Dark channel prior based blurred image restoration method using total variation and morphology

The blurred image restoration method can dramatically highlight the image details and enhance the global contrast, which is of benefit to improvement of the visual effect during practical ap- plications. This paper is based on the dark channel prior principle and aims at the prior information absent blurred image degradation situation. A lot of improvements have been made to estimate the transmission map of blurred images. Since the dark channel prior principle can effectively restore the blurred image at the cost of a large amount of computation, the total variation （TV） and image morphology transform （specifically top-hat transform and bottom- hat transform） have been introduced into the improved method. Compared with original transmission map estimation methods, the proposed method features both simplicity and accuracy. The es- timated transmission map together with the element can restore the image. Simulation results show that this method could inhibit the ill-posed problem during image restoration, meanwhile it can greatly improve the image quality and definition.

Single foggy image restoration based on spatial correlation analysis of dark channel prior

Focusing on the degradation of foggy images, a restora- tion approach from a single image based on spatial correlation of dark channel prior is proposed. Firstly, the transmission of each pixel is estimated by the spatial correlation of dark channel prior. Secondly, a degradation model is utilized to restore the foggy image. Thirdly, the final recovered image, with enhanced contrast, is obtained by performing a post-processing technique based on just-noticeable difference. Experimental results demonstrate that the information of a foggy image can be recovered perfectly by the proposed method, even in the case of the abrupt depth changing scene.

快速视频去雾改进算法的FPGA实现

内窥镜去雾算法在医疗领域具有广泛应用,为临床医生提供清晰、实时的图像。去雾技术虽然已经取得较大的进步,但去雾算法的复杂度较高,在内窥镜等复杂情况下硬件实现较为困难。为了在硬件上实现内窥镜实时去雾效果,对暗通道先验算法进行改进,降低硬件资源消耗和时间复杂度。该改进算法选择适合硬件的大气光照强度估计值、透射率补偿值以及采用流水线结构实现有雾图像的处理。采用Xilinx的ZYNQ7020实现该算法硬件电路,实时处理分辨率为640×480的视频图像,速度可达到260 fps,消耗LUT仅为1.28 K,寄存器619个单元。实验结果表明,相比于传统算法,改进算法具有处理速度快、功耗低、可移植性强的特点,满足内窥镜需要实时处理视频的要求。

基于暗通道先验去雾的SDSS图像去噪研究

美国的斯隆数字巡天(sloan digital sky survey,SDSS)于2000年开始正式的巡天观测,目前已经产生了海量的光谱和图像数据,但受仪器设备本身和观测条件的影响可能会出现观测数据细节模糊或损失等问题.在进行后续数据分析和挖掘之前,对观测图像进行去噪处理是一个非常必要的步骤.基于此,将暗通道先验(dark channel prior,DCP)去雾算法应用于SDSS测光图像的去噪处理中,并与B2U方法进行对比分析.结果表明:与B2U方法相比,DCP算法去噪效果在峰值信噪比(peak signal-to-noise ratio,PSNR)上提高了7.98 dB,结构相似性(structural similari⁃ty,SSIM)上提高了7%.

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。

一种基于LSKNet的绝缘子缺陷检测方法研究

目前,电力网络缺陷检测主要通过无人机航拍完成。对当前公开的数据集进行筛选,发现绝缘子的标注误差较大且正负样本失衡;同时,巡检图像中存在许多小尺度和细长类型的目标,使用现有的算法很难达到高精度的检测效果。针对上述问题,通过雾化算法构建一个新的数据集,采用大型选择核网络(LSKNet),引入暗通道先验算法,提出针对电力网络缺陷的LSK绝缘子图像去雾算法。实验结果表明,在SFID-PRO数据集上的mAP达到85.90%,其中缺陷绝缘子的召回率达到了99.6%,能够对细长物体和小尺寸物体进行精准的检测。

基于雾浓度分类与暗-亮通道先验的多分支去雾网络

在图像去雾领域中,目前多数去雾模型难以维持精度与效率的平衡,高精度的模型往往伴随着复杂的网络结构,而简单的网络结构又往往会导致低质量的结果.针对该问题提出一个基于雾浓度分类与暗-亮通道先验的多分支去雾模型,通过对带雾图像分类,使用复杂度不同的网络来处理不同雾浓度的图像,可在保证精度的同时提高计算效率.模型由轻量级雾图像分类器和基于暗-亮通道先验的多分支去雾网络2部分构成:前者将带雾图像分为轻雾、中雾、浓雾3类,输出雾浓度标签;后者包含3个结构相同、宽度不同的分支网络,根据雾浓度标签选择不同的分支网络处理不同雾浓度图像,恢复至无雾图像.提出一个新的雾浓度分类方法以及基于该方法的雾浓度分类损失函数,可根据带雾图像的暗通道特征和恢复难度,结合生成图像质量和模型计算效率,得到对带雾图像合理准确的分类结果,达到去雾效果和算力需求的良好平衡.提出新的暗通道与亮通道先验损失函数,用于约束分支去雾网络,可有效提高去雾精度.实验结果表明,模型能够以更低的网络参数量和复杂度得到更优的去雾结果.

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.

基于暗通道先验的多尺度融合去雾算法

针对传统暗通道先验(DCP)算法用于图像去雾时存在对比度下降、色调偏暗和过度曝光的问题,论文提出一种基于暗通道先验的多尺度融合去雾算法。首先,该算法使用图像增强暗部细节后采用阈值分割法将类似白色背景区域进行分离;然后对大面积留白背景和其他区域分别做最亮通道取反去雾处理和导向暗通道去雾处理,将去雾处理后的两部分图像进行初始融合,有效地改善了暗通道先验在大尺度高亮区域的不适用性;最后,使用拉普拉斯金字塔的多曝光融合方法,将上述去雾处理后的两幅图像、初始融合图像以及对有雾图像做导向暗通道处理后的图像进行多尺度像素级融合,获得最终去雾效果图。仿真结果表明,该算法能够有效消除传统DCP算法在处理大范围、高亮度天空区域时产生的失真现象,改善目标边缘细节,恢复图像场景的真实色彩。

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。

基于YOLOv4的水下海参检测与计数算法

针对智慧水产养殖中海参自动采捕和高效计量应用需求,提出一种基于YOLOv4的水下海参检测与计数算法。该算法利用暗通道先验算法对数据集进行预处理,增强图像数据的可检测性;采用迁移学习方法训练YOLOv4网络,并用Swish函数替换骨干网络中的激活函数,提升自建数据集的海参检测性能;提出基于相近帧目标质心定位偏移的降重计数方法,优化目标计数结果。试验结果表明:该检测算法识别水下海参目标的平均检测精度的平均值mAP达91.0%,分别比原始YOLOv4、YOLOv3、Faster R-CNN和SDD高4.5%、6.9%、5.0%、29.9%;降重计数算法获得海参数量与人工计数结果间的均方根误差RMSE为29.8、平均计数精度ACP为95.8%、决定系数R2为0.998。

距离和雾对红外测温精度影响的补偿研究

为提高在线式红外热像仪在大雾天气下的测温精度,研究了距离、相对湿度和雾对红外热像仪测温精度的影响。采用二次开发的热红外故障数据采集系统,搭建实验平台,分别进行单因素和多因素干扰下的测温实验。得到距离-误差温度的分段多项式拟合关系;基于暗通道先验理论,实现对雾的定量描述,得到透射率-误差温度的指数函数拟合关系;以代数和的方式,提出一种误差补偿模型来补偿距离和雾共同作用产生的测量误差。实验结果表明,该模型能显著提高热像仪测温精度,对在线式红外热像仪在大雾环境下进行长时间精确温度数据的采集与存储,构建设备故障数据特征库具有重要意义。

基于多尺度引导滤波的实时视频去雾算法

为解决当前去雾算法中存在的透射率估计不准确、天空区域颜色恢复较差、运行速度较慢等问题,本文提出了一种基于多尺度引导滤波的实时视频去雾算法。首先,采用自动白平衡算法对有雾图像进行颜色校正,颜色校正后的图像与暗原色置信因子作为引导滤波,随后使用金字塔采样技术获取缩小后的图像,接着使用四叉树算法来估算透射率和大气光强度,并且不断地迭代上采样和引导图像滤波,从而有效防止了信息的损失,最后达到最佳的传输效果。此外,将单图像去雾算法扩展到了实时视频去雾,通过使传输值在时间上一致来减少去雾视频中的闪烁伪影。实验结果表明,该算法的运行速率较快,去雾效果明显,在视频去雾中闪烁伪影较少。相比于屏蔽泊松方程去雾算法,本文算法的平均梯度提高了67.08%,相比于暗通道先验逐帧视频去雾算法,本算法的时间加快了81.32%,符合实时视频运行稳定、处理快速的要求。

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。

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。

基于改进暗通道先验的海上低照度图像增强算法

针对基于暗通道先验的低照度图像增强算法在处理极端海上低光环境下图像时会存在光晕效应、色彩失真的问题,提出了1种基于暗通道先验的自适应海上低照度图像增强算法。首先,通过选取图像类型划分指标,将数据集中的图像分类,并通过Otsu方法和图像直方图分布,获取图像的区域划分阈值,将图像进行划分得到局部区域图,分析各类图像的局部区域图之间的关系;最后,通过对不同的局部区域图采用不同的改进暗通道先验算法进行处理,将1个图像中的2个增强后局部区域图合并,得到整张图像的增强结果,并对增强后图像进行主客观的图像质量评价。实验结果表明,该算法解决了现有算法在处理极端海上低照度图像时存在光晕效应和色彩失真的问题,并使不同环境下的海上低照度图像都能达到较好的恢复效果。

一种改进的暗通道先验低光照图像增强算法

针对低光照图像增强算法常见的亮度不均匀、色彩失真、图像噪点较多、细节不清晰等问题,提出了一种改进的暗通道先验低光照图像增强算法。该方法对像素值取反后的低光照图像,首先采用引导滤波,解决图像在运用最小值滤波计算暗通道时引起的块效应,其次在剔除像素为255的纯白色点干扰后进行大气光值的计算,然后引入细化系数进行透射率自适应修正使透射率更加平滑,最后采用非局部平均滤波进行噪声去除。实验表明,所提出的算法使图像的亮度增强合适,细节清晰,在Low-Light弱光图像数据集上测试图片,所得到的SSIM值比对比算法提升20.5%,PSNR值提升19.9%,无论从主观感受,还是客观评价指标等各方面,都有优化。

基于图像分割和融合的图像去雾算法研究

为了解决传统的暗通道先验去雾方法产生的细节丢失和亮度偏低等问题,本研究提出了一种基于图像分割和融合的去雾算法。首先对输入图像使用亮度反转的MSRCR预处理来进行色彩保真;其次用阈值分割法提取图像的特征信息并获得掩膜,根据特征信息设计自适应的Gamma校正方法,提升对比度和亮度,并使用暗通道先验方法保持去雾后的细节;最后将处理后的图像进行掩膜融合。在真实世界的数据集上仿真结果表明,本研究所提算法在去雾后能保留更多的细节且提高亮度。与几种经典的算法相比,本研究所提算法在去雾后的图像有较好的色彩保真度,保留了更多的细节,去雾效果好且亮度更自然。

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。

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。