Objective measurement for image defogging algorithms

Since there is lack of methodology to assess the performance of defogging algorithm and the existing assessment methods have some limitations,three new methods for assessing the defogging algorithm were proposed.One was using synthetic foggy image simulated by image degradation model to assess the defogging algorithm in full-reference way.In this method,the absolute difference was computed between the synthetic image with and without fog.The other two were computing the fog density of gray level image or constructing assessment system of color image from human visual perception to assess the defogging algorithm in no-reference way.For these methods,an assessment function was defined to evaluate algorithm performance from the function value.Using the defogging algorithm comparison,the experimental results demonstrate the effectiveness and reliability of the proposed methods.

基于变异鸡群优化透射率估计的去雾算法

在大雾天气下,收集的图片存在清晰度降低和颜色畸变等问题。为获得高质量的去雾图像,文中提出了一种混合暗通道去雾算法。该算法使用Retinex算法去除照射分量的干扰,采用变异鸡群优化算法获得引导滤波所需的导向图片来优化大气透射率,并应用改进的暗通道先验算法来获得去雾图像。相较于其他暗通道先验去雾算法,该方法的平均标准差降低了28.3%,平均峰值信噪比增长了10.3%,平均熵增加了8.0%。测试了同一个场景中不同雾霾程度下的图片,结果显示图片清晰,细节信息保留完整,且评价标准数值基本保持稳定。测试结果表明,所提算法具有较高的鲁棒性和良好的色彩保真能力。

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。

基于Zynq新型AOD-Net算法的图像去雾系统设计

针对雾霾天气下视频监控图像出现的细节缺失、色彩暗淡和亮度降低等问题,目前现有的图像去雾算法在视频监控场景中往往难以同时满足去雾效果和实时处理的要求。为了恢复出质量更高的无雾图像,文章在传统AOD-Net算法中引入Squeeze and Excitation机制,以自适应的方式分配通道权重,同时引入金字塔池化模块,扩大网络感受野,最终采用复合损失函数,以均衡考虑图像的边缘特征及纹理细节。同时,此系统以Zynq作为实现平台,使用Vivado HLS进行接口为AXI4-Stream的新型AOD-Net算法IP核的开发,使用PL端作为算法的实现单元,PS端作为控制核心,充分发挥异构SoC的架构优势。实验结果表明:基于Zynq平台下的新型AOD-Net算法,图像去雾效果显著,信噪比极值优化了2.45 dB,结构匹配度提升至91.2%,降低了雾霾天气对视频监控图像的影响。

一种水下偏振图像增强的融合算法

针对水下光学探测对高质量成像的需求,提出一种基于主动偏振成像的原理,将直方图均衡化去雾算法、拉普拉斯金字塔算法、单一水下图像融合增强策略相结合。通过直方图均衡化去雾算法增强局部的对比度;利用拉普拉斯金字塔算法保留了各个图层的细节特征信息;通过水下图像增强策略算法结合不同图像的优势,可以有效改善水下色彩偏移、对比度低和光照不均等问题。经实验定量分析可得,此算法确实有效改善了以上问题,提升了图像整体的视觉效果。

基于暗通道引导滤波和光照校正的煤矿井下图像去雾算法

现有煤矿井下图像去雾方法在处理煤矿井下图像时未能在提取图像深层次特征信息的同时进行光照校正,处理后的图像存在细节信息丢失或图像偏暗的问题。提出一种基于暗通道引导滤波和光照校正的煤矿井下图像去雾算法。首先,井下原始图像通过图像分化模块(IDM)进行双边滤波、光照估计和暗原色处理后得到光照图、暗原色图和光照反射图。然后,对暗原色图进行预处理,作为权重引导参数对光照反射图进行引导滤波,以恢复图像细节特征信息。最后,将光照图作为权重参数对图像进行光照校正和特征提取,通过多次光照校正解决颜色失真问题,同时增加网络深度,进而去除黑暗区域的退化,实现图像细节的重构,从而得到清晰图像。主观评价结果表明:基于暗通道引导滤波和光照校正的煤矿井下图像去雾算法在去除雾气的同时,保留了更多的结构纹理及背景细节,使整个图像更加接近于对应的清晰图像。客观评价结果表明:与次优算法PMS-Net相比,在训练集和测试集上信息熵分别提高0.32和0.11,标准差分别提高3.58和1.89,平均梯度分别提高0.008和0.004,说明所提算法可有效降低煤矿井下图像的雾气。消融实验结果表明,所提算法在测试数据集上的信息熵、标准差、平均梯度均高于其他网络组成模型,说明所提算法去雾效果最好,且能有效保留图像细节和边缘信息。

DCP算法下三维图像对比度多尺度分数阶增强

由于二维图像映射到三维模型表面时,三维图像会产生纹理特征缺失和颜色失真等问题,使得生成的三维图像的对比度过高或过低,导致三维图像的清晰度较差。对此,提出一种DCP算法下三维图像对比度多尺度分数阶增强方法。采用最佳阈值方法分割三维图像,并通过DCP算法实现图像去雾处理,确保图像中的颜色与实际颜色保持一致。基于动态梯度自适应能力,依据去雾的图像的实际情况自适应调整阶数,提取图像纹理特征;采用拉普拉斯金字塔算法多尺度融合纹理特征,提升三维图像对比度。测试结果表明:所提方法增强后的三维图像的图像方差和图像熵结果分别在0.931和0.927以上,具有较为平衡的对比度,且图像的清晰度较高。

古建筑全景AI图像双角度偏振去雾仿真

由于古建筑全景AI图像受光照条件实时变化影响,在复杂纹理和高对比度区域,存在着多种密度和颜色的雾气,若不能及时提取图像的偏振特征,会直接降低图像的去雾效果。为此,提出古建筑全景AI图像双角度偏振去雾仿真。对获取的古建筑原始图像实施去噪处理,提升图像质量,建立图像大气散射模型;根据模型获取建筑图像双角度偏振图像,提取图像偏振特征,划分图像天空区域;采用暗通道先验原理获取图像无穷远大气光强,结合上述建立的大气散射模型,实现古建筑全景AI图像的去雾增强。实验结果表明,上述方法开展图像去雾时,去雾效果好、性能高。

无人机外挂红外镜头的图像清晰化算法

以红外成像研究为出发点,根据红外图像背景、数据集和算法模型的发展方向,对红外图像增强技术展开研究,以可见光去雾模型为参照,提出了一种新的红外图像清晰化算法,并进行了具体实验。经图像清晰度评价指标的计算与评估,表明该算法有不错的去雾效果,在一定程度上解决了无人机在雨雾天气下因镜头积水积雾导致的图像数据采集效果不佳的问题,有较强的实用意义。

改进AOD-Net的轻量级去雾算法

为了提高雾天条件下交通目标识别的准确率并降低交通事故风险,文章对自动驾驶系统中用于雾天环境的去雾算法进行了研究与改进。主要工作如下:针对车载摄像头受雾气影响导致成像质量下降,从而影响检测算法精度的问题,提出了一种基于AOD-Net的改进去雾算法。首先,在AOD-Net架构中集成了金字塔池化模块(Pyramid Pooling Module,PPM),旨在网络训练阶段更好地整合特征信息,减少特征提取过程中上下文信息的损失,从而实现更好的去雾效果。其次,为解决AOD-Net去雾后图像亮度不足的问题,引入了轻量级的Zero-DCE++图像增强算法。在合成雾天数据集和真实雾天数据集上进行了对比实验,并使用多个评价指标对算法进行了评估,验证了改进方法的有效性。

基于改进Retinex算法的无人机影像去雾方法

针对传统的Retinex去雾算法处理有雾影像后存在色彩失真、去雾效果差等问题,对传统的算法进行了优化,提出一种改进Retinex算法的无人机影像去雾方法。首先,统计经过Retinex对数运算后的灰度分布情况,其次,使用改进白平衡算法对灰度值重新运算,最后,结合灰度世界和完美反射算法校正了无人机影像的色差。实验结果表明,该算法降低了色彩失真,使影像的细节更丰富,与其他算法相比,该算法评价指标整体提高,是一种有效的无人机影像去雾算法。

基于改进暗通道先验算法的农田视频实时去雾清晰化系统

为解决雨雾天气条件下基本农田视频监控图像的退化问题,在暗通道先验(dark channel prior,DCP)去雾算法的基础上,利用拉普拉斯金字塔的区域细节重建方法,实现了大面积亮域场景下自适应去雾的改进暗通道先验算法(modified dark channel prior,MDCP),进而基于该算法提出了一种DSP嵌入式系统的前端化视频图像去雾清晰化处理方案。试验表明:MDCP算法相较于DCP算法和Retinex算法在细节强度、色调还原以及结构信息方面均表现得更为突出,综合评测指标可达0.93;处理后的视频图像对比度良好,彩色图像颜色的饱和度和真实性有效保持,轮廓对比度以及远端天空细节明显增强;MDCP算法的处理速度优势随图像尺寸增大而逐渐增大,在图像尺寸为1 280×720时,MDCP算法比DCP算法的平均处理速度提高5.9%。研究结果为雨雾天气下退化视频图像进行前端化去雾处理方案设计提供理论依据和实践指导。

基于引导滤波的单幅图像自适应去雾算法

在雾、霾等天气条件下,由于空气中悬浮粒子的大气散射作用导致获得的户外图像严重降质。针对该问题,提出一种单幅图像自适应去雾算法。在分析大气散耗函数特性的基础上,利用引导滤波估计大气散耗函数,间接求得透射率,通过自适应选取阈值调整明亮区域透射率,改善复原图像中的假彩色,并根据大气散射模型恢复图像。实验结果表明,与传统引导滤波算法和取固定阈值的算法相比,该算法获得的去雾图像近景更清晰,明亮区域恢复更自然,同时提高了运算速度。

基于色彩恒常理论的图像去雾技术

针对户外图像采集处理系统,讨论了1种有效的图像去雾方法。由于雾退化图像对比度较低,从图像增强角度入手,将雾的退化作用等效成景物的照度变化,根据色彩恒常理论,采用Frankle-McCann Retinex(FMR)算法进行图像去雾处理;结合人眼对亮度的指数视觉特性,采用软复位算法对其进行改进。仿真分析表明,改进后的算法可以有效增强雾退化图像的对比度,获得满意的视觉效果。

图像去雾算法清晰化效果客观评价方法

针对目前去雾效果评价方法少和已有评价方法存在局限性等问题,提出了两种图像清晰化效果评价方法.一种借助由环境渲染或光路传播图所模拟的雾环境图像,采用全参考方式评估算法的去雾效果;一种从人类视觉感知的角度出发,采用无参考方式构建综合评价体系以全面衡量算法的去雾性能.实验证明两种方法均能有效地评价各算法的清晰化效果,且评估结果与人眼的主观感受相一致.本文所提评价方法分别从构建模拟雾环境和人类视觉感知两方面考虑,与已有评价方法相比,在获得全方面评估结论的同时,具有较好的实用性和可靠性.

基于暗通道先验的补偿快速去雾算法

针对暗通道先验算法去雾能力较弱且速度慢的问题,提出一种对暗通道补偿的快速去雾算法。在分析光晕产生原因的基础上,结合中值滤波算法补偿去雾能力较弱的边缘雾区暗通道图,将有雾图像的全局最小值图像作为导向图,利用引导滤波平滑且保持边缘特性细化补偿后的暗通道图,消除黑斑效应,降低算法复杂度,将新的暗通道中的最大值作为大气光强的简单估计,根据大气散射模型恢复无雾图像。实验结果表明,与中值滤波算法、快速去雾算法等相比,该算法获得的无雾图像具有更好的清晰度和色彩恢复度,能提高运算速度。

图像去雾的小波域Retinex算法

针对传统Retinex算法在图像去雾处理中易造成光晕伪影、边缘模糊以及算法复杂度高等缺点,提出了一种图像去雾的小波域Retinex算法.该算法将Retinex算法拓展到小波域,利用雾天图像中雾霾与景物细节信息在小波域中能量的不同分布特点,采用Retinex算法抑制雾霾分量,用锐化处理增强景物细节信息分量,以降低雾霾对图像的影响,增强图像细节的清晰度;该算法用双边滤波替代传统Retinex算法中的高斯滤波,以克服高斯滤波对图像边缘的模糊效应和光晕伪影.实验结果表明,该算法能有效地改善雾天图像的退化现象,提高图像的清晰度.

一种基于改进AOD-Net的航拍图像去雾算法

针对航拍图像易受雾气影响,AOD-Net(All in one dehazing network)算法对图像去雾后容易出现细节模糊、对比度过高和图像偏暗等问题,本文提出了一种基于改进AOD-Net的航拍图像去雾算法.本文主要从网络结构、损失函数、训练方式三个方面对AOD-Net进行改良.首先在AOD-Net的第二个特征融合层上添加了第一层的特征图,用全逐点卷积替换了传统卷积方式,并用多尺度结构提升了网络对细节的处理能力.然后用包含有图像重构损失函数、SSIM(Structural similarity)损失函数以及TV(Total variation)损失函数的复合损失函数优化去雾图的对比度、亮度以及色彩饱和度.最后采用分段式的训练方式进一步提升了去雾图的质量.实验结果表明,经该算法去雾后的图像拥有令人满意的去雾结果,图像的饱和度和对比度相较于AOD-Net更自然.与其他对比算法相比,该算法在合成图像实验、真实航拍图像实验以及算法耗时测试的综合表现上更好,更适用于航拍图像实时去雾.

一种改进的直方图均衡化图像去雾算法

针对直方图均衡图像去雾方法存在噪声被放大和图像失真较严重的问题,提出了一种基于直方图均衡化的自适应图像去雾算法.该算法首先将图像变换到HIS颜色空间,将图像分为k×k个子图像,然后对每个子图像在确保色调H分量不变的基础上,对饱和度S分量和亮度分量I分别做自适应直方图均衡处理.处理后的图像不但从视觉上看出对比度有了很大的改善,边缘细节保持较好,而且几种图像质量评估方法的计算结果也表明,改进后的算法比用直方图均衡化去雾后的图像质量从对比度、均方误差、信息熵、峰值信噪比以及协方差都有明显的提高.实验用了250组图像,得出的结果是PSNR提高18%以上,均方误差降低15%以上.

基于图像增强和复原的图像去雾方法研究

雾霭等天气下获得的图像存在对比度低、颜色退化、景物模糊等一系列图像退化的问题,直接影响了对图像信息的有效利用。因此,对雾天图像进行有效的去雾处理,有效改善降质图像的质量,具有一定的实际意义。分析讨论基于图像增强的多尺度Retinex算法和利用图像复原原理的基于暗原色先验理论的去雾算法,并对具有不同特点的单幅有雾图像进行去雾仿真。实验结果表明,不同理论基础的两种去雾算法各有特点,基于暗原色理论处理得到的图像去雾效果更显著,算法运行速度更快。