进已有去雾算法的基础上,利用运动估计将视频去雾与视频压缩有效地结合,在消除视频中的雾霾信息、避免对雾霾进行压缩的同时,减少视频的传输带宽和存储空间。     

特征学习的单幅图像去雾算法

目的 雾霾天气使图像降质,严重影响军事、交通和安全监控等领域信息系统的正常运作,因此图像去雾具有重要研究意义。目前主流的单幅图像去雾算法主要利用各种与雾相关的颜色特征实现,但不同的颜色先验知识往往存在各自的场景局限性。为提高图像去雾的普适性,提出一种特征学习的单幅图像去雾方法。方法 首先通过稀疏自动编码机对有雾图像进行多尺度的纹理结构特征提取,同时抽取各种与雾相关的颜色特征。然后采用多层神经网络进行样本训练,得到雾天条件下纹理结构特征及颜色特征与场景深度间的映射关系,并估算出有雾图像的场景深度图。最后结合大气散射模型,根据场景深度图复原无雾图像。结果 与主流去雾算法的结果定性对比,复原后的图像细节更清晰,颜色更自然。采用均方误差和结构相似度定量评价各算法去雾结果与真实无雾图像的相似度,本文算法结果与真实无雾场景间的相似度最高,达到99.9%。结论 对实验结果的定性及定量分析表明,本文算法能有效获取有雾图像的场景深度,复原出视觉效果理想的无雾图像,且具有很好的场景普适性。     

消除halo效应和色彩失真的去雾算法

目的 雾天条件下采集的图像存在低对比度和低场景可见度的问题,传统的去雾算法易产生halo效应和色彩失真问题。为此,结合大气散射光特性提出一种基于相对总变差的图像复原方法。方法 首先从大气散射光与纹理信息无关的角度出发,利用相对总变差分离图像主结构和图像纹理信息准确估计大气耗散函数,通过引入一个自适应保护因子来避免复原图像的色彩失真问题,最后由大气散射模型计算复原图像并进行图像的亮度调整,得到一幅清晰无雾的图像。结果 通过与经典的去雾算法比较,表明该方法可以有效避免halo效应和天空颜色失真等不足,并且在图像的深度突变处也能得到很好的去雾效果。结论 实验表明该算法的场景适应能力较强,时间复杂度与图像的大小成线性关系,相比于前人的算法在计算速度上有一定的提高。     

雾霾图像清晰化算法综述

雾霾图像不仅影响视觉效果,而且模糊不清晰的图像容易为后续识别、理解等高层次任务带来困难。雾霾图像清晰化问题是一个典型的不适定问题,其成像过程难以精确建模,消除图像中的雾霾面临巨大的挑战。近年来,研究者提出大量的图像去雾算法克服雾霾引起的图像降质退化,为全面认识和理解图像清晰化算法,论文对其进行梳理和综述。首先,对雾霾图像清晰化算法进行整理,根据雾霾退化过程是否有模型支持,将清晰化算法分为基于Retinex模型、大气散射模型去雾算法和无模型图像去雾算法。大气散射模型是有模型算法中主流模型,本文详细剖析了模型成像机理,并根据其成像机制揭示大气散射模型容易受大气浓度均匀分布假设的限制,较难处理非均匀雾霾图像问题。基于深度学习的无模型图像去雾算法则不仅可以应对非均匀雾霾图像,而且去雾性能获得了极大地提升。其次,本文汇总了近年来常用去雾数据集,从数据集适应范围、规模、可扩展性等多个维度进行总结。并根据雾霾图像形成方式,对人工合成雾霾数据集和真实拍摄数据集分别从定性和定量的角度探讨了数据集对图像去雾算法的影响。     

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.     

Dehazing of remote sensing images using improved restoration model based dark channel prior

Haze degrades visual information of remotely sensed images. Therefore, haze removal is a demanding and significant task for visual multispectral information improvement. The existing haze removal techniques utilize different restrictions and before restoring hazy images in an efficient manner. The review of existing haze removal methods demonstrates that the haze-free images suffer from colour distortion and halo artefacts problems. To solve these issues, an improved restoration model based dark channel prior is proposed in this paper. The proposed technique has redefined transmission map, with the aim to reduce the colour distortion problem. The modified joint trilateral filter is also utilized to improve the coarse estimated atmospheric veil. The experimental results reveal that the proposed approach provides visually significant haze-free images and also preserves the significant detail.     

结合高斯混合模型的改进暗通道图像去雾方法

针对经典的暗通道先验方法在处理含有大面积天空的有雾图像时,去雾图像的天空区域出现不同程度的颜色失真等问题,提出了一种结合高斯混合模型的改进暗通道图像去雾方法。首先,采用高斯混合模型对有雾图像进行建模,然后用期望最大化(Expectation maximization,EM)算法优化模型参数,从而将有雾图像分割成天空区域和非天空区域。其次,根据天空区域暗通道值的不同将其分为淡雾区、中雾区和浓雾区,分别估计透射率。并结合大气散射模型得到复原图像。最后,采用高动态范围图像自适应局部色调映射方法提升复原图像的亮度。实验结果表明,该方法有效地解决了经典暗通道先验方法去雾时产生的天空失真问题,且复原后的图像更清晰、视觉效果更好。