去雾

摘要： 随着计算机技术和硬件能力的提高,计算机视觉处理系统已广泛应用于各类场景中,雾霾等恶劣天气下获取的图像会影响后续图像的处理,进一步导致计算机视觉处理系统性能的降低,因此提高降质图像的质量具有重要意义。文章给出一种结合图像增强和图像复原的处理算法,算法能在不同尺度的残差图像上和基础层上分别进行处理,达到保留图像细节和去雾的目的,并且具有高可控灵活性。

摘要： 雾霾天气在中国冬季的大部分城市都长期存在,导致能见度降低,给人们的日常生活和出行带来极大影响。本文设计了一种基于python使用Django框架所开发的web图像去雾系统,通过对暗通道、导向滤波去雾和自动色阶去雾算法的实现,用户可以选择不同的去雾功能来实现去雾,并且对同一算法能在界面上调制参数来实现去雾功能。在去雾时可在系统中通过设置参数的方式,自由选择合适的去雾程度和去雾方案,让用户摆脱在雾天所拍的图片不清晰的困扰。

摘要： 为了提高图像去雾的性能,提出结合大气散射模型生成对抗网络的去雾算法.算法在pix2pix GAN基础上进行改进,将网络的生成器改进成双解码器结构,通过双解码器分别生成无雾图像和透射率图,并结合大气散射模型还原雾图像,以进一步提高图像分解的质量.在马尔科夫判别器结构中,采用反向学习机制代替随机裁剪机制,以有效降低因采用随机裁剪算法而导致的判断结果不准确的概率.在原有的损失函数上,加入雾霾损失函数,提高图像转化的质量.在STOS和NYU数据集上进行消融实验和对比实验.大量实验表明所提出方法在PSNR和SSIM指标上比原算法Pix2pix GAN有所提高,且均优于现有去雾算法,复原图像具有清晰度高、噪声低、纹理丰富的优点.

摘要： 针对含雾遥感影像在军事航空侦查、地物判读等方面使用率低、有效性差的问题,以及现有去雾算法中存在计算复杂耗时、色彩失真的弊端,结合遥感影像景深变化小、不含天空背景等特点,本文提出一种改进的暗原色先验去雾算法。首先,对影像中白色场景灰度值进行统计并设定阈值划分为失效区,分离水域与非水域减少蓝色波段在水域的占比,合成新的蓝色波段,以改进暗通道值的获取方法;其次,采用导向滤波替代软抠图法优化透射率提升处理时间;然后,对关键参数进行适应性改进试验并采用自动色阶恢复去雾后的影像色彩;最后,利用含雾的无人机影像和GF-2影像进行了试验,并进行了定量评价。试验结果表明,在同等试验条件下,本文方法处理单幅影像的时间比暗原色先验去雾算法的提升4倍以上,且去雾后影像的灰度均值、标准差、信息熵、平均梯度等指标比暗原色先验去雾算法得到的值均有提高,能有效提高有雾影像的清晰度,增强影像色彩和细节。

摘要： 受限于天气和环境等因素,如雾霾天气、灰尘密集区域,摄制图像往往照度不均、对比度较低、图像退化严重且质量较差,这给公安工作带来了挑战。针对这类图像,采用小波分解,并对低频和高频部分分别采用相关算法处理并且重构图像。实验在处理过程中,针对SSR照度跳变部分出现光晕等现象,改进SSR的环绕函数。实验最后对于重构处理的图像与其他算法作比较并采用信息熵,PSNR做图像处理结果的客观评价标准。仿真实验结果表明,本文提出的HWIR算法相比较其他算法适应性强,去雾效果良好,图像对比度、细节信息得到了提升。

摘要： 含光源影响的雾图像中光源极易引入雾天原本不存在的光晕,从而影响大气光值和透射率估算的准确率,针对此问题,提出一种简单、易实现的去光源影响的雾天图像去雾算法.首先,基于超像素分割在CIELab颜色空间进行光源区域确定;然后,引入基于距离度量的光衰减因子计算并去除光源的影响;最后,以超像素块为单位估计大气光值,并采用加权导向滤波迭代优化透射率获得光源影响下的去雾结果图,提高效率和准确率.在光源影响下雾图集合和SOTS等数据集上进行了复原实验,将雾天图像复原结果与现有主流算法复原结果进行主客观对比,实验结果表明,文中算法复原结果的NIQE和BRISQUE值更低,并具有清晰度高、噪声低、纹理细节丰富和色彩恢复度高的优点.

摘要： 为满足视频去雾实时性的要求,提出了基于硬件优化的视频实时去雾架构。该架构采用增量更新和定常数转换等方式,对大气光值和环境光值等计算模块进行硬件优化设计,从而提高片内资源的重复利用率,实现计算精度的控制。经过MATLAB和Modelsim联合仿真验证后,应用于FPGA芯片上。结果表明:所提架构的数据处理速度高达100.8 Mpixel/s,对pixel的视频图像去雾处理可以以60 fps的速度稳定运行。

摘要： 在目前的道路车辆的检测当中,对车辆的检测精度和匹配度的要求越来越高,尤其在雾天的天气情况下会对车辆的检测产生影响。针对以上问题,深受深度学习理论的启发,提出一种在去雾网络与目标检测网络结合情况下,对雾天下交通道路上车辆图像进行去雾目标检测的深度学习目标检测算法,并且模型轻量,易于嵌套使用。实验结果表明将YOLOv5目标检测网络与AOD-Net去雾相结合,在真实和合成的有雾的数据集上,该算法在定量评价和定性评价中均优于对比算法。其中MAP值达到81.73%,比YOLOv5算法的MAP值高1.31%且FPS达到了25.0,速度得到提升,表明AOD-Net与YOLOv5网络相结合的算法能更加有效地检测雾天条件下道路交通的车辆,且网络泛化能力和鲁棒性较好。

摘要： 雾霾导致的图像质量退化、图像可视性降低,给交通运输、视频监控乃至军事侦察等带来很大的困难。现有去雾方法的算法复杂度较高,无法满足实时监测或侦察的需求。针对此问题,提出了一种基于偏振成像的快速去雾算法,在大气散射成像模型的基础上,通过合理假设并充分利用偏振探测优势,有效降低了算法复杂度,能够在更短的处理时间内取得与暗通道方法相似的去雾效果,可以广泛应用于实时去雾监测与侦察领域。

摘要： 针对基于卷积神经网络(CNN)的单图像去雾模型在移动/嵌入式端部署难,不易用做实时视频去雾的问题,提出一种基于Zynq片上系统(SoC)的去雾模型硬件重构加速方法。首先,提出量化-反量化算法,对两个代表去雾模型进行量化;其次,基于视频流存储器架构和软硬件协同、流水线等技术以及高级综合(HLS)工具,对量化后的去雾模型硬件重构并生成具有高性能扩展总线接口(AXI4)的硬件IP核。实验结果表明,在保证去雾效果的前提下,可以实现模型参数从float32到int5(5 bit)的量化,从而节省约84.4%的存储空间;所生成硬件IP核的最高像素时钟频率为182 Mpixel/s,能够实现1080P@60 frame/s的视频去雾;单帧640×480的雾图去雾仅需2.4 ms,而片上功耗仅为2.25 W。这种生成带有标准总线接口的硬件IP核也便于跨平台移植和部署,从而可以扩大这类去雾模型的应用范围。

摘要： 本发明提供一种图像去雾方法及去雾装置，去雾方法步骤为：首先计算得到有雾图像的亮度、饱和度、颜色衰减、对比度和暗通道特征图，之后分别将这些特征图进行相应运算，并得到相应的雾气注意力图，再将各个雾气注意力图进行卷积运算后合并，得到总雾气注意力图，最后将总雾气注意力图嵌入到去雾网络中，进行图片去雾。本发明方法和装置不依赖于传统的大气散射物理模型，计算得到的总雾气注意力图可以提供有雾图像中每个像素点的雾气浓度信息，进而在后续嵌入去雾网络中时，可以指导图像去雾和提供参考，以达到更好的去雾效果。

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： 本发明公开了一种基于多级沙漏结构的单幅图像去雾模型构建及去雾方法，通过设计了去雾模型中的传输图估计网络，利用多个级联的传输图估计模块，将传输图信息分解为全局信息和局部信息，通过多级级联的方式，使得后面的沙漏单元可以更好地融合区域中的细节与整体降质情况之间的关系，对上一级沙漏结构输出的结果进行优化，以准确估计远景的相对距离已经各个景物在原图像中的准确位置，逐步消除因不同尺度特征融合而造成的特征图重影，不连续的现象，自适应地处理不同程度雾霾图像，提高了传输图估计的准确度，从而提高了图像去雾的准确率。

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。

摘要： 本发明提供一种基于空间和通道注意力残差网络的去雾装置及其去雾方法；其中去雾装置包括：主计算模块、循环模块、第一计算模块、第二计算模块、第三计算模块、第四计算模块；去雾装置对输入图像进行去雾，并输出去雾图像；输入图像和去雾图像都是由RGB三维通道组成的彩色图像；本发明不需要估计任何大气散射模型参数，通过分析不同空间像素、不同特征通道间的相互关系，自适应地为不同空间像素、不同特征通道分配权重值，使得神经网络更着重于分析和处理价值和信息量更大的空间像素和特征通道，进而有效地提升深度神经网络的去雾能力；本发明复原出的图像细节清晰，色彩丰富。

摘要： 本申请公开了超轻量级图片去雾及识别网络模型，通过该网络模型实现了图片去雾及识别，包括依次相接的双向GAN网络模型以及目标检测网络模型。双向GAN网络模型对雾图进行去雾，输出清晰图至目标检测网络模型进行特征识别处理。目标检测网络模型经过行剪枝重训练，训练过程为对训练集的原始图像进行多次训练，每次训练之前，对原始图像进行预设倍数降采样，每次训练完后，对批归一化层的缩放系数进行排序比较，将其中缩放系数小于预设缩放阈值的通道对应的前一层卷积核去掉，实现剪枝。上述目标检测网络模型在目前微型识别模型的基础上进一步剪枝，极大减小超轻量级图片去雾及识别网络模型的规模，可以部署在算力和功耗资源有限的端侧平台。

摘要： 本发明公开了一种基于U‑Net结构和残差网络的去雾网络及其去雾方法。该网络不依赖于大气散射模型，可以实现端到端的去雾。本发明基于U‑Net的网络结构，利用残差模块构建了一个端到端的去雾残差网络，去雾方法包括以下步骤：获取合成雾天数据集RESIDE作为训练数据集，并对数据集进行裁剪和归一化的预处理。基于U‑Net结构和残差模块，构造去雾网络模型。将合成雾天数据集输入到网络模型中，在训练过程中通过新的损失函数计算损失，不断迭代更新网络参数，最终得到优化的去雾模型，进行图像去雾。

摘要： 本发明提出了基于对比学习的视频去雾装置与去雾方法，采用端到端的图像去雾方法，包括：获取实验数据，设计去雾网络模型，分析大气散射模型，同时学习大气散射模型中的透射率t(x)和大气光A参数；再计算得到无雾图像；将模糊图像和清晰图像的信息分别作为负样本和正样本，使得网络输出的去雾图像在表示空间中拉近清晰图像而远离有雾图像；在雾天时，采集得到有雾数据；通过WIFI模块将采集到的视频信息传输到终端待处理，将有雾视频逐帧裁剪成单幅有雾图像，待处理有雾图像采用训练后的去雾网络模型得到无雾图像，最后将无雾图像重新拼接成无雾视频。本发明能够提高图像的对比度，增强图像的细节信息，展现出了良好的去雾性能。

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。