采用改进暗通道先验算法的高速公路能见度检测

为提升高速公路雾天能见度检测精度,考虑大气透光强度、透射率、大气消光系数和图像中某点到摄影机的实际距离,通过能见度检测原理改进现有的暗通道先验算法。首先结合矩形区域测距和实际场景物体大小来解决高速公路二维场景到三维场景重构的问题,并利用K⁃means聚类的方法,并找出聚类后的视频图像中分界线的最小景深点,结合所构建的测距模型得到该点到摄像机的实际距离。其次通过发现传统暗通道先验理论在求取大气透光强度方面的不足,提出了基于图像分割的局部熵法来求取大气透光强度,再利用暗通道先验理论求出透射率,然后由能见度检测原理计算出能见度。最后,根据日兰高速公路K113+000处雾天下的视频图像,对改进暗通道先验算法与传统暗通道先验算法进行实验对比,并以能见度检测仪的检测结果为参照。结果表明:当实际能见度为100 m左右时,改进算法检测的平均相对误差(MRE)为6.25%,比传统算法减小了2.38%;当实际能见度为150 m左右时,改进算法检测的MRE为6.17%,比传统算法减小了3.06%;当实际能见度为200 m左右时,改进算法检测的MRE为5.71%,比传统算法的减小了3.41%。随着光照强度的增加,改进暗通道先验法的检测精度提升越来越明显,能更好地适应日间大雾天气下的高速公路。

基于自适应雾浓度系数的暗通道先验法能见度测量

针对传统暗通道先验法处理图像计算能见度时,透射率优化计算复杂以及透射率估测准确性差的问题,提出一种引导滤波的改进方法,以灰度图代替RGB图作为引导图,极大地提高了滤波效率。同时,重点分析雾浓度系数ω和图像灰度均值差异对透射率估测准确性的影响,总结出灰度均值的合理范围,提出一种自适应雾浓度系数的新思路。通过构建BP神经网络,以灰度均值及目标区域计算值作为输入,雾浓度系数作为输出,实现了能见度测量系统对于雾浓度系数的自适应修正。将大量图像处理的能见度结果与CJY散射式能见度仪测量结果作比较,二者基本一致,97.1%的相对误差在20%以内,满足能见度测量要求。

结合暗通道先验和MRF理论的单幅图像去雾算法

针对在雾霾环境下获取的图像降质严重、现有算法去雾图结构细节信息丢失较多的问题,提出了一种结合暗通道先验(DCP)和马尔可夫随机场(MRF)的单幅图像去雾算法。该算法先采用子块部分重叠局部直方图均衡(POSHE)对原始雾图进行增强,以提高其对比度,并通过DCP算法获取优化后的透射率;利用MRF模型对图像结构细节信息的约束特性,对透射率进行建模,以进一步细化透射率;由天空域的显著特征,通过分块搜索法求取大气光值。与传统去雾算法相比,该算法能得到更精确的透射率图,有效保持图像结构信息,去雾后的图呈现出丰富的细节和较真实的色彩视觉效果。

基于暗通道优先的图像去雾方法研究

针对现有暗通道优先(DCP)的图像去雾算法对全局大气光估计不准确和去雾后图像的细节不突出等问题进行了改进研究,提出了一种改进的中值暗通道优先(MDCP)图像去雾算法。该算法首先利用迭代最大类间差法(Otsu算法)锁定近似理想的天空区域,计算全局大气光,然后运用MDCP原理获得随深度变化的大气传输衰减过程,以达到突出细节信息等目的,再运用软消光(soft matting)算法对大气传输衰减过程进行优化,最后得到场景的反射图像,实现图像去雾。通过实验证明,该方法不仅能够很好地锁定背景处的有效区域,准确地估计全局大气光,还能够很好地保留图像细节信息,使图像在去雾后还能够强化细节信息,达到理想的去雾效果。

基于引导滤波和暗原色先验理论透射率估值的视频去雾算法

针对雾天条件下户外采集的图像严重退化问题,解决传统的暗原色先验理论算法出现的边缘残雾、天空区域去雾效果欠佳、实时性差和鲁棒性差等问题,提出去雾效果显著的实时视频去雾算法.对大气光散射模型进行改进,以引导滤波后的灰度图作为大气光估计图;利用四叉树法和暗原色先验理论(DCP)在暗原色图中寻找浓雾区域,求得透射率估计值;利用改进的大气光散射模型复原图像.通过大量实验表明,复原出的图像去雾效果彻底,色彩鲜艳亮丽,天空区域不会出现彩色失真,景深变化大的地方不会出现白边现象,对于不同浓度的雾都有着较好的去雾效果,处理速度快且稳定,适合于实时视频去雾.

基于优化后透射率和半逆法的暗通道图像去雾方法

为了解决去雾过程中图像边缘产生光带的情况和去雾之后图像整体变暗的现象,提出了一种新颖的基于优化后透射率和半逆法的图像去雾算法。首先,针对图像边缘处暗通道失效情况,运用透射率修正机制来消除边缘处的光带现象,从而提高暗通道先验的适用范围;其次,从大气散射模型出发,利用半逆算法得到大气整体光照值;最后,针对去雾之后整幅图片颜色变暗淡的现象,采用基于小波变换的图像对比度算法来进行增强处理,改善去雾图像的视觉效果。实验结果表明,该算法能够更有效地去雾,而且去雾能力优于原算法。

结合暗通道先验与Hessian正则项的图像去雾

在雾天拍摄户外图像,其对比度和可见度均受到严重的影响。目前图像去雾方法通常依赖于准确的透射率图,而二阶的Hessian正则项具有保留精细结构同时抑制阶梯伪影的能力,可提高图像的对比度和可见度。为此采用暗通道先验方法获得有雾图像大气光值初始透射率图,提出一种结合Hessian正则项的二阶变分模型来细化初始透射率图及去雾图像。利用交替方向乘子法(ADMM),通过引入辅助变量,使拉格朗日乘子不断更新迭代,直到能量方程收敛,输出去雾图像。采用LIVE Image Defogging有雾图像数据库进行了仿真实验。通过对去除薄雾和浓雾效果图的视觉质量和定量的评估,表明该方法得到的去雾图像清晰自然,纹理细节保持效果较好。

恶劣天气下基于锚点的多尺度融合车道线检测及优化方法

针对黑夜和大雾天气下车道线检测的问题,在数据预处理阶段采用改进的自适应伽马变换对过暗或漂白的图片进行增强,并利用暗通道先验法对大雾场景下的图像进行数据增强,从而降低干扰.在特征提取阶段,采用改进的rotation forest block(RFB)网络提取车道线的特征信息,并通过基于锚点的分类方法实现了快速而准确的车道线检测功能.

基于超像素暗通道和自动色阶优化的图像去雾算法

针对暗通道先验(dark channel prior,DCP)复原图像中的光晕现象、明亮区域色彩失真、环境光估计不准确等问题,提出了基于超像素暗通道和自动色阶优化的单幅图像去雾算法。首先,由改进的White Patch Retinex算法增强图像并计算精确环境光。接着,在传统暗通道去雾算法中引入超像素图像分割和引导滤波算法,使透射率估计的稳健性与精确性得以提升。然后,采用自适应容差对明亮区域的透射率进行补偿,有效抑制明亮区域色彩失真问题。最后,以自动色阶优化算法提高图像对比度。将本文去雾算法与其他算法从主观和客观两个维度进行比较,实验结果表明:采用不同算法对不同浓度的自然雾图进行对比实验,信息熵提高0.2 bit,峰值信噪比(peak signal-to-noise ratio,PSNR)提高0.8 dB,运行效率提高。该算法对不同浓度含雾图像具有良好的适应性,复原图像色彩真实、纹理清晰、细节丰富,去雾效果良好。

排水管道图像雾气及光斑干扰去除方法研究

近年来,管道内窥摄像检测是常用的排水管道缺陷检测技术,由于大部分管道内部具有一定污水充满度,管道图像往往存在白雾以及光斑等干扰,影响图像缺陷的识别和解译,为此,提出了一种排水管道图像雾气及光斑干扰去除方法,首先结合管道雾气特征,构建暗通道先验算法去雾,针对去雾后的色偏问题,使用一种多尺度Retinex色偏恢复算法,最后改进二维伽马函数,通过降低镜头污染,实现对图像光斑的压制。实验结果表明:所提方法能有效去除排水管道内视频图像中的雾气和光斑的干扰问题,提高排水管道图像的可视度、对比度和清晰度,从而提高排水管道病害解译准确度。

单幅图像中值暗通道先验去雾的改进算法

为解决传统基于暗通道先验(DCP)的单幅去雾算法在景物边界处出现的白边现象及高计算复杂度,在中值DCP(MDCP)法的基础上提出一种改进算法。首先通过判断RGB三颜色通道的最小值与中值暗原色的差值绝对值的大小判断DCP法或MDCP法是否成立:当DCP法成立时,取较大窗口的暗原色值作为最终的暗原色值;当DCP法不成立而MDCP法成立时,取两种窗口中中值暗原色值较小的值作为最终的暗原色值;当DCP法和MDCP法都不成立时,取较小窗口的中值暗原色值作为最终的暗原色值。然后在HSI色彩空间保留色调分量不变,仅对强度分量运用修改的暗原色值进行去雾。最后,对饱和度分量进行颜色补偿。本文算法无需图像后期修补。实验结果表明了本文改进算法的可行性和有效性。

基于均值标准差与加权透射率的图像去雾方法

在雾霾天气下,由于空气中的浮尘等大气颗粒物对光线进行了散射吸收,造成成像设备捕捉到的图片的质量严重下降。针对雾霾天气下暗通道先验(dark channel prior,DCP)算法的图像复原方法中的边缘细节丢失、明亮区域使大气光估计失效、场景深度突变区域透射率计算不准确等问题,提出一种基于均值标准差与加权透射率(Mean-Standard Deviation and Weighted Transmission,MSD-WT)的图像去雾方法。对大气光估计方法进行改进,首先在HSV空间中提取图像的亮度分量,然后使用简单线性迭代聚类(simple linear iterative clustering,SLIC)对V空间图像和暗通道图像进行图像融合,避免小面积明亮区域对整体大气光估计造成影响。对透射率估计方法进行改进,在景物边缘处使用带阈值的均值标准差来判断是否为场景深度突变区域,在不同区域内使用加权的方法分类计算场景深度突变处的透射率。仿真结果表明:该方法计算的大气光值和透射率值更加准确,在边缘细节信息保留、去除边缘光晕效应和图像真实方面有较好的效果。

基于机器学习的白天能见度检测方法

能见度检测在气象预报、自动驾驶等领域有巨大的研究和实际应用价值。与此同时,目前现有的能见度检测方法存在硬件设备价格昂贵、需设置特定标志物、计算量大等问题。该文将机器学习引入能见度检测模型,提出了一种基于计算机视觉和机器学习的能见度检测算法。该算法将通过暗通道先验法以及导向滤波算法得到的精细图像暗通道特征、图像梯度幅度和图像对比度幅度作为支持向量机算法的输入,进行了能见度检测模型的训练。实验结果表明此算法不仅有良好的能见度检测精度,同时无需摄像机标定,可利用原有监控设备,有较好的灵活性。

汽车驾驶辅助中雾天图像增强算法的对比研究

受到雾天等天气情况的干扰,基于视觉传感器在汽车驾驶辅助中的应用会收到影响。雾天图像增强方法可以有效的改善视觉传感器的能见度,保障驾驶辅助系统的可靠性。目前,比较常见的有直方图均衡去雾法,Retinex去雾算法以及暗通道先验去雾算法等。直方图均衡去雾的基础是概率累积函数变换法,通过把已知图像的灰度概率分布转变成均匀概率分布,最后得到视觉效果较好的新图。Retinex去雾算法的基础是色彩的恒常性,通过物体的表面颜色是其表面的反射特性决定的这一特性,实现图像去雾。暗通道先验去雾算法则通过估算空气的透射率,根据其散射模型来还原场景色彩。本文通过实验,将这三种去雾方法进行对比,并比较三者的优缺点。

基于非局部先验的雾线优化图像去雾算法

针对非局部先验去雾算法中雾线端点像素位置精确度不足的问题,提出了雾线优化的非局部先验图像去雾算法。首先分析雾线理论,结合暗通道理论确定最大聚类雾线真实端点,以其为已知条件补偿小聚类雾线端点与大气光之间的距离,根据类内不同像素与雾线对应夹角预估单个像素雾线端点进而求得像素级优化后的透射率,最后根据图像局部灰度值差异融合暗通道先验(dark channel prior, DCP)和非局部先验透射率得最终透射率图。将本文算法与其余3种去雾算法在多幅户外雾图下通过主观及客观两方面分析比较,实验结果表明该算法能取得更好的去雾效果,尤其在天空区域图像复原效果较为突出。

融合暗通道先验与循环生成对抗网络的航海图像去雾模型

为解决基于视觉的船舶智能感知系统在海雾悬浮颗粒的散射作用下,图像信息可见度与对比度明显下降,目标检测、目标跟踪和语义分割等高层视觉任务受到严重影响,导致无法检测到目标或跟踪目标丢失的问题,创建了Maritime Haze数据集,并结合物理模型和深度学习方法,提出了融合暗通道先验知识的循环生成对抗网络图像去雾模型;利用暗通道先验去雾算法将图像分解输出透射图和去雾图像,再通过循环生成对抗网络的生成器和判别器对暗通道先验输出进行处理和判断,从而生成更好的去雾图像。实验表明,该模型峰值信噪比(PSNR)和结构相似性(SSMI)的评价指标分别达24.73和0.943,优于PSD的23.34(PSNR)和0.921(SSMI)以及CycleGAN的19.19(PSNR)和0.584(SSMI),并在视觉效果上展示出最佳的清晰度和色彩真实性,在航海图像去雾领域领先其他方法。

大雾演化规律探究及变化趋势预测

能见度是气象、公路行车、飞机飞行中常见指标,影响能见度的因素主要是雾和霾,研究针对大雾天气能见度做了如下研究.首先,以单个气象指标与能见度的非线性拟合方程为依据建立多元非线性回归模型,导出气象数据与能见度之间的具体关系式;建立了基于视频数据的精度高、自适应性好的能见度估计卷积神经网络模型;并且采用了暗通道先验法和基于ASG与DCR的估计算法对图片进行能见度估计;最后本文采用灰色预测模型对大雾变化趋势和消散时间进行预测.