1 杭州电子科技大学电子信息学院,浙江 杭州 310018
2 杭州电子科技大学碳中和新能源光电研究院,浙江 杭州 310018
夜间图像去雾技术已经成为图像处理技术领域的重要研究内容,在目标跟踪探测、视频监控、遥感等方面有着重要的意义。夜间有雾图像通常具有对比度低、光照不均匀、颜色偏移等特点,这些特点使得夜间图像去雾面临着极大的挑战。通过调研近年来夜间图像去雾算法的国内外研究现状,从物理模型、非物理模型和深度学习的角度对其中比较经典的算法进行了归纳总结,详细阐述了算法的流程以及优缺点。最后,对夜间去雾算法的未来研究方向进行了展望。
图像去雾 深度学习 大气散射模型 物理模型 非物理模型 激光与光电子学进展
2023, 60(24): 2400002
1 南京信息工程大学, 南京 210000
2 江苏省气象探测与信息处理重点实验室, 南京 210000
针对目前图像去雾方法中存在的输出图像色彩偏暗、场景信息丢失以及去雾不彻底等问题, 提出了一种基于注意力机制的端到端图像去雾方法。首先将通道注意力机制嵌入到Inception网络中, 并由融合后的网络进行浅层特征提取; 然后通过多尺度卷积和残差密集连接块学习深层图像信息, 同时以跳跃连接的方式实现深浅特征融合; 最后经过单一卷积层回归到像素比例系数矩阵, 依据改进后的大气散射模型生成无雾图像; 网络模型在均方差(MSE)的基础上设计了保真度损失函数作为约束。在RESIDE雾天数据集上的实验结果显示, 提出的方法的峰值信噪比(PSNR)、结构相似度(SSIM)、学习感知图像块相似度(LPIPS)和CIEDE2000分别达到32.545,0.970, 0.026和2.711, 表现出良好的效果, 输出图像去雾彻底, 色彩保真度高, 并有效避免了已有方法中的细节信息丢失问题。
图像去雾 保真度损失 大气散射模型 通道注意力机制 跳跃连接 image dehazing fidelity loss atmospheric scattering model channel attention mechanism skip connection
江西理工大学信息工程学院,江西 赣州 341000
针对传统基于暗通道先验的去雾方法容易导致边缘区域和天空区域分别出现伪影和颜色失真的问题,提出了一种基于区域透射率融合的暗通道图像去雾方法。首先,将含雾图像分为非天空、天空及过渡边缘等3个区域。其次,在暗通道结合块透射率估计和点透射率估计分别对非天空区域和过渡边缘区域进行融合,并利用梯度域引导滤波进行平滑处理,得到融合后的暗通道透射率。然后,合成天空区域的亮度透射率和暗通道融合透射率,以获得最终的透射率。最后,利用得到的透射率和改进后的大气光值对图像进行复原,得到去雾结果图像。实验结果表明,与传统暗通道方法相比,所提方法明显更优,其在有效抑制边缘伪影的同时能够较好地保留含雾图像的颜色特征。所提方法得到的去雾图像在主观评价和客观评价方面均能取得更好的结果。
图像处理 透射率融合 暗通道先验 大气散射模型 引导滤波 图像去雾 激光与光电子学进展
2023, 60(4): 0410005
光学 精密工程
2022, 30(18): 2267
中国矿业大学信息与控制工程学院,江苏 徐州 221116
针对现有图像去雾算法中大气光值和透射率估计不准确导致图像去雾后失真的问题,提出了一种基于雾线暗通道先验改进的图像去雾算法。首先,根据HSV空间雾浓度与亮度和饱和度差值的关系计算图像的全局相对雾浓度,并结合暗通道图对应的高像素值来设置能够自动选择合适的大气光值的权重系数;其次,利用暗通道先验得到的粗略透射率值对每条雾线中最大半径透射率进行修正,然后引入容差参数对明亮像素的透射率进行优化,引入快速引导滤波对透射率图进行进一步优化;最后,根据大气散射模型获得最终的无雾图像。实验结果表明,所提去雾算法在主观视觉效果和客观数据上均优于其他算法。
图像处理 雾线暗通道先验 雾浓度 容差参数 明亮像素 大气散射模型 激光与光电子学进展
2022, 59(8): 0810014
1 南京信息工程大学 电子与信息工程学院, 江苏 南京 210044
2 江苏省气象探测与信息处理重点实验室, 江苏 南京 210044
为解决图像去雾后颜色偏暗以及去雾不彻底等问题, 本文提出了一种基于多尺度融合卷积神经网络的图像去雾算法。以有雾图像为输入, 首先经过预处理模块由单尺度卷积层提取有雾图像浅层信息, 然后设计多尺度映射模块实现深度特征学习以及深、浅层特征融合, 由反卷积模块还原图像尺寸, 通过卷积操作得到有雾图像对应的粗透射率图。采用双边滤波法优化输出细透射率图, 最后依据大气散射模型复原出无雾图像。实验结果表明: 本文方法在合成有雾图像和自然有雾图像上均优于其他算法, 其中合成有雾图像上的峰值信噪比(PSNR)、结构相似性(SSIM)能分别达到29.238、0.950。本文所提算法可以有效地避免去雾图像颜色偏暗、失真等不足, 提高了图像去雾性能并体现出良好的视觉效果。
图像去雾 卷积神经网络 多尺度融合 图像复原 大气散射模型 image dehazing convolutional neural network multi-scale concat image restoration atmosphere scattering model
针对夜间雾、霾场景下的去雾图像存在颜色失真、纹理损失、亮度低等缺陷,本文提出了一种采用暗态点光源模型的夜间去雾算法,通过构建夜间雾、霾场景的暗态点光源模型,利用联合双边滤波、限制对比度自适应直方图均衡化等算法对降质图像进行处理,结合大气散射模型得到去雾图像。实验结果表明,该算法的处理速度快、夜间去雾效果较好,较对比算法在对比度、平均梯度以及信息熵上均有一定程度地改善,有效解决了去雾图像的颜色失真、纹理损失、亮度低等缺陷。
夜间去雾 暗态点光源模型 联合双边滤波 限制对比度自适应直方图均衡化 大气散射模型 nighttime fog removal, dark point light source mod