Recent Advances in Image Dehazing

Images captured in hazy or foggy weather conditions can be seriously degraded by scattering of atmospheric particles,which reduces the contrast,changes the color,and makes the object features difficult to identify by human vision and by some outdoor computer vision systems.Therefore image dehazing is an important issue and has been widely researched in the field of computer vision.The role of image dehazing is to remove the influence of weather factors in order to improve the visual effects of the image and provide benefit to post-processing.This paper reviews the main techniques of image dehazing that have been developed over the past decade.Firstly,we innovatively divide a number of approaches into three categories:image enhancement based methods,image fusion based methods and image restoration based methods.All methods are analyzed and corresponding sub-categories are introduced according to principles and characteristics.Various quality evaluation methods are then described,sorted and discussed in detail.Finally,research progress is summarized and future research directions are suggested.

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。

基于分类学习的去雾后图像质量评价算法

针对现有去雾后图像质量评价算法少、针对性弱和有效性差等问题,本文提出一种基于分类学习的去雾后图像质量评价算法.该算法通过分析去雾后图像本身所蕴含的质量特征,提取出基于图像增强、图像复原、统计先验以及人类视觉系统(Human visual system,HVS)的度量指标;并在本文数据库基础上,利用支持向量机(Support vector machine,SVM)将质量评价问题转换为分类问题.实验结果表明,该算法与已有评价方法相比,在获得高效分类评价结果的同时,具有较好的实用性和主观一致性.

基于MATLAB的去雾图像质量评价系统

雾霾天气对成像系统产生了很大的影响,在图像处理的发展中,优秀的去雾算法不断被提出,对算法效果的评价也在不断深化。针对图像质量评价算法繁多,在去雾效果评价上针对性偏弱等问题,设计了一种基于MATLAB可视化编程环境下的去雾图像质量评价系统,结合传统的去雾算法和基于深度学习的图像去雾技术,对选择进行实验测试的图像进行了不同技术下的去雾处理,并选取了部分图像质量评价的指标,对去雾算法的性能进行了比对。

基于半逆法和暗原色先验的单一图像去雾新方法

针对现有图像去雾方法的缺陷,依据雾天成像的理论模型,提出了一种基于半逆法和暗原色先验相结合的单一图像去雾新方法。对一幅待去雾图像,首先通过半逆法检测并标记出图像浓雾区域,结合暗原色先验,随机多次选取浓雾区域中具有较大暗原色值的候选像素点集,并通过计算原图中这些候选点集的像素点平均亮度值估算大气光常数。其次通过暗原色先验信息获取图像像素点的透射率分布。最后在得到大气光常数和透射率参数的基础上,根据雾天成像的光学理论模型反解出去雾后图像。通过图像去雾的无参考客观质量评价(NQA)体系对有效细节强度、色调还原程度和结构信息三项指标进行定量评估,评估结果表明,相比目前去雾效果最好的He算法,这一新方法平均能提高了15%。此外,该方法能减少去雾后图像的halo效应,更能满足人们的主观观测需求。

图像去雾方法质量评价

针对近年来去雾算法质量的评价方法普遍依赖主观评价结果,但缺乏定量描述;现有的客观质量评价方法与主观评价方法之间的一致性不稳定,使两者有时会出现分歧的问题。为提升针对去雾方法的客观质量评价性能,本文提出了一种基于人工合成图像的全参考去雾方法质量评价。首先,建立合成图像数据集,数据集包括参考无雾图像,合成有雾图像,对这些合成有雾图像使用8种主流去雾算法得到的去雾图像。然后,将去雾后图像可能引入的一些质量问题进行分类。最后,通过结合清晰度相关特征和现有的客观质量评价,针对性地提出了一种由图像可视性、结构相似性和颜色恢复度相互融合的去雾方法质量评价。在合成图像数据集中,将本文方法与现有典型的图像质量评价方法进行对比实验,实验结果表明:对于合成图像数据集,本文提出的方法在SRCC、PLCC和RMSE指标上表现最优。本文方法与主观评价的一致性更高,更有利于支持去雾算法的研究。