基于雾浓度分类与暗-亮通道先验的多分支去雾网络

在图像去雾领域中,目前多数去雾模型难以维持精度与效率的平衡,高精度的模型往往伴随着复杂的网络结构,而简单的网络结构又往往会导致低质量的结果.针对该问题提出一个基于雾浓度分类与暗-亮通道先验的多分支去雾模型,通过对带雾图像分类,使用复杂度不同的网络来处理不同雾浓度的图像,可在保证精度的同时提高计算效率.模型由轻量级雾图像分类器和基于暗-亮通道先验的多分支去雾网络2部分构成:前者将带雾图像分为轻雾、中雾、浓雾3类,输出雾浓度标签;后者包含3个结构相同、宽度不同的分支网络,根据雾浓度标签选择不同的分支网络处理不同雾浓度图像,恢复至无雾图像.提出一个新的雾浓度分类方法以及基于该方法的雾浓度分类损失函数,可根据带雾图像的暗通道特征和恢复难度,结合生成图像质量和模型计算效率,得到对带雾图像合理准确的分类结果,达到去雾效果和算力需求的良好平衡.提出新的暗通道与亮通道先验损失函数,用于约束分支去雾网络,可有效提高去雾精度.实验结果表明,模型能够以更低的网络参数量和复杂度得到更优的去雾结果.

基于暗亮通道先验的小波融合图像去雾算法

为解决雾天条件下拍摄图像出现模糊降质的问题以及改善基于传统暗通道先验去雾算法的局限性,提出了一种利用小波变换,并结合暗通道和亮通道先验理论的去雾算法。通过暗通道和亮通道先验理论分别求取对应的大气光值和透射率,利用小波变换将不同滤波尺寸窗口得到的暗通道透射率进行融合,通过线性拟合函数以及导向滤波函数求取最终的大气光值和透射率,并利用大气散射模型还原出清晰的无雾图像。最后,利用主客观分析法,将所提算法与以往比较具有代表性的去雾算法进行仿真比较分析,实验结果表明:所提算法在保证实时性的前提下,能够有效去除原始图像中的雾霾,并解决传统去雾算法中由过度增强所带来的颜色失真等问题,在主观视觉效果上有着不错的表现,同时也有着优秀的客观评价指标,验证了所提算法的可行性、有效性和优越性。

亮通道先验Retinex对低照度图像的光照补偿

针对光照不足导致图像质量退化的问题,提出了亮通道先验的Retinex算法用来补偿图像的光照强度。该算法假设局部恒常的光照可以初步满足光照均匀并与场景相似,以亮通道运算对光照分量进行粗估计;通常解决局部处理带来的分块效应问题是采用引导滤波方法,但这会使补偿后的图像纹理模糊甚至丢失细节,为此设计了基于图像结构相似性的融合策略。最后使用Retinex理论模型对光照进行补偿。实验结果表明:所提算法简单高效,能够对图像阴影或夜间图像的低照度区域进行快速地光照补偿,在峰值信噪比(PNSR)上较传统算法提高了5dB左右,在结构相似性(SSIM)上比传统算法提高了7%以上。算法在纯软件系统的PC机上处理640×360的彩色视频时能达到6~12ms/帧,处理320×256的红外视频时达到4~10ms/帧,可满足工程需要。

采用亮通道先验的低照度图像增强算法

针对低照度彩色图像亮度偏低、对比度差等问题,提出基于亮通道先验的低照度图像增强算法.首先,分析Retinex算法所存在的缺陷,提出了亮通道先验.然后,将原RGB彩色图像转换到HSV彩色空间,对亮度分量V使用亮通道先验和引导滤波估计光照分量和反射分量,并且采用自适应对数校正对光照分量进行提升.最后,将增强后的图像转换到RGB彩色空间.实验结果表明:该算法快速有效,能够很好地提升图像整体亮度和对比度,图像细节得到增强,克服了颜色失真和光晕等问题,增强后的彩色图像更为明亮、自然.

基于改进暗通道先验的图像去雾算法

针对暗通道先验去雾算法在含有浓雾、亮白、非均匀光照区域造成的图像失真的问题,提出了一种改进的自适应局部阈值分割和自适应参数优化相结合的去雾算法。首先根据暗通道先验理论运用局部阈值分割出亮白区域和非亮白区域,然后采用引导滤波将求取的原始透射率进行细化,并通过亮白区域与非亮白区域加权求取更加精准的大气光强,提高了大气光强的鲁棒性,使得该算法适用于暗通道去雾效果不好的浓雾高亮区域和非均匀光照区域。最后,通过雾天图像降质模型恢复出无雾图片,将该算法与几种常用的去雾算法进行比较。结果表明,该算法在绝大多数情况下恢复的图片清晰自然,解决了图像去雾后视觉效果不好的问题,同时也有效改善了亮白区域色彩失真的现象。

全变分极端通道先验的盲图像去噪去模糊

图像先验是图像复原中求解不适定问题的关键。针对在图像具有显著噪声时,极端通道先验去模糊算法容易产生振铃伪影和无法抑制噪声的缺点,利用全变分模型可以同时抑制噪声和保护边缘的优势,提出一种有效的全变分极端通道先验的盲图像去噪和去模糊模型。首先,将全变分模型分别引入暗通道和亮通道中,用于保护图像的边缘及消除噪声或振铃伪影;其次,利用半二次分裂技术解决模型的非凸问题和估计潜在的清晰图像;最后,用迭代多尺度盲反褶积估计图像的模糊核。实验结果表明,该算法能够在抑制噪声的同时很好地保护图像的边缘细节和消除振铃伪影。相比近几年具有代表性的其他方法,该模型的鲁棒性、主观视觉效果和客观评价指标均有明显提高。

一种改进的暗通道先验去雾算法研究

为了解决经典暗通道先验算法颜色偏暗、过饱和,天空区域出现光晕、噪声等问题,提出了一种改进的暗通道先验去雾算法。首先,通过对大气光的物理意义进行分析,将图像天空区域的亮通道值作为估值;然后针对传统去雾方法先验条件改进透射率估计,根据Hue-Saturation-Intensity颜色模型的图像增强结果计算粗透射率;之后使用双边滤波的加速算法递归双边滤波对透射率进行细化;最后根据大气散射模型得到复原图像。实验结果表明,该算法的主观视觉效果与客观评价指标均优于其他对比算法,有效改善了色偏的问题,抑制了光晕效应,可以得到细节丰富,清晰自然的复原图像。

基于明亮区域分割的图像去雾算法

针对暗通道先验去雾中存在的光晕和色彩失真问题,提出一种基于明亮区域分割的图像去雾算法。首先通过亮度阈值分割和区域生长将雾天图像分割为明亮区域与非明亮区域;然后用亮通道先验和超像素分别改进明亮区域和非明亮区域透射率的计算公式;再用加权融合的方法将这两个区域的透射率进行融合得到粗略的透射率,使用引导滤波对其进行优化,同时对雾天图像进行四叉树分割,取最终分割区域像素的亮度平均值为大气光值,通过大气散射模型复原去雾图像。实验结果表明,改进后去雾图像的峰值信噪比与改进前相比提高了6.5%,信息熵提高了2.1%,新增可见边之比提高了5.5%,梯度均值提高了5.3%。本文改进算法能够解决暗通道先验去雾中的问题,得到清晰且对比度高的去雾图像。

结合双通道与光源定位的夜间图像去雾

针对夜间雾图光照不均、色偏严重等问题,提出了一种基于亮暗双通道与光源定位的夜间图像去雾方法。结合夜间雾天成像模型,首先对图像进行超像素分割,根据评分阈值区分远近光源区域,对远光源区域采用双通道先验原理自适应确定大气光值,再对景深一致的超像素块进行最小滤波操作求取透射率,并通过引导滤波进行透射率的优化,最后针对光源变化引起的色偏问题,采用基于标准差加权的灰度世界算法进行颜色校正。与经典去雾方法相比,上述方法在对比度、平均梯度、信息熵等指标上有较大提升,验证了上述去雾方法的有效性。

基于自适应天空区域分割的图像去雾算法

针对暗通道算法在处理图像中天空区域时会出现色彩失真和光晕现象以及大气光值错误估计的问题,提出一种改进的暗通道先验去雾算法。利用雾图中天空区域的物理特征粗略分割图像天空区域,从天空区域中对大气光值进行估计;设计一种自适应双阈值分割方法用于天空区域的精细分割,提出一种基于亮通道先验的透射率估计方法,将亮通道先验模型估计的天空区域透射率值和暗通道先验模型估计的前景区域透射率值进行融合;引用一种快速引导滤波器对融合后的透射率进行边缘细化,基于大气散射模型完成图像的复原。实验结果表明,该算法很好地克服了暗通道算法的缺陷,保留了复原图像的视觉真实性。

无人机图像去雾与特征匹配算法研究

无人机遥感具有实时性、高分辨率等优点,但易受高空中雾气影响,造成图像清晰度降低甚至失真,极大影响了无人机图像的拼接,现有的特征匹配算法在匹配中存在一定误匹配率,影响图像拼接的质量。针对这些问题,在图像去雾方面,本文基于暗通道先验去雾算法,提出一种结合亮通道先验理论的去雾算法,并使用伽马函数优化图像显示;在特征匹配方面,本文提出了基于几何相似性理论改进的特征匹配算法,提高了匹配的准确率。实验证明,本文的算法去雾视觉效果优于传统暗通道算法,特征匹配质量也优于传统的KNN匹配算法。

基于亮通道的单幅海域浓雾图像去雾算法

为解决浓雾天气条件下近岸海域监控系统获取的图像清晰度低的问题,提出一种基于改进亮通道及引导滤波的海域图像去雾算法。首先,将Lab颜色空间L通道作为引导图,通过对原图像进行快速引导滤波来估计大气光值;其次,基于大气光值并利用亮通道先验理论,获得亮通道透射率函数;最后,通过改进的加权引导滤波优化亮通道透射率函数,利用大气散射模型,实现模糊图像的去雾,并利用伽马校正增强去雾结果。实验结果表明,改进方法图像去雾结果视觉效果明显,可以有效减少细节信息损失,提高图像清晰度。与经典算法最优结果对比,NIQE、对比度及信息熵分别提升10.92%、4.12%和4.37%,对完善近岸海域监控系统具有一定的理论价值和现实意义。

自适应的低照度图像增强变分模型

针对低照度图像具有低对比度、强噪声等问题,提出了一种自适应的低照度图像增强变分模型。根据亮度分量初步估计低照度图像取反之后图像的透射率,并利用Retinex算法进行细化,以丰富图像的细节。为了抑制噪声的放大且保持边缘信息,根据亮通道先验原理和局部方差构建权重,自适应地调节正则化参数。采用交替迭代最优化方法求解包含透射率和恢复图像的能量泛函得到最优解。实验结果表明,该模型可有效地增强低照度图像,且能保留更多的图像细节、抑制噪声放大,相比于l1范数正则化方法,图像尺寸越大,该模型计算效率越高,计算时间优势越明显。

联合双通道对比度和L_(0)正则化强度及梯度先验的模糊图像盲复原

双通道对比度先验(Dual-CP)是基于图像的亮通道和暗通道之间的差异来模拟对比度,故其在模糊图像盲复原中表现出良好的复原效果。但是,实际应用中图像亮通道和暗通道的值并不像理论研究的那样明显地分布在1和0上,为解决这一问题,提出一个联合双通道对比度先验和L_(0)正则化强度及梯度先验的模糊图像盲复原算法。其中,由于非凸的L_(0)极小化问题求解比较困难,利用半二次分裂法推导出一种有效优化算法。实验表明,所提算法在直观效果上有更明显的细节恢复能力,且在Levin等人、Köhler等人和Lai等人提出的基准数据集上平均峰值信噪比分别提高了2.1051 dB、1.1273 dB和0.4491 dB,平均结构相似性分别提高了0.1302、0.0599和0.0158。