基于双支残差特征融合的图像去雾算法

针对现有的基于卷积神经网络去雾算法无法有效地去除真实雾图非均匀分布的雾霾问题,提出一种基于双支残差特征融合网络的端到端图像去雾算法.上下文空间域注意分支针对有雾图像的高频雾气区域进行像素注意,将空间域注意模块插入多尺度扩张卷积组,对雾霾特征的像素空间进行权重赋值;通道域注意编解码分支针对高频雾霾特征的通道方向进行注意,设置ResNet自编码结构并引入通道注意解码结构对不同通道特征图的权重进行赋值;特征融合模块采用自适应权重融合像素注意和通道注意的雾层特征信息,输出不均匀雾气残差层;将原始雾图和雾气残差层作差实现图像去雾,设计判别网络提高去雾图的视觉观感.采用真实雾气图像数据集NH-Haze进行评估,实验结果表明,所提算法对非均匀分布雾图的去雾视觉效果良好,在峰值信噪比和结构相似度评价上均优于对比算法.     

基于改进DehazeNet的图像去雾方法

近年来,计算机视觉领域得到了飞速发展,因此获得高质量的图像信息显得尤为重要.图像去雾是在恶劣天气条件下增强图像视觉质量所广泛使用的一种技术.暗通道先验的方法通过估计大气光以达到图像去雾的目的,虽取得了不错的效果,但仍然存在大气光值估计过高和不适用于大面积白色区域的问题.针对现有的图像处理去雾问题,本文提出了基于改进DehazeNet的深度学习图像去雾方法,该方法在估计透射率图部分引入了深度可分离卷积层.为增大感受野,在大气光值中采用膨胀卷积的方法,经验证表明,本文改进的去雾算法能有效还原有雾图像,提高图像质量,去雾效果从定量和定性两者评价上均优于其他对比算法.     

基于图像融合的快速单幅图像去雾算法

针对单幅雾霾图像中存在大面积明亮区域,暗通道先验失效、引导滤波算法去雾不彻底和时间复杂度较高的问题,提出了一种基于图像融合的快速单幅图像去雾算法.在大气散射模型的基础上,对大气光值进行区间估计;由暗通道先验法得到透射率的简单估计,由Retinex理论进行多尺度高斯卷积得到透射率的模糊估计,利用图像融合将两者进行像素级融合,得到透射率的精确估计;采用交叉双边滤波进行平滑处理并针对明亮区域修正透射率;对复原图像进行色调调整后得到最终图像.实验表明:算法不仅取得良好的去雾效果和较好的图像色彩,还有效降低了时间复杂度.     

基于动态卷积核的自适应图像去雾算法

现有图像去雾方法普遍存在去雾不彻底、容易出现颜色失真等问题,基于传统深度学习模型的图像去雾方法多采用静态推理模式,在该模式下,模型对不同样本会采用同样的、固定的参数设置,从而抑制了模型的表达能力,影响图像的去雾效果。针对以上问题,文中提出了一种基于动态卷积核的自适应图像去雾算法,该算法包括编码网络、自适应特征增强网络和解码网络3个部分。文中采用动态卷积、密集残差、注意力机制设计了自适应特征增强网络,该网络主要包括动态残差组件和动态跨层特征融合组件。动态残差组件由动态密集残差模块、一个卷积层和双注意力模块构成,其中动态密集残差模块将动态卷积引入密集残差模块,同时设计了一个基于注意力的权重动态聚合子网络,动态地生成卷积核参数以达到样本自适应的目的,在减少信息丢失的同时增强了模型的表达能力;双注意力模块结合通道注意力和像素注意力,使模型更加关注图像通道之间的差异性以及雾霾分布不均匀的区域。动态跨层特征融合组件通过动态融合不同阶段的特征,来学习丰富的上下文信息,防止网络深层计算时遗忘网络的早期特征,同时极大地丰富了特征表示,有利于模型对无雾图像细节信息的恢复。在合成数据集和真实数据集上进行了大...     

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.     

基于多补丁和多尺度层级聚合网络的快速非均匀图像去雾

尽管基于卷积神经网络的去雾算法在合成的均匀雾气数据集上已经取得了巨大进展,但在真实的非均匀有雾图像上仍然表现不佳.为了快速有效地去除图像中的非均匀雾气,文中首先提出了一种多补丁和多尺度层级聚合网络结构(Multi-patch and Multi-scale Hierarchical Aggregation Network,MPSHAN),融合了多补丁局部化信息和多尺度全局化信息.其次,提出了层级融合模块(Hierarchical Fusion Module,HFM),既解耦了残差融合以实现更丰富的非线性特征表达,又通过通道注意力机制提升了关键位置的特征融合质量.同时,对层级结构使用扩张卷积获得多尺度信息,增强特征图以优化融合效果.此外,在损失函数中加入频域损失以恢复更好的边缘质量.实验结果表明,所提算法在非均匀雾气图像上具有很好的鲁棒性,1200×1600高分辨率图像的平均处理时间仅有0.044s,相比其他去雾算法,其在图像去雾效果和运行时间之间实现了更好的平衡.     

双边滤波与暗通道结合的图像保边去雾算法

目的 图像去雾领域越来重视去雾过程中对图像边缘细节的恢复和保护,针对现有主流的基于模型的有雾图像复原算法,基本都是对介质透射率进行直接求解,即先预估透射率,再细化抠图,运算量很大的问题,提出利用双边滤波方式进行介质透射率的间接求解,用以简化去雾算法时间复杂度。方法 利用双边滤波方式对介质透射率的求解,是先估算出较精确的大气散射函数及大气光值,然后间接求出透射率,其避免了采用软件抠图的方式对介质透射率进行细化的过程,提高了算法的时效性。结果 选取两组户外有雾图像进行实验,并从得出的透射率图、复原效果及运算时间进行了对比分析。本文算法能得到较为清晰的透射率分布图,并且改善了预估透射率图中的块状现象;本文算法对透射率细化的同时,还起到了平滑图像边缘的效果;耗时方面,本文算法对大小为608×456像素的图像恢复耗时为1.803 s。结论 本文算法对有雾图像进行全局清晰化处理的同时,重点恢复有雾图像的局部细节,复原结果能更好地保持图像边缘的效果,更适合运用到基于图像检测类的系统中去。     

基于映射关系的GAN网络实现图像去雾

图像去雾是图像处理中的一个重要研究方向。为了提高对图像的去雾效率,文章通过改进大气散射模型,基于生成对抗网络(Generative Adversarial Network,GAN)算法实现图像去雾。该方法实现步骤如下,首先将有雾图像分解为无雾图像和经过雾散射后的环境自然光叠加,其次通过生成器网络生成大气散射光图像,估算透射率从而求解无雾图像,最后利用GAN网络的生成器和判别器网络进行对抗训练,得到接近真实的大气环境光和透射率,达到对图像快速去雾的目的。实验结果表明,设计方法在合成雾天图像和真实雾天图像中均取得了较好的去雾效果,虽然在客观评价指标上与经典的去雾算法保持相同水平,但时间消耗远少于其他算法。     

雾天退化模型参数估计与CUDA设计

针对基于物理模型的去雾方法大多采用统计或假设等先验信息获取模型参数精度较低的问题,提出一种非假设的雾天退化模型参数估计方法.为了尽可能准确地获取大气光值和透射率值,首先采用四叉树算法求解大气光值;随后利用预训练的卷积神经网络获取粗略透射率图,并使用引导滤波算法优化透射率图;最后通过大气散射模型逆向求解获取复原图像.实验结果表明,文中方法在去雾各项性能指标上表现均衡,不仅提高了雾天图像的清晰度和亮度,而且可以有效地避免"晕轮效应".算法时间性能实验表明,文中算法CPU效率比其他去雾算法提高40%+,应用CUDA并行设计将耗时的引导滤波算法并行化后效率有显著提升,处理分辨率大小为640×480(单位为像素)雾天图像仅需0.048 9 s,可直接迁移应用于视频去雾处理,满足视频处理的实时性要求.     

颜色保持的实时图像/视频去雾算法

针对目前去雾算法实时性较差,对天空等区域的处理不理想以及去雾后图像偏暗等问题,提出一种实时有效的去雾算法。首先,利用暗原色先验估计粗略透射率图;其次,下采样粗略透射率图并用优化的导向滤波得到改善的透射率图,以便实时处理更高分辨率的图像;然后,上采样改善的透射率图,并对其进行修正,得到优化后的透射率图,以解决暗原色先验不适于处理含有天空等大面积亮区图像的问题;最后,经过颜色保持的自适应亮度调整得到最终去雾图像。该算法时间复杂度仅是图像像素数的线性函数,对分辨率为600×400的图像,耗时约80ms。与基于导向滤波算子的暗原色先验的单幅图像去雾方法、基于中值滤波的快速去雾方法和带颜色恢复的多尺度Retinex(MSRCR)算法进行了对比,     

基于多尺度卷积网络的快速图像去雾算法

针对目前图像去雾技术存在的使用场景有限、处理速度慢等问题,提出一种基于多尺度卷积网络的快速去雾算法。算法由去雾和修复两部分组成。去雾模块首先将有雾图像输入,经过特征提取和融合,然后通过变形后的大气物理散射算法对透射率图和大气光值统一学习,并演出去雾图像。去雾后的图像仍存在色调偏暗、细节不清晰的问题。修复模块利用对比度受限自适应直方图均衡方法对去雾图像进行修复,提升图像的对比度和算法的鲁棒性。通过去雾任务与目标检测任务相结合的测试实验进一步验证了算法的有效性。     

基于相对透射率估计的快速图像去雾算法

针对暗通道先验算法中恢复效果偏暗以及运算时间过久的问题,提出一种基于相对透射率估计的单幅图像快速去雾算法。该算法在分析雾霾条件下场景深度与最小值图像关系的基础上,依据景深相对量初步估计透射率,利用改进的均值滤波器作精确化调整,最后根据大气散射模型复原清晰图像,并通过亮度增强改善其视觉效果。该算法对透射率的估计简单、有效,复原图像清晰、自然,并且具有较高的细节可见度和层次感。实验结果表明,该算法在去雾效果和处理速度方面均有很大改善,有利于实现实时性应用。     

一种改进的场景透射率修正图像去雾算法

在户外起雾的情况下,人们通过摄像机所拍摄的照片往往非常不清楚,照片通常呈现灰暗的色彩,图片的清晰度不高,很容易造成图像的一些信息丢失,难以被检测到。这使目标识别的难度大大提高,户外视频监控的有效性也被极大破坏。据此,提出了一种改进型的去雾算法。首先通过对场景透射率进行粗估计来得到一种块透射率,再对块透射率进行更深一步的细化处理来得到较准确的场景透射率,最后使用一种改进的容差机制修正场景透射率错误估计的区域来获得一个更加准确的透射率值。通过与已有去雾算法对比,验证了所提算法在图像去雾的各项指标中的优越性。该算法在图像去雾领域具有广阔的应用前景。     

基于交通场景区域增强的单幅图像去雾方法

针对当前已有的去雾算法在雾天道路图像的处理上易造成近处路面区域和远处天空区域亮度过低、处理程度偏强,而中远处区域去雾程度较低、亮度过高等问题,以基于深度学习去雾算法为基础提出一种结合雾天道路图像场景深度和道路图像特点的去雾算法。首先基于深度学习的去雾算法原理,构建卷积神经网络求取场景透射率;然后基于大气散射模型和透射率估计出图像深度图,且构造两个参数：上阈值和下阈值来将深度图分为中、远、近三个区域;再基于深度图的不同区域构造增强函数,来确定图像处理的增强幅度照;最后在传统的大气散射模型基础上结合增强幅度照来调节不同区域的复原强度得到优化后的处理图像。实验结果表明,所提算法可以在保证良好去雾效果的前提下增强道路图像的中远处区域,有效解决了去雾后雾天道路图像近处路面和远处天空的色彩失真、对比度过低问题,提升复原图像的视觉效果,并且与暗原色先验算法、均匀与非均匀雾的视觉增强算法以及典型的基于深度学习去雾算法相比具有更好的图像清晰化效果。     

基于暗原色先验与变分正则化的图像去雾研究

现有雾天图像处理方法能够实现较好的去雾效果,但会丢失部分细节并产生噪声放大的问题。将暗原色先验与基于TV、BH规则项的变分模型相结合,提出一种新的变分去雾模型H-TVBH。根据暗原色先验原理估计图像的初始透射率,采用四叉树分解估计大气光值,将初始透射率和大气光值输入H-TVBH模型中,采用分裂Bregman算法和快速傅立叶变换并引入辅助变量和Bregman迭代参数,通过交替迭代求得优化后的透射率和去雾图像。实验结果表明,H-TVBH在增强图像对比度的同时能够有效抑制图像中的噪声,保留图像的纹理细节,使去雾图像更加清晰自然。     

密集连接扩张卷积神经网络的单幅图像去雾

针对大多数图像去雾算法模型参数估计准确性差及色彩失真等问题,提出了一种端到端的密集连接扩张卷积神经网络。首先,通过使用多层密集连接结构来增加网络的特征利用率,避免网络加深时的梯度消失现象。其次,通过在密集块中使用不同扩张率的扩张卷积,使网络在充分聚合上下文特征信息时不损失空间分辨率,并避免了网格伪影的产生。最后,为了提高算法的去雾能力,将该网络划分为多个阶段,并在每个阶段引入侧输出模块,从而获得更精确的特征信息。实验结果表明,所提出的去雾算法无论是在合成数据集上还是在真实数据集上都取得了较好的去雾效果,恢复的色彩更接近无雾图像,并且定量评价指标峰值信噪比(PSNR)和结构相似性(SSIM)均优于其他对比方法。     

基于并联卷积神经网络的图像去雾

针对现有的单幅图像去雾问题, 提出了一种基于并联卷积神经网络的单幅图像去雾算法, 以端对端的方式实现图像去雾. 首先, 使用雾天RGB图像YUV变换的Y、U和V分量构建并联卷积神经网络, 自适应获得雾霾特征; 网络结构由两个子网络组成, 较深的网络预测清晰图像的亮度通道, 较浅的网络预测色度通道和饱和度通道. 最后, 采用递归双边滤波, 对去雾后的图像进行滤波, 可以得到更加清晰的无雾图像. 实验结果表明, 本文去雾算法无论是在合成雾天图像数据集还是自然雾天图像数据集上, 都具有良好的对比度与清晰度. 在主观评价和客观评价方面, 本文去雾算法都优于其他对比算法.     

基于ECP算法的RFID标签图像去雾与测试保障

射频识别（RFID）多标签几何分布对系统识别性能具有重要的影响,基于人工智能新技术的图像处理方法对测量多标签的几何分布提供技术支撑。在RFID系统应用的盐雾环境下,环境会对标签图像产生污染,影响标签图像的识别,进而影响RFID多标签应用性能的测试。因此,去雾便成为了盐雾环境下RFID多标签系统性能测试保障的一个关键步骤。研究了将极端通道先验（ECP）运用于图像去雾的理论,提出了将ECP运用于标签图像去雾的新算法。该算法分别利用亮通道先验（BCP）和暗通道先验（DCP）对明亮像素区域和暗区域的透射率进行估算,以此构成整张图像的总体透射率,再带入估算的大气光强,完成标签图像的去雾复原。实验结果表明,所提出的算法去雾效果较为理想,具有很好的鲁棒性。     

基于Msmall-Patch训练的夜晚单幅图像去雾算法——MP-CGAN

针对基于暗通道先验（DCP）与大气散射模型方法实现夜晚图像去雾出现颜色失真及噪声等问题,提出一种基于Msmall-Patch训练的条件生成对抗网络（CGAN）去雾算法MP-CGAN。首先,将UNet与密集神经网络（DenseNet）网络结合成UDNet网络作为生成器网络结构;其次,对生成器与鉴别器网络使用Msmall-Patch训练,即通过对鉴别器最后Patch部分采取Min-Pool或Max-Pool方式提取多个小惩罚区域,这些区域对应退化严重或容易被误判的区域,与之对应提出重度惩罚损失,即在鉴别器输出中选取数个最大损失值作为损失;最后,将重度惩罚损失、感知损失与对抗感知损失组合成新的复合损失函数。在测试集上,与雾密度图预测算法（HDP-Net）相比,所提算法的峰值信噪比（PSNR）与结构相似性（SSIM）值分别提升了59%与37%;与超像素算法比,PSNR与SSIM值分别提升了59%与48%。实验结果表明,所提算法能够减少CGAN训练过程产生的噪声伪影,提高了夜晚图像去雾质量。     

基于通道注意力与条件生成对抗网络的图像去雾

针对当前去雾方法存在雾残留、颜色失真等问题, 结合生成对抗网络在图像超分辨率重建的优势, 提出基于通道注意力与条件生成对抗网络图像去雾算法(CGAN-ECA). 网络基于编码-解码结构, 生成器设计多尺度残差模块(multi-scale residual block, MRBlk)和高效通道注意力模块(efficient channel attention, ECA)扩大感受野, 提取多尺度特征, 动态调整不同通道权重, 提高特征利用率. 使用马尔可夫判别器分块评价图像, 提高图像判别准确率. 损失函数增加内容损失, 减少去雾图像的像素和特征级损失, 保留图像更多的细节信息, 实现高质量的图像去雾. 在公开数据集RESIDE实验结果表明, 提出的模型相比于DCP、AOD-Net、DehazeNet和GCANet方法峰值信噪比和结构相似性分别平均提高36.36%, 8.80%, 改善了颜色失真和去雾不彻底的现象, 是一种有效的图像去雾算法.