基于形态学与梯度域导向滤波的图像去雾算法

目前的多数图像去雾方法不适用于浓雾场景,存在去雾后图像亮度偏暗及光晕伪影等问题,提出一种利用图像形态学和梯度域导向滤波的去雾算法。通过暗通道先验算法得到初始透射率,并根据图像形态学闭、开运算细化和平滑初始透射率。运用梯度域导向滤波优化透射率图,以平滑透射率图的边缘和消除矩形块状效应。为更好地估计出大气光值,对雾图的最小强度图进行形态学灰度腐蚀,并经过导向滤波处理,以此结果作为暗通道图,选取其最亮的前0.1%像素点对应到原图中,最高的像素值作为大气光值,得到大气光值后利用大气散射模型求出去雾后的图像。将除雾后的RGB图像转换到HSI颜色空间,利用多曝光融合框架对I通道进行无雾图像整体亮度提高,最终转到RGB颜色空间。实验结果表明,该算法能够恢复更多的细节信息,保证图像具有合适亮度,且颜色自然,无光晕伪影,优于暗通道先验和颜色衰减先验等去雾算法。

基于注意力残差网络的人脸超分辨率重建

为解决通道内部特征信息交互性不足、特征利用和表示不够充分导致的人脸面部细节信息恢复不理想的问题,提出一种基于编码器-解码器的注意力残差网络,并设计基于注意力的残差模块,其主要由基准残差模块、沙漏模块与内部特征拆分注意力模块组成,通过内部特征拆分注意力模块加强通道内部之间的交互性,使网络能够提取到更详细的特征信息,恢复出更多人脸面部细节,同时在残差模块中利用一个预激活模块,解决批量归一化层在超分辨率网络中存在的伪影问题。在特征提取单元末端运用多阶特征融合模块充分融合多个阶段的特征,缓解特征在网络传输过程中的丢失现象,提高特征利用率。实验结果表明,该方法可以恢复出更多人脸面部细节,在Helen人脸数据集上,重建人脸图像的PSNR值为27.74 dB,相比SISN和DICNet方法,分别提高了1.47 dB、1.12 dB。在CelebA人脸数据集上,重建人脸图像的PSNR值为27.40 dB,相比SISN和DICNet方法,分别提高了1.26 dB、0.39 dB。

结合CLAHE和改进MSRCR的沙尘图像增强

针对沙尘图像存在颜色偏移、对比度及清晰度低导致图像质量严重下降的问题,提出一种CLAHE(对比度受限直方图均衡)和改进MSRCR(多尺度Retinex彩色恢复)相融合的沙尘图像增强方法。MSRCR增强沙尘图像去除了颜色偏移,实现了颜色保真,但整体对比度清晰度不足,而CLAHE增强沙尘图像,可以显著提高对比度和清晰度,但不能很好地实现颜色保真。结合两种方法的特点,分别对图像采用CLAHE和MSRCR处理,在对图像MSRCR增强时,引入sigmoid函数的变体估计入射光,在对图像CLAHE增强前,对图像归一化处理,然后运用图像融合技术对两种增强后的图像进行加权融合。融合算法去除了颜色偏移,实现了颜色保真且大幅度提高了图像的对比度和清晰度。仿真结果证明,融合算法弥补了两种方法的缺陷,图像颜色自然,对比度清晰度高,显著提高了图像质量。

基于多曝光图像融合的沙尘图像增强

针对沙尘图像存在细节模糊、对比度低和颜色偏移等问题,提出了基于多曝光图像融合的沙尘图像增强算法。首先对蓝通道进行补偿,以弥补沙尘图像的蓝光损失;其次对图像的RGB三通道分别进行标准化,以减小通道直方图之间的偏离,从而去除偏色。为了提高图像中不同区域的细节,采用线性参数控制的方法生成多幅曝光图像。通过用对比度、饱和度和良好曝光度的质量度量计算权重图,以选择出曝光图像中的最佳像素;然后分别构建权重图和曝光图像的高斯金字塔和拉普拉斯金字塔。最后将图像金字塔融合,并重建出结果图像。主观和客观实验表明:与其他算法相比,本文算法能够有效去除偏色以及提高图像的对比度和清晰度,结果图像视觉效果良好。

基于视觉感受野的夜间彩色图像自适应增强算法

针对夜间环境造成的图像对比度下降和增强过程中带来的噪声、过曝和光晕效应等问题,提出了一种基于视觉感受野的夜间彩色图像自适应增强算法。首先将图像转换到HSV空间,鉴于视觉感知的对比度敏感特性,利用中心兴奋区及外周抑制区组成的拮抗式同心圆双高斯差(DOG)感受野模型对图像亮度空间V进行对比度自适应调节,并对模型参数σ1、σ2和局部对比度都进行量化水平为4的均匀量化,局部对比度较高的量化区间采用较小模型参数,局部对比度较低的量化区间采用较大的模型参数,模型参数A2与局部对比度成反比进行微调,最后将图像转换到回RGB空间。通过与流行算法MSRCR、NPE及LIME的对比实验表明,该算法获得了较好的主观视觉效果,且在对比度、亮度提高的同时避免了暗区域噪声过大,并更好地增强了轮廓信息。

基于LSTM的递归网络图像去雨算法

随着深度学习的发展的热潮,单幅图像去雨得到了很大的发展。然而由于雨图像在方向、大小和雨密度的雨纹的不同,使得去雨的工作变得更困难。针对以上问题,提出了一种基于LSTM的递归图像去雨算法,在特征提取方面采用卷积块和残差块相结合,并运用长短期记忆模块(LSTM)进行多层递归去雨,最后通过注意力融合模块进一步提取雨纹特征,对不同方向、大小等雨纹有较强的学习能力,较好地保留了图像的细节,通过在真实数据集和合成数据集上进行实验,证明了该方法的有效性,通过与其他算法的比较,在客观指标和主观效果上优于它们。主观效果去雨更彻底,图像细节更加清晰。在合成数据集Rain100H上PSNR达到30.48,SSIM为0.91,在Rain100L上PSNR达到38.05,SSIM为0.98。

基于色调映射的沙尘视频快速增强算法

沙尘条件下,由于悬浮在大气中的颗粒吸收和散射大气光导致采集到的图像偏色严重、边缘模糊、对比度低,这使得视频图像质量严重下降,同时我们在对视频进行处理时也面临着Halo效应、画面亮度闪烁以及算法时间复杂度高等问题.针对这些问题,我们提出了一种基于Monge-Kantorovitch线性色调映射(Monge-Kantorovitch linear colour mapping, MKLCM)的沙尘视频快速增强算法,首先利用基于统计的方法和全局直方图均衡化算法去除沙尘视频帧的色偏,为了减少噪声和提升图像的细节,利用MKLCM算法对视频帧进行进一步增强,最后根据蓝通道相关性将视频帧的统计量应用到后面的视频帧处理中,防止画面亮度出现闪烁的同时增加算法的实时性.与其他最新算法对比,并通过主客观分析,实验结果表明该算法能够有效快速地解决视频色偏、对比度低等问题,增强了沙尘视频的整体效果.

改进YOLOv7+Bytetrack的小目标检测与追踪

近年来,目标检测技术已经相当成熟,但小目标检测一直是目标检测领域的一大挑战。为了解决这一问题,设计一种名为MFF-YOLOv7的小目标检测算法,该算法旨在提高小目标检测的准确率。设计级联双向特征金字塔KBiFPN,以及联合提出的多级感受野特征聚合模块MFA,来聚合浅层特征并增强特征的信息表达能力。为了解决小目标漏检问题,设计了新的解耦头和新的注意力机制。新的解耦头对小目标的检测能力更强,新的注意力机制可以重点关注感兴趣的小目标区域。引入了一种新的损失函数ECIOU,旨在加快模型的收敛速度。为了验证模型的性能,分别在三个小目标数据集上进行了实验。实验结果表明,MFF-YOLOv7算法提高了检测精度。同时,使用多目标追踪Bytetrack算法在MOT17和VisDrone2019-MOT两个多目标追踪数据集上对新模型进行了验证,进一步证明了其有效性。此外,MFF-YOLOv7算法在动态视频追踪中表现出了良好的性能。