多尺度融合图像去雾方法

图像去雾能够使视觉系统适应不同的天气状况.为克服传统暗通道先验方法会在物体边界区域形成光晕效应的问题,提出一种用于估计有雾图像透射率的多尺度融合算法.应用不同大小的最小值半径得到多尺度的透射率估计值,再根据局部区域像素具有类似的透射率值这一现象,对透射率图进行多尺度融合,选择小透射图区域中最亮的像素来计算大气光值,最后使用大气散射模型恢复清晰图像.分别从视觉效果和量化指标两个方面,对比所提方法与传统的基于先验和基于深度学习的去雾方法在进行图像去雾后的效果.结果发现,针对4种典型场景,采用本研究算法去雾后的重构图像能够保留更多的结构、细节和颜色信息,避免了过分增强和边缘部分的雾残留问题,视觉效果均优于对比方法;量化指标峰值信噪比和结构相似性均高于对比方法,分别为15.65和0.78.

一种基于样本有效性和KNN分类标记的采样传播型抠图方法

传统的采样传播型抠图方法都是先对图像进行采样抠图处理再传播抠图处理,没有根据样本的有效性对图像区域进行区分处理.为此,提出一种自适应的采样传播抠图方法,根据样本的有效性决定未知区域使用采样抠图处理还是传播抠图处理.该方法使用采样抠图方法对未知区域进行处理,并提出一种样本有效性综合判定方法对结果进行判定,通过判定的采样抠图结果将作为第1类初始矩阵数据输入传播抠图;对于未能通过判定的区域,提出一种基于KNN分类器标记方法进行处理,处理结果作为第2类初始矩阵数据输入传播抠图,该标记方法用于提高图像的传播性,从而提升后续传播抠图方法的抠图质量;在后续的传播抠图处理步骤中,针对不同的数据来源设定不同的权值,最终结果由传播抠图方法来完成.文中通过定性观察和定量分析相结合的方式对实验结果做出评价,并通过在线标准评价对实验结果进行评估.实验结果证明,文中方法不仅能够在有效样本缺失和图像结构复杂的情况下取得不错的抠图效果,而且具有很高的运算速度.