基于中智学的非局部先验图像去雾算法北大核心CSCD

图像去雾是计算机视觉的重要研究方向之一。传统图像去雾算法存在去雾不彻底、去雾图像对比度低、halo效应、色彩失真等问题。针对上述问题,提出了一种改进的非局部先验的图像去雾算法。该算法使用基于中智学的模糊C均值聚类算法和一种混合暗通道先验的透射率优化方法,改进了传统非局部先验的图像去雾算法在大气光估计、雾线定位和透射率优化过程中存在的问题。结果表明,与几种常用的图像去雾算法相比,提出的算法在去雾图像的大气光估计、客观分析和主观分析等方面均有一定的优势。     

基于线性模型的自适应优化去雾算法

针对线性传输算法中透射率和大气光估计不足问题,提出一种基于线性模型的自适应优化去雾算法。利用边缘信息模型来增强初始透射率图的细节信息,使得复原后图像边缘区域细节更丰富;根据暗通道先验,得到自适应优化透射率,更好地处理包含景深区域图像;采用局部大气光估计方法代替四叉树方法,避免大气光估计不准确问题,并结合物理模型恢复图像。仿真实验在matlab2014中进行,实验结果表明,该算法具有较好的有效性和时效性。     

基于非局部先验的单幅图像去雾算法

现有单幅图像去雾算法大多基于局部先验,去雾结果存在块效应。在处理浓雾区域时,如果没有特殊处理,会导致图像中的一些伪影被增大,比如在原始的有雾图像中几乎不可见的噪声、色彩重叠等,在去雾后的图像中被增强,进而影响图像质量。针对以上存在的问题,提出了一种改进算法。首先采用非局部先验,估算初始的透射率,然后采用正则化的方法优化透射率,并且将原始图像和去雾后图像的梯度差L1/2范数作为正则化项,达到抑制噪声干扰的目的。结果表明,该算法能够很好地恢复出图像的细节信息和色彩;与局部先验方法相比,具有更好的稳健性。     

基于透射率融合与多重导向滤波的单幅图像去雾

为了避免图像去雾后细节模糊和噪声放大,将图像分解为结构层和纹理层,并只对其结构层进行去雾。基于频域滤波思想提出透射率融合方法,解决了现有透射率估计方法中普遍存在的块效应问题和复原图像中存在的晕轮伪影问题。针对透射率优化过程中存在的计算量大、透射率平滑与细节保持之间难以平衡等问题,提出了多重导向滤波透射率优化方法。同时,针对目前大气光估计易受图像中白色物体的影响,提出自适应大气光估计方法。实验结果表明,该算法得到的图像去雾彻底、细节清晰、颜色自然,不仅有效抑制噪声和晕轮伪影,而且显著提高场景对比度、饱和度。     

基于边窗盒子滤波和透射率修正的图像去雾

针对雾线先验去雾算法存在的颜色过饱和现象、图像初始透射率估算不准确等问题,提出了一种基于边窗盒子滤波和透射率修正的图像去雾算法。为了解决初始透射率估算不准确带来的边缘细节信息丢失的问题,首先利用非局部总广义变分（TGV）正则化的方法估算初始透射率,并将二阶的非局部总广义变分（TGV）正则器来作为正则项,以确保对由图像颜色和深度之间的噪声和歧义引起的异常值具有鲁棒性。随后利用边窗滤波算法对初始透射率进行优化,从而实现对图像中纹理信息和边缘信息的保留。最后利用大气散射模型和多角度优化后的透射率复原出无雾的原始图像。实现结果表明,本文算法能够解决图像颜色过饱和与边缘处的细节纹理信息丢失的问题,且无色调偏移和光晕效应。在定性评估上,复原后的图像视觉效果好;在定量评估上,本文算法的去雾后图像的评价指标皆高于基于雾线先验算法。     

基于图像分割的去雾算法

针对雾霾条件下,所得的单幅图像出现降质现象,因而对视觉效果要求高的图像进行复原具有必要性。基于图像分割的去雾算法以暗通道先验模型为基础对大气光矢量A值的求取和透射率t(x,y)的处理方法实现改进。首先对单幅图像进行阈值分割找到天空区域,在所获取的天空区域部分结合skyline算法,可以找到精确的大气光矢量A值;进而对初始透射率t(x,y)采用改进的约束最小二乘方滤波进行优化,得到优化透射率t1(x,y),最后将所得的大气光矢量A值和优化透射率t1(x,y)利用大气光传输物理模型复原。改进算法的去雾结果具备保留细致的边缘细节,同时具有高效的去除图像噪声能力。实验结果表明,与he方法相对比,改进去雾算法的处理时间大程度缩短的同时,图像效果得到了提升。     

一种自适应的多级透射率估计去雾算法

针对暗通道先验算法在天空区域透射率估计不准确的问题,利用三个不同尺度的高斯函数分别作用于有雾图像的RGB通道来获得"伪"去雾图像;其次,利用有雾图像的混合通道得到自适应参数,将该参数和最小值滤波共同作用于"伪"去雾图像,接着用联合双边滤波消除纹理效应得到透射率的精确估计;最后,采用局部大气光估计方法,结合大气散射模型复原出无雾图像.实验结果表明,该方法不仅降低了时间复杂度,且复原出的图像细节明显,明亮度适宜,对于大面积天空区域有良好的去雾效果,改善了天空区域的颜色失真.     

基于低通滤波和多特征联合优化的夜间图像去雾

夜间有雾图像光照不均、对比度较低且色偏严重。现有的去雾算法主要是针对白天图像,并不适用于夜间场景,夜间图像去雾难度较大。该文通过深入分析夜间有雾图像的成像特点,提出了基于低通滤波和多特征联合优化的夜间图像去雾算法。针对夜间图像环境光照不均匀问题,提出先对图像进行低通滤波,然后对其低频分量三通道利用最小-最大值滤波估计局部环境光;针对目前白天去雾算法先验不适用于夜间图像,提出结合图像对比度、饱和度和信息熵特征,构建多特征联合优化函数估计透射率;针对夜间图像存在非一致色偏问题,提出非重叠块局部Shade of Gray算法进行颜色校正。实验结果表明:所提算法去雾图像的主观视觉效果较好,且对比度和色偏程度两方面客观评价指标整体优于其他对比算法。该算法能够有效去除夜间图像雾气,提高图像的对比度,恢复更多的细节信息,且颜色自然,视觉效果理想。     

结合Lab空间和单尺度Retinex的自适应图像去雾算法

针对暗通道先验算法在大片天空区域透射率估计过小及景深突变处出现Halo效应的问题,提出一种结合Lab空间和单尺度Retinex的图像去雾算法。将RGB图像转换至Lab空间提取出亮度分量,利用Canny算子对亮度分量提取边缘信息,丰富恢复图像细节;利用单尺度Retinex对非边缘区域进行高斯自适应滤波估计出优化后的亮度分量,获得“伪”去雾图像,得到粗略的透射率;利用交叉双边滤波优化透射率消除Halo效应;最后根据大气散射模型恢复出无雾图像。实验结果表明,该方法恢复出的图像细节明显,整体平滑,且对含大片天空区域的图像也有较好的恢复效果。     

基于开运算暗通道和优化边界约束的图像去雾算法

将有雾图像分割为非天空区域和天空区域,对于非天空区域,提出一种优化的暗原色先验思想,即开运算暗通道算法;对于天空区域,引入具有保边去噪的双边滤波算法,提出一种改进的边界约束算法.运用两种算法分别估计两个区域的透射率,然后利用大气物理散射模型复原各区域,最后合并两个无雾区域得到去雾图像.实验结果表明,该算法很大程度提高了有雾图像尤其是含天空的有雾图像的图像对比度,改善了颜色失真问题.     

通道注意网络和模糊划分熵图割的图像去雾

针对雾图成像时变化的场景光及去雾过程中不同雾相关信息在处理上的差异性,提出了通道注意网络和模糊划分熵图割的单幅图像去雾算法。以考虑变化场景光的大气散射物理成像模型为基础,首先使用通道注意的编码解码网络来估计透射率,并在编码器最后及解码器起始处添加通道注意模块,以便为编码器提取的不同雾相关特征图分配不同的权重,准确地计算透射率;然后利用所提出的模糊划分熵图割算法将透射率划分为不同场景光覆盖下的近景、中景、远景,此分割策略将考虑空间相关性的图割算法与模糊划分熵的阈值分割算法相结合,解决了单一阈值分割算法产生的区域误分问题;最后估计场景光和大气光,得到去雾图像。实验结果表明,算法在合成雾图及真实雾图上均有较好的去雾效果。与已有的去雾算法相比,本文算法在峰值信噪比及结构相似性上均有提升,单张图像的平均处理时间为3.9 s。     

基于大气多散射模型和超像素分割的图像去雾

通过分析大气粒子对光线的多次散射作用,利用大气点扩散函数作为卷积核,基于暗原色图像复原理论,建立了基于多次散射的雾天成像模型,并以函数形状相似性为依据,利用广义高斯分布定量估计出大气点扩散函数核函数在图像域下的相关参数.针对传统暗原色理论以固定大小图像区域估计透射率的不足,提出了基于超像素分割获得景深一致的图像分块方案,通过区域合并,获得更为精准的天空检测效果;基于暗原色先验理论分别估计天空和非天空区域的透射率,并对天空区域的透射率进行修正,不但减少了天空色彩失真,同时也消除了复原结果的光晕现象.本文从主观和客观两个方面将所提出的去雾方法和其他算法进行了对比,结果表明,本文提出的去雾算法能够在较短的运行时间内获得对比度较高、细节信息丰富的去雾结果,具有较好的鲁棒性.     

基于融合与高斯加权暗通道的单幅图像去雾算法

针对图像去雾算法在景深突变处出现光晕现象和远景区域去雾不足的问题,提出了一种基于融合与高斯加权暗通道的单幅图像去雾算法.利用图像形态学梯度的特点,将形态学梯度图像与暗通道图像线性融合获取融合暗通道,构造自适应的高斯权重参数对融合的暗通道图像逐像素处理获取粗透射率,在使用L1正则化优化透射率,通过大气散射模型与修复的大气光值恢复无雾图像.仿真实验表明,本文算法可以较好地恢复出图像的细节并抑制光晕现象,与几种典型的图像去雾算法客观对比,证实了本文算法的可行性.     

基于双域分解的多尺度深度学习单幅图像去雾

针对传统单幅图像去雾算法容易受到雾图先验信息制约而导致颜色失真,以及现有深度学习去雾算法受网络模型限制而存在去雾残留等问题,提出了一种基于双域分解的多尺度深度学习单幅图像去雾方法,设计了一个包含低频去雾子网和高频去雾子网的多尺度深度学习网络模型。首先采用双边滤波器对有雾图像进行分解,得到雾图的高、低频子图,然后通过设计的网络模型分别学习雾图高、低频子图与高、低频透射率之间的映射关系,再将模型学习得到的高、低频透射率进行融合,得到原始雾图对应的场景透射率图,最后根据大气散射模型实现有雾图像到无雾图像的恢复,采用雾图数据集对该模型进行训练测试。结果表明,所提方法在合成有雾图像和真实自然雾图的实验中均能取得良好的去雾效果,在主观评价和客观评价方面均优于其他对比算法。     

基于懒惰随机游走的雾天含噪图像清晰化

针对现有单幅图像清晰化算法无法很好地保证去雾和降噪效果的问题,提出了一种在懒惰随机游走模型下的单幅雾天含噪图像清晰化算法。分析了现有大气散射模型的物理意义,并对其加以改进,使之更符合实际雾天含噪图像的特殊性,利用懒惰随机游走模型估计改进雾天退化模型的衰减项;利用几何约束和color-line先验获取精准的退化模型中的大气光,最后恢复出噪声水平低的无雾图像。实验结果表明,所提算法在获得最佳去雾效果和抑制噪声水平的同时,具有较强的稳健性。     

基于暗通道先验的单幅图像快速去雾方法

为了提高雾天图像的去雾效果,针对暗通道先验法则中存在的不足,提出一种单幅图像快速去雾方法.该方法以暗通道先验法则为基础,采用四叉树搜索算法对大气光值进行估计,并通过白平衡对大气散射模型进行简化.然后,利用暗通道先验知识得到介质传输率粗略估计,并通过引导滤波和双阈值判断方法对介质传输率中边缘和天空区域进行优化.最后,通过简化大气散射模型和色调调整得到去雾图像.与几种典型的图像去雾方法相比,该方法运算速度较快,能有效提高去雾图像的清新度,并获得较好的图像颜色.     

多尺度窗口的自适应透射率修复交通图像去雾方法

基于传统暗原色先验原理的图像去雾算法存在的"halo"效应,且图像中明亮区域存在颜色失真现象,针对此问题,本文提出了多尺度窗口的自适应透射率修复交通图像去雾方法。首先,利用新的8方向边缘检测算子求取图像中景深突变区域,根据暗通道先验理论和前一步求得的景深突变区域,在景深变化较大区域使用5×5的窗口,景深变化较小区域则使用15×15的窗口得到暗原色估计图。同时,针对暗通道先验原理对近景部分存在白色区域时透射率估计不准确的问题,引入了自适应透射率修复方法,通过引导滤波器得到边缘增强后的暗原色图像,并利用其与原暗原色图像的纹理差对近景区域的透射率进行修正,完成图像去雾。实验结果表明:双边滤波和梯度双边滤波两种算法均存在halo现象,并且在包含白色物体的明亮区域色彩失真严重,客观评价指标失去意义;相比于引导滤波,本文去雾算法的各项指标均有所提高,其中平均梯度平均提高了8. 305%,PSNR平均提高了12. 455%,边缘强度因子平均提高了7. 77%。本文算法有效解决了复原图像中"halo"效应现象和明亮区域颜色失真现象,去雾效果最优。     

基于暗通道先验和区间估计的视频去雾方法

为了提高雾天视频的可用性,提出了一种基于暗通道先验和区间估计的视频去雾方法。利用暗通道先验知识,采用区间估计的方式,运用图像融合的思想,通过背景图像求取大气光值和介质传输率,并应用于视频的所有帧以去除雾气。与几种典型的视频去雾方法相比,具有较快的运算速度,能有效地避免去雾视频中出现颜色跳变的问题。以暗通道先验理论为基础,采用区间估计的方式对大气光值和介质传输率进行估计,从而能有效地提高去雾视频的整体亮度、清晰度和对比度,同时获得较好的图像颜色。     

一种自适应线性透射率估计去雾算法

为了有效复原雾霾天气下退化的图像, 文章提出了一种自适应线性透射率估计去雾算法。建立有雾图像与无雾图像最小值通道之间的线性变换模型; 利用有雾图像的混合通道得到自适应参数, 结合自适应参数和线性变换模型估计出透射率, 通过有雾图像的最小值通道构造高斯函数来补偿估计明亮区域透射率, 提升该区域透射率的准确度, 再使用交叉双边滤波器消除纹理效应得到优化透射率; 最后, 结合大气散射模型复原出无雾图像。实验结果表明, 该方法有效降低了时间复杂度, 且复原的图像细节明显, 明亮度适宜。     

基于亮通道和暗通道结合的图像去雾

低照度环境下图片质量会下降。同时,悬浮在空气中的烟雾、粉尘等物质形成的雾、霾,会导致图像的细节模糊不清,对户外拍照和计算机视觉应用造成了极大的影响。因此,对退化图像进行去雾处理,提高图像质量,在图像处理和计算机视觉领域具有非常重要的应用价值。提出一种基于亮通道和暗通道结合的雾霾天气图像去雾算法。基于退化图像的物理模型,提出一种空气光散射模型,通过亮通道和暗通道的结合来估计大气光值和透射率。该算法可以解决有雾图像恢复时天空区域的颜色失真问题,恢复图像的细节和颜色,提高图像的视觉效果。仿真结果表明,本文算法优于多尺度Retinex图像去雾算法。