基于雾密度感知增强的去雾图像质量评价方法

去雾图像质量评价方法在图像去雾算法研究中发挥着重要作用,目前去雾质量评价方法存在雾密度感知能力不足的问题。提出一种基于雾密度感知增强的去雾图像质量评价(FDP-DIQA)方法,针对自然雾图的成像特点,从对比度信息及色彩信息2个方面提取6个特征,并结合以往的图像去雾研究结果提取3个特征,构成完整的去雾感知特征,增强对雾密度的感知能力。随后,结合雾图与去雾图像之间全局和低对比度区域的结构特征及块效应特征,对经平均池化形成的22维特征采用LightGBM进行模型构建,实现去雾图像质量评价。实验结果表明,FDP-DIQA方法在合成雾图数据集和自然雾图数据集上的表现优异,其加权平均后的斯皮尔曼等级相关系数、皮尔森线性相关系数、均方根误差分别为0.9623、0.9583、2.0981,大幅领先于同类方法,与人类主观评价有较高的一致性。

改进的彩色图像去雾效果评价方法

针对当前对图像去雾效果评价的不足,提出了一种改进的评价彩色图像去雾效果的方法。该方法同时考虑了对图像边缘的评价以及对颜色失真的评价,基于图像雾化的大气散射模型,通过将原始图像转换到相对色彩空间,提出了度量颜色失真的标准;结合对比度增强的评价方式,提出了一个统一的评价指标,从而实现很好地给出一个符合人眼视觉判断的客观评价结果。实验中基于多种去雾算法的去雾结果,对基于可见边比的评估方法、CNC评价指标和本文提出的评价指标进行了对比,结果表明本文改进的评价标准能更好地体现去雾的质量,获得与视觉判定更加接近的结论。

一种基于幂指数拉伸的去雾算法

比较同一场景无雾和有雾时图像RGB(Red-green-blue)三通道和HSV(Hue-saturation-value)三通道的变化,提出一种基于幂指数拉伸的去雾算法。首先将图像从RGB变换到HSV空间,将饱和度分量和亮度分量分别作1~3的幂指数拉伸和调整,将拉伸变换后分量生成HSV图像再变换到RGB空间,生成增强后的去雾图像。以饱和度均值、亮度指标、信息熵和对比度作为去雾评价的指标,确定最优的拉伸幂指数组合。然后使用最优幂指数完成去雾处理,同时根据图像饱和变化的阈值或时间间隔长度决定是否重新寻找最优拉伸幂指数。最后使用Python软件,借助多进程编程实现本文去雾算法。当图像分辨率为400像素×300像素时,树莓派上运行时幂指数参数寻优用时为5.077~6.160 s,单帧图像去雾用时第1帧时间长为0.308 s,其余时间为0.077~0.168 s,结果验证了本文算法的实时性。

自适应暗通道先验去雾算法

基于暗通道先验的图像去雾算法是一种简单有效的图像去雾算法,但该算法在处理较高分辨率的图像时,时间复杂度较高,复原后的图像亮度偏低,且在处理具有大面积白色明亮区域图像时存在色彩失真的问题。针对这些问题,本文提出改进的自适应暗通道先验去雾算法,新算法引入自适应的指导滤波法代替原算法中的软抠图法,提高算法的计算效率的同时获得最优滤波窗口半径。同时,新算法还通过改进透射率图估计方法,弱化对明亮区域的去雾处理,避免过增强,并调整图像亮度,优化去雾结果。通过合成雾图和真实场景雾图实验验证了新算法的有效性。合成雾图实验中采用全参考评价方式,在清晰的无雾场景上模拟雾的形成,计算加雾前与使用不同算法去雾后图像的绝对差值进行比较。真实场景雾图实验中,采用基于人类视觉感知的CNC(contrast-naturalness-colorfulness)综合评价体系,计算同一雾图在不同算法去雾后图像的CNC指数。实验结果表明,在相同图像分辨率条件下,本文提出的自适应算法不仅去雾后图像视觉效果更加理想,而且处理时间大为减少。