基于H-NL-MTV模型的单幅彩色图像去雾

基于暗原色先验理论的算法可以对不同场景下的雾天图像进行有效去雾,但是去雾后图像通常含有较多噪声.而非局部MTV模型(Non-Local Multi-Channel Total Varia-tion)可以用于彩色图像去噪,同时又具有良好的保持边缘作用,并且对含有纹理的彩色图像去噪后依然能保留原有的纹理特征.文中将这两种方法结合在一起,提出新的图像去雾算法,首先建立大气光值与大气传输函数相关的能量泛函(H-NL-MTV模型),然后利用交替方向乘子法引入辅助变量求解能量泛函,最后利用MATLAB软件进行仿真实验.仿真结果表明,该模型得到的图像清晰自然,图像边缘保持良好,纹理特征得到保留.     

基于滤波的单幅图像去雾方法

基于Tarel方法提出一种新的基于滤波的单幅图像去雾方法. 先利用双边滤波求出初始的大气散射光, 较好地保持了边缘平滑纹理; 再利用自适应中值滤波器进一步求得边缘清晰、 纹理平滑、 景深信息真实的大气散射光; 然后基于分层搜索的四叉树分解方法求得大气光; 最后, 依据雾天退化模型得到复原的图像. 与经典去雾算法对比结果表明, 使用该方法复原的图像更接近真实图像, 特别对于纹理较丰富的区域和远景区域去雾效果更明显.     

采用先验知识的边缘提取算法

针对传统的边缘提取算法,在提取边缘时,不完整、不连续,尤其在高噪声情况下,无法提取图像边缘等问题,提出一种基于先验知识的边缘提取算法.首先,学习与待边缘处理图像有相似纹理信息的图像,获得先验知识,对噪声图纹理进行修复;然后,再利用局部均匀稀疏度方法强化细节特征,弱化背景特征;最后,检测出图像边缘,达到提取图像边缘的目的...     

基于改进的暗通道先验去雾辅助导航算法

经典的去雾算法无法满足车道线检测的实时性和准确性要求,因此提出一种改进暗通道与边缘检测融合的雾天车道线识别算法。首先对有雾图像进行对比度增强处理,突出边缘、颜色等有效信息,基于道路先验信息对图像进行感兴趣区域处理,利用暗通道先验算法对静态约束图像进行去雾操作,并通过双边滤波器细化透射率图,得到清晰的去雾图像;然后引入动态约束理念,提取车道线可能存在的区域,借助Sobel算子检测动态约束后的车道线区域,提取车道线边缘点;最后利用Hough变换进行准确的车道线拟合。实验表明,改进的去雾算法得到的图像清晰度与对比度更高,满足了车道线检测的准确性与实时性要求;去雾及车道线检测算法平均处理时间为297. 305 ms,满足无人驾驶时间要求。     

注意力机制下的多层次特征融合图像去雾算法

提出一种基于注意力机制的多层次特征融合的图像去雾算法.该算法通过残差密集网络和自校准卷积网络来提取不同尺度的特征,再利用双重注意单元和像素注意力将特征融合重建.同时采用一种由均方误差损失、边缘损失和鲁棒性损失函数相结合的损失函数,可以更好地保留细节特征.实验表明,该算法与其他去雾算法相比在峰值信噪比和结构相似度指标上得到一定的提高,去雾图像在主观视觉上取得了较好表现.     

一种改进的结合边缘检测的去雾新方法

暗原色去雾算法复原的图像会出现边缘效应,为此提出了一种改进的基于暗原色理论的去雾算法.首先计算出图像的暗色图,并使用小波分解算法将暗色图像向下采样一次;然后在小波分解的平滑部分计算大气光和图像的暗原色,提取出平滑部分的边缘信息,并使用形态学对其进行膨胀获得相应的二值边缘图像;接着对二值边缘图像所在区域的暗原色及非边缘处的暗原色分别进行优化;最后,将优化后的暗原色使用小波重构算法向上采样,并据此计算出图像透射率,结合去雾模型复原到清晰的无雾图像.实验证明,该方法在很好地去除边缘效应的同时,极大地减少了算法时间复杂度,满足实时要求.     

复杂海面环境下船只边缘识别算法的改进

针对复杂海面环境下船只边缘识别问题,提出了一种融合Retinex图像去雾预处理和改进自适应阈值SUSAN边缘检测的算法,用来提取船只目标边缘特征.对由于不同场景海雾造成的图像模糊,采用Retinex预处理增强图像信息,然后对待检测目标像素剔除伪边缘点,采用自适应算法获取几何阈值t和最大类间方差(Otsu)的方法选取双阈值g,进而对图像进行边缘点检测、提取边缘特征.实验结果表明,融合后的算法能够有效提高复杂海面船只边缘检测的鲁棒性.     

基于天空识别与加权引导滤波的图像去雾算法

针对图像去雾算法在天空和景深突变区域的失效问题,文章提出一种天空识别与加权引导滤波的图像去雾算法.首先针对透射率与纹理无关的情况,利用改进的4-RT V模型平滑有雾图像,并将其作为引导图像;其次运用自适应加权引导滤波细化透射率,获取更清晰的边缘细节;最后结合天空识别的结果对透射率进行修正.实验结果表明:相比一些经典的去...     

基于注意力特征融合稠密网络的图像去雾算法

目前主流图像去雾算法输出的结果图像存在颜色失真、边缘模糊的问题.为改善上述问题,提出一种基于深度学习的图像去雾算法,所提算法由两个模块构成:注意力特征融合模块和雾霾模型参数估计模块.注意力特征融合模块用于充分提取雾霾图像的颜色、边缘特征;基于稠密连接空洞卷积自编码器的雾霾模型参数估计模块用于估计雾霾模型的参数,改善网络退化的问题.在浓雾图像、薄雾图像数据集上的实验表明,本文提出的算法有效地实现了图像去雾,与主流的图像去雾算法相比具有更高的结构相似性(SSIM),更低的均方误差(mean-square error,MSE)和边缘误差e_○edge.     

基于暗原色先验模型的混合滤波图像去雾算法

基于暗原色先验模型去雾方法,提出混合滤波快速图像去雾算法.该算法在暗原色先验模型的基础上,对雾图的暗原色图像进行最大值滤波,继而求出透射率矩阵;利用最小值滤波估算透射率矩阵的下限值作为透射率的补偿值,再使用指导滤波修复透射率矩阵;利用小波变换方法对去雾后的图像进行滤波和平滑处理,有效改善了去雾图像的视觉效果.本算法有效解决了由于图像边缘估值失真导致的重建后去雾图像存在景深边缘处白色晕块和斑状奇异点的问题,以及带雾图像不同景深、景深边缘透射率的误差修复问题.     

基于边缘方向和梯度的图像特征匹配算法

主动形状模型(Active shape model,ASM)是一种基于统计参数化的图像特征匹配算法,它主要应用于提取图像的特征点.在分析传统方法不足的基础上,提出一种基于改进主动形状模型的图像特征匹配新算法.传统的ASM直接采样灰度值信息建立局部纹理模型,灰度值对光照、姿态等因素是非常敏感的,常会带来较大匹配误差或者导致模型匹配失败.采用基于每个像素的边缘方向和强度来代替灰度值,改进的表示方法是利用边缘方向和强度的信息去建模,并且加入了边缘结构的方向和强度.改进的表示方法增加了纹理表示的边缘特征,边缘特征能有效地让模型收敛到图像的外轮廓,当外轮廓精准匹配后可以有效抑制和促进图像内部特征点定位更加准确.实验结果表明,改进的方法可以有效提高模型的匹配精度.     

基于SLIC和SVR的单幅图像去雾算法

为了提升图像去雾算法的效果和适应性,提出了一种基于简单线性迭代聚类(SLIC)超像素分割和支持向量回归(SVR)的单幅图像去雾算法.首先,将雾霾图像进行超像素分割,对于每个超像素块,取其最大通道内的最大值作为局部大气光的估计,并使用引导滤波优化大气光图的边缘.然后,采集清晰户外图像并切割成块,利用大气散射模型为其加入不同程度的雾作为训练样本,提取对比度、饱和度、直方图均衡度和最小通道均值4种特征,利用支持向量回归算法训练传输参数估算模型.实验结果表明,所提算法有效地恢复了图像的对比度和颜色饱和度,同时无论是在主观视觉效果方面,还是在结构相似度和峰值信噪比等客观评价指标方面,所提算法均优于现有传统算法.     

基于改进YOLO v3的相似外部特征人员检测算法

针对目前异常行为检测中相似特征人员检测方法稀缺、人员和特征检测准确度低、特征量较少,而相似外部特征往往意味着团队行动及潜在异常行为等问题,提出一种基于深度学习的相似外部特征人员检测算法.首先采用加入Fast Guided Filter的暗通道去雾算法对INRIA数据库图像进行前期处理,得到质量更佳的训练样本;然后用得到的样本对改进的YOLO v3进行训练;最后将提取出来的行人进行颜色特征和几种纹理特征提取,组合之后用ELM进行分类.仿真结果表明:加入Fast Guided Filter的暗通道去雾算法明显优于单纯的暗通道去雾算法,保留了更多的边缘和纹理特征,在雾天和强曝光下效果尤为明显.相比HOG+SVM方法,该算法对人员检测的误检率和漏检率都大大降低,且具有较好的实时性.最后ELM分类的准确性能够达到96. 104%.     

基于时空上下文信息的混合交通视频检测算法

前景物体的边缘信息对混合交通视频检测的参数提取和表达具有非常重要的作用. 为克服孤立地利用当前图像无法准确提取边缘信息的问题,提出了基于时空上下文表达的混合交通边缘提取新算法. 在获取当前边缘信息基础上,结合运动目标的特征属性与时空上下文相关信息,通过检索文本的关联性,进行前景边缘提取. 实验表明,文中算法能够准确而充分利用上下文信息实现前景边缘的提取,前景边缘的有效提取率可达95%以上,为后续混合交通视频检测的分类识别和参数提取提供了有效的依据.      

基于H.264 I帧编码的块边缘模式特征提取算法

提出了直接从H.264 I帧编码码流中提取块边缘模式特征的算法,并检验了该特征在图像检索中的应用.该算法利用H.264码流中得到的帧内预测模式和预测系数提取出5种边缘模式特征.该特征符合MPEG-7中所定义的边缘描述符,适合基于内容的图像检索算法.实验结果表明,采用该特征进行图像检索具有较高的检索准确率,相对于只采用帧内预测模式纹理描述符的方法,其平均查准率提高了5.07%.     

模糊逻辑在图像增强算法中的研究及应用

提出了基于模糊逻辑和纹理分析的图像增强算法,通过图像模糊化、提取纹理信息和纹理信息模糊化、定义局部对比度、根据全局和局部信息来进行对比度的变换等措施,提高了增强算法的效果.测试结果表明该算法能很好地增强图像的边缘等细节信息,同时避免放大噪声和过增强的出现.     

基于深度多级小波U-Net的车牌雾图去雾算法

为了解决雾天拍摄的车牌图像边缘模糊、色彩失真的问题,提出了端到端的基于深度多级小波U-Net的车牌雾图去雾算法.以MWCNN为去雾网络的主体框架,利用“SOS”增强策略和编解码器之间的跨层连接整合小波域中的特征信息,采用离散小波变换的像素-通道联合注意力块降低去雾车牌图像中的雾度残留.此外,利用跨尺度聚合增强块补充小波...     

宽型自注意力融合密集型残差网络的图像去雾

当前去雾算法无法很好解决不均匀雾霾图像去雾的问题，为此提出了一种宽型自注意力融合的条件生成对抗网络图像去雾算法.在算法中加入了宽型自注意力机制，使得算法可以为不同雾度区域特征自动分配不同权重；算法特征提取部分采用DenseNet融合自注意力网络架构，DenseNet网络在保证网络中层与层之间最大程度的信息传输的前提下，直接将所有层连接起来，获取更多的上下文信息，更有效利用提取的特征；融合自注意力可以从编码器部分提取的特征中学习复杂的非线性，提高网络准确估计不同雾度的能力.算法采用Patch判别器，增强去雾图像的局部和全局一致性.实验结果证明，算法网络在NTIRE 2020、NTIRE 2021和O-Haze数据集上的定性比较，相比于其他先进算法得到更好的视觉效果；定量比较中，相较于所选择先进算法的最好成绩，峰值信噪比和结构相似性指数分别提高了0.4和0.02.     

基于颜色和纹理特征相结合的车牌定位方法

车牌定位是车牌自动识别系统中的关键技术.目前多数的车牌定位方法考虑车牌的颜色以及纹理特征,但针对复杂背景下的车牌定位问题,其适应性不强.针对现实生活中复杂背景下的车牌定位,提出综合使用纹理信息及颜色信息等多种特征的分层次车牌快速定位方法.首先在图像的二值垂直边缘图中,利用车牌区域的边缘信息及车牌的纹理特征进行车牌候选区域的确定,在降低算法复杂度的同时提高了定位精确性,然后结合先验知识,运用四元数主成分分析及K-means聚类方法,提取候选区域图像特征并分类,最终得到精确车牌定位.试验证明该方法正确率高、鲁棒性强,对于背景复杂的车牌定位具有很强的抗干扰性能,在复杂的环境和不同光照条件下实现车牌的精确定位.     

基于小波变换及注意力机制的T型图像去雾网络

受大气中雾霾等悬浮颗粒的影响，室外拍摄的图像常伴有低对比度和低能见度问题，现存去雾方法未能充分利用图像的局部特征信息，存在去雾不彻底及图像细节丢失等问题. 为此，提出一种基于小波变换及注意力机制的T型图像去雾网络. 所提网络通过对图像进行多次离散小波分解及重构来获取有雾图像的边缘细节特征，并提出了一种兼顾图像全局特征及局部信息提取的特征注意力模块，加强了网络在图像视觉感知和细节纹理方面的学习. 在进行特征提取的过程中，提出T型连接方式来获得多尺度的图像特征，扩展了网络的表示能力. 对重构后的无雾图像进行色彩平衡，得到最终复原图像.在合成数据集和真实数据集中的大量实验结果表明，本文所提网络相较于现有其他网络模型具有更优越的性能.