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...     

图像去雾算法和研究进展

在雾霾等特殊气象条件下,在室外拍摄到的图像质量将会存在不同程度的降低,这不仅仅影响到户外摄影,道路监控等工作的开展,更可能对公共交通以及无人驾驶等造成安全隐患.本综述将会讨论在几种常规的基于图像增强去雾算法的基础上,探究基于图像复原的去雾算法以及近年来新兴的基于深度学习的去雾算法与传统技术的原理差别及利弊分析.     

基于雾线暗原色先验的红外图像去雾算法

红外图像去雾算法的主要任务是解决红外图像因米氏散射引起的低可见性和模糊.但是当前红外图像去雾算法对红外图像暗处透射率估计欠佳,针对这一情况,研究了基于雾线暗原色先验的红外图像去雾算法.首先,利用霍夫变换估计大气光照;然后,针对雾线去雾方法在部分场景中失效的现象,采用雾线暗原色先验方法,通过假设雾线较暗端为真实颜色估计透射率,获取透射率图;最后为去除透射率图中噪声,对透射率图全变分正则化进一步优化透射率图.以公开红外数据库LTIR作为测试对象,实验结果表明,本文去雾算法在增强红外图像清晰度的同时未破坏红外辐射分布,对各种场景的红外图像有较好去雾效果.透射率估计准确,有较好红外图像去雾能力.     

一种基于分割的图像去雾新算法

在雾天环境下,大气介质中悬浮颗粒的散射作用导致图像质量严重下降,限制了其使用范围,因此对雾天图像进行去雾处理是必要的.根据暗原色先验去雾的原理,在局部区域内基于图像分割的思想来较准确快速估计雾天图像的传播图,然后应用大气散射模型对雾天图像进行去雾处理,并通过直方图拉伸来增大处理后的图像的对比度.实验结果表明,该算法能有效去除雾气对图像的影响,与传统去雾算法相比较,具有较快的处理速度和较强的实用性.     

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.     

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Retinex的一种图像去雾算法

由于中心环绕Retinex图像增强算法尺度的选择有限,不能在对有雾天气下采集的图像进行有效去雾的同时增强其细节,提出一种基于Retinex算法的曲波变换图像增强算法.首先,根据Retinex算法,先用高斯函数估计出图像的入射分量,再通过Retinex算法将图像的反射分量得出,然后利用曲波变换的多尺度特性将反射分量进行子带分解,对高频子带采用自动变换阈值处理,对低频子带采用线性拉伸,增强其对比度,最后将曲波系数进行合成,得出处理后的图像.实验结果表明,用该方法对雾天图像处理后,图像的纹理细节更清晰,信噪比和信息熵明显提高,视觉效果改善,失真度显著减小.     

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。     

基于强度反转和变分Retinex模型的图像去雾方法

提出一种基于强度反转变分 Retinex模型的雾天图像增强方法。首先,通过反转操作将雾天图像转化为虚拟暗图 像,并基于变分Retinex模型快速估计出虚拟暗图像所对应的入射分量图。然后,对雾天图像中的天空区域进行识别,并在此基础上对入射分量图进行修正,进而获取对应的反射分量图。最后,通过对反射分量图进行反转操作来获得消除雾气后的清 晰图像,并引入一种图像亮度调整算法进一步提高清晰图像的视觉效果。实验结果证实了所提方法的有效性。     

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。     

一种基于反馈机制的闭环图像去雾算法

针对目前去雾算法易受大气环境随机性和复杂性影响而造成自适应性不强的问题,该文提出一种具有反馈机制的自适应闭环去雾算法。该算法首先通过基于人眼视觉的特征认知评价进行参数初始化;然后利用去雾强度评价结果对反馈校正局部对比度参数进行调节,从而对去除加性光照后的图像进行自适应局部对比度提升;最后借鉴去雾后图像的自然度设定迭代终止条件,决定是否输出去雾结果。实验表明该算法能够自适应提升不同退化类型、不同退化程度下的雾天图像对比度,且去雾结果的信息熵和清晰度质量评价指标优于已有算法。     

基于明亮区域分割的图像去雾算法

针对暗通道先验去雾中存在的光晕和色彩失真问题,提出一种基于明亮区域分割的图像去雾算法。首先通过亮度阈值分割和区域生长将雾天图像分割为明亮区域与非明亮区域;然后用亮通道先验和超像素分别改进明亮区域和非明亮区域透射率的计算公式;再用加权融合的方法将这两个区域的透射率进行融合得到粗略的透射率,使用引导滤波对其进行优化,同时对雾天图像进行四叉树分割,取最终分割区域像素的亮度平均值为大气光值,通过大气散射模型复原去雾图像。实验结果表明,改进后去雾图像的峰值信噪比与改进前相比提高了6.5%,信息熵提高了2.1%,新增可见边之比提高了5.5%,梯度均值提高了5.3%。本文改进算法能够解决暗通道先验去雾中的问题,得到清晰且对比度高的去雾图像。     

基于Boosting算法的车牌汉字识别

对AdaBoost算法作了详细的分析:AdaBoost是一种有效的分类器组合方法,他用某个分类算法生成一系列的基分类器,每个基分类器的训练依赖于在其之前产生的分类器的分类结果,基分类器在训练集上的错误率用于调整训练样本的概率分布,最终分类器通过单个基分类器的加权投票建立起来。最后将该算法应用于车牌照的汉字识别,对识别效率有大幅度提高。     

一种联合雾线和凸优化的单幅图像去雾算法

为解决传统去雾算法容易在天空区域出现光晕效应和复原后的图像颜色过饱和等问题,提出了一种联合雾线和凸优化的单幅图像去雾算法.该算法使用雾线先验来估计大气光值,并通过离散小波变换构建了一个降维的子带雾图模型,进一步将双线性耦合项和大气光传输分布作为线性优化变量进行凸优化求解来得到透射率,最后通过大气散射模型恢复出无雾图像....     

基于模糊集分类的单幅图像去雾算法

针对高亮度区域导致大气光强度A 计算不准确以及复原图像颜色失真影响图像去 雾效果的问题,提出一种基于模糊集分类的单幅图像去雾算法。首先从暗通道模型出发,对 图像进行分割并采用基于模糊集理论的图像分 类算法确定符合暗通道先验理论的非明亮区域,避免了天空等高亮区域对大气光强度计算 的影响;然后利用快速双边滤波方法既具有平滑效果,又具有边缘细节保持的特性,估计大 气耗 散函数,进而精确恢复场景透射率;最后由大气散射模型复原图像,并进行基于人眼视觉的 亮 度、色调的调整,修正图像中颜色失真区域,提高视觉效果。与经典算法相比,本文算法在 细节、色彩保真度具有较大改进。     

一种基于暗通道的航拍图像去雾算法

针对无人机航拍图像在雾霾天气下降质特点,提出一种基于暗通道先验原理的航拍图像去雾改进算法。根据大气物理模型和暗通道原理,对有雾图像进行自适应分块求取暗通道图;通过降采样得到初始透射率图,再应用导引滤波对投射率进行优化,同时利用最小值滤波和均值滤波求解大气光强;应用雾天模型恢复降质图像。通过实验对比验证,该算法简单且能够高效去雾,在客观评价指标上总体性能也优于其他算法。     

基于YUV颜色模型与导向滤波的图像去雾算法

针对去雾过程中容易出现色彩过饱和与偏色现象的问题,提出一种基于YUV颜色模型和导向滤波的图像去雾算法.首先分离出含雾图像的亮度分量,结合拉普拉斯锐化算子与导向滤波细化大气光幕,求得准确的透射率之后,对天空区域进行修正;其次根据光幕值的强度信息定位浓雾区域,将该区域平均值作为大气光的估计;最后对色度分量进行补偿,还原真实...