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.

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。

基于天空区域分割的单幅海面图像去雾方法

为提高雾天海面图像的质量,提出面向单幅海面图像的去雾方法。将均值漂移方法与嵌入置信度的边缘检测方法相结合进行图像分割,分割后的图像用形态学膨胀与腐蚀操作进行二值化,提取出天空区域和非天空区域。对天空区域使用限制对比度直方图均衡算法去雾,非天空区域使用基于导向滤波的暗通道优先算法去雾。导向滤波通过导向图像内容来计算滤波输出,在精细化透射图方面可以得到与软抠图方法类似的效果,计算开销较小。实验结果表明,相对于暗通道优先方法,该方法在天空区域没有明显的过渡区域和偏色现象,可取得较好的去雾效果。

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。

一种改进的基于暗原色先验信息的航空遥感图像去雾方法

航空遥感图像以其分辨率高、信息丰富和易于解析处理等优点而得到广泛应用。但是其成像易受云雾天气的影响,特别是在近几年我国雾霾进一步加重的情况下尤为明显。针对航空遥感图像数据含雾较为均匀且不包含天空区域的特点,提出一种改进的基于暗原色先验信息的航空图像的去雾方法。首先,对图像进行2%线性拉伸处理改善图像的视觉效果;随后通过直接计算每个像素点R、G、B的3个颜色通道的最小值求取图像暗原色图;同时由航空图像的特殊性自适应地设置阈值来改善去雾图像效果;最后对去雾后图像采用自动色阶法进行进一步处理,改善暗原色法去雾后图像过暗或者偏色问题。利用不同航空含雾图像进行去雾实验并进行对比分析,结果表明,改进算法能够平衡去雾后图像的色彩使其避免产生偏色现象,获得质量和视觉效果更好的去雾图像。

基于暗原色先验的雾天图像清晰度复原

由于去雾是一个病态问题,对还原清晰化图像带来了挑战。本文基于大气散射物理模型提出了一种有效而精准的方法。雾天图像中天空区域对图像暗通道的求取存在很大的干扰,采用阈值分割方法结合二叉树策略能够快速而精准的定位并估计大气光值,进而结合维纳滤波将其应用在透射率的优化过程中,能够缓解尖锐边缘部分周围的晕轮效应,再通过形态学处理方法进一步优化透射图的边缘。通过大量户外雾天图像的测试结果表明,改进算法效率高,去雾效果好。

基于半反图像的透射率优化降雾算法

传统的暗原色先验图像降雾算法在处理不满足暗原色先验假设的明亮区域时,估计的透射率不准确。从而导致降雾后的图像色彩出现较大偏差。针对这一不足,本文提出了一种基于半反图像的透射率优化降雾算法。该算法通过明亮区域检测来获取大气光,然后用自定义函数对图像中明亮区域透射率进行修正,最后利用引导滤波器优化初始透射率,恢复出清晰的降雾图像。实验结果表明,该算法可以有效地处理图像中不满足暗原色先验假设的明亮区域,提高了户外视觉系统的鲁棒性。

改进暗通道先验的海上图像去雾算法

海上图像通常存在亮度较高的天空区域,故直接应用暗通道先验算法进行去雾处理的图像会在天空区域出现色斑和光晕。为此,本文提出一种基于暗通道先验的海上图像改进去雾方法。利用四分法进行大气光值的优化,即对图像进行四等分区域分割,并通过构建的评价函数来确定每次分割后的候选区域,且将符合阈值要求的候选区域像素均值作为大气光值估计值。针对暗通道模型估计出的透射率存在块效应问题,采用导向滤波器对透射率进行细化并将立体匹配和图像增强交替迭代过程应用其中。实验结果表明,相比于原始暗通道及一些其他算法,本文算法对天空区域的去雾效果更好,图像质量评价指标更高,立体匹配对数的优秀率提高显著,去雾后的图像包含更多的图像细节,更有利于无人船的精确测距与避障等后续工作。

基于逐层搜索法与快速导向滤波的图像去雾算法

针对天空大气光照值计算不够精确这一问题,采用逐层搜索法对其进行改进,并结合快速导向滤波对透射率进行细化;对于去雾后的图像偏暗问题,采用非线性叠加处理的图像增强方法。对得到的去雾图像分别使用均方误差和峰值信噪比作为客观评价标准。实验数据显示,改进算法能得到清晰度较好的去雾图像,相较于其它算法得到的图像更加自然,色彩还原度更高,去雾后某些区域偏暗问题也得到改善。

基于线性加权的自适应图像去雾算法

在雾霾天气下,大气散射作用导致采集图像信息丢失。针对这一问题,以暗通道先验原理为基础,提出一种基于线性加权的自适应图像去雾算法。首先,在计算暗通道函数时,采用一种改进方法生成精确的暗原色图,并使用图像锐化技术确保场景边界特性;其次,针对复原图像对比度过深,定义一种自适应的线性加权方式计算准确的大气光强值,确保得到代表实际场景的透射率图;最后基于大气散射的物理模型,得到清晰的无雾复原图片。实验结果表明,该方法能有效地实现图像去雾,且具有效果好和速度快的优点。

结合暗通道的自适应MSRCR图像去雾算法

针对传统Retinex图像增强算法在图像去雾中无法对雾天图像实际情况进行去雾,导致增强后的图像出现光晕效应和细节丢失等问题,提出一种结合暗通道先验理论和引导滤波方法的自适应的多尺度Retinex图像去雾算法。利用子块平移部分重叠法将雾天图像进行分块处理;通过分析雾天图像的透射率和引导滤波尺度的相关性,利用最小二乘法构建自适应尺度函数;采用带自适应效果的引导滤波估计具有结构信息的光照分量,以此来还原雾天图像的反射分量;最后分析了增强后的雾天图像出现颜色失真的原因,并进行色彩校正。实验结果表明,相较于其他算法,本算法分别在信息熵、可视边缘梯度和新增可见比均有较大提升,对不同景深的雾天图像均具有良好的增强效果。

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。

基于暗通道先验的单幅图像快速去雾方法

为了提高雾天图像的去雾效果,针对暗通道先验法则中存在的不足,提出一种单幅图像快速去雾方法.该方法以暗通道先验法则为基础,采用四叉树搜索算法对大气光值进行估计,并通过白平衡对大气散射模型进行简化.然后,利用暗通道先验知识得到介质传输率粗略估计,并通过引导滤波和双阈值判断方法对介质传输率中边缘和天空区域进行优化.最后,通过简化大气散射模型和色调调整得到去雾图像.与几种典型的图像去雾方法相比,该方法运算速度较快,能有效提高去雾图像的清新度,并获得较好的图像颜色.

基于暗通道先验的自适应超像素去雾算法

传统基于暗通道先验的图像去雾算法不能有效去除有雾图像在景深突变处的雾点,边界处容易引起光晕效应,对此提出一种基于暗通道先验的自适应超像素去雾算法.首先,在暗通道的获取过程中引入自适应方法判断当前像素邻域内是否具有多个景深物体,若仅存在相同景深物体,则直接求取此像素的暗通道,若存在多个景深物体,则引入超像素分割算法区分不同景深物体,减小景深变化对暗通道获取的影响,以求取更准确的暗通道;然后,估计粗略的透射率,并根据上下文约束细化透射率;最后,通过图像降质的逆过程求解去雾图像.实验结果表明,所提出的算法与暗通道先验单幅图像去雾(DCP)算法、基于边界邻域最大值滤波的快速图像去雾(EMDCP)算法、基于自适应暗原色的单幅图像去雾(ADCP)算法、带边界约束和上下文正则化的高效图像去雾(BCCR)算法相比,可将客观质量综合评价准则提高10%,能够抑制光晕效应,提高有雾图像的视觉效果.

高分辨率遥感卫星图像不均匀云雾去除算法

针对高分辨率遥感卫星图像采用单一算法难以有效去除不均匀云雾的问题,提出一种基于图像分割和暗原色先验改进方法相结合的优化算法。采用图像分割技术将原云雾图像分割成浓雾部分和淡雾部分。浓雾部分采用加权多尺度Retinex算法进行局部增强去雾处理;淡雾部分采用改进暗原色方法,将暗原色图像去雾模型由RGB颜色空间转换到HSI颜色空间,提取亮度分量,获取准确的大气光值,并采用容差机制优化获取大气透射率,在此基础上采用自动色阶法增强处理,获取去除云雾后的图像。实验对比表明提出的算法能够很好地还原图像细节,有效恢复图像的颜色和清晰度。

基于暗原色先验的图像去雾方法研究

基于暗原色先验理论,提出一种单幅图像去雾算法,并对其中的可调参数进行讨论,分析参数变化对去雾效果的影响。针对原算法中提到不用特殊处理的天空区域进行验证,发现此区域需要进行单独处理,通过设置阈值将天空区域隔离出来进行处理,并取得了较好的效果。对引入的导向滤波算法进行研究,分析算法中各项参数对算法实时性的影响。为了进一步提高算法实时性,对图像进行缩小处理,以减少求取透射率所需的时间,再利用插值法将透射率图还原至原图尺寸,从而得到无雾图像。实验证明,此方法在保证去雾效果的前提下,可将算法整体运算时间降低85.7%。

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.