人工光源条件下夜间雾天图像建模及去雾

夜间有雾图像光照不均匀,整体亮度较低,色偏严重,且人工光源周围存在光晕。现有的去雾模型和算法大多针对白天图像,其并不适用于夜间场景,夜间图像去雾颇具挑战性。该文深入分析夜间有雾图像的成像规律,建立含有人工光源的夜间雾天图像成像新模型,并在此基础上提出夜间图像去雾新算法。针对夜间图像光照不均问题,提出基于低通滤波的环境光估计方法,利用估计出的环境光可准确预测夜间场景传输率;针对目前夜间图像去雾后存在光源光晕问题,提出根据图像色度估计场景点属于近光源区域的程度,使算法能自适应地处理光源区域和非光源区域;针对非一致色偏问题,利用直方图匹配方法进行颜色校正。对大量图像进行实验,并与现有白天、夜晚图像去雾算法进行比较,验证了该文提出的夜间雾天图像成像模型及去雾算法的有效性。     

基于暗原色和加权形态学滤波的图像去雾算法

针对雾天图像能见度低、对比度差的特点,提出一种自动消除雾的方法：基于暗原色和加权形态滤波的增强算法。首先引入暗原色先验信息,然后利用形态学滤波方法估计雾浓度图。该方法既能平滑雾浓度图,又能很好地保留场景的边缘,使估计出的雾浓度图更加精确。最后恢复去雾图像。实验结果表明,该方法简单快速有效,能够很好地达到去雾目的,并且较好地保留图像边缘细节。     

基于区间估计的单幅图像快速去雾

针对雾、霾等天气条件下捕获的图像存在严重降质现象,该文提出一种基于区间估计的单幅图像快速去雾方法。该方法从大气散射模型出发,基于暗通道先验理论,利用最小值滤波和灰度开运算,通过区间估计得到大气光值,同时得到介质传输率的初始估计值。通过对大气光照进行白平衡处理,从而得到简化大气散射模型。然后,利用简化大气散射模型和介质传输率的初始估计值,通过区间估计得到场景反照率的暗通道值,进一步得到介质传输率的粗略估计值。将介质传输率的初始估计值和粗略估计值进行像素级融合,通过联合双边滤波和值域调整得到介质传输率的最终估计值。最后,通过简化大气散射模型和色调调整得到去雾图像。实验结果表明,所提算法具有较快的运算速度,能有效提高去雾图像的清晰度和对比度,同时获得较好的色调保真度。     

基于多光源模型的夜晚雾天图像去雾算法

依据夜间多光源导致强光处能见度低的现象,在传统大气散射模型中定义发光因子项,构建了一个专门针对夜晚雾天图像的去雾模型,在此基础上提出了一种夜晚雾天图像去雾算法.该算法将原输入图像分解为新雾天图像层和发光图像层,然后对此分解得到的新雾天图像层进行色偏纠正和引导滤波操作以得到最终的去雾结果.与暗原色原理方法、快速中值滤波方法、图像颜色迁移方法、夜晚成像模型方法等已有方法的对比实验证实了本文算法的有效性.该算法可应用于汽车防碰撞系统、道路监控系统,以及其他识别系统.     

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Ret-inex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...     

雾天偏振成像影响分析及复原方法研究

为了抑制雾天图像质量的退化,基于大气散射物理模型及偏振图像暗通道原理,提出了一种改进的雾天偏振遥感图像去雾算法。首先依据大气散射模型对雾天偏振成像机理进行分析,对大气偏振信息对去雾的影响进行了阐述。其次利用边缘检测和闭运算自动获取雾天偏振图像的天空区域,估算无穷远大气光强和大气偏振度。最后,针对图像中存在的噪声干扰等因素,修正大气偏振度及大气光强,恢复了退化图像的辐射强度信息。通过理论分析和实验验证,取得了较好的雾天图像复原结果。结果表明,该算法可以准确获取天空区域,实现更高鲁棒性的天空区域估计方法,有效提高图像的对比度和清晰度,增加图像细节,改善雾天图像的质量。该算法能够有效抑制雾天对图像造成的退化,从而提高遥感的目标探测和识别能力。     

基于区间估计的快速单幅图像去雾方法

单幅图像去雾是一个病态反问题。为了解决这个问题,对于大气光强度和介质传输率的估计已进行了大量研究。本文从新的角度提出一种简单但有效的基于区间估计的单幅图像快速去雾方法。该方法从大气散射模型出发,首先,通过对大气光强度和介质传输率取值范围的讨论,减小区间估计的范围。其次,通过快速联合双边滤波和中值滤波对介质传输率进行边缘优化,并利用大气光强度与暗通道差值绝对值大小对介质传输率中明亮区域进行判断和修正。最后,通过色调调整对复原图像进行整体优化。实验结果表明,与几种典型的图像去雾方法比较,本文方法明显提高了算法运算速度,并获得了较好的复原效果。     

提高雾天激光主动成像图像质量的研究

在雾天,激光主动成像系统所得图像的质量明显下降。针对所得红外图像噪声大、对比度低的特点,提出一种结合暗通道先验（Dark Channel Prior,DCP）与双边滤波（Bilateral Filter,BF）的图像处理算法。采用暗通道先验对图像进行去雾,对去雾后的图像采用双边滤波方法做进一步去噪处理,从而达到提高对比度降低噪声的目的。对不同算法处理后图像的主客观评价表明,提出的算法处理后的图像有更好的视觉效果,标准差有一倍多的提高,信息熵和信息容量有20%左右的提高。     

一种改进的基于暗原色先验的雾天图像清晰化方法

为了提高雾天降质图像的清晰度,基于暗原色先验提出了一种改进的图像去雾方法。针对原算法对明亮区域敏感和运算量过大问题,首先提出天空区域自适应选择算法求取大气光强度,然后利用快速双边滤波算法修复透射率图,在保证去雾效果前提下大幅度降低了计算复杂度。针对去雾后的图像颜色较真实场景偏灰暗的问题,提出了一种简单有效的亮度调节方法。实验结果表明,该算法可以有效的消除灰白和明亮区域对大气光和透射率计算的影响,真实地复原场景的色彩和清晰度,同时,本文算法的时间复杂度与图像大小成线性关系,可以明显提升运算速度。     

基于透射率权值因子的雾天图像融合增强算法

雾天图像增强具有重要现实意义。由于现有的图像去雾算法在提升图像全局对比度的能力上存在不足,为此将暗通道先验去雾算法与直方图均衡化算法的各自优势进行整合,该文提出一种雾天图像增强新算法。首先,分别采用基于导向滤波的暗通道先验去雾算法和基于HSV色彩空间的直方图均衡化算法处理雾天图像;然后,基于修正的透射率图构造权值因子,将上述两种处理结果加权融合,得到输出图像。仿真实验结果表明,该算法比现有去雾算法具有更高的标准差、平均梯度与信息熵,具有更好的全局与局部对比度增强效果。算法运行时间主要依赖于图像去雾环节,处理一般尺寸图像能够满足实时要求。     

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。     

Variational optimization based single image dehazing

In this paper, we present a new approach for single image dehazing based on the proposed variational optimization. A hazy image captures the information about haze in terms of the transmission map and object details present in it. We propose to estimate the initial transmission map by performing the structure-aware smoothing of the hazy image. Further, we formulated a variational optimization for the estimation of final transmission, which refines the initial transmission of a hazy image. Atmospheric light can be considered to be constant throughout the scene for practical purposes. The uniform atmospheric light is computed from the dark channel of a hazy image. The exhaustive experimentation shows that the performance of the proposed method is comparable or better.     

基于天空区域分割与置信度图导向融合的去雾方法研究

基于暗通道先验的去雾算法总是存在复原结果中天空区域处理不佳等问题,为了进一步优化对传输函数的估计,本文提出一种基于置信度图导向融合的传输函数优化方法。首先,将雾天图像的天空区域分离出来,以达到对天空区域的优化;计算窗口级暗通道与像素级暗通道,以平滑传输函数在物体边缘并保留小于窗口尺寸的细节特征;最后,计算窗口级暗通道与像素级暗通道之间的置信度图,以其为导向对两者进行融合得到优化的传输函数图,实现图像去雾。实验结果表明,本文算法可达到很好的复原结果优化效果。     

Weakly supervised single image dehazing

Single image dehazing is a critical image pre-processing step for many practical vision systems. Most existing dehazing methods solve this problem utilizing various of hand-crafted priors or by supervised training on the synthetic hazy image information (such as haze-free image, transmission map and atmospheric light). However, the assumptions on the hand-crafted priors are easily violated and collecting realistic transmission map and atmospheric light are unpractical. In this paper, we propose a novel weakly supervised network based on the multi-level multi-scale block. The proposed network reduces the constraint on the training data and automatically estimates the transmission map and the atmospheric light as well as the intermediate haze-free image without using any realistic transmission map and atmospheric light as supervision. Moreover, the estimated intermediate haze-free image helps to generate accurate transmission map and atmospheric light by embedding the physical-model, which presents reliable restoration of the final haze-free image. In particular, our network also can be trained on the real-world dataset to fine-tune the model and the fine-tuning operation improves the dehazing performance on the real-world dataset. Quantitative and qualitative experimental results demonstrate the proposed method performs on par with the supervised methods.     

A joint cumulative distribution function and gradient fusion based method for dehazing of long shot hazy images

Hazy or foggy weather conditions significantly degrade the visual quality of an image in an outdoor environment. It also changes the color and reduces the contrast of an image. This paper introduces a novel single image dehazing technique to restore a hazy image without considering the physical model of haze formation. In order to find haze-free image, the proposed method does not require the transmission map and its costly refinement process. Since haze effect is dependent on the depth, it severely degrades the visibility of the objects located at a far distance. The objects close to the camera are unaffected. In this paper, we propose a fusion-based haze removal method based on the joint cumulative distribution function (JCDF) that treats faraway haze and nearby haze separately. The output images after the JCDF module, fused in the gradient domain to produce a haze-free image. The proposed method not only significantly enhances visibility but also preserves texture details. The proposed method is experimented and evaluated on a large set of challenging hazy images (large scene depth, night time, dense fog, etc.). Both qualitative and quantitative measures show that the performance of the proposed method is better than the state-of-the-art dehazing techniques.     

基于天空约束暗通道先验的图像去雾

针对现有暗通道图像去雾算法存在的天空色彩失真,景物边缘光晕效应等问题,本文提出了基于暗通道理论的改进去雾算法.由于暗原色先验理论不适用于天空区域,本文将引导滤波用于天空区域的细化分割,准确估计包含天空区域图像的大气光照强度,解决了天空色彩失真问题;其次,利用中值滤波得到详细边缘信息,进而得到更为清晰的透射率,有效抑制了景物边缘光晕问题;最后针对去雾后图像偏暗的问题,在HSV空间对亮度分量V通道进行增强处理.实验结果表明,针对带雾图像,本文算法能够有效地去雾,改善天空区域色彩失真以及景物边缘光晕问题.     

基于迁移学习的三子网图像去雾方法

目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先,该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数,以加速模型训练收敛速度。其次,主干网络模型由3个子网组成:残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取,在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进,为衡量模型性能,模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题,可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。     

基于光照估计的夜间图像去雾

相对白天雾天图像,夜晚雾天图像具有整体亮度低、光照不均匀、偏色等特点,因此去雾难度大。本文从夜间雾天成像规律出发,提出了基于光照估计的夜间图像去雾算法。针对光照不均匀问题,通过估计光照图来去除不均匀光照的影响;针对目前白天去雾算法假设不适用于夜晚图像问题,提出基于信息熵的传输图粗估计的方法;针对颜色失真问题,通过统计光源区域的颜色属性来进行颜色校正。实验结果表明,本文算法能够有效的去除不均匀光照影响,提高图像对比度,改善图像视觉效果。     

基于暗原色优化算法的去雾研究

针对基于传统的暗原色先验去雾算法中,由于某些场景下的雾天图像存在大面积明亮区域无法满足暗原色先验的假设,导致去雾效果不佳。文中就此问题提出了一种改进的去雾算法,基于McCartnet的理论建立大气散射模型,根据暗通道理论粗略估计透射率,之后引入容差参数并设置阈值,重新计算明亮区域的透射率,从而实现对明亮区域透射率的自校正。针对于复原图像色彩较暗的问题,采用改进的线性亮度调整方法来调节图像的亮度。实验结果显示,相较于原算法而言,改进算法可以有效的对大气光值进行估计,降低明亮区域的色彩失真,复原的图像可以保持足够的亮度,同时不丢失图像的细节,视觉效果显著提高。     

Single image dehazing using a new color channel

Images with hazy scene suffer from low-contrast, which reduces the visible quality of the scene, thus making object detection a more challenging task. Low-contrast can result from foggy weather conditions during image acquisition. Dehazing is a process of removal of haze from the photography of a hazy scene. Single-image dehazing based on dark channel priors are well-known techniques in this field. However, the performance of such techniques is limited to priors or constraints. Moreover, this type of method fails when images have sky-region. So, a method is proposed, which can restore the visibility of hazy images. First, a hazy image is divided into blocks of size 32 × 32, then the score of each block is calculated to select a block having the highest score. Atmospheric light is calculated from the selected block. A new color channel is considered to remove atmospheric scattering, obtained channel value and atmospheric light are then used to calculate the transmission map in the second step. Third, radiance is computed using a transmission map and atmospheric light. The illumination scaling factor is adopted to enhance the quality of a dehazed image in the final step. Experiments are performed on six datasets namely, I-HAZE, O-HAZE, BSDS500, FRIDA, RESIDE dataset and natural images from Google. The proposed method is compared against 11 state-of-the-art methods. The performance is analyzed using fourteen quantitative evaluation metrics. All the results demonstrate that the proposed method outperforms 11 state-of-the-art methods in most of the cases.