Image Dehazing by Incorporating Markov Random Field with Dark Channel Prior

As one of the most simple and effective single image dehazing methods, the dark channel prior(DCP) algorithm has been widely applied. However, the algorithm does not work for pixels similar to airlight(e.g., snowy ground or a white wall), resulting in underestimation of the transmittance of some local scenes. To address that problem, we propose an image dehazing method by incorporating Markov random field(MRF) with the DCP. The DCP explicitly represents the input image observation in the MRF model obtained by the transmittance map. The key idea is that the sparsely distributed wrongly estimated transmittance can be corrected by properly characterizing the spatial dependencies between the neighboring pixels of the transmittances that are well estimated and those that are wrongly estimated. To that purpose, the energy function of the MRF model is designed. The estimation of the initial transmittance map is pixel-based using the DCP, and the segmentation on the transmittance map is employed to separate the foreground and background, thereby avoiding the block effect and artifacts at the depth discontinuity. Given the limited number of labels obtained by clustering, the smoothing term in the MRF model can properly smooth the transmittance map without an extra refinement filter. Experimental results obtained by using terrestrial and underwater images are given.

A Research on Single Image Dehazing Algorithms Based on Dark Channel Prior

In the field of computer and machine vision, haze and fog lead to image degradation through various degradation mechanisms including but not limited to contrast attenuation, blurring and pixel distortions. This limits the efficiency of machine vision systems such as video surveillance, target tracking and recognition. Various single image dark channel dehazing algorithms have aimed to tackle the problem of image hazing in a fast and efficient manner. Such algorithms rely upon the dark channel prior theory towards the estimation of the atmospheric light which offers itself as a crucial parameter towards dehazing. This paper studies the state-of-the-art in this area and puts forwards their strengths and weaknesses. Through experiments the efficiencies and shortcomings of these algorithms are shared. This information is essential for researchers and developers in providing a reference for the development of applications and future of the research field.

Improved dark channel image dehazing method based on Gaussian mixture model

To solve the problem of color distortion after dehazing in the sky region by using the classical dark channel prior method to process the hazy images with large regions of sky,an improved dark channel image dehazing method based on Gaussian mixture model is proposed.Firstly,we use the Gaussian mixture model to model the hazy image,and then use the expectation maximization(EM)algorithm to optimize the parameters,so that the hazy image can be divided into the sky region and the non-sky region.Secondly,the sky region is divided into a light haze region,a medium haze region and a heavy haze region according to the different dark channel values to estimate the transmission respectively.Thirdly,the restored image is obtained by combining the atmospheric scattering model.Finally,adaptive local tone mapping for high dynamic range images is used to adjust the brightness of the restored image.The experimental results show that the proposed method can effectively eliminate the color distortion in the sky region,and the restored image is clearer and has better visual effect.

Image dehazing based on dark channel prior and brightness enhancement for agricultural monitoring

Obtaining clear and true images is a basic requirement for agricultural monitoring.However,under the influence of fog,haze and other adverse weather conditions,captured images are usually blurred and distorted,resulting in the difficulty of target extraction.Traditional image dehazing methods based on image enhancement technology can cause the loss of image information and image distortion.In order to address the above-mentioned problems caused by traditional image dehazing methods,an improved image dehazing method based on dark channel prior(DCP)was proposed.By enhancing the brightness of the hazed image and processing the sky area,the dim and un-natural problems caused by traditional image dehazing algorithms were resolved.Ten different test groups were selected from different weather conditions to verify the effectiveness of the proposed algorithm,and the algorithm was compared with the commonly-used histogram equalization algorithm and the DCP method.Three image evaluation indicators including mean square error(MSE),peak signal to noise ratio(PSNR),and entropy were used to evaluate the dehazing performance.Results showed that the PSNR and entropy with the proposed method increased by 21.81%and 5.71%,and MSE decreased by 40.07%compared with the original DCP method.It performed much better than the histogram equalization dehazing method with an increase of PSNR by 38.95%and entropy by 2.04%and a decrease of MSE by 84.78%.The results from this study can provide a reference for agricultural field monitoring.

一种基于暗亮通道分割融合的低照度环境图像去尘雾及增强方法

受煤矿井下粉尘、水雾和低照度环境影响,对皮带运输系统的监测图像精准识别极为困难。针对现有去尘雾方法的图像处理结果和效率欠佳的问题,提出一种基于暗亮通道分割融合的低照度环境图像去尘雾及增强方法。首先利用阈值分割结合伽马变换修正通道差,解决因低照度环境影响导致的尘雾浓度较大区域与其他区域间像素值差异不明显的问题,修正后通过引导尘雾图像做引导滤波得到更加符合实际情况的全局大气光强;然后为解决暗通道先验在尘雾浓度较大区域失效问题,引入亮通道先验进行补充,使用通道分量来辅助暗通道及亮通道透射率融合,避免因多次分割而导致的边缘像素归属问题;最后将去雾后RGB图像转至HSV空间,对亮度分量进行直方图均衡化并将均衡化前后的亮度分量进行加权融合,采用客观指标评价,选择最优聚合权值进行聚合,同时考虑去雾过程中饱和度损失和亮度分量与饱和度分量间的相关性提出饱和度自适应矫正函数,对图像饱和度进行矫正,色调分量保持不变,随后将图像转回至RGB空间,得到亮度适中、信息保留丰富和色彩鲜艳的图像;为验证所提方法的有效性,采用主观视觉、客观指标和目标检测精度及置信度进行算法对比,实验结果表明所提方法在上述4个指标上均优于被对比算法,其图像细节保留丰富,图像视觉观感更佳。

Dehazing for Image and Video Using Guided Filter

Poor visibility in bad weather, such as haze and fog, is a major problem for many applications of computer vision. Thus, haze removal is highly required for receiving high performance of the vision algorithm. In this paper, we propose a new fast dehazing method for real-time image and video processing. The transmission map estimated by an improved guided filtering scheme is smooth and respect with depth information of the underlying image. Results demonstrate that the proposed method achieves good dehazeing effect as well as real-time performance. The proposed algorithm, due to its speed and ability to improve visibility, may be used with advantages as pre-processing in many systems ranging from surveillance, intelligent vehicles, to remote sensing.

多尺度融合图像去雾方法

图像去雾能够使视觉系统适应不同的天气状况.为克服传统暗通道先验方法会在物体边界区域形成光晕效应的问题,提出一种用于估计有雾图像透射率的多尺度融合算法.应用不同大小的最小值半径得到多尺度的透射率估计值,再根据局部区域像素具有类似的透射率值这一现象,对透射率图进行多尺度融合,选择小透射图区域中最亮的像素来计算大气光值,最后使用大气散射模型恢复清晰图像.分别从视觉效果和量化指标两个方面,对比所提方法与传统的基于先验和基于深度学习的去雾方法在进行图像去雾后的效果.结果发现,针对4种典型场景,采用本研究算法去雾后的重构图像能够保留更多的结构、细节和颜色信息,避免了过分增强和边缘部分的雾残留问题,视觉效果均优于对比方法;量化指标峰值信噪比和结构相似性均高于对比方法,分别为15.65和0.78.

基于天空区域分割的快速去雾算法研究

针对传统暗通道先验去雾算法在处理户外含雾图像时,出现天空区域颜色失真和处理速度慢的问题,提出一种可自适应识别天空区域的快速去雾算法。在天空分割方面,选用图像中细节特点明显的亮度分量为研究对象,结合最大类间方差法(OTSU)和动态参数建立自适应识别天空区域算法模型,得到最佳分割阈值,分割出有雾图像的天空区域和非天空区域,并根据天空区域计算出大气光值。在提高处理速度方面,在使用引导滤波优化透射率过程中引入图像下采样算法,保证复原后图像质量的同时减少算法耗时。最后经过与多种经典算法对比,文中算法在视觉效果上细节更加自然,SSIM、PSNR和MSE的综合指标均超过其他算法,并且处理速度较快。主观和客观评价结果均表明,文中算法在视觉效果和时间效率方面都优于其他几种算法,具有一定的实用价值。

用于眼底视网膜图像的去雾状杂散光算法

针对眼底视网膜图像存在雾状杂散光导致血管细节不清晰的问题,本文提出了一种基于暗通道理论并结合Gamma变换的眼底视网膜图像去雾算法,在不丢失血管细节信息的同时提高了图像的清晰度。该算法通过分别处理R、G、B通道来对图像去雾。首先,通过自适应窗口最小值滤波算法计算暗通道图像,按照亮度取前最大0.1%像素的平均值作为大气光照强度值;然后,求解图像的粗略透射率,并此基础上使用改进后的导向滤波算法对透射率进行优化;最后,通过大气散射模型和Gamma变换复原出无雾图像。实验结果表明,不同视场复原图像的信息熵、平均梯度分别平均提高18%、24%。本算法能够快速有效地去除眼底视网膜图像中存在的雾状杂散光,复原后的图像清晰自然,保留了视网膜血管细节信息。

基于梯度引导偏振度估算的图像去雾

雾或霾天气下,大气粒子对光的散射作用造成光学图像细节弱化,严重影响了后续的图像分析与处理任务.现有去雾算法存在去雾后图像信息丢失、产生模糊、天空区域过增强等问题.本文从偏振视角与暗通道先验理论出发,提出了一种基于直接透射光梯度特征引导的目标偏振度估算算法,用于图像去雾.通过偏振图像获取场景与大气的偏振信息;再以暗通道先验算法估计的直接透射光强的梯度特征为引导,估算目标偏振度;将估算的目标偏振度转为大气光强,经过原理性约束与引导滤波,得到优化的大气光强,进一步求解去雾图像与优化的目标偏振度.定性实验表明:本文算法去雾后,图像具有良好的平滑度,且克服了现有去雾算法存在的可见性弱、去雾残留、天空区域过增强等问题;定量实验表明:本文算法既不会造成图像信息丢失,也不会产生过多的噪声或模糊.综合对比9种具有代表性的去雾算法,本文算法具有良好的细节恢复能力、图像熵提升能力以及色调还原能力.

基于天空检测和超像素分割的图像去雾方法

针对经典图像去雾算法在边缘区域易产生光晕效应、天空等明亮区域还原失真、色调偏移等问题,提出一种基于天空检测和超像素分割的改进暗通道图像去雾新方法(Dark Channel Prior based on Sky Detection and Super Pixel,SSPDCP).首先对雾图采用HSV变换提取亮度分量进行自适应阈值分割;然后应用图像连通分析技术识别天空域;接着利用天空域估计大气光值,针对天空和非天空区域分别建立各自的透射率计算模型,并基于构建的超像素级透射率融合模型获得融合透射率图,以促进边界区域的平滑过渡,采用多尺度引导滤波精化透射率图;最后应用大气散射模型完成图像复原并进行亮度增强处理,实现无雾图像的自然恢复.该方法识别的天空区域较为连续完整,以超像素代替方形窗口可以有效克服局部块效应的影响,大气光值和透射率图估计更为客观准确.从主观定性和客观定量评价方面来看,该方法复原的图像具有整体误差小、信噪比优良、结构相似度高等优势.本文所提出的图像去雾新方法能有效抑制边缘区域的光晕效应,且复原的天空区域明亮自然,图像去雾质量相比现有方法有进一步提升.

基于不均匀光照校正和优化透射率的夜间去雾

针对夜间有雾天气场景下的光照不均匀、图像不清晰问题,提出了一种基于夜间不均匀光照校正和优化透射率的去雾算法。首先针对光照不均匀问题,使用基于伽马函数的图像自适应校正算法,消除不均匀光照对图像的影响;其次,由于夜间图像大部分颜色较暗,通过改进局部大气光获得大气光值;利用Sigmoid函数融合亮通道与暗通道得到粗透射率,经过联合双边滤波细化,再对光源处透射率进行优化,并使用伽马函数增强得到最终透射率;然后根据大气散射模型得到初步恢复图像;最后经过引导滤波细化,得到最终图像。实验结果表明所提算法在夜间场景中能有效去雾,且能较好的保持图像颜色对比度。

基于改进YOLOv5的复杂环境下火灾检测方法

针对复杂环境中粉尘分布不均造成视频图像失真,检测精度低等问题,提出了一种基于改进YOLOv5的复杂环境下火灾检测方法。首先,采用改进的暗通道先验去雾算法对采集的火灾图像进行去雾处理,提高复杂环境下火灾视频图像的识别精度;其次,在YOLOv5网络模型框架中引入CA(Coordinate Attention)注意力机制,提升火焰特征,抑制其他无用特征,提高火灾检测的效率和准确性;最后,为解决YOLOv5对小目标检测效果不好的问题,在YOLOv5的特征融合部分增加小目标检测层,提升对小目标检测的能力。实验结果表明:改进后的YOLOv5网络模型精度达到80.5%,相比于原始YOLOv5网络模型精度提升4.2%,同时,改进后的YOLOv5网络模型对小目标检测精度更高,有效提高了复杂环境下火灾识别准确率。

基于暗通道先验引导的图像去雾网络

基于深度学习的去雾方法多数直接学习有雾图像和无雾图像之间的映射关系,未结合有雾图像自身特点,存在雾信息检测不精确、去雾不彻底的问题。针对该问题,提出一种基于暗通道先验引导的图像去雾网络(DCPDNet)。通过卷积层提取有雾图像的浅层特征;构建2个特征增强模块(FEB)来增强图像的空间特征,该模块在2个尺度上对图像特征进行增强,即利用深层特征图实现语义特征的增强,浅层特征图对实现图像细节特征的增强;为使提取的特征更关注雾的区域,基于有雾图像中雾的成像特点设计基于引导图的特征校正模块(FCB),利用暗通道先验理论构建引导图将网络学习的注意力引导到有雾区域,对提取的深层特征图做进一步的细化和校正;利用残差结构的跳转连接,将增强的浅层特征补充网络丢失的细节特征,并经过卷积操作重建去雾后图像。实验结果证明:DCPDNet可以在保持模型轻量型及运行速度较快的情况下实现良好的去雾效果。与近年先进的去雾方法进行比较,DCPDNet不仅在效率上占有优势,其去雾效果在主观视觉感受和客观评价结果上都获得了更好的效果。

融合彩色增强信息的暗通道去雾方法

目前基于暗通道的图像去雾算法多存在复原后图像色彩失真和天空边界区域轮廓模糊等问题。为了解决这些问题,提出了一种融合彩色增强信息的暗通道去雾方法。该方法以暗通道先验算法为基础,采用灰度开运算对大气光值进行区间估计得到精确的大气光值和初始透射率;将YC_(b)C_(r)空间上复原图像所对应的灰度图像作为引导图像,并对粗透射率图采用梯度域引导滤波细化处理;再利用自适应容差机制对天空区域及明亮区域的透射率进行自适应修正;最后,利用亮度补偿模型对图像进行修正,提高复原图像的亮度和色彩饱和度。在合成雾天图像和真实雾天图像上的实验结果表明,与现有的单幅图像去雾算法相比,所提方法在峰值信噪比和结构相似性上均有提升,同时有效地解决了去雾后图像颜色失真和细节丢失问题。

结合Otsu阈值优化和多尺度融合的海上图像去雾算法

针对在处理海上图像时暗通道先验去雾算法对天空区域不适用以及复原图像易出现色偏的问题,提出一种结合天空区域分割与多尺度透射率融合的海上图像暗通道去雾算法。采用灰度和双边滤波预处理图像,基于大津算法(Otsu)阈值优化对预处理后的图像进行天空区域初分割,再进行基于梯度域导向滤波的天空区域细分割,并去除细分割图像中的阴影;基于天空区域分割改进大气光值估计方法,通过多尺度透射率融合获得初始透射率图,以及采用梯度域导向滤波细化透射率图;通过大气散射模型完成对海上图像的去雾处理。结果表明,与原始暗通道去雾算法相比,利用所提算法去雾后的图像在信息熵、结构相似度、峰值信噪比指标上分别提升了3.5%、9.89%、27.42%。该算法能够有效避免原始算法产生的光晕和色偏现象,且具有更好的视觉效果,能还原真实的海上场景船舶图像。

结合Al-Alaoui算子和改进暗通道的图像去雾算法

针对传统图像去雾方法去雾效果有限、存在光晕效应、色彩失真等不足,文章提出一种结合Al-Alaoui算子的改进暗通道先验去雾算法。算法首先用Al-Alaoui算子对图像做卷积滤波增强处理,再用改进的四叉树搜索方法求大气光估值,同时使用引导滤波细化介质透射率。最后,使用优化的大气光值和透射率对已增强图像复原。经过对比分析,新算法在主客观方面都有明显提升。

基于暗亮通道先验的小波融合图像去雾算法

为解决雾天条件下拍摄图像出现模糊降质的问题以及改善基于传统暗通道先验去雾算法的局限性,提出了一种利用小波变换,并结合暗通道和亮通道先验理论的去雾算法。通过暗通道和亮通道先验理论分别求取对应的大气光值和透射率,利用小波变换将不同滤波尺寸窗口得到的暗通道透射率进行融合,通过线性拟合函数以及导向滤波函数求取最终的大气光值和透射率,并利用大气散射模型还原出清晰的无雾图像。最后,利用主客观分析法,将所提算法与以往比较具有代表性的去雾算法进行仿真比较分析,实验结果表明:所提算法在保证实时性的前提下,能够有效去除原始图像中的雾霾,并解决传统去雾算法中由过度增强所带来的颜色失真等问题,在主观视觉效果上有着不错的表现,同时也有着优秀的客观评价指标,验证了所提算法的可行性、有效性和优越性。

基于形态学算子及边界约束的快速去雾算法

针对暗通道先验去雾算法存在透射率估计不准确、运行时间过于冗长,在天空区域存在颜色失真等缺陷,提出一种新的基于暗通道先验的快速去雾算法。首先对有雾图像进行灰度腐蚀,利用改进的暗通道来确定全局大气光值;其次利用大气光归一化最小通道图,来计算初始透射率;然后采用形态学开、闭运算来平滑透射率,根据边界约束条件下的最小化目标函数迭代出最优透射率;最后利用大气散射模型得到去雾后的图像。实验结果表明,所提算法在视觉效果上取得良好的结果,在各项图像质量客观评价指标上展现出良好的去雾能力,在速度上也远优于传统暗通道先验去雾算法。

一种基于空域占比自适应暗通道去雾算法

针对暗通道去雾算法存在的天空区域颜色失真的问题,提出了一种基于空域占比自适应暗通道去雾算法。该算法首先引入阈值迭代法,对有雾图像天空区域进行自适应分割;接着计算有雾图像空域占比,当占比大于设定阈值0.05时,对天空区域前1%个最高亮度像素求均值作为大气光值,否则加权平均求取全局大气光值;对于非天空区域依然按照暗通道先验计算透射率,而在天空区域引入修正因子,自适应修正天空区域透射率,同时采用引导滤波对其进行细化;最后通过大气散射模型恢复无雾图像。实验结果表明,所提算法改善了天空区域颜色失真现象,有效去除了图像雾气,恢复了图像的细节信息,且时间复杂度有所降低,具有一定优势。