基于B通道补偿的景深估计的图像去雾算法

为提高图像去雾效果,兼顾初始细节与亮度,提出一种基于B通道补偿的景深估计快速去雾算法。首先分析大气散射模型,根据B通道与雾浓度关系,构造B通道景深估计模型,计算景深,利用R、G通道分量绝对差补偿B通道景深;为防止近景过度补偿和远景漏补,利用图像的B通道分量来构造分割补偿模型,对远、近景的像素灰度值进行补偿。且通过设定半衰减因子,修正景深图,形成景深评估图;最后利用最小滤波和引导滤波优化景深图,实现图像去雾效果。实验结果显示:与当前图像去雾技术相比,所提算法具有更好的去雾效果,更好地保持了图像细节与亮度。

基于共面特征点的单目视觉位姿测量误差分析

为了克服单目视觉测量中景深信息缺失的问题,运用改进的两段式迭代算法,对刚体位姿测量解算模型进行了优化.给出了特征标靶最优化布局,理论分析了标靶尺寸大小、标靶基线长度及特征圆点大小和解算准确度的关系.实验结果表明,优化的特征标靶布局、较大的特征标靶基线长度及较小的特征圆点靶标能够提高测量解算准确度.该研究对提高实际测量系统解算准确度具有一定的理论指导意义.

结合线性景深和自适应雾浓度的去雾算法

针对图像去雾中由于景深和大气光估计不准确等问题,导致军事监测、目标检测、导航、无人驾驶等系统成像设备获取到的图像质量下降,提出一种结合线性景深估计和自适应雾浓度估计的去雾算法。首先,依照景深与亮度分量和饱和度的关系,利用双滤波优化二者高亮区域,结合线性转换建立线性模型估计景深。然后,提取纹理特征构造雾浓度模型求取自适应散射系数,通过所求景深与自适应散射系数得到透射率。最后,根据对雾图是否含有天空区域的判决,采用两种不同的大气光估计方法。实验结果通过与不同去雾算法定性和定量分析,所提出的方法在保留深度边缘、颜色质量及细节方面具有良好的有效性和鲁棒性,图像恢复质量也相对较佳。

基于颜色衰减先验和白平衡的水下图像复原

由于水体中悬浮颗粒对光线的吸收及散射作用,以及不同波长的光在水下的衰减程度不同,水下图像通常存在细节模糊、对比度低、颜色失真等问题。为改善水下图像质量,提出一种基于颜色衰减先验和白平衡的水下图像复原方法。首先,根据图像在HSV颜色空间中的颜色衰减先验获得场景深度图;其次,利用水下光学衰减特性估计RGB三通道对应的背景光强度与水下透射率,以实现水下图像的清晰化;最后,采用改进的白平衡方法对清晰化后的水下图像进行颜色校正。实验结果表明,该方法可以显著提升水下图像的细节清晰度与颜色保真度,视觉效果更接近自然场景下的图像。

基于景深信息的自适应Retinex图像去雾算法

针对传统图像增强Retinex去雾算法未考虑有雾图像景深信息,整幅图采用同一尺度复原而导致的局部颜色失真、图像细节丢失等问题,提出一种基于景深信息的自适应Retinex图像去雾算法。从场景雾的浓度与景深密切相关出发:首先利用BTS深度学习模型得到有雾图像的景深估计;然后以图像的平均梯度作为最优评价标准,对有雾图像分块处理并采取不同的高斯滤波尺度进行Retinex增强,统计出最优高斯滤波尺度与其对应的景深估计平均值;接着通过梯度下降法对统计数据进行拟合,得出景深估计与高斯滤波尺度的参数模型并将模型应用到单尺度Retinex去雾算法对有雾图像进行分块处理;最后通过计算均值和均方差,再加上一个控制图像动态的参数来实现无色偏的自适应对比度拉伸以及使用双线性插值映射使图像分块边缘过渡更加连续,从而得到增强的去雾图像。实验结果表明,经过所提算法去雾处理后的图像标准差、平均亮度、信息熵、平方梯度等评价指标均高于对比算法,实际效果对比度较高,图像细节保持完好,且抑制了过度增强。基于景深信息自适应Retinex图像去雾算法能够有效保留图像细节,颜色自然,符合人眼视觉特性,自适应程度高,明显优于传统Retinex去雾算法。

基于特征点的空间目标三维位姿单目视觉确定算法

针对基于特征点的空间目标包括相对位置和相对姿态等的三维位姿单目视觉确定问题,提出了一种基于逆投影思想的迭代方法.给出了一种包含景深估计和绝对方位解算两阶段的迭代算法,在景深估计阶段首先计算由转移矩阵表示的最优平移矢量,然后重构各特征点,并利用其在逆投影线上投影更新各特征点的景深;在绝对方位解算阶段采用Umeyama绝对方位解析算法计算相对姿态矩阵,上述两阶段迭代进行直至结果收敛.利用全局性收敛性定理证明了文中算法的全局收敛性.最后,以航天器交会对接最终逼近段的视觉测量为背景对该算法进行了数学和物理仿真,进一步验证了算法的有效性和收敛性.