改进的Otsu递归分割单幅图像去雾算法研究

针对暗原色先验去雾算法对天空区域的透射率估计值偏小问题,提出一种改进的Otsu递归分割图像去雾方法。该方法基于图像分割的思想,利用改进的Otsu递归分割算法准确分离出天空区域,结合暗原色图像灰度归一化值对天空区域透射率估计值进行修正,优化后的透射率更加接近实际值,最后通过大气散射模型得到复原图像。实验结果表明:去雾后的图像保持真实色彩,区域交叉边界处复原自然。文中算法有效解决了天空区域出现色偏和光晕问题,拓宽了暗原色先验算法的适用范围,对户外雾天图像的去雾具有良好的应用前景。     

基于散射模型的雾天图像快速复原算法

基于暗原色先验的图像去雾算法能够较好地复原雾天图像,复原的结果清晰自然,但原始算法存在计算复杂度高?大气光估计不够准确?天空区域易出 现失真以及无法处理偏色雾霾等缺点?从以上4个问题出发,以大气散射模型为基础,提出了新的估计透射率与大气光的方法?利用线性对比度拉伸对原含雾图像进行预处理,以消除偏色雾霾的影响,利用设置反馈参数的均值滤波估算雾天图像的大气透射图,通过建立权重图划分天空区域并确定大气光,根据天空区域的面积自适应地修正该区域的透射率,将其代入复原模型得到去雾图像?实验证明,该算法能够较好地克服原始算法的缺点,在降低算法复杂度的同时起到良好的复原效果?     

基于边缘保持滤波的单幅图像快速去雾

为了解决基于暗通道先验的图像去雾算法运行效率低下的问题以及天空等明亮灰白区域去雾后的色彩失真问题,提出一种基于边缘保持滤波的单幅图像快速去雾算法。首先根据暗通道先验规律,得到粗略的透射率图和大气光估计值;然后用边缘保持滤波算法对粗略透射率滤波得到细节平滑、轮廓清晰的精细透射率图;再用阈值法对灰白明亮区域的透射率修正,之后用边缘保持滤波算法对修正后的透射率进行平滑,得到最终的透射率图。根据估计的大气光和透射率,利用大气散射模型即可恢复出无雾图像。经测试,该算法不仅具有很高的运行效率,而且对各种类型的薄雾图像都有较好的去雾效果。客观评测也表明,该算法在对比度增强程度、色调还原程度、结构信息复原程度方面的综合指标都优于其他算法。另外,所提算法还能够实现图像处理器(GPU)像素级的并行运算,对于分辨率为1 280像素×1 024像素的彩色图像,用型号为NVIDIA GeForce 9 800GT的GPU处理,速度可达10帧/s。     

结合天空分割修正的快速去雾方法

针对目前去雾算法对高亮天空区域处理不理想,以及去雾后的图像整体视觉效果较差的问题,提出一种结合天空区域分割修正的快速雾天图像复原方法.首先,对输入图像进行白平衡处理;其次,根据大气散射物理特性和光学成像特性对大气耗散函数做初始估计,判断是否存在天空区域,若存在天空区域,结合对比度增强调整,Otsu算法(大津法)分割出天空区域,修正天空区域的大气耗散函数;最后,由大气散射模型得到复原图像,并对复原图像做亮度调整.实验结果表明:该算法具有较强的场景适应能力,能很好地处理天空区域;复原图像具有较好视觉效果,而且执行速度更快.     

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...     

基于天空区域分割和边界限制L0梯度最小化滤波的图像去雾算法

针对经典的暗原色理论算法在处理带有天空区域的雾天图像时会出现光晕和亮度损失的问题,该文提出基于天空区域分割和边界限制L0梯度最小化滤波的图像去雾算法。首先根据雾天图像的直方图特性分割出天空区域,求解全局大气背景光;其次,根据辐射立方体法则推导出边界限制条件,规整得到初始透射率图像,并运用L0梯度最小化方法对透射率图像进行平滑处理;最后,通过优化的暗原色理论模型求取增强后的图像。通过对算法的有效性、天空区域的失真和细节特征进行分析,发现该算法比改进的暗原色算法处理效果更好。     

利用中通道补偿的单幅图像去雾

针对雾天图像对比度低和细节模糊等问题,将图像分解为纹理层和结构层,对含有大部分雾气的结构层进行去雾,对纹理层进行增强.为了避免大气光估计易受白色物体影响,提出一种RGB空间立体判决图,并设计基于自适应阈值约束的大气光估计方法,可有效区分天空和非天空区域;针对暗通道先验处理大面积天空、浓雾区域失效问题,提出一种基于中通道补偿的透射率估计方法,可有效克服去雾后图像颜色失真;同时,基于侧窗导向滤波对上述透射率进行修正,能够较好地保持细节.实验表明,本文方法能有效去除雾气,去雾后图像颜色自然,细节保持良好.     

基于像素级图像融合的单幅图像去雾算法

单幅图像去雾是计算机视觉领域的一个重要研究课题,基于图像融合思想,提出一种新的单幅图像去雾算法.首先计算大气光和中值暗原色先验的差值绝对值来判断有雾图像中是否含有明亮区域,获得对天空、白色建筑物等明亮区域透射率更精确的估计,并通过该透射率计算第一幅待融合图像;然后利用大气散射模型的一般形式,求解出第二幅待融合图像;最后,通过计算融合系数,将两幅去雾图像进行像素级融合,得到最终的去雾图像.该方法可以有效的改善天空区域颜色失真,去除Halo效应.实验结果表明,所提方法能较好的实现去雾,并保留图像细节和结构信息.     

基于逐层搜索法与快速导向滤波的图像去雾算法

针对天空大气光照值计算不够精确这一问题,采用逐层搜索法对其进行改进,并结合快速导向滤波对透射率进行细化;对于去雾后的图像偏暗问题,采用非线性叠加处理的图像增强方法。对得到的去雾图像分别使用均方误差和峰值信噪比作为客观评价标准。实验数据显示,改进算法能得到清晰度较好的去雾图像,相较于其它算法得到的图像更加自然,色彩还原度更高,去雾后某些区域偏暗问题也得到改善。     

基于暗原色先验的快速视频去雾优化算法

对目前高分辨率视频图像去雾算法实时性差,天空及大量明亮区域处理不理想等问题,提出一种基于暗原色先验的快速视频去雾优化算法。针对视频图像,采用导向滤波和帧差法,实现快速视频去雾。根据经典大气散射物理模型,首先,利用暗原色先验估计大气光值和透射率图;然后,下采样透射率图并用导向滤波得到优化的透射率图后,上采样并改善透射率图;最终,得到去雾视频帧。与带颜色恢复的多尺度Retinex算法(MSRCR)和He算法进行对比,实验结果表明,所提优化算法能有效提高视频去雾速度,改善去雾效果。     

使用局部大气光的单幅图像去雾算法

针对传统算法去雾后图像偏暗的问题,根据去雾后图像对比度和亮度均应该增加的标准提出了一种高亮度和对比度的去雾算法。首先依据大气光与复原图像亮度成反比事实,设置像素红绿蓝(RGB)三个颜色分量均值为局部级粗糙大气光,使用具有较好抑制光晕效应的半全局加权最小二乘算法优化获取局部级大气光;然后根据去雾图像方差与大气透射率成反比事实,使用基于像素最小颜色分量的大气散射函数计算粗糙透射率,然后使用局部均值滤波器优化透射率;最后结合雾天成像模型恢复无雾图像。实验结果表明所提算法去雾图像的梯度、亮度和速度等客观指标均优于传统算法,其中亮度最少增强1.5倍。所提算法能提高去雾图像亮度、丰富图像细节和提高去雾速度,具有较好的工程应用价值。     

基于能量泛函的快速去雾算法

为了快速复原雾霾退化图像场景辐照图,提出一种基于能量泛函的模型求解算法。利用大气退化模型,首先估计降质图像的大气光;针对图像是否包含天空区域分开进行求解,较传统固定模式的求解算法更为准确有效;通过白平衡运算简化求解模型,建立新的环境光项表达式;尔后利用暗通道先验估计暗通道图像;根据假设和先验信息,构建暗通道图像与环境光项的能量泛函模型,引入L1和L2范数变换模型,通过切分Bregman迭代算法求解图像的环境光;最后将环境光项代入简化模型中反解出复原图像。通过实验验证,算法对于雾霾退化图像恢复效果较好,且较传统复原算法具有更高的运算效率。     

基于位平面分解的E∞自动提取去雾算法

如何合理地选取天空区域来获取天空亮度值（E∞）是雾化图像复原中的关键技术问题．本文通过位平面分解法分割天空区域并运用椭圆最小二乘法拟合日周光散射光圈,并自动确定目周光的中心,将中心点的亮度与天空区域平均亮度的加权值作为最终提取的天空亮度值;最后运用大气散射模型对雾天降质图像进行复原．实验结果表明利用自动提取的天空亮度值获得了理想的去雾效果．     

单幅图像自动去雾算法

为了改善雾天环境下退化图像的视觉效果,提出一种基于物理模型的快速图像去雾算法.算法从大气散射模型出发,从有雾图像中利用腐蚀和膨胀粗略估计出大气耗散函数,再利用指导图像滤波方法细化估计大气耗散函数,进而恢复场景反照率.实验结果表明,算法可以获得更精确的大气耗散函数,复原图像的边缘轮廓及景物特征都比较清楚,可有效抑制晕环效应,且算法速度也有显著提高,可用于实时雾天图像处理.     

一种雾天彩色图像复原快速方法研究

暗通道优先法则在处理自然雾天图像方面取得了非常好的效果,但是该方法需要消耗大量的存储和计算时间。提出了一种改进的雾天彩色图像增强快速方法。首先,根据雾天图像模型和先验知识,计算雾天图像的暗通道先验值;并估算初始透射率图像和大气光。然后利用数学形态学方法对初始透射率图像进行处理得到优化的透射率图;并根据这个优化透射率图、大气光和原始雾天图像计算去雾图像。最后利用gama校正获得最终的彩色增强图像。仿真实验结果表明本文提出的方法能较好地对雾天彩色图像进行去雾处理,且计算速度较快。相比于基于暗原色先验的单一图像去雾方法,图像尺寸越大,该方法的计算效率越高,计算时间优势越明显。     

差分分层暗原色先验去雾法

针对烟尘和雾霾等恶劣户外环境下视频图像严重退化的问题,结合大气散射模型和暗原色先验去雾的原理,针对原始算法中暗区域扩张的缺点,提出一种区分图像景深边界的方法。此方法通过对像素求差分能够将不同景深的像素点区分,进而分别求出不同景深图像的透射率,从而达到快速、准确地恢复图像的目的。实验结果表明,这种方法能够具有更高的处理速度和图像细节,更接近实时去雾的要求。     

基于深度学习的图像去雾算法

针对有雾天气会使图像质量降低,影响对图像信息的提取,导致图像的应用价值减少的问题,提出一种基于深度学习的图像去雾算法。首先,对原有雾图像进行单尺度和多尺度的卷积来特征提取,其次再用多尺度卷积核实现图像细节的重建得到粗略的透射率传播图,同时利用原有雾图像中像素点的位置和亮度值得到大气光值,利用导向滤波得到精细透射率传播图和之前得到的大气光值进而反演出无雾图像,最终对无雾图像进行直方图颜色校正。实验结果表明,相比传统去雾算法,该算法对图像细节的处理更加自然并具有很好的视觉效果。     

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.