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。

改进的暗通道先验图像去雾霾算法

对图像去雾问题进行研究,提出一种改进的暗通道先验图像去雾霾算法。先根据图像亮度最高处的像素值计算大气光值,然后在获取透射率的同时参考峰值信噪比,利用迭代的方法求出使峰值信噪比最优时所对应的透射率,并采用导向滤波的方法细化透射率,最后通过有雾图像物理模型还原图像。实验结果表明,相比于经典的暗通道去雾算法,改进算法能够显著改善图像信噪比以及大面积天空图像出现的光晕问题。

一种改进的单幅图像暗通道先验去雾算法研究

针对经典的暗通道先验算法对图像去雾存在出现色斑、“白边”和细节缺失的问题,本文采用导向滤波与K阈值相结合的方法进行优化,并利用图像质量评估方法对优化后的算法进行测试和综合分析。经实验结果验证,优化后的算法比原有算法去雾效果更佳。

基于暗通道先验和灰度世界的自动白平衡算法改进

图像传感器在非标准白色色温光源下,拍摄的图像带有色偏,因此需要自动白平衡(AWB)算法。传统白平衡算法在极端光源条件下经常失效。提出了一种更有效的AWB算法。首先,根据暗通道先验理论检测白点区域。之后在白点区域和原图中应用二次映射矩阵。最后,结合非先验灰度世界算法得到精确的转换方程,对原图进行色彩还原。实验研究表明,所提出的方法在各种色温光源下均有显著效果,相比其他方法实现了更好的色彩还原,并具有更高的鲁棒性。

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。

基于暗通道先验的镜面高光图像增强算法

针对现实场景中镜面高光图像信息丢失的问题,文章提出一种基于暗通道先验的镜面高光图像增强算法。该算法首先以暗通道先验算法为基础,重新更新了图像的全局光照分量以及边界约束;然后采用改进的引导滤波算法优化透射率;最后利用CLAHE算法增强图像的局部细节。实验结果表明,该方法可以有效增强镜面反射图像中的信息,其处理结果明显优于其他算法。

基于稀疏表达和暗通道的图像去雾霾算法

目前,雾霾所引起的图像模糊问题,主流的算法主要都侧重于处理雾气,对于霾没有相关的处理.针对此缺陷,提出了一种联合K-SVD(K-singular value decomposition)稀疏算法和暗通道先验算法的全新算法,来克服雾霾引起的图像模糊问题.图像的处理主要分两个步骤:第一步是运用KSVD稀疏算法去除图像中的霾恢复出只含雾气的图像,第二步通过经典的暗通道算法去除图像上的层层雾气.计算机仿真结果表明,该方法对于图像的处理结果要优于FVR(Fast visiblity restoration)算法,暗通道先验算法和直方图均衡化算法.

融合YOLOv5s与Criminisi算法的农业遥感图像去云方法研究

【目的】构建融合YOLOv5s与改进Criminisi算法的农业遥感图像去云方法,为云层干扰环境下地表信息获取、地表物的解译等研究提供支持。【方法】首先使用基于容差的暗通道先验(dark channel prior,DCP)算法去除雾和部分薄云,以提升图像整体对比度与云层边缘清晰度;然后融合YOLOv5s深度学习网络进行云层区域阈值分割,实现云层蒙版的快速精确自动提取;最后通过样本块大小自适应调整策略对Criminisi算法进行改进,实现遥感图像的有效去云修复处理。通过对含不同大小云层的遥感图像进行去云试验,并利用信息熵、峰值信噪比(peak signal-to-noise ratio,PSNR)、均方误差(mean-square error,MSE)和结构相似性(structural similarity index measure,SSIM)4个指标对去云结果进行评价,以验证本研究算法的有效性。【结果】采用融合YOLOv5s和自适应样本块的改进Criminisi算法对8幅含云图像进行了修复,修复后图像的平均PSNR为21.01,平均SSIM为0.77;并对57幅模拟加云图像进行修复,其平均PSNR为28.59,平均SSIM为0.93,表明将改进Criminisi算法应用于遥感图像去云研究是可行的。在此基础上,对本研究算法的适用性以及阴影对去云效果影响的研究表明,不同大小和位置的云层干扰造成未知区域不确定度较大,对修复效果影响较为严重;阴影区域与云区域相接时存在阴影块填充,修复效果尚有待提升。【结论】融合YOLOv5s与改进Criminisi算法的去云方法可有效修复云层遮挡区域,同时保留较为真实的地表信息,可用于农业遥感信息精细感知研究。

暗通道先验去雾算法优化探讨

针对航空摄影测量技术中暗通道先验算法的局限性,该文总结了此算法的3个不足,并根据航空影像特点提出了对应的优化方案,即利用自动白平衡算法解决图像偏暗问题,用交替顺序滤波器和中值滤波器代替原算法的软抠图操作来降低去雾处理时间。实验结果表明,优化后的算法能达到很好的去雾效果,并且比原算法简单、耗时少。

基于多尺度Retinex和暗通道的自适应图像去雾算法

针对暗通道先验算法处理大片天空区域存在复原图像的可视化效果较差和图像细节信息不丰富等问题,提出一种基于多尺度Retinex和暗通道的自适应图像去雾算法。采用Canny算子对亮度分量进行边缘检测并利用多尺度Retinex算法消除亮度分量,采用交叉双边滤波优化暗通道的先验理论获得粗略估计的透射率,采用四叉树子空间搜索法选取全局大气光值。为了消除图像中复原图像整体较暗以及无法显示细节信息的现象,使用二维伽马函数校正亮度值,最终得到复原后的去雾图像。实验结果表明,所提算法可以有效恢复有雾图像的细节信息,去雾较为彻底,整体平滑,色彩明亮度较好,图像清晰自然。

铁路综合视频图像去雾算法研究与探讨

受雾霾等复杂介质环境影响,铁路视频监控系统获得的视频图像降质严重,使得雾霾天图像复原方法研究成为亟待解决的关键性问题。铁路雾霾视频监控图像具有分辨率低、灰度分布集中等主要特点,深入研究分析直方图均衡算法、Retinex图像增强算法和暗通道先验去雾算法的图像处理原理,分析图像处理效果。利用3种算法对铁路室外图像进行分析处理,结果表明3种算法均可以实现去雾,直方图均衡算法存在颜色失真和光晕现象; Retinex图像增强算法清晰度最好,但处理后的图像存在部分失真;暗通道先验去雾算法处理图像较为自然。

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。

几种引导滤波实现及其在图像清晰化中的应用

在介绍了经典引导滤波算法以及四种改进的引导滤波方法的基础上,使用matlab编程实现引导滤波并对五种方法进行对比,分别使用五种引导滤波对暗通道先验算法中得到的传输率图作进一步修正,以实现图像清晰化的目标.

基于雾天复杂场景下的道路目标检测研究

针对智能驾驶车辆在雾天场景下行驶时,视野内的大量检测目标存在被烟雾遮挡而导致目标难以被检测的问题,本文提出了一种先去雾再检测的道路目标检测方法。对采集的雾天图像进行基于暗通道先验理论去雾处理,再将其送入训练好的YOLOv3目标检测模型进行推理检测,并在去雾算法中引入导向滤波方法。为使YOLOv3检测模型具有更好的检测性能,将目标框回归损失函数从原来的CIoU改进为SIoU,并在BBD100K数据集的部分标注图像下进行实验。实验结果表明,在YOLOv3网络模型下,使用CIoU损失函数时检测精度为45.8%,使用SIoU损失函数时检测精度为46.6%,提升了0.8%;将雾化图像经过去雾处理后再进行目标检测,其不同雾化程度图像的检测精度分别由28.7%,25.1%,19.0%和8.35%提高到43.1%,40.5%,36.1%和26.7%,检测精度得到了大幅提升。该方法对雾天道路目标检测具有较好的检测性能,既降低雾天道路目标的检测难度,又提高了驾驶的安全性。该研究具有一定的实际应用价值。

基于改进YOLOv4深度学习的有雾海面船只识别

为了提高有雾场景下船只检测识别的准确率,本文运用四分法计算求解大气光值实现对暗通道先验去雾算法的优化,引入空洞卷积方法和K-means++聚类算法改进YOLOv4算法,提出改进的暗通道先验去雾算法和改进YOLOv4深度学习的船只检测方法。通过与不同去雾算法和船只识别算法进行对比实验分析,改进后的方法更好地实现了海面船只的实时检测及分类识别。实验结果表明该方法解决了原去雾算法中去雾图像亮度偏暗等问题,提高了船只识别的准确率与实时性,对海上有雾环境条件下的船只实时检测研究具有一定的理论指导意义。

基于模拟雾天遥感数据集的飞机目标检测研究

由于缺乏大规模的雾天飞机目标遥感数据集,现有的目标检测方法难以在雾天条件下实现高精度的目标识别和定位任务。针对这一问题,提出了一种雾天条件下飞机目标检测方法,该方法结合了暗通道先验算法和Faster R⁃CNN(Faster Regions with Convolutional Neural Network Features)模型。首先,随机选取少量飞机目标原始图像,通过图像处理数据增强法扩展原始图像遥感数据集。其次,利用暗通道先验算法计算真实雾气图像的透射率值,并将其移植到原始图像中,生成雾气模拟的遥感数据集。最后,使用创建的数据集训练Faster R⁃CNN网络模型以完成飞机目标的识别和定位任务。实验结果表明,与原始数据集相比,该数据集在轻雾和浓雾状态下的检测性能都有明显提高,证明了所提数据集对于雾天环境下飞机目标检测的有效性和实用性。

带式输送机上散状物料堆积视频实时检测

针对非接触式散状物料堆积检测方法存在检测速度慢、在图像模糊场景下检测精度低、深度学习模型内存需求大等问题,提出了一种基于轻量化Mask-RCNN(掩码-区域卷积神经网络)的带式输送机上散状物料堆积视频实时检测方法。首先,通过暗通道先验算法对采集的图像进行预处理,以减少运输装载过程中粉尘造成的图像雾化现象,提高图像边缘特征。针对传统的Mask-RCNN的主干网络ResNet无法满足在嵌入式平台上对散状物料堆积进行实时检测的需求问题,将去雾预处理后的图像输入到基于MobileNetV2+特征金字塔网络(FPN)的主干网络中进行特征提取,生成特征图,并对主干网络进行轻量化设计,以部署在嵌入式平台上,对实时采集图像数据进行实例分割。为更精确地找到分割物体的边缘,提出了在传统Mask-RCNN的掩码分支中添加边缘损失的方法,利用全卷积网络层生成掩码,结合Scharr算子构造边缘损失函数,融合目标分类、边界框回归、语义信息得到实例分割图像。最后,通过判断散状物料堆积掩码内的像素值是否超过预设阈值实现散状物料堆积检测。实验结果表明:所提方法的模型内存需求降低到以ResNet101为主干网络的模型的1/5,经图像去雾预处理后的平均精度均值提高了8%,单张图像平均检测时间为0.56 s,检测精度可达91.8%。

基于SoPC的视频图像去雾设计

介绍了视频图像快速去雾装置的设计和实现。装置以ZYNQ系列的SoPC(片上可编程系统)芯片作为开发平台,分析基于物理模型的暗通道先验去雾算法并对算法进行优化,设计向下最小值求解器完成单帧图像去雾算法的逻辑实现,提出了基于帧间像素值均值法实现视频去雾算法。通过研究对去雾算法进行优化,增加算法的可移植度同时使用加速技术提升算法运算的速率,实现单帧图像快速去雾处理和视频图像的实时去雾处理,有效地避免了户外成像系统受到雾天的影响,具有十分重要的科学和工程意义。

基于DMSANet-YOLOv7的雾霾下绝缘子缺陷实时检测方法

针对复杂环境与雾霾天气下绝缘子缺陷过小,传统目标检测算法难以识别造成误检、漏检等情况,提出一种以YOLOv7为基础模型并改进的缺陷检测算法。在图像预处理部分采用暗通道先验去雾算法,提高模型对特征的可分辨性与鲁棒性;为提高模型特征提取能力和识别小目标能力,在主干网络结构后端引入双重多尺度注意力机制(Dual Multi Scale Attention Network,DMSANet);为减小模型尺寸,提高模型识别速度,采用基于SwinTransformer改进的C3模块替代E-ELAN模块;在预测部分使用Wise-IOU损失函数,提高模型收敛效率。实验结果表明,DMSANet-YOLOv7算法相较于原YOLOv7算法平均准确率、准确率以及召回率分别提高6.3%、7.9%、12.3%,单张图片检测速度达到12.3 ms,参数量为37.7 M。在提高检测精度的同时确保检测速度和性能的平衡,能够更好地搭载至无人机及其他平台,满足绝缘子及其缺陷的实时动态检测需求。