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.     

基于引导滤波的单幅图像去雾算法研究

基于暗原色先验的单幅图像去雾算法较好地解决了估算雾天场景透射率的问题,算法复原的图像清晰颜色自然。但原始算法计算复杂度高、耗时长、无法满足实时性需求。介绍了引导图像滤波的原理,并将其与暗原色先验结合以改进原始算法;同时分析了滤波参数对去雾结果的影响。实验证明改进的算法在保证原算法去雾效果的同时能使算法复杂度大大降低。     

基于雾气深度的快速单幅图像去雾算法

针对目前去雾算法复杂度高以及复原的图像视觉效果差等问题,提出了一种新颖的去雾方法。首先,对图像的三通道进行高斯低通滤波获取图像的低频信息(亮度分量)后求平均,结合场景深度,估计出雾气深度图,获得的大气光值A比暗通道图中的最大值作为大气光值A具有更强的鲁棒性;其次,经过中值滤波,去噪的同时也维持了图像的边缘,取得较为理想的透射率;最后,通过大气散射模型反演逆过程,获得无雾图像。分析表明:所设计算法的时间复杂度较低、速度快,具有较高的鲁棒性,大大提高了图像的对比度,并取得了较好的清晰化效果。     

基于三区域划分的单幅图像去雾算法

雾致退化给图像在监测监控、遥感航拍等领域的应用带来困难。针对现有去雾算法在天空区及交界处存在的问题,提出对图像进行天空、非天空及过渡三分区,并根据各区特点分别采用大尺度Retinex算法、暗通道先验去雾及两种算法结果加权融合的去雾算法框架。实验结果表明,算法较好地解决了天空区颜色紊乱、光斑等问题,去雾后的天空清晰平滑;过渡区在保持图像细节的情况下,克服了区域交界处的虚假边缘问题。与几种常见算法的对比实验结果显示,算法兼顾了不同区域的特点,去雾效果在整体上优于对比算法。     

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。     

单幅图像去雾方法研究

介绍了单幅图像去雾方法的研究现状、分析了基于增强方法和基于复复方法的一些经典图像去雾算法，指出了各种算法的优缺点。综合评价得出基于复原的图像去雾方法优于基于增强的图像去雾方法。针对现有的基于图像复原去雾方法提出了仍需要深入研究的问题，并从建立全面物理模型、探索模型求解的先验知识、设计基于人眼视觉机制的模型求解方法和图像去雾质量评价等几个方面分析如何突破图像去雾的关键技术。最后，对现有技术的发展趋势进行了分析，指出了去雾技术的研究方向。     

改进的基于均值滤波的单幅图像去雾算法研究

雾天条件下采集的图像存在低对比度和低场景可见度问题,传统的去雾算法时间复杂度高、速度慢,无法应用于实时图像处理。为此,结合大气光特性提出一种改进的基于均值滤波的单幅图像复原方法。该方法以大气散射模型为基础,首先利用均值滤波得到准确的大气耗散函数;引入直方图修正机制下的自适应保护因子,更正明亮区域的大气散射函数;大气光采用效率更高的四叉树算法求解;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,从而得到一幅清晰的无雾图像。仿真实验结果表明:该算法的场景适应能力强,复原图像色彩感丰富。与经典的去雾算法相比,该算法在保证去雾效果的同时,克服了导向滤波算法时间复杂度高、速度慢的缺陷。     

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.     

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.     

基于Retinex的多尺度单幅图像去雾网络

针对现有去雾算法应用于真实场景时容易产生颜色失真、雾霾残留严重等问题,提出一种多尺度单幅图像去雾网络。首先基于Retinex理论的去雾模型,设计了多尺度残差光照图估计模块用于生成初步去雾后的图像,其次设计了精细化去雾模块来优化粗糙的去雾图像,从而获得去雾更加彻底、细节更加丰富的清晰图像。多尺度残差光照图估计模块利用不同尺寸的感受野捕获全局背景特征和局部细节特征,精细化去雾模块采用U-net结构,通过多个跳跃连接融合不同阶段的特征。实验结果表明,本文网络在定量和定性方面均有所提升,对于真实场景下的雾霾图像有较好的去雾能力。     

基于图像分割和融合的图像去雾算法研究

为了解决传统的暗通道先验去雾方法产生的细节丢失和亮度偏低等问题,本研究提出了一种基于图像分割和融合的去雾算法。首先对输入图像使用亮度反转的MSRCR预处理来进行色彩保真;其次用阈值分割法提取图像的特征信息并获得掩膜,根据特征信息设计自适应的Gamma校正方法,提升对比度和亮度,并使用暗通道先验方法保持去雾后的细节;最后将处理后的图像进行掩膜融合。在真实世界的数据集上仿真结果表明,本研究所提算法在去雾后能保留更多的细节且提高亮度。与几种经典的算法相比,本研究所提算法在去雾后的图像有较好的色彩保真度,保留了更多的细节,去雾效果好且亮度更自然。     

基于Resnet的林地无人机图像去雾改进算法

【目的】针对雾霾天气下林地无人机航拍图像存在对比度低、饱和度低和色调偏移等现象,基于Resnet网络,提出一种适应林地航拍场景的无人机图像去雾方法(DHnet)。【方法】林地场景下无人机图像具有纹理特征、高低频信息丰富的特点,在主干网络各个层级附加信息传递模块,将特征图转化为权值图进行筛选过滤并发送到其他层级,接收端设置阈值避免冗余信息的不良影响,再经密集链接增强全局去雾效果,提高图像高低频区域的去雾质量,最后在林地无人机有雾图像测试集上进行去雾实验。【结果】DHnet在林地图像测试集上的平均结构相似性为0.83,平均峰值信噪比为22.3 dB,分别较Resnet方法提高了4.8%和39.3%。【结论】本研究提出的算法能有效降低图像色调偏移,去除残留雾气信息,有效提高无人机航拍林地雾气图像的色彩保真度和细节信息保持度。     

采用对比学习的多阶段Transformer图像去雾方法

为了解决现有图像去雾方法在图像局部去雾以及纹理细节恢复等方面始终不理想以及处理非均匀雾质始终不彻底的问题,提出了一种采用对比学习的多阶段自注意力模块(Transformer)的图像去雾MSTCNet方法。首先,利用信道级Transformer模块作为基本的特征提取模块,充分地捕获特征信道之间的长距离依赖关系;其次,通过提出的多监督对比学习方法最大限度地挖掘正负样本信息,使去雾图像在投影后的隐空间中更靠近清晰图像,同时远离有雾图像;最后,利用多阶段渐进式网络结构和可变形自注意力机制有效地整合图像局部细粒度特征和全局粗粒度信息。本文在2个合成数据集和3个真实数据集上对所提出的方法进行了大量的实验,结果表明：所提出的MSTCNet方法在5个数据集上的峰值信噪比(PSNR)分别提高了1.49、1.45、0.11、1.45和0.22 dB,在通用数据集与非数据集的测试中均超越已有的方法,在浓雾质、非均匀雾质以及均匀雾质的测试中均表现出最佳的去雾视觉效果,并达到最高的客观评价指标值。     

注意力残差密集网络的单幅图像去雾算法

针对现有去雾方法色彩失真、去雾不彻底、细节丢失等问题,提出一种模块化的端到端的单幅图像深度去雾网络.首先,利用多尺度卷积核对输入有雾图像提取充分的关键特征;其次,构建由残差密集块及上、下采样单元形成的行和列的网格网络结构,行列之间通过一种新颖的注意力机制进行特征融合与提取;最后,由残差密集块和卷积层构成的后处理模块进一步减少去雾图像的残余伪影.定量和定性实验结果表明,所提方法去雾性能优越.     

一种新的单幅图像快速去雾算法

针对图像雾霾退化的恢复,及现有算法实时性差的缺陷,提出一种高效的单幅图像去雾算法。该算法从雾霾天气条件下图像退化模型出发,首先通过对图像进行白平衡,简化图像退化模型,并消除大气光对恢复图像色彩的影响,提高色彩恢复的准确度,而后通过暗通道先验求解大气传递图的粗略估计。根据大气光衰减项的先验知识与假设,通过构造罚函数对传递图进行约束,采用规范映射最陡下降法直接求解退化模型中的大气光耗散项。最后将大气光耗散项带入退化模型反解出场景反照率。实验结果表明:该算法能够较好的实现对退化场景图像色彩恢复与细节信息的增强,较好地提高退化图像的视见度,且算法复杂度低,处理速度快。     

单幅图像去雾方法研究综述

随着计算机视觉技术的发展及其在智能交通、军事以及安全监控等领域的应用需求,图像去雾处理成为计算机视觉领域中的重要问题与研究热点。在雾、霾等天气条件下,大气粒子的散射作用导致成像传感器采集的图像严重降质。图像去雾技术的任务是通过图像增强或图像复原方法去除天气因素对图像质量的影响,以改善图像的视觉效果和方便后期处理。归纳总结了单幅图像去雾方法的研究现状,重点分析了基于图像增强和复原的两大类方法,深入探讨了其中的一些经典算法并对这些算法进行了分析比较,最后针对基于图像复原方法的去雾技术指出了存在的问题并提出了未来的发展趋势。     

基于双层视觉及多尺度注意力融合的图像去雾

针对现有去雾算法缺乏对雾霾图像不同区域噪音浓度的关注以及远近景特征的区分问题,本文提出了一种新的生成对抗网络模型.模型中通过两个UNet3+网络实现全尺度的跳跃连接和深度监督,使用多尺度融合的方法结合不同尺度特征图中的高低级语义;而深度监督的加入可以更好地学习图像中的远近层次表示.同时在生成器结构中加入融合改进自注意力机制的多尺度金字塔特征融合模块,以便更好地保留特征图的多尺度结构信息,并且提高了对不同雾霾浓度区域的关注度.实验结果显示,在NTIRE 2020、NTIRE 2021、O-Haze数据集和Dense-Haze数据集上, 本文所提出的算法网络相比BPPNET等其他先进算法可以得到更好的视觉效果,在Dense-Haze数据集上,峰值信噪比和结构相似性指数分别达到24.82和0.769.     

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.     

基于特征融合的快速图像去雾方法

针对图像去雾问题, 提出一种基于特征融合的快速单幅图像去雾方法, 解决了暗通道方法存在的块效应问题. 该方法先采用基于K均值聚类的暗通道先验求得粗尺度下的透射率, 再通过分析雾对成像的影响, 提取有雾图像自身能反映景深变化的饱和度作为细尺度的透射率, 最后通过图像融合技术得到精确的透射率. 通过对
各种真实有雾场景进行测试的实验结果表明, 该方法简单且有效, 能得到理想的去雾效果.