基于物理成像模型的单幅图像去雾算法的研究
基于单幅图像去雾算法分析
基于单幅图像去雾算法分析作者：祝朝磊来源：《电子技术与软件工程》2017年第08期摘要单幅图像去雾算法，是指在雾霾环境中，获取清晰、高质量的画面。
基于单幅图像去雾算法，有利于提高画面的质量，确保交通、拍摄等项目中，能够准确的使用画面。
单幅图像去雾算法，得到了充分的应用，细化算法应用，提高计算的效率。
本文主要围绕单幅图像，探讨去雾算法的相关内容。
【关键词】单幅图像去雾算法图像是信息的根本代表，图像在信息体系中，占有70%左右的比重，实际在获取图像的过程中，很容易受到恶劣天气的影响，尤其是雾霾，由此，在图像上，提出了单幅图像去雾算法，用于排除雾霾的干扰，避免图像出现失真、模糊的问题。
单幅图像去雾算法，解决了雾霾在图像中的负面影响问题，在根本上提高了图像的质量。
1 单幅图像去雾算法的研究图像受到环境因素的影响，出现了失真的情况，尤其是大气散射，其为图像不清楚的主要原因，导致图像退化。
单幅图像去雾算法，逐步应用到图像处理中，完善图像的应用。
1.1 物理模型物理模型中，专门研究了大气散射、入射光衰减、环境光成像等，构成了模型，为单幅图像去雾算法的研究，提出了物理平台。
雾霾环境中，图像在光的作用下，受到多次散射的影响，物理模型中，采用常数光，模拟雾霾的环境，以便在有雾环境成像中，复原没有雾霾影响的图像，完成去雾处理。
1.2 去雾算法基于单幅图像的去雾算法，分为恒定反射率图像算法和多反射率图像算法两种，分析其在去雾中的应用。
恒定反射率图像算法，整体图像上，表面反射系数相同，图像的每个像素中，都独立存在着空气光反射率，导致图像中含有大量不确定的自由度。
单幅图像去雾算法，就要去除不确定的自由度，利用附近像素，简化图像的处理过程。
在恒定反射率图像算法中，借助上文中的物理模型，模拟单幅图像的表面反射率系数，分析明暗系数的像素，标记出反射光的标量，在模型中实现退化图像。
雾霾掩盖了图像的成像信号，真实图像与掩盖图像之间的误差，也存在不确定性，采用单幅图像去雾算法，在后续阶段获取恒定的反射率，评估反射率中的误差量，通过模拟误差，获取真实的图像数值。
图像去雾算法研究综述
图像去雾算法研究综述一、本文概述随着计算机视觉技术的快速发展，图像去雾技术已成为近年来的研究热点之一。
图像去雾旨在从有雾的图像中恢复出清晰、无雾的图像，从而提高图像的质量和视觉效果，为后续的图像处理和分析提供更为准确和可靠的信息。
本文旨在对图像去雾算法进行全面的研究综述，探讨各种去雾算法的原理、优缺点及适用场景，以期为后续的研究提供参考和借鉴。
本文将对图像去雾技术的研究背景和意义进行介绍，阐述图像去雾在各个领域中的应用价值。
接着，本文将从去雾算法的基本原理出发，详细介绍各种去雾算法的实现过程，包括基于物理模型的去雾算法、基于深度学习的去雾算法等。
在此基础上，本文将对各种去雾算法的性能进行评估，包括去雾效果、计算复杂度、实时性等方面的比较和分析。
本文还将对去雾算法的未来发展趋势进行展望，探讨去雾算法在新技术、新场景下的应用前景。
本文期望通过全面、系统的综述，为图像去雾技术的研究提供有益的参考和启示，推动图像去雾技术的进一步发展。
二、图像去雾技术基础理论图像去雾技术，作为计算机视觉和图像处理领域的一个重要研究方向，其基础理论涉及大气散射模型、图像增强与复原、深度学习等多个方面。
深入了解这些基础理论，对于设计和实现有效的去雾算法至关重要。
大气散射模型：大气散射模型是图像去雾算法的理论基础，其中最具代表性的是McCartney模型。
该模型描述了光线在大气中的传播和散射过程，将观察到的图像分解为直接衰减部分和大气光散射部分。
通过估算这两个部分，可以恢复出清晰的无雾图像。
图像增强与复原：图像增强和复原技术在去雾过程中发挥着重要作用。
图像增强技术，如对比度增强、色彩增强等，可以提高图像的视觉效果，使去雾后的图像更加清晰自然。
而图像复原技术则通过去除图像中的噪声和失真，恢复图像的原始信息，进一步提高去雾效果。
深度学习：近年来，深度学习在图像去雾领域取得了显著进展。
通过构建深度神经网络模型，可以学习到去雾过程的复杂映射关系，从而实现更加精确和高效的去雾。
基于物理模型的单幅雾天图像去雾方法
基于物理模型的单幅雾天图像去雾方法
基于物理模型的单幅雾天图像去雾方法是指利用空间反射光谱特
性的物理模型来对单幅雾天图像进行去雾处理的方法。
它是基于亚像
元成像模型，它使用空间反射光谱特性来估计净反射比（AER），从而
还原雾天图像中的真实视觉效果。
首先，这种方法将图像从RGB分量
转换为和空间反射光谱相关的分量，例如，水明度和对散射成分的反
射率。
然后，根据亚像元成像模型，通过可见光中的不同频带和远红
外中的总体反射率，估计出每个亚像元的净反射比值，进而移除浓雾
的影响。
最后，这个去雾方法可以在一定程度上恢复图像的真实视觉
信息，并且可以有效地降低此类图像的噪音。
此外，该方法具有很多优势。
首先，它可以自动从其他光谱特性
恢复净反射比，因此它可以有效避免手工调整模型参数的问题。
其次，该方法不受时间限制，它可以在短时间内获得很好的去雾结果。
最后，该方法可以准确地检测到雾或低能见度对视觉效果的影响，并有效地
进行去雾。
总的来说，基于物理模型的单幅雾天图像去雾方法通过使用空间
反射光谱特性来估计每个亚像元的净反射比，从而移除浓雾的影响，
从而可以恢复图像的真实视觉信息，并有效地降低此类图像的噪音。
基于物理模型的快速单幅图像去雾方法
第37卷第2期自动化学报Vol.37,No.2 2011年2月ACTA AUTOMATICA SINICA February,2011基于物理模型的快速单幅图像去雾方法禹晶1李大鹏2廖庆敏1,3摘要在雾、霾等天气条件下,大气粒子的散射作用导致捕获的图像严重降质.本文提出一种新的基于物理模型的快速单幅图像去雾算法.该算法从大气散射模型出发,通过对大气光照进行白平衡,从而简化大气散射模型;利用快速双边滤波方法估计大气耗散函数,进而恢复场景反照率.本文算法的时间复杂度达到图像像素数的线性函数,具有很快的执行速度.实验结果表明本文算法有效地恢复了场景的对比度和颜色,从而明显地提高了图像的视见度.关键词图像去雾,视见度,大气散射模型,双边滤波,白平衡DOI10.3724/SP.J.1004.2011.00143Physics-based Fast Single Image Fog RemovalYU Jing1LI Da-Peng2LIAO Qing-Min1,3Abstract Imaging in the atmosphere is often degraded by scattering due to atmospheric particles such as haze,fog, and mist.In this paper,we propose a novel fast defogging method based on the atmospheric scattering model.The white balance is performed and the atmospheric scattering model is simplified prior to visibility restoration.In the inference process of the atmospheric veil,the coarser estimate is refined using a fast bilateralfiltering approach that preserves edges. Finally,the scene albedo is recovered by inverting this simplified model.The complexity of the proposed method is only a linear function of the number of input image pixels and this allows a very fast implementation.Results on a variety of outdoor foggy images demonstrate that the proposed method achieves good restoration for contrast and colorfidelity, resulting in a great improvement in image visibility.Key words Image defogging,visibility,atmospheric scattering model,bilateralfilter,white balance计算机视觉系统的很多户外应用,如城市交通、视频监控、智能车辆等,都要求图像特征的检测具备鲁棒性.然而,在雾、霾等天气条件下,大气中悬浮的大量微小水滴、气溶胶的散射作用导致捕获的图像严重降质,这极大地限制和影响了户外系统的功能.随着物体到成像设备的距离增大,大气粒子的散射作用对成像的影响逐渐增加.这种影响主要由两个散射过程造成:1)物体表面的反射光在到达成像设备的过程中,由于大气粒子的散射而发生衰减;2)自然光因大气粒子散射而进入成像设备参与成像.它们的共同作用造成捕获的图像对比度、饱和度降低,以及色调偏移,不仅影响图像的视觉效果,而且影响图像分析和理解的性能.在计算机视觉领域中,常用大气散射模型来描述雾、霾天气条件下场景的成像过程.近期几乎所有的去雾算法均建立在此模型之上,只是利用方式收稿日期2010-07-22录用日期2010-09-15Manuscript received July22,2010;accepted September15, 20101.清华大学电子工程系北京1000842.北京工业大学计算机学院北京1001243.清华大学深圳研究生院深圳5180551.Department of Electronic Engineering,Tsinghua University, Beijing1000842.College of Computer Science and Tech-nology,Beijing University of Technology,Beijing1001243. Graduate School at Shenzhen,Tsinghua University,Shenzhen 518055上有所不同.不同的方法采用不同的方式估计模型中的参数.依据所需要的成像系统或成像场景的附加信息,可将基于物理模型的方法分为4类.前两类方法利用同一场景的多幅输入图像,即不同天气条件下获取的多幅图像[1−5],或者不同偏振程度的多幅图像[6−9].然而,在实际应用中,通常都无法满足这样的特殊条件.后两类方法试图从单幅图像出发估计景深或景深相关项,进而恢复清晰的图像.受单幅图像信息量的限制,第3类方法利用场景的先验信息或用户交互估计景深.Oakley等[10−11]借助航拍相关参数来估计地形模型.但是,这种方法需要估计的参数过多.Narasimhan等[12]利用用户输入的信息对景深进行粗估计.为此,最近的研究工作[13−17]热衷于探索第4类方法,这类方法通过对图像数据做各种假设,从单幅图像中恢复场景信息.一般情况下,构造满足假设条件的代价函数和约束方程(组),使用最优化方法求解模型参数.基于数据假设的单幅图像去雾算法几乎均存在计算过程复杂、耗时的问题,难以应用到实际场合.本文提出了一种新的基于大气散射模型的快速去雾算法.该算法从大气散射模型出发,通过对大气光照进行白平衡(White balance),从而简化模型表示形式;利用快速双边滤波方法(Fast bilateralfiltering)144自动化学报37卷来估计大气耗散函数(Atmospheric veil),进而利用简化模型解出场景反照率(Scene albedo).本文算法的时间复杂度达到图像像素数的线性函数.此外,仅要求单幅输入图像,并且无需任何场景结构信息或用户交互.本文后续的内容安排如下:第1节描述大气散射模型,并回顾现有的基于数据假设的单幅图像去雾算法.第2节详细地描述本文提出的算法.第3节给出实验比较与分析.第4节为全文的结论.1背景Narasimhan等[4−5]给出雾、霾天气条件下单色大气散射模型(Monochrome atmospheric scat-tering model),即窄波段摄像机所拍摄的图像灰度值I(x)可表示为I(x)=Aρ(x)e−βd(x)+A1−e−βd(x)(1)式中,x为空间坐标,A表示天空亮度(Skylight),ρ为场景反照率,d为场景的景深,β为大气散射系数.如图1所示,大气散射模型由两项组成.第一项表示衰减模型(Attenuation model),也称为直接传播(Direct transmission)或直接衰减(Direct atten-uation).由于大气粒子的散射作用,一部分物体表面的反射光因散射而损失,未被散射的部分直接到达成像传感器,其光强随着传播距离的增大而呈指数衰减.第二项表示环境光模型(Airlight model).这是因为大气粒子对自然光的散射引起大气表现出光源的特性.环境光的强度随着传播距离的增大而逐渐增加.图1大气散射模型示意图Fig.1Atmospheric scattering modelNarasimhan等指出该模型的假设条件是单次散射、均匀大气介质,以及大气粒子对可见光的散射系数与波长无关.因此,该模型不适用于数千米之外场景成像的衰减补偿.基于物理模型的方法实质上是利用大气散射模型求解场景反照率.由于该物理模型包含3个未知参数,从本质上讲,这是一个病态反问题.最近提出的单幅图像去雾算法利用图像数据本身构造约束场景反照率或(和)景深的假设条件.Tan[13]假设局部区域的环境光为常数,以及对比度显著增强.在马尔可夫随机场(Markov ran-domfield,MRF)模型的框架下,构造关于边缘强度的代价函数,使用图分割(Graph cut)理论来估计最优光照.该算法旨在增强图像的对比度.尽管明显地改善了图像的视见度,然而,由于没有从物理模型上恢复真实场景反照率,恢复后的颜色显得过饱和,且在景深突变的交界区域产生严重的Halo效应.Fattal[14]假设图像局部区域的反照率为常向量(Constant albedo),以及物体表面色度(Surface shading)与介质传播(Medium transmission)具有局部统计不相关性.利用独立成分分析(Indepen-dent component analysis,ICA)来估计常向量反照率.该算法本质上是非线性反问题的求解,它的性能在很大程度上取决于输入数据的统计特性.独立成分变化不显著或颜色信息不足将导致统计估计不可靠.He等[15]假设在至少一个颜色通道的局部区域内,场景反照率趋于0,使用最小值滤波对介质传播函数进行粗估计.然后,借助图像抠图(Image matting)算法对介质传播函数进行细化(Refining).这种细化方法实质上是一个大规模稀疏线性方程组的求解问题,具有很高的时间复杂度和空间复杂度.需要指出的是,图像抠图引入α通道的目的是使前景与背景过渡区域的边缘柔化或反混叠(Anti-aliasing),而介质传播函数为场景辐射(Scene radiance)的指数衰减因子.因此,将图像抠图算法用于介质传播函数的细化并不合理.并且,在所用的代价函数中,数据项起着很小的作用.但若提高正则参数的取值,则景深突变边缘处的颜色易产生过冲失真(Overshoot distortion).Kratz等[16]假设场景反照率和景深是统计独立的,并可用正则概率先验对它们建模.场景反照率的梯度建模为幂函数重尾分布先验(Heavy-tail prior),而景深先验取决于特定场景,根据自然场景特征建模为δ分段常值函数或者高斯平滑函数.通过求解一个最大后验概率(Maximum a posteriori, MAP)估计问题,从而联合估计出场景反照率和景深.该算法需根据特定图像选取景深先验模型,且根据经验给定先验模型中的参数.Tarel等[17]假设大气耗散函数在可行域中逼近最大值,且局部变化平缓,提出了一种快速图像去雾算法.该算法利用中值滤波的变形形式估计大气耗散函数.但是,中值滤波并非好的边缘保持滤波器,不恰当的参数设置易引入Halo效应.此外,该算法参数较多,不易调整.2期禹晶等:基于物理模型的快速单幅图像去雾方法1452本文的算法本文在快速双边滤波方法的基础上,提出了一种快速单幅图像去雾算法.本文的算法可分为3个步骤:1)估计天空亮度,并对大气光照进行白平衡,从而简化大气散射模型;2)利用快速双边滤波估计大气耗散函数;3)求解简化的大气散射模型,恢复场景反照率.2.1大气散射模型的简化2.1.1天空亮度的估计直接用最亮像素值估计天空亮度A [8]易受到高亮噪声或白色物体的影响.文献[15]先分别对各颜色分量进行灰度腐蚀操作,再取颜色分量之间的最小值,从中选取0.1%最亮的像素,用对应原图像中的最大像素值估计天空亮度A .为了滤除图像中白色物体对估计天空亮度的影响,结构元素的尺寸应大于图像中白色物体的尺寸.但是,若图像中的天空区域也小于结构元素的尺寸,则将错误地滤除天空区域.如图7所示的后两幅自然场景图像,仅可从树枝之间看到天空,图像中天空区域的面积较小,因此,较大的尺寸容易将天空区域完全腐蚀.显而易见,天空区域具有3个特性:1)亮度较高;2)灰度平坦;3)位置偏上.本文将满足以上3个特性的像素集合确定为天空区域.首先,对彩色图像的最小颜色分量进行最小值滤波,也称为灰度腐蚀操作,可表示为I min (x )=miny ∈Ω(x )minc ∈{R,G,B }I (y )(2)式中,c ∈{R,G,B }分别表示R 、G 、B 颜色通道;Ω(x )表示以像素x 为中心的邻域,其尺寸自适应地与图像宽和高中的最小值成比例,本文中取0.025.然后,采用Canny 算子对彩色图像的灰度分量进行边缘检测,对边缘图像进行分块统计,计算各图像块中边缘像素数所占的比例,记为N edge (x ).同时满足I min (x )>T v 且N edge (x )<T p 的像素集合指定为候选天空区域.本文设定亮度阈值T v 为I min (x )中最大值的95%,平坦阈值T p 为0.001.图2(a)为一幅雾天拍摄的图像,在图2(b)中候选天空区域用青色标识.最后,对候选天空区域标记连通分量.利用天空区域位置的先验信息,选取图像上方的一个连通分量作为天空区域.在原图像的对应区域中,将最大像素值确定为天空亮度A 的估计值.(a)原图像(a)Input image(b)候选天空区域(黑色区域)(b)Candidate for sky region(black area)图2候选天空区域图示Fig.2Candidates for sky region2.1.2白平衡为了简化式(1)的描述,用介质传播函数t (x )表示指数衰减项e −βd (x ),即t (x )=e −βd (x )(3)式中,0<t (x )<1.大气耗散函数定义为V (x )=1−t (x )(4)显然,0<V (x )<1.大气耗散函数表示环境光对场景成像的附加部分,它是关于景深d (x )的增函数.WP (White point)算法,也称为Max-RGB 算法,利用R 、G 、B 颜色分量的最大值来估计光照的颜色[18].本文用已估计的天空亮度A 替换最大值,从而对大气光照进行白平衡,即将大气光照的颜色校正到灰度轴方向上.修改WP 算法的白平衡处理正好是对图像除以天空亮度A .为此,对式(1)两端除以A ,并将式(3)和式(4)代入式(1),大气散射模型可改写为I (x )A=ρ(x )t (x )+V (x )(5)对于图像中亮度高于天空亮度的区域,则对应I (x )/A >1.为了下一节估计大气耗散函数的目的,将白平衡校正的图像I (x )/A 限制在[0,1]范围内,用I (x )表示为I (x )=min I (x )A ,1 (6)进而,大气散射模型可简化为I (x )=ρ(x )t (x )+V (x )(7)在I (x )中,天空亮度A 校正为白色(1,1,1)T.146自动化学报37卷2.2大气耗散函数的估计2.2.1粗估计由于雾、霾的存在,随着场景到成像设备的距离增大,环境光对成像的作用逐渐增加.从视觉效果来看,图像中雾的浓度逐渐增强,图像的亮度逐渐增大.因此,图像亮度是场景景深的依据.根据式(7)表示的物理模型可知,大气耗散函数V (x )受两个条件的约束:1)V (x )≥0,即V (x )为正值;2)V (x )≤I (x ),即V (x )不大于I (x )的最小颜色分量.本文假设恢复后的对比度被尽可能地提高,且非景深突变的边缘处,景深平缓变化[17],通过由粗到细的两步估计大气耗散函数.第1步,用I (x )的最小颜色分量对大气耗散函数进行粗估计,即˜V (x )=min c ∈{R,G,B }I (x )(8)这基本上与文献[15]的观点保持一致,即在雾、霾天气条件下零反照率(全吸收)颜色波段成像的灰度值主要是环境光的贡献.图4(a)为图2(a)中大气耗散函数的粗估计结果.2.2.2基于快速双边滤波的细化操作由于大气耗散函数仅是关于景深d (x )的函数,而与反照率ρ(x )无关.第2步,对大气耗散函数的粗估计˜V(x )进行区域平滑操作,保持景深突变的边缘细节,这可以看作一个滤波问题.He 等[15]估计介质传播函数的第1步实际上等效于对˜V(x )进行最小值滤波,但是,单一的最小值滤波会产生Halo 效应和块效应.第2步借助图像抠图算法对介质传播函数进行细化操作.Tarel 等[17]本质上是对˜V(x )进行中值滤波来估计大气耗散函数.这两种方法的问题见第1节中的描述.为此,本文提出利用快速双边滤波方法来估计大气耗散函数V (x ).Tomasi 等[19]于1998年提出了双边滤波的理论.双边滤波是一种边缘保持的非迭代平滑滤波方法.它的权重由空域(Spatial domain)S 和值域(Range domain)R 平滑函数的乘积给出.随着与中心像素的距离以及灰度差值的增大,邻域像素的权重逐渐减小.本文使用高斯型双边滤波,即空域和值域平滑函数均是高斯函数.对于大气耗散函数的粗估计˜V (x ),利用高斯型双边滤波进行细化操作,可表示为V (x )=1W b y ∈SG σs ( x −y )G σr ˜V (x )−˜V (y ) ˜V (y )(9)其中,W b 为归一化系数W b=y ∈SG σs ( x −y )G σr˜V (x )−˜V (y )(10)式中,G σs 和G σr 为高斯函数,σs 为空域高斯模板的尺寸,σr 为值域高斯函数的尺度.如图3所示,图3(a)为图2(a)中图像块(白色方框)的三维网格图,图3(b)和图3(c)分别为中心像素的空域滤波器G σs 的权重和双边滤波器G σs ×G σr 的权重.对于与中心像素距离相近且灰度差值较小的像素,双边滤波赋予较大的权重;而对于距离相近但灰度差值较大的像素,赋予较小的权重.因此,双边滤波可以很好地保持图像边缘,从而有效地抑制了恢复结果中由于景深突变而在边缘处引入的Halo 效应.(a)图2(a)中白色方框标出的图像块(a)Three-dimensional plot of the small-squared patch in Fig.2(a)(b)中心像素的空域滤波器权重(b)Spatial filter for the central pixel(c)中心像素的双边滤波器权重(c)Bilateral filter for the central pixel图3双边滤波示意图Fig.3Bilateral filtering2期禹晶等:基于物理模型的快速单幅图像去雾方法147由于双边滤波是一种非线性滤波,空域卷积的快速算法已不再适用.根据式(9)直接计算双边滤波的时间开销很大.因此,最近提出了快速双边滤波算法[20−21],探索双边滤波的近似算法,它们在速度上有很大的提高,而在精度上仅有微小的下降.Paris等[21]在信号处理理论的基础上,提出了一种快速近似计算,并分析了数值逼近精度.该算法将双边滤波表示为三维乘积空间S×R中线性移不变卷积,在降采样的高维空间执行低通滤波,最后线性插值到初始分辨率,获得最终的双边滤波结果.本文利用文献[21]的快速双边滤波算法估计大气耗散函数V(x).进一步,根据式(4)计算介质传播函数t(x)为t(x)=1−V(x)(11)图4(b)显示了图2(a)的介质传播函数.(a)大气耗散函数的粗估计(a)Coarser atmospheric veil(b)介质传播函数(b)Medium transmission图4大气耗散函数的粗估计与介质传播函数图示Fig.4Coarser atmospheric veil and correspondingmedium transmission2.3场景反照率的恢复利用已估计的大气耗散函数V(x)和介质传播函数t(x),依据式(7)来解出场景反照率ρ(x).由式(8)可知,图像I (x)与大气耗散函数V(x)的差值极可能接近0.与此同时,天空位于无穷远处,其介质传播函数t(x)趋于0.在这种情形下,直接恢复场景反照率将导致天空区域的颜色发生严重失真.为了避免0/0型(或者非常小的两数相除)的不确定值,本文引入因子κ(0<κ<1),场景反照率ρ(x)由下式计算:ρ(x)=I (x)−κV(x)t(x)(12)式中,κ的引入强制恢复结果中的天空区域为白色.由于平坦的天空区域因图像压缩、镜头光学结构、传感器性能、彩色插值算法等诸多降质因素而产生伪轮廓.因此,为了达到最优的显示效果,图像中天空区域所占的比例越大,κ的取值应越小.在本文中,κ简单地取值为0.95.最后,截断[0,1]范围以外的值,而无需文献[17]中动态范围压缩或文献[15]中曝光量(Expo-sure)增加等后处理过程.3实验比较与分析3.1算法复杂度分析设一幅图像的尺寸为s x×s y,在文献[21]中,快速双边滤波算法的时间复杂度可达到O(s x s y),而本文中其他步骤均为简单操作.因此,本文算法的时间复杂度也为O(s x s y).可见,这仅是图像像素数的线性函数,因而具有很高的执行效率.Tarel算法的Matlab代码参见网站http://pe rso.lcpc.fr/tarel.jean-philippe/publis/iccv09.html,其时间复杂度为O(s x s y s2vln s v),其中,s v为中值滤波的模板尺寸.在Tarel算法中,中值滤波的模板尺寸一般取值较大,如图5中下图为原文中的图例, s v的取值为61.3.2实验结果为了验证所提出算法的性能,本文将与Tarel算法进行比较,并给出在更多户外场景的雾霾图像上的复原结果.如图5所示,(a)列为原图像,(b)列为Tarel算法的结果,参数为p=0.95,s v=61,(c)列为本文算法的结果.从图5中可以看出,Tarel算法处理的图像颜色显得过饱和(注意图5中的草地和天空区域),且在景深突变的边界易产生Halo效应(注意图5中树木和天空区域的交界处).本文的算法更好地再现了场景的真实颜色,且有效地降低了Halo效应.本文的算法应用于大量户外场景的雾霾图像上取得了较好的去雾效果.图6和图7分别给出了部分城市场景和自然场景的实验结果.(a)列为原图像,(b)列为介质传播函数,(c)列为最终恢复的场景反照率.从图6和图7中可以看出,本文的算法有效地去除了图像中雾霾的作用,再现了场景的对比度和颜色,从而在很大程度上提高了图像的视见度. 4结论本文提出了一种新的基于双边滤波方法的大气耗散函数估计方案.本文的算法从单幅图像出发,自动地恢复场景反照率,无需任何场景的附加信息.通过分析得出本文算法的时间复杂度仅是图像像素数的线性函数,处理速度快.最后,在大量雾霾图像上的实验结果验证了本文算法的有效性.与现有的大多数算法存在的共同问题是,本文的算法对白色物体的恢复效果不太理想.148自动化学报37卷图5本文算法与Tarel 算法的实验结果比较((a)原图像;(b)Tarel 算法的结果;(c)本文算法的结果)Fig.5Comparison with Tarel s work ((a)Input images;(b)Tarel s results;(c)Ourresults)图6城市场景去雾结果((a)原图像;(b)介质传播函数;(c)场景反照率)Fig.6Fog removal results in urban scenes ((a)Inputimages;(b)Transmission maps;(c)Unveiledimages)图7自然场景去雾结果((a)原图像;(b)介质传播函数;(c)场景反照率)Fig.7Fog removal results in natural scenes ((a)Inputimages;(b)Transmission maps;(c)Unveiled images)致谢感谢Tarel 和Hauti 提供了所提出算法的Mat-lab 源代码.References1Nayar S K,Narasimhan S G.Vision in bad weather.In:Proceedings of the 7th IEEE International Conference on Computer Vision.Kerkyra,Greece:IEEE,1999.820−8272Narasimhan S G,Nayar S K.Chromatic framework for vi-sion in bad weather.In:Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE,2000.598−6053Narasimhan S G,Nayar S K.Vision and the atmosphere.International Journal of Computer Vision ,2002,48(3):233−2544Narasimhan S G,Nayar S K.Removing weather effects from monochrome images.In:Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recog-nition.Washington D.C.,USA:IEEE,2001.186−1935Narasimhan S G,Nayar S K.Contrast restoration of weather degraded images.IEEE Transactions on Pattern Analysis and Machine Intelligence ,2003,25(6):713−7246Schechner Y Y,Narasimhan S G,Nayar S K.Instant de-hazing of images using polarization.In:Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE,2001.325−3327Schechner Y Y,Narasimhan S G,Nayar S K.Polarization-based vision through haze.Applied Optics ,2003,42(3):511−5258Namer E,Schechner Y Y.Advanced visibility improvement based on polarization filtered images.In:Proceedings of the Polarization Science and Remote Sensing II.San Diego,USA:SPIE,2005.36−459Shwartz S,Namer E,Schechner Y Y.Blind haze separation.In:Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE,2006.1984−199110Oakley J P,Satherley B L.Improving image quality inpoor visibility conditions using a physical model for con-trast degradation.IEEE Transactions on Image Processing ,1998,7(2):167−17911Tan K,Oakley P J.Physics-based approach to color imageenhancement in poor visibility conditions.Optical Society of America ,2001,18(10):2460−246712Narasimhan S G,Nayar S K.Interactive (de)weatheringof an image using physical models.In:Proceedings of the ICCV Workshop on Color and Photometric Methods in Computer Vision.Nice,France:IEEE,2003.1387−139413Tan R T.Visibility in bad weather from a single image.In:Proceedings of the IEEE Conference on Computer Vi-sion and Pattern Recognition.Anchorgae,USA:IEEE,2008.1−82期禹晶等:基于物理模型的快速单幅图像去雾方法14914Fattal R.Single image dehazing.ACM Transactions on Graphics,2008,27(3):1−915He K M,Sun J,Tang X O.Single image haze removal using dark channel prior.In:Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition A: IEEE,2009.1956−196316Kratz L,Nishino K.Factorizing scene albedo and depth from a single foggy image.In:Proceedings of the IEEE In-ternational Conference on Computer Vision.Kyoto,Japan: IEEE,2009.1701−170817Tarel J P,Hautiere N.Fast visibility restoration from a sin-gle color or gray level image.In:Proceedings of the12th IEEE International Conference on Computer Vision Kyoto.Japan:IEEE,2009.2201−220818Cardei V,Funt B,Barnard K.White point estimation for uncalibrated images.In:In:Proceedings of the7th IS and T/SID Color Imaging Conference:Color Science,Systems and Applications.Scottsdale,USA:Society for Imaging Sci-ence and Technology,1999.97−10019Tomasi C,Manduchi R.Bilateralfiltering for gray and color images.In:Proceedings of the6th International Conference on Computer Vision Bombay.India:IEEE,1998.839−84620Yang Q X,Tan K H,Ahuja N.Real-time O(1)bilateral filtering.In:Proceedings of the IEEE Conference on Com-puter Vision and Pattern Recognition.Miami,USA:IEEE, 2009.557−56421Paris S,Durand F.A fast approximation of the bilateralfil-ter using a signal processing approach.International Journal of Computer Vision,2009,81(1):24−52禹晶清华大学电子工程系博士研究生.主要研究方向为模式识别与图像处理.本文通信作者.E-mail:j-yu08@(YU Jing Ph.D.candidate in theDepartment of Electronic Engineering,Tsinghua University.Her research in-terest covers pattern recognition and image processing.Corresponding author of this paper.)李大鹏北京工业大学计算机学院硕士研究生.主要研究方向为模式识别与图像处理.E-mail:lidapeng@(LI Da-Peng Master student at theCollege of Computer Science and Tech-nology,Beijing University of Technol-ogy.His research interest covers pat-tern recognition and image processing.)廖庆敏清华大学教授.1994年获得法国Rennes大学信号处理与通信博士学位.主要研究方向为图像和视频处理与分析、计算机视觉及其应用.E-mail:liaoqm@(LIAO Qing-Min Professor at Ts-inghua University.He received hisPh.D.degree in signal processing and telecommunications from University of Rennes,France,in 1994.His research interest covers image/video analysis, computer vision and its applications.)。
单幅图像去雾方法研究
关键 词 雾霾 ； 大 气退化 ； 图像 去雾 ； 图像恢 复 ； 图像 增 强 ； 人 眼视 觉
ＤｏＩ １ ０ ． ３ ９ ６ ９ ／ Ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ９ — ３ ５ １ ６ ． ２ Ｏ １ ３ ． ０ ６ ． ０ １ ２
中 图分 类 号
ＴＰ ３ ９ １ ． ４ １
Ｂ Ｉ Ｄｕ — ｙ ａ ｎ ， ＧＥ Ｙｕ ａ ｎ ， ＬＩ Ｑｕ ａ ｎ — ｈ ｅ ， ＲＥＮ Ｚ ｈ ｉ — ｈ ｅ 。 ， ＮＡＮ Ｄｏ ｎ ｇ ， ＣＨＥＮ Ｊ ｉ ａ ｎ — ｐ ｅ ｎ ｇ
（１ ． Ａｅ ｒ ｏｎ ａ ｕｔ ｉ ｃ ｓ ａ ｎｄ Ａｓ ｔ ｒ ｏ ｎａ ｕ ｔ ｉ ｃ ｓ Ｅｎ ｇｉ ｎｅ ｅ ｒ ｉ ｎｇ Ｃｏ ｌ ｌ ｅ ｇｅ，Ａｉ ｒ Ｆｏｒ ｃ ｒ ｓ ｉ ｔ ｙ，Ｘｉ ａ ｎ ７ １ ０ ０３ ８， Ｃｈ ｉ ｎａ；２．Ｎｏ ｒ ｔ ｈｗｅ ｓ ｔ Ｉ ｎ ｓ ｔ ｉ ｔ ｕｔ ｅ ｆ ｏ ｒ Ｎｏ ｎｆ ｅ ｒ ｒ ｏ ｕｓ Ｍｅ ｔ ａ ｌ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ，Ｘｉ ａ ｎ ７ １ ０ ０１ ６，Ｃｈ ｉ ｎａ； ３．Ｈｅ ａ ｄｑ ｕ ａ ｒ ｔ ｅ ｒ ｓ ｏ ｆ
摘 要 介 绍 了单 幅 图像 去雾 方法 的研 究现状 、 分析 了基于 增强 方法和 基于 复复 方 法 的一些 经典 图像 去雾 算法 ， 指 出 了各 种 算法 的优缺 点。 综合评价 得 出基于 复原 的 图像 去雾 方 法优 于基 于 增
强 的 图像 去雾 方法 。针 对 现有 的基 于 图像复 原去 雾方 法提 出 了仍 需要深 入研 究 的 问题 ， 并从 建
文 献 标 志 码 Ａ
文 章 编 号 １ ０ ０ ９ — ３ ５ １ ６ （ ２ ０ １ ３ ） ０ ６ — ０ ０ ４ ６ — ０ ８
基于单幅图像的去雾算法研究
ＫＥＹ ＷＯＲＤＳ：Ｉｍａｇｅ ｄｅｈａｚｉｎｇ，Ｉｍａｇｅ
Ｉｍａｇｅ ｒｅｓｔｏｒａｔｉｏｎ，ＭＡＴＬＡＢ
ｄｅｆｏｇｇｉｎｇ，Ｃｏｍｐｕｔａｔｉｏｎａｌ ｐｈｏｔｏｇｒａｐｈｙ，
独创性声明
本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表
ａｓ
ｄｕｓｔ，ｍｉｓｔ，ａｎｄ ｆｕｍｅｓ ｗｈｉｃｈ ｗｉｌｌ
ｃａｕｓｅ
ｓｕｒｆａｃｅ ｃｏｌｏｒｓ
ａｎｄ ｃｏｎｔｒａｓｔｓ ｂｅｃｏｍｅ ｒｅｄｕｃｅｄ．Ｉｔ ｍａｋｅｓ ａｎｄ ｄａｉｌｙ ｌｉｆｅ．Ｍａｎｙ
ｆｉｅｌｄｓ
ቤተ መጻሕፍቲ ባይዱ
ｍａｎｙ ｔｒｏｕｂｌｅｓ ｔｏ Ｐｅｏｐｌｅ’Ｓ ｄｅｆｏｇ ａｌｇｏｒｉｔｈ，ｓｕｃｈ
ａｌｅ
Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｃｏｍｐｕｔａｔｉｏｎａｌ ｐｈｏｔｏｇｒａｐｈｙ ａｎｄ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｕｓｅｄ ｔｏ ｒｅｓｔｏｒｅ．ｔｈｅ ｃｌｅａｒｎｅｓｓ ｏｆ ｉｍａｇｅｓ ｒｅｓｅａｒｃｈ
ｔａｋｅｎ ｉｎ
ｆｏｇ
ｓｃｅｎｅｓ
ａｕｔｍａｔｉｃａｌｌｙ．Ｔｈｅ
ｍａｉｎ
ｃｏｎｔｅｎｔｓ
ｉｎｃｌｕｄｅ ｔｈｅ ｆｏｌｌｏｗｉｎｇ： ｔｈｅ
（１）Ｗｅ ｒｅｓｅａｒｃｈ ａｎｄ ｄｅｓｃｒｉｂｅ
ｔｅｃｈｎｏｌｏｇｉｅｓ
ｕｓｅｄ ｔｏ ｒｅｓｔｏｒｅ ｔｈｅ ｃｌｅａｒｎｅｓｓ ｏｆｔｈｅ ｆｏｇ
ｓｃｅｎｅ
ｔｈｅ ｂａｓｉｓ ｏｆ ｔｈｉｓ ｐａｐｅｒ，ｗｈｉｃｈ ｉｎｃｌｕｄｅｓ ｄｉｇｉｔａｌ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ
基于深度学习的单幅图像去雾算法综述
科技与创新｜Science and Technology & Innovation2024年 第02期DOI ：10.15913/ki.kjycx.2024.02.033基于深度学习的单幅图像去雾算法综述＊李武劲，刘昱泽，刘道城，姜 林，罗 娜（湖南理工学院，湖南 岳阳 414000）摘 要：随着人工智能技术的快速发展，深度学习已经成为解决图像去雾问题的主要方法之一。
综述了当前深度学习在图像去雾中的应用研究进展，主要包括基于传统卷积神经网络的方法、基于生成对抗网络的方法、多尺度方法等。
对比分析了不同方法的优缺点，并对未来的研究方向进行了探讨。
关键词：深度学习；单幅图像去雾算法；图像去雾；多尺度方法中图分类号：TP391.41；TP18 文献标志码：A 文章编号：2095-6835（2024）02-0114-03——————————————————————————＊［基金项目］2022年度湖南省大学生创新创业训练计划一般项目“基于自相似性的水下图像清晰化算法研究”（编号：5373）图像去雾是计算机视觉领域中的一个重要问题，其目的是从有雾图像中还原出无雾图像。
在现实世界中，由于自然灾害、人为排放等原因，雾化图像广泛存在。
这些雾化图像通常会降低图像的质量、图像的视觉效果和识别精度。
因此，图像去雾已经成为计算机视觉中的一个重要研究方向。
在图像去雾领域，传统方法主要是基于物理模型方法，如暗通道先验方法[1]、颜色恢复方法[2]等。
但这些方法通常需要手动选择参数，处理复杂场景的效果有限。
随着深度学习技术的快速发展，基于深度学习的图像去雾算法逐渐成为研究的热点[3-5]。
深度学习算法利用深度神经网络的强大特征提取能力，自适应地学习特定场景下的图像特征，能够更好地还原有雾图像。
1 基于深度学习的单幅图像去雾算法简介深度学习去雾算法通过训练深度神经网络来实现图像去雾。
具体来说，它利用已有的带雾和清晰的图像数据集进行监督学习，训练出一种能够自动从带雾图像中恢复出清晰图像的模型。
基于物理模型的单幅雾天图像去雾方法
ｐ ｏｓ ｅ ｄ ａ ｌ ｇ ｏ ｉｔ ｒ ｈｍ．
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：ｏ ｐ ｔ ｉ ｃ ａ ｌ ｐ ｒ ｉ ｎ ｃ ｉ ｐ ｌ ｅ ；ｃ ｏ ｎ ｔ ｒ ａ ｓ ｔ ｅ ｎ ｈ ａ ｎ ｃ ｅ ｍｅ ｎ ｔ ；ａ ｍｂ ｉ ｅ ｎ ｔ ｌ ｉ ｇ ｈ ｔ ；ｉ ｍａ ｇ ｅ ｒ ｅ ｓ ｔ ｏ ｒ ａ ｔ ｉ ｏ ｎ
旷文 龙 ， 叶 青， 宋 赞
（ 长沙理工大学 电气与信 息工程 学院， 湖 南 长沙 ４ １ ０ １ １ ４ ） 摘要 ： 雾天图像 对比度降低 ， 为 了保证 图像 的可见性 ， 需要 对 图像进 行去雾处理。根据光 学原理 ， 雾天 条件 下场景 的能见
度下降是与场景深度 呈指数 关 系的。为 了对 雾天 图像 进行 清晰化 ， 提 出一种 基 于大 气光 学物 理模 型 的图像去 雾算 法。
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｉ ｒ ｃ ａ ｌ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｃ ｈ ａ ｎ ｇ ｓ ｈ ａ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｃ ｈ ａ ｎ ｇ ｓ ｈ ａ ４ １ ０ １ １ ４ ， Ｃ ｈ ｉ ｎ ａ ）
基于物理模型的快速单幅图像去雾方法
基于物理模型的快速单幅图像去雾方法禹晶;李大鹏;廖庆敏【期刊名称】《自动化学报》【年(卷),期】2011(37)2【摘要】在雾、霾等天气条件下,大气粒子的散射作用导致捕获的图像严重降质.本文提出一种新的基于物理模型的快速单幅图像去雾算法.该算法从大气散射模型出发,通过对大气光照进行白平衡,从而简化大气散射模型;利用快速双边滤波方法估计大气耗散函数,进而恢复场景反照率.本文算法的时间复杂度达到图像像素数的线性函数,具有很快的执行速度.实验结果表明本文算法有效地恢复了场景的对比度和颜色,从而明显地提高了图像的视见度.%Imaging in the atmosphere is often degraded by scattering due to atmospheric particles such as haze, fog,and mist.In this paper, we propose a novel fast defogging method based on the atmospheric scattering model.The white balance is performed and the atmospheric scattering model is simplified prior to visibility restoration.In the inference process of the atmospheric veil, the coarser estimate is refined using a fast bilateral filtering approach that preserves edges.Finally, the scene albedo is recovered by inverting this simplified model.The complexity of the proposed method is only a linear function of the number of input image pixels and this allows a very fast implementation.Results on a variety of outdoor foggy images demonstrate that the proposed method achieves good restoration for contrast and color fidelity,resulting in a great improvement in image visibility.【总页数】7页(P143-149)【作者】禹晶;李大鹏;廖庆敏【作者单位】清华大学电子工程系,北京100084;北京工业大学计算机学院,北京100124;清华大学电子工程系,北京100084;清华大学深圳研究生院,深圳518055【正文语种】中文【相关文献】1.基于物理模型的自适应快速单幅图像去雾方法 [J], 范九伦;杜超;王殿伟;伍世虔;李大湘2.基于物理模型的快速单幅图像去雾方法 [J], 唐宁;吕洋3.基于物理模型的单幅雾天图像去雾方法 [J], 旷文龙;叶青;宋赞4.基于物理模型的单幅图像去雾方法研究 [J], 张子方5.基于物理模型的自适应快速单幅图像去雾方法 [J], 范九伦;杜超;王殿伟;伍世虔;李大湘;因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的单幅图像去雾算法研究
基于深度学习的单幅图像去雾算法研究基于深度学习的单幅图像去雾算法研究摘要：雾天给图像的获取和分析带来了很大的困难，降低了图像处理和计算机视觉领域的性能。
因此，去雾算法是一个重要的研究方向。
本文主要研究了基于深度学习的单幅图像去雾算法，对现有的算法进行了回顾和分析，并提出了一种全新的算法。
实验结果表明，该算法在去除雾霾的同时保持图像细节和色彩的准确性上取得了优秀的性能。
1. 引言随着计算机视觉和图像处理的快速发展，人们对于图像质量的要求也越来越高。
然而，在雾天情况下，图像的质量往往会受到严重的影响。
雾霾会导致图像失真、细节模糊、色彩失真等问题，降低了图像的可视性和识别率。
因此，研究如何去除雾霾从而提升图像质量成为了一个重要的课题。
2. 相关工作在过去的几十年里，研究人员提出了许多不同的图像去雾算法。
最初的算法通常基于传统的图像处理技术，如曝光补偿、对比度增强等。
然而，这些算法往往无法很好地处理复杂的雾霾情况，且需要手动调整参数，不够自动化。
近年来，随着深度学习的兴起，越来越多的研究者开始将其应用于图像去雾任务中。
3. 基于深度学习的单幅图像去雾算法基于深度学习的单幅图像去雾算法通常包含两个阶段：训练阶段和测试阶段。
在训练阶段，通过提供大量的带雾和无雾图像样本来训练深度神经网络模型。
在测试阶段，将训练好的模型应用于新的带雾图像，通过学习到的特征来估计图像中的雾霾情况，进而去除雾霾。
4. 实验结果与讨论本文通过构建一个包含大量带雾和无雾图像的数据集，进行了大量的实验。
实验结果表明，我们的算法在去雾效果和保持图像细节和色彩准确性方面优于现有的算法。
我们的算法能够准确地估计并去除不同密度和厚度的雾霾，使图像恢复到更接近无雾的状态。
5. 结论在本文中，我们对基于深度学习的单幅图像去雾算法进行了研究。
通过实验验证，我们的算法在去除雾霾、保持图像细节和色彩准确性方面取得了优秀的性能。
然而，仍然有一些问题需要进一步研究和改进，如如何处理雾霾边缘和复杂场景中的雾霾。
基于深度学习的单幅图像去雾算法研究
基于深度学习的单幅图像去雾算法研究基于深度学习的单幅图像去雾算法研究一、引言随着计算机视觉领域的发展，图像处理技术在各行各业中得到了广泛应用。
但在现实场景中，由于大气中的雾霾等因素的存在，图像中的细节和清晰度往往会受到影响，降低了图像处理的准确性和可靠性。
因此，单幅图像去雾算法成为了近年来研究的热点之一。
本文将基于深度学习的方法进行单幅图像去雾算法的研究与探讨。
二、雾霾成因分析大气中的雾霾是由于水汽、尘埃、烟雾等物质的存在造成的。
当光线通过这些物质时，由于物质的吸收、散射等作用，导致图像中的细节和清晰度下降。
因此，去除雾霾的关键是准确估计出图像中的雾霾特征，以便更恢复图像的细节和清晰度。
三、传统图像去雾算法的缺点在过去的研究中，人们提出了许多传统的图像去雾算法，如暗通道先验(ACP)算法、大气散射模型(ASM)算法等。
然而，这些算法存在以下缺点：1. 对于大范围的输入图像，算法的性能不稳定且难以达到预期效果；2. 需要手动选择雾霾密度或其他参数，而这些参数对算法的效果有较大的影响；3. 在处理复杂场景的图像时，算法无法准确估计雾霾特征。
四、基于深度学习的单幅图像去雾算法近年来，深度学习技术的快速发展为图像去雾算法的改进提供了新的思路。
基于深度学习的单幅图像去雾算法通过利用大量的标注清晰图像数据进行训练，学习图像中的雾霾特征，从而在去雾过程中更准确地估计，并恢复出清晰的图像。
1. 基于卷积神经网络的去雾算法卷积神经网络(CNN)是深度学习中最经典的模型之一，用于处理图像数据具有很好的效果。
在单幅图像去雾算法中，可以通过搭建CNN模型，学习图像中的雾霾特征。
例如，通过构建一个深度的残差网络，可以从输入图像中学习到雾霾的传播模式，并将其应用于未知图像的去雾过程中。
2. 基于生成对抗网络的去雾算法生成对抗网络(GAN)是一种将生成模型与判别模型相结合的深度学习框架。
在单幅图像去雾算法中，可以使用GAN模型从雾霾图像中生成清晰图像。
单幅图像去雾算法研究
单幅图像去雾算法研究作者：***来源：《现代信息科技》2022年第02期摘要：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，并且具有高可控靈活性。
关键词：去雾;大气散射模型;图像增强中图分类号：TP391 文献标识码：A文章编号：2096-4706（2022）02-0096-05Abstract： With the improvement of computer technology and hardware capabilities， computer vision processing system has been widely used in all kinds of scenes， the images obtained in bad weather such as fog and haze will affect the subsequent image processing and further reduce the performance of computer vision processing system. Therefore， it is of great significance to improve the quality of degraded images. This paper presents a processing algorithm combining image enhancement and image restoration. The algorithm can process the residual images of different scales and the basic layer respectively， so as to preserve the image details and remove the fog， and has high controllable flexibility.Keywords： defogging; atmospheric scattering model; image enhancement0 引言计算机视觉系统的飞速发展，对图像质量提出的要求越来越高。
图像去雾方法和评价及其应用研究
图像去雾方法和评价及其应用研究图像去雾方法和评价及其应用研究随着科技进步和计算机视觉的发展，图像处理技术在各行各业都得到了广泛应用。
在一些特殊环境下，如雾霾天气或者高海拔地区，图像中常常会存在雾气，这会显著降低图像质量和可视性。
因此，图像去雾成为了计算机视觉研究中的一个重要方向。
本文将介绍一些常见的图像去雾方法及其评价方式，以及该领域的一些应用研究。
首先，我们来了解一些常用的图像去雾方法。
目前，图像去雾方法主要可以分为两类：物理模型方法和深度学习方法。
物理模型方法利用了光线传播和雾气散射的物理过程，通过建立数学模型来还原原始图像。
其中，最经典的方法是单幅图像去雾方法。
该方法基于以下假设：在雾天中，远处的物体看起来更模糊，而近处的物体看起来更清晰。
根据这一假设，可以通过估计雾的传输函数、恢复场景的深度信息和颜色信息来去除图像中的雾气。
另外，还有一些基于多尺度分解和局部对比度的方法，通过对图像进行滤波和修复来改善图像的清晰度。
深度学习方法则依靠大量的数据和强大的计算能力进行图像去雾。
这类方法利用深度卷积神经网络来学习雾去除的过程。
经过训练后，网络可以通过输入一张有雾的图像，输出一张去雾后的图像。
这种方法的优势在于不需要手动提取特征，能够自动学习复杂的图像特征，并且通用性强。
因此，深度学习方法在图像去雾领域取得了令人瞩目的成绩。
接下来，我们来讨论一下图像去雾方法的评价。
图像去雾方法的评价主要可以从两个方面进行：客观评价和主观评价。
客观评价是通过一些数学指标来评估去雾效果的好坏。
常用的客观评价指标有均方误差（MSE）、峰值信噪比（PSNR）和结构相似度（SSIM）等。
这些指标可以定量地测量去雾算法修复图像与原始图像之间的差异，从而评价去雾算法的性能。
主观评价则是通过人眼进行视觉感知的方式来评价去雾结果的质量。
主观评价主要通过请专家或者普通用户来进行图像质量的主观评估。
常用的方法有需要让专家打分的主观评估方法、要求专家进行辨认的实验以及要求参与者选择最佳结果的实验等。
单幅图像自动去雾算法
单幅图像自动去雾算法
刘巧玲;张红英;林茂松
【期刊名称】《成都大学学报（自然科学版）》
【年(卷),期】2013(032)003
【摘要】为了改善雾天环境下退化图像的视觉效果,提出一种基于物理模型的快速图像去雾算法.算法从大气散射模型出发,从有雾图像中利用腐蚀和膨胀粗略估计出大气耗散函数,再利用指导图像滤波方法细化估计大气耗散函数,进而恢复场景反照率.实验结果表明,算法可以获得更精确的大气耗散函数,复原图像的边缘轮廓及景物特征都比较清楚,可有效抑制晕环效应,且算法速度也有显著提高,可用于实时雾天图像处理.
【总页数】4页(P267-269,273)
【作者】刘巧玲;张红英;林茂松
【作者单位】成都大学电子信息工程学院,四川成都610106;西南科技大学信息工程学院,四川绵阳621010;西南科技大学信息工程学院,四川绵阳621010
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于图像融合的快速单幅图像去雾算法 [J], 周杰;杨燕;张宝山;陈高科
2.基于多尺度图像融合的单幅图像去雾算法 [J], 潘磊;郑益军
3.一种结合双区域滤波和图像融合的单幅图像去雾算法 [J], 张小刚;唐美玲;陈华;
汤红忠
4.基于像素级图像融合的单幅图像去雾算法 [J], 刘言言;沈东升;林梦雷
5.基于像素级图像融合的单幅图像去雾算法 [J], 刘言言;沈东升;林梦雷;
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于物理成像模型的单幅图像去雾算法的研究
基于物理成像模型的单幅图像去雾算法的研究
摘要：图像去雾是计算机视觉领域的一个重要研究方向，随着人工智能技术的不断发展，对单幅图像去雾算法的研究也日益深入。
本文基于物理成像模型，探讨了目前常用的单幅图像去雾算法的原理与方法，并分析了其存在的问题和改进方向。
1. 引言
雾霾天气对图像质量有着严重影响，使得图像变得模糊、低对比度、色彩失真等。
因此，图像去雾技术在许多领域具有重要意义，如交通监控、图像处理等。
目前，图像去雾算法主要分为基于物理成像模型和基于机器学习的方法。
2. 基于物理成像模型的算法原理
基于物理成像模型的算法主要基于光线传播和光照衰减的物理过程进行计算。
光线在传播过程中会发生散射、吸收等现象，导致图像被雾化。
主要物理模型有大气散射模型和透射率模型。
2.1 大气散射模型
大气散射模型描述了光线在传播中与大气中的悬浮物质发生散射的过程。
光线传播经过散射后会发生衰减，导致图像变得模糊。
该模型通常采用透射率来表示散射程度，透射率越小，散射越严重。
2.2 透射率模型
透射率模型是基于图像和原始场景的透射率之间的关系来进行去雾的。
透射率描述了图像中每个像素点与原始场景之间的透射程度，透射率越小，图像越浑浊。
根据透射率模型，可以得到去雾图像和透射率之间的关系，从而将图像中的雾霾信息去除。
3. 基于物理成像模型的算法方法
基于物理成像模型的算法可以分为两类：直接法和间接法。
3.1 直接法
直接法通过对图像的像素值进行处理，直接恢复出去雾图像。
其中经典的直接法有暗通道先验法和全局大气光估计法。
暗通道先验法基于观察到的现象，即在大多数图像中存在一个较暗的通道，该通道的像素值在真实场景中透射率较小的区域接近0。
全局大气光估计法通过计算图像中的亮点来估计图像的大
气光照。
3.2 间接法
间接法通过先估计透射率，再根据透射率恢复图像。
典型的间接法有暗通道先验约束和最小二乘法。
暗通道先验约束法通过利用暗通道先验，结合亮度和对比度信息进行透射率估计。
最小二乘法通过最小化图像像素与原始图像之间的均方误差来求解透射率。
4. 算法存在的问题和改进方向
尽管基于物理成像模型的算法在图像去雾领域取得了很大进展，但仍存在一些问题和改进空间。
首先，透射率估计不准确，导致去雾效果与真实场景有出入。
其次，算法对特定场景和光照条件敏感，不适用于所有情况下的图像去雾。
因此，改进算法的准确性和鲁棒性成为未来研究的方向。
结论
本文通过基于物理成像模型的算法原理和方法对单幅图像去雾算法进行了研究。
基于物理成像模型的算法通过模拟光线传播和散射的物理过程，对图像进行去雾处理。
该算法可以直接法和间接法两种形式进行实现。
虽然目前算法存在一些问题，但基于物理成像模型的算法仍然具有重要的应用前景和研究价值。
未来的研究方向可以将目光投向透射率估计的准确性和算法的鲁棒性，以进一步提升去雾算法的性能和效果
本文对基于物理成像模型的单幅图像去雾算法进行了探讨和研究。
通过模拟光线传播和散射的物理过程，这些算法能够对图像进行去雾处理，从而改善图像的视觉质量。
在算法实现方面，可以使用直接法和间接法两种形式。
尽管这些算法已经取得了很大的进展，但仍存在一些问题，比如透射率估计不准确以及对特定场景和光照条件敏感等。
因此，未来的研究可以集中在提高透射率估计的准确性和算法的鲁棒性方面，以进一步提升图像去雾算法的性能和效果。
基于物理成像模型的单幅图像去雾算法具有重要的应用前景和研究价值。