图像去雾

摘要： 针对智能驾驶视觉感知领域中去雾算法处理时间过长的问题,提出了一种基于大气散射模型的视频图像快速去雾算法。在暗通道先验去雾的基础上,计算大气光值的自适应参数,提高去雾速度,并优化设计去雾系数,获取半去雾图像,将单幅图像去雾应用到视频实时去雾中;进一步利用限制对比度自适应直方图均衡(CLAHE)算法抑制去雾残余噪声,增强图像道路交通特征。验证结果表明:提出的算法有效提高了图像质量,且视频去雾速度较传统算法大幅提升;图像边缘强度提升近2倍,极大提高了道路能见度。

摘要： 针对图像去雾算法在天空区域出现恢复不真实以及雾气浓度估计精度不足等问题,本文提出天空区域分割和雾气浓度估计的去雾算法。首先,为了提高透射率的估计精度以及提升去雾效果,利用梯度阈值和亮度阈值分割天空区域。其次,采用改进的暗通道先验和四叉树细分法估计大气光值。最后,针对天空区域和非天空区域采用不同的透射率估计方法,对于天空区域采用亮通道先验方法,对于非天空区域提出了线性雾气浓度估计模型。结合像素点概率分布得到透射率并采用引导滤波方法进行边缘细化,利用大气散射模型获得最终复原图像。实验结果表明,去雾后的图像在主观和客观质量评价方面表现良好,所提出的算法能够使天空区域恢复自然,去雾更加彻底,增加了图像细节的清晰度。本文算法的运行速率与当前主流算法相当,针对不同有雾场景去雾表现的稳定性优于其它算法。

摘要： 针对近年来去雾算法质量的评价方法普遍依赖主观评价结果,但缺乏定量描述;现有的客观质量评价方法与主观评价方法之间的一致性不稳定,使两者有时会出现分歧的问题。为提升针对去雾方法的客观质量评价性能,本文提出了一种基于人工合成图像的全参考去雾方法质量评价。首先,建立合成图像数据集,数据集包括参考无雾图像,合成有雾图像,对这些合成有雾图像使用8种主流去雾算法得到的去雾图像。然后,将去雾后图像可能引入的一些质量问题进行分类。最后,通过结合清晰度相关特征和现有的客观质量评价,针对性地提出了一种由图像可视性、结构相似性和颜色恢复度相互融合的去雾方法质量评价。在合成图像数据集中,将本文方法与现有典型的图像质量评价方法进行对比实验,实验结果表明:对于合成图像数据集,本文提出的方法在SRCC、PLCC和RMSE指标上表现最优。本文方法与主观评价的一致性更高,更有利于支持去雾算法的研究。

摘要： 针对雾霾天气条件下的图像降质问题,提出一种高效的清晰化算法。利用最小值运算与形态学操作分别提取边缘信息和强度信息,再通过联合双边滤波器对成像模型中的散射函数进行估计,获取精细化的结果;定义远景区域缩小搜索范围,统计该区域内的灰度直方图计算环境光。仿真结果表明,该算法可有效提升能见度,增强图像的细节和颜色,得到相对较优的视觉效果。

摘要： 介绍了视频图像快速去雾装置的设计和实现。装置以ZYNQ系列的SoPC(片上可编程系统)芯片作为开发平台,分析基于物理模型的暗通道先验去雾算法并对算法进行优化,设计向下最小值求解器完成单帧图像去雾算法的逻辑实现,提出了基于帧间像素值均值法实现视频去雾算法。通过研究对去雾算法进行优化,增加算法的可移植度同时使用加速技术提升算法运算的速率,实现单帧图像快速去雾处理和视频图像的实时去雾处理,有效地避免了户外成像系统受到雾天的影响,具有十分重要的科学和工程意义。

摘要： 传统的图像去雾算法在处理复杂景深场景下的物体时,往往因为透射率估计的不准确而产生伪影和色彩失真现象.结合颜色衰减先验和上下文正则,并用改进的引导滤波器对透射率优化的方法,能够准确计算出各种场景下图像的透射率,最后通过对比度拉伸,从而使恢复出来的图像更具有可视性,并且在峰值信噪比(PSNR)、结构相似性(SSIM)、平均梯度(AG)评价中要优于以往的算法.

摘要： 针对雾霾天气下采集的图像存在细节丢失和对比度较低的问题,提出了基于改进暗通道先验的图像去雾算法。现有的图像去雾算法仍然受到颜色失真和亮度偏暗的困扰。而改进算法首先通过四叉树搜索算法来估计大气光候选区域,提高了大气光值估计的准确性,降低了大气光候选区域定位在亮白色物体上导致去雾后的图像出现颜色失真的情况。其次,将去雾后图像转为HSI颜色空间,对亮度进行限制对比度自适应直方图均衡化处理,有效的改善了去雾后图像亮度偏暗的问题,并且更加凸显图像的细节。最后,在真实有雾图像上的实验结果表明,改进算法具有较好的去雾效果并且亮度更自然。

摘要： 大气散射模型与有雾图像及对应清晰图像间的映射模型不适配,导致使用大气散射模型进行图像去雾处理时,图像存在颜色偏差、纹理细节粗糙等问题。基于模拟生物视觉系统的反馈原理,提出一种端到端的循环生成对抗网络算法,以解决误差累积造成的去雾图像低质的问题。通过生成模块将循环神经网络的隐藏状态作为反馈信息,以指导低级模糊特征信息生成更加丰富的高级特征。循环结构能够保证先前的网络层可以使用到后面网络层的高级特征信息,从而减少误差累积。此外,该算法能够根据判别模块的损失来评估重建图像的质量。实验结果表明,与GCANet算法相比,所提算法在SOTS测试集上的平均峰值信噪比和结构相似性,在室内分别提升3.41%和0.57%,在室外分别提升3.48%和1.39%,且在真实世界的数据集上进行图像去雾后,在视觉上避免了颜色失真和光晕问题。

摘要： 为了改善图像去雾效果,基于何凯明经典的暗通道图像去雾算法,提出了一种改进的基于图像融合的去雾方法。该方法利用暗通道原理计算粗透射率图,利用梯度导向滤波获取精细化透射率图,将两种透射率图利用四层小波变换分解融合获取融合透射率图;结合估算的大气光值,最终实现去雾。对算法进行实验仿真,仿真结果表明,提出算法可以获取质量较好的去雾图像。

摘要： 为设计合理有效的神经网络框架,提高去雾算法的精度,保留完整的边缘细节,提出了常微分方程(Ordinary Differential Equation,ODE)启发的多级特征逐步细化及边缘增强的去雾算法。利用多级特征提取子网络,从输入雾图中提取出包含细节信息的低级特征和包含语义信息的高级特征,用于后续去雾结果的逐步细化。受残差网络框架与ODE求解策略关联性启发,依据两步两阶的蛙跳方法Leapfrog设计出Leapfrog模块,并串联多个Leapfrog模块,模拟ODE离散的逼近求解过程,构造逐步细化的去雾子网络。此子网络中,每个Leapfrog模块在交替输入的低级/高级特征的互补信息引导下,不断细化前一个Leapfrog模块估计的去雾结果。受二阶微分算子实施边缘增强的启发,边缘增强子网络利用预训练的UNet估计最后一个Leapfrog模块的去雾图像边缘,并叠加到此去雾图像上得到增强边缘,保留细节的最终去雾结果。实验表明,在真实图像及合成图像上,本算法均能取得较好的去雾效果,且在视觉评价和客观评价方面优于已有的去雾算法,与EAAN相比去雾精度提高了5%,运行时间仅有0.032 s,能有效用于图像去雾的工程实践中。

摘要： 图像是现代化战争的重要信息来源,有效利用图像信息,可以充分发挥战场侦察与监测能力,从而实现智能监控与判断.当大气透过光强度不足时,严重影响到图像的质量,对战场侦察识别的执行能力起到妨碍作用.为了提高雾天环境下图像有效利用性,开展了基于光学深度代理模型的雾浓度估计及图像去雾方法研究.针对雾天图像的相关特征,提出一个与雾气浓度紧密相关的饱和度-亮度联合特征,通过敏感度分析,确定暗通道、饱和度-亮度和色度为三个重要的雾相关特征,采用1000幅合成有雾图像数据建立了以雾相关特征为自变量、以光学深度为目标函数的代理模型;基于光学深度估计代理模型,提出了一种雾浓度估计方法;同时将代理模型预测的光学深度估计值代入大气散射模型中对去雾图像进行求解.通过实验验证表明,该方法在去雾图像的视觉化清晰效果、准确度、实时性上优于已有的去雾方法.

摘要： 鉴于现有算法不能很好恢复场景深度变化较大的图像,本文在大气衰减模型与变分偏微分方程的基础上,提出了一种基于变分偏微分方程的单幅彩色图像去雾算法.该算法利用数学形态学中的中值集算子构造局部白平衡处理,精确估计大气光参数,然后设计一种全新的平滑性度量范数,尝试从全变分的角度建立目标图像的变分能量模型,继而通过偏微分方程将其转化为欧拉-拉格朗日方程,最后采用交替半二次型法求解.仿真实验表明,与Retinex算法及He算法等相比较,本文算法对于场景深度变化较大的图像,其局部区域的恢复明显改善,很好地满足了应用要求.

摘要： 在雾天环境下,由于大气散射影响导致采集的图像降质.本文提出了一种基于引导滤波的单幅图像去雾算法.首先提出了一种半逆法识别雾存在区域的方法,从而获得对大气光强度准确的估计;然后基于引导滤波算法改进大气光幕的修补,得到更精确的大气光幕;最后通过求解雾天图像大气散射模型恢复理想光照条件下的清晰图像.实验结果表明本文算法能够鲁棒地估计大气光强度,能够在保证大气光幕边缘的同时进行良好的平滑操作,有效地恢复了场景的对比度,提高了图像的视见度,得到更精确的场景深度图像.

摘要： 针对目前去雾算法难以兼顾实时性和处理效果,以及自适应调整能力较差等问题,本文基于大气散射模型和暗原色先验规律,提出了一种新的大气光幕估计模型;然后利用导向滤波对粗估计的大气光幕进行细化,并结合大气散射模型得到清晰图像;最后进一步优化细节增强,得到了真实感良好的无雾图像.比较已有去雾算法,本文提出的算法较好地兼顾了实时性和处理效果,并具备去雾自适应调整能力.

摘要： 图像去雾对实时性和处理效果要求越来越高.针对当前已有的去雾方法难以同时满足以上要求,提出一种基于图像最小通道图和R、G、B三颜色通道的差异估计透射率图的新方法.通过多组实验统计,推导出透射率图、最小通道图与R、G、B颜色通道差异存在一定的线性关系,据此估算透射率图可快速实现图像去雾并满足实时性的要求.同时,图像去雾效果也取得较好的改善.

摘要： 本文分析了生活中的计算机视觉。具体分析了面部识别、图像搜索、深度学习、图像去雾几个关键技术及其应用。

摘要： 随着图像处理技术的发展及其在军事、交通以及安全监控等领域的应用,图像清晰化技术已成为重要的研究方向.一方面,由于大气散射的作用,在雾、霾之类的恶劣天气下采集的图像会被严重降质,使图像颜色趋于灰白色,对比度降低,物体特征辨认困难,不仅使图像观赏性降低,视觉效果变差,还会影响图像后期的处理,更会影响各类依赖于光学成像来运作的机器工作;另一方面,在数字图像的采集、传输、存储与处理过程中,有许多因素会导致图像分辨率的下降,其主要表现为模糊、噪声和变形,无法满足特定应用对高分辨率的需求.针对上述问题,本文提出了相应的解决方案:一方面,去除恶劣天气环境对图像的不利影响,消除外界因素干扰;另一方面,对得到的图像通过对抗生成网络预测细节信息,提高图像整体分辨率.最后,通过定性和定量的测试与分析证明该方法能有效提高图像质量.

摘要： 随着图像处理技术的发展及其在军事、交通以及安全监控等领域的应用,图像清晰化技术已成为重要的研究方向.一方面,由于大气散射的作用,在雾、霾之类的恶劣天气下采集的图像会被严重降质,使图像颜色趋于灰白色,对比度降低,物体特征辨认困难,不仅使图像观赏性降低,视觉效果变差,还会影响图像后期的处理,更会影响各类依赖于光学成像来运作的机器工作;另一方面,在数字图像的采集、传输、存储与处理过程中,有许多因素会导致图像分辨率的下降,其主要表现为模糊、噪声和变形,无法满足特定应用对高分辨率的需求.针对上述问题,本文提出了相应的解决方案:一方面,去除恶劣天气环境对图像的不利影响,消除外界因素干扰;另一方面,对得到的图像通过对抗生成网络预测细节信息,提高图像整体分辨率.最后,通过定性和定量的测试与分析证明该方法能有效提高图像质量.

摘要： 随着图像处理技术的发展及其在军事、交通以及安全监控等领域的应用,图像清晰化技术已成为重要的研究方向.一方面,由于大气散射的作用,在雾、霾之类的恶劣天气下采集的图像会被严重降质,使图像颜色趋于灰白色,对比度降低,物体特征辨认困难,不仅使图像观赏性降低,视觉效果变差,还会影响图像后期的处理,更会影响各类依赖于光学成像来运作的机器工作;另一方面,在数字图像的采集、传输、存储与处理过程中,有许多因素会导致图像分辨率的下降,其主要表现为模糊、噪声和变形,无法满足特定应用对高分辨率的需求.针对上述问题,本文提出了相应的解决方案:一方面,去除恶劣天气环境对图像的不利影响,消除外界因素干扰;另一方面,对得到的图像通过对抗生成网络预测细节信息,提高图像整体分辨率.最后,通过定性和定量的测试与分析证明该方法能有效提高图像质量.

摘要： 随着图像处理技术的发展及其在军事、交通以及安全监控等领域的应用,图像清晰化技术已成为重要的研究方向.一方面,由于大气散射的作用,在雾、霾之类的恶劣天气下采集的图像会被严重降质,使图像颜色趋于灰白色,对比度降低,物体特征辨认困难,不仅使图像观赏性降低,视觉效果变差,还会影响图像后期的处理,更会影响各类依赖于光学成像来运作的机器工作;另一方面,在数字图像的采集、传输、存储与处理过程中,有许多因素会导致图像分辨率的下降,其主要表现为模糊、噪声和变形,无法满足特定应用对高分辨率的需求.针对上述问题,本文提出了相应的解决方案:一方面,去除恶劣天气环境对图像的不利影响,消除外界因素干扰;另一方面,对得到的图像通过对抗生成网络预测细节信息,提高图像整体分辨率.最后,通过定性和定量的测试与分析证明该方法能有效提高图像质量.

摘要： 本发明实施例公开了一种图像去雾方法、图像去雾装置、电子设备及存储介质，用于在图像去雾装置对带雾图像进行去雾的过程中，提高了图像去雾装置的去雾精度，从而提高了最终得到的目标去雾图像的清晰度。本发明实施例方法包括：获取带雾图像；根据所述带雾图像中的大气光值，得到第一透射率图像；根据所述带雾图像，通过图像通道处理算法，得到第二透射率图像；将所述第一透射率图像和所述第二透射率图像进行融合，得到目标去雾图像。

摘要： 本发明提供一种图像去雾方法及图像去雾装置。该方法包括以下步骤：对需要去雾的第一图像I进行下采样，得到第二图像Ismall；获取所述第二图像Ismall的暗通道图像根据暗通道图像估算第一图像I的大气光值A；估算所述第二图像Ismall的第一透射图对所述第一透射图进行优化，得到优化后的第二透射图tsmall，获取第二图像Ismall的线性变换系数asmall和bsmall；asmall对和bsmall进行双线性插值，得到所述第一图像I的变换系数a和b，并获取所述第一图像I的第三透射图t(x)，其中t(x)＝a(x)I(x)+b(x)；基于所述第三透射图t(x)、大气光值A得到去雾处理后的第三图像J。本发明基于暗通道先验法，结合下采样、滤波、和插值等处理方案，有效地减少了图像和视频的去雾处理运算量，提高了处理速度。

摘要： 本发明涉及一种图像去雾方法和使用图像去雾方法的图像去雾设备。在一方面中，本发明涉及一种图像去雾方法，所述方法包含但不限于：接收输入图像；通过去雾模块对图像去雾以输出已去雾红绿蓝图像；通过高动态范围(HDR)模块恢复已去雾红绿蓝图像的图像亮度以输出高动态范围图像；以及通过ReflectNet推断模型去除高动态范围图像的反射，其中ReflectNet推断模型使用深度学习架构。

摘要： 本公开提供了一种图像去雾模型的训练方法、图像去雾方法及装置，涉及计算机视觉技术领域，尤其涉及图像处理技术领域。图像去雾模型的训练方法的具体实现方案为：获取原始雾气图像和对应的原始清晰图像；对所述原始雾气图像进行特征提取，获取所述原始雾气图像的图像光照信息、图像雾气信息和去雾图像；基于所述图像光照信息、所述图像雾气信息和所述去雾图像进行图像重构，得到重构雾气图像；计算所述去雾图像与所述原始清晰图像之间的第一损失，以及所述重构雾气图像与所述原始雾气图像之间的第二损失；基于所述第一损失与所述第二损失对图像去雾模型进行训练。

摘要： 本发明公开了图像去雾模型构建、道路图像去雾方法、装置及车辆，包括：获取训练集数据；将训练集数据输入待训练去雾模型；通过生成器对输入的有雾道路图像卷积采样，生成去雾图像和多个不同尺寸的去雾特征图像，去雾图像由多个不同尺寸的去雾特征图像融合生成；通过全局判别器确定去雾图像与对应的无雾道路图像匹配的第一相似度，通过局部判别器判别去雾特征图像与对应的无雾道路图像局部匹配的第二相似度；通过预设的损失函数对待训练去雾模型进行训练，以训练好的生成器作为图像去雾模型。本发明的实施能够有效实现道路图像的去雾，解决了自动驾驶汽车在雾天行驶过程中的视觉感知不清晰问题，保证视觉感知任务的图像成像质量。

摘要： 本发明实施例公开了一种图像去雾方法、图像去雾装置、电子设备及存储介质，用于在图像去雾装置对带雾图像进行去雾的过程中，提高了图像去雾装置的去雾精度，从而提高了最终得到的目标去雾图像的清晰度。本发明实施例方法包括：获取带雾图像；根据所述带雾图像中的大气光值，得到第一透射率图像；根据所述带雾图像，通过图像通道处理算法，得到第二透射率图像；将所述第一透射率图像和所述第二透射率图像进行融合，得到目标去雾图像。

摘要： 图像去雾自适应参数的计算方法、图像去雾方法及系统，方法包括训练一个设备增益圆，通过图像解码数据，获取设备号，调出相应设备增益圆，对图像进行识别，输出增益圆内匹配的自适应参数k；通过暗通道先验算法，输出识别到的暗通道图像；识别天空区域，输出识别到的天空区域图像；对暗通道图像与天空区域图像的值融合，得到输入图像；根据公式计算去雾前的大气光幕值，然后进一步还原无雾图像。本发明是一种利用Radviz算法计算自适应参数的新型图像去雾方法和系统。

摘要： 本申请实施例公开了图像去雾模型的生成方法、装置及图像去雾方法、装置。该方法的一具体实施方式包括：通过将获取的训练数据中的样本有雾图像作为输入，将目标样本无雾图像作为输出，从而可以对条件生成式对抗网络模型中的生成模型进行训练，以确定其第一损失函数。并且通过将目标样本无雾图像和生成模型生成的无雾图像作为输入，将目标样本无雾图像的标识信息作为输入，从而可以对条件生成式对抗网络模型中的判别模型进行训练，以确定其第二损失函数。进而可以汇总确定模型整体的损失函数，并与预设阈值进行比较，以确定训练过程是否结束。这种方法生成的图像去雾模型，有助于提高模型输出结果的准确度，还可以扩大模型的适用范围。

摘要： 本发明提供一种图像去雾方法及图像去雾装置。该方法包括以下步骤：对需要去雾的第一图像I进行下采样，得到第二图像Ismall；获取所述第二图像Ismall的暗通道图像根据暗通道图像估算第一图像I的大气光值A；估算所述第二图像Ismall的第一透射图对所述第一透射图进行优化，得到优化后的第二透射图tsmall，获取第二图像Ismall的线性变换系数asmall和bsmall；对asmall和bsmall进行双线性插值，得到所述第一图像I的变换系数a和b，并获取所述第一图像I的第三透射图t(x)，其中t(x)＝a(x)I(x)+b(x)；基于所述第三透射图t(x)、大气光值A得到去雾处理后的第三图像J。本发明基于暗通道先验法，结合下采样和变化插值等处理方案，有效地减少了图像和视频的去雾处理运算量，提高了处理速度。

摘要： 本发明提出了一种用于单幅图像去雾的串行注意增强UNet++去雾网络，它采用基于残差结构的两个剪枝的UNet++块的串行策略。与简单的编解码结构相比，UNet++模块能够更好地利用编码器提取的特征，促进不同分辨率的上下文信息融合。串行UNet++结构可以学习深层特征，同时保留浅层特征，以便更好地处理浓密的烟雾，生成更逼真的图像，同时减少颜色失真。此外，还引入了在空间域和通道域学习权重的注意力机制来处理不均匀分布的烟雾。实验在两个具有代表性的公共数据集上进行，即大规模合成数据集RESIDE和小规模真实数据集I‑HAZY、O‑HAZY。对于RESIDE合成数据集，所提出的方法可以实现最先进的性能，对于I‑HAZY和O‑HAZY真实世界数据集，所提出的方法大大超过了以前最先进的去雾方法。