单幅图像的快速去雾算法

合集下载

结合高斯滤波和导向滤波的单幅图像去雾算法

结合高斯滤波和导向滤波的单幅图像去雾算法随着科技的不断发展，数字图像处理技术在各行各业中都扮演着重要的角色。

图像去雾是数字图像处理中的一个重要领域，其应用范围涉及到无人机航拍、自动驾驶、安防监控等领域。

在这些领域中，图像质量直接影响到系统的性能和效果。

如何去除图像中的雾霾成为了一个重要的研究课题。

在图像去雾算法中，常常会结合多种图像处理技术来提高去雾效果。

本文将介绍一种结合高斯滤波和导向滤波的单幅图像去雾算法，该算法能够在保持图像细节的同时有效去除图像中的雾霾。

1. 高斯滤波高斯滤波是一种常用的图像平滑技术，其基本思想是根据高斯函数的形状对图像中的像素进行加权平均。

高斯滤波可以有效的抑制图像中的噪声，同时可以保留图像的边缘信息。

在去雾算法中，高斯滤波可以用来对图像进行预处理，去除图像中的部分噪声和干扰，从而提高后续处理的效果。

2. 导向滤波步骤1：对输入的雾霾图像进行预处理，使用高斯滤波去除部分噪声和干扰。

步骤2：利用导向滤波对预处理后的图像进行多尺度的滤波，得到去雾后的图像。

步骤3：根据不同场景和需求，对去雾后的图像进行调整和优化，得到最终的去雾图像。

在实际应用中，结合高斯滤波和导向滤波的单幅图像去雾算法也面临着一些挑战和改进空间。

该算法对图像的预处理和参数设置要求较高，需要针对不同的场景和图像特点进行优化和调整。

未来的研究可以在进一步优化算法的性能和效果上进行探索，从而提高算法在实际应用中的稳定性和可靠性。

结合高斯滤波和导向滤波的单幅图像去雾算法是一种有效的图像去雾方法，能够在保持图像细节的同时有效去除图像中的雾霾。

该算法在无人机航拍、自动驾驶、安防监控等领域有重要的应用前景，为这些领域中的图像处理提供了重要的技术支持。

未来的研究可以在进一步优化算法性能和效果的基础上，探索其在更多领域中的应用，从而推动图像去雾技术的发展和应用。

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。

图像去雾技术研究进展

图像去雾技术研究进展图像去雾技术研究进展一、引言雾霾天气给城市生活带来了很大的困扰，不仅降低了人们的生活质量，也给城市管理者带来了很大的挑战。

在此背景下，图像去雾技术的研究迅速发展，在改善图像质量的同时，也为我们认识雾霾天气提供了一种新的途径。

本文将详细介绍图像去雾技术的研究进展，包括基础算法、改进算法以及应用领域。

二、基础算法图像去雾的基础算法主要有两种，分别是单幅图像去雾算法和多幅图像去雾算法。

1. 单幅图像去雾算法单幅图像去雾算法是最早提出的一种算法，它通过从单幅图像中估计雾的传输矩阵来恢复清晰的图像。

最常见的算法是使用暗通道先验原理进行估计。

该算法假设在绝大多数的非雾像素区域中，至少存在一个颜色通道的像素值接近于0，通过计算每个像素点在颜色通道中的最小值，可以估计出雾的浓度和传输矩阵，从而实现图像去雾的效果。

2. 多幅图像去雾算法多幅图像去雾算法是在单幅算法的基础上发展起来的。

由于单幅图像去雾算法需要对雾的传输矩阵进行估计，这个过程中很难准确地估计雾的浓度和传输矩阵。

为了解决这个问题，研究者们提出了多幅图像去雾算法。

这种算法通过利用多幅具有不同对比度的图像，来进行雾的浓度和传输矩阵的估计，从而提高了去雾效果。

三、改进算法虽然基础算法在一定程度上可以去除雾霾的影响，但是仍然存在一些问题，如去雾结果中可能会出现颜色失真、细节丢失等情况。

为了进一步改善去雾效果，研究者们提出了一系列的改进算法。

1. 多尺度算法多尺度算法是一种常用的改进算法，它通过将图像分解为多个尺度的子图像，然后对每个子图像进行去雾处理，再将处理结果进行融合。

这种算法可以充分利用图像的局部特征，并且能够提高去雾结果的质量。

2. 深度学习算法深度学习算法是目前研究较为活跃的一种改进算法。

它通过构建深度神经网络模型，利用大量的真实雾霾图像训练模型，从而实现对雾霾图像的去雾。

深度学习算法不仅可以提高去除雾霾的效果，还可以减少人工干预，提高算法的自动化程度。

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。

基于二次滤波的单幅图像快速去雾算法研究

基于二次滤波的单幅图像快速去雾算法研究近年来，由于环境污染的严重，大气中的大量灰尘、酸雨等会影响外界光照，使得单幅图像曝光过于浅，颜色失真，对于这种因雾影响导致的图像质量下降，采用各种去雾技术已经成为目前图像处理中的重要研究领域之一。

通过处理可以使单幅图像恢复到更清晰、色彩更准确、曝光更充足的状态，从而提高图像处理的精度和准确性，为实际应用提供可靠的保障。

基于二次滤波的单幅图像快速去雾算法研究是一种有效的方法，它可以快速有效地去除外部因素（如雾）对图像质量的影响。

本文介绍了基于二次滤波的单幅图像快速去雾算法（SFF）及其步骤，以及SFF算法在实际应用中的优势，以便在其他图像处理应用中得到有效的应用。

一、基于二次滤波的单幅图像快速去雾算法1.1法原理基于二次滤波的单幅图像快速去雾算法（SFF）是一种基于统计的局部滤波去雾技术，它主要利用去雾窗口中的局部统计特性，有效地去除外部因素（如雾）对图像质量的影响。

SFF算法基于灰度变换原理，将窗口内像素点像素值映射到较低暗度区域，有效消除雾气拖尾，使图像恢复更清晰。

该算法首先将去雾窗口图像分割成若干小块，然后计算每个像素值的均值和标准差，根据均值和标准差计算出每个像素点像素值的灰度变换系数，再将每个像素点的原始像素值按照灰度变换系数变换后作为新的像素值。

最后，运用拉普拉斯边缘保留滤波，提高图像的边缘效果。

1.2法步骤（1）划分窗口：首先将图像划分成若干小块，每块中心像素作为去雾窗口中心，其大小可由用户自定义。

（2）图像空域处理：计算每个去雾窗口像素值的均值（m）和标准差（s），使用均值和标准差计算出灰度变换系数。

（3）像素灰度变换：将每个像素点的原始像素值按照灰度变换系数变换后得到新的像素值。

（4）滤波处理：运用拉普拉斯边缘保留滤波，提高图像边缘效果。

二、SFF算法的优势SFF算法可以更快更准确地去除外部因素（如雾）对图像质量的影响，相比其他技术有以下优势：（1）高效：SFF算法首先利用空间划分窗口，减少了外部环境因素对图像的影响，使得图像处理的速度更快；（2）准确：SFF算法利用灰度变换技术有效调整暗度，使得图像更加清晰；（3）复杂：SFF算法可以处理复杂的大气环境中的图像，比如雾霾天气和阴影天气。

基于天空区域分割的单幅海面图像去雾方法

基于天空区域分割的单幅海面图像去雾方法第41卷一第5期一Vol.41一No.5一计算机工程Computer Engineering 一一2015年5月May 2015四图形图像处理四文章编号:1000-3428(2015)05-0237-06一一一文献标识码:A一一一中图分类号:TP391.41基金项目:国家自然科学基金资助项目面向海事监测的GNSS-R 海上物标探测及异类传感器时空信息融合方法(51379121);上海市自然科学基金资助项目基于卫星导航反射信号的海上物标探测方法及应用(13ZR 1418700);上海市科委能力建设基金资助项目空间多元数据融合的海事监测关键技术及应用 (12510501800)三作者简介:雷一琴(1980-),女,讲师二博士研究生,主研方向:图像处理,智能交通;施朝健,教授二博士生导师;陈婷婷,博士研究生三收稿日期:2014-05-12一一修回日期:2014-07-12一一E-mail :50602748@/doc/065985602.html, 基于天空区域分割的单幅海面图像去雾方法雷一琴1,2,施朝健1,陈婷婷1(1.上海海事大学商船学院,上海201306;2.兰州交通大学电子与信息工程学院,兰州730070)摘一要:为提高雾天海面图像的质量,提出面向单幅海面图像的去雾方法三将均值漂移方法与嵌入置信度的边缘检测方法相结合进行图像分割,分割后的图像用形态学膨胀与腐蚀操作进行二值化,提取出天空区域和非天空区域三对天空区域使用限制对比度直方图均衡算法去雾,非天空区域使用基于导向滤波的暗通道优先算法去雾三导向滤波通过导向图像内容来计算滤波输出,在精细化透射图方面可以得到与软抠图方法类似的效果,计算开销较小三实验结果表明,相对于暗通道优先方法,该方法在天空区域没有明显的过渡区域和偏色现象,可取得较好的去雾效果三关键词:海面图像;去雾方法;图像分割;天空区域;均值漂移;暗通道优先中文引用格式:雷一琴,施朝健,陈婷婷.基于天空区域分割的单幅海面图像去雾方法[J ].计算机工程,2015,41(5):237-242.英文引用格式:Lei Qin ,Shi Chaojian ,Chen Tingting.Single Sea Image Haze Removal Method Based on Segmentation of Sky Area [J ].Computer Engineering ,2015,41(5):237-242.Single Sea Image Haze Removal Method Based on Segmentation of Sky AreaLEI Qin 1,2,SHI Chaojian 1,CHEN Tingting 1(1.Merchant Marine College ,Shanghai Maritime University ,Shanghai 201306,China ;2.School of Electronic and Information Engineering ,Lanzhou Jiaotong University ,Lanzhou 730070,China )?Abstract ?In order to enhance quality of sea hazy images ,this paper presents a method of dehazing for sea hazy images.It uses the mean shift method and edge detection method of embedding confidence for image segmentation of a sea hazy image ,and applies the morphological dilation and erosion operations with binarization to extract regional and non-regional sky area in the hazy image ,and finally dehazes the sky area with restricted contrast histogram equalization algorithm ,and non-sky area with dark channel prior with guided filtering.The guided filter computes the filtering output by considering the content of a guidance image ,and achieves similar results of refining transmission maps compared with the soft matting method ,but needs less computation cost.Experimental results show that relative to the dark channel priority method ,the proposed method does not provide the transition area and the phenomenon of color cast in the sky area ,and achieves high performance of haze removal.?Key words ?sea image ;haze removal method ;image segmentation ;sky area ;mean shift ;dark channel priorDOI :10.3969/j.issn.1000-3428.2015.05.0441一概述户外场景图像经常会由于雾霾的影响而产生降质现象,这些图像在对比度和色彩保真度方面都会发生不同程度的衰减三去雾后的图像不仅可以带来更好的直观视觉效果,并且去雾后的清晰图像更有利于类似目标识别等算法的实现三在海上航行过程中,海雾是一种危害很大的天气现象,无论在海上还是在海岸带地区,海雾都因其大大降低能见度而对交通运输二渔业捕捞和养殖二海上油气勘探开发以及军事活动等造成不利的影响三其中,在全部因海洋和气象原因造成的海难事故中,因海上能见度原因造成的船舶海难事故占有相当的比例三有效的海面图像去雾方法能够使船舶装载的计算机成像系统得。

基于暗通道先验的单幅图像去雾改进算法

基于暗通道先验的单幅图像去雾改进算法基于暗通道先验的单幅图像去雾改进算法摘要：近年来，随着计算机视觉和图像处理领域的快速发展，图像去雾成为了研究的热点之一。

在单幅图像去雾中，暗通道先验算法是一种非常有效的算法。

本文提出了一种基于暗通道先验的单幅图像去雾改进算法，通过对暗通道进行优化得到更好的去雾效果。

实验结果证明，该算法在去雾效果和图像细节保持方面都达到了较好的效果。

关键词：暗通道先验算法；单幅图像去雾；图像细节保持 1. 引言在许多户外场景中，雾霾天气会导致图像质量下降，进而影响计算机视觉和图像处理的性能。

因此，图像去雾技术的研究对于提高图像质量和准确性具有重要意义。

在过去的几年中，许多基于单幅图像的去雾算法被提出，其中暗通道先验算法是一种广泛应用的方法。

2. 暗通道先验算法暗通道先验算法是一种利用图像中存在的暗通道来估计场景中全球大气光照的方法。

暗通道可以理解为图像中最暗的区域，它存在于几乎所有户外图像中。

该算法基于以下观察结果：在大气无光散射模型中，透射率和全球大气光照成反比关系。

因此，通过估计图像中最暗区域的暗通道来获得全球大气光照估计，并进一步计算出场景的透射率。

最后，通过修复的透射率和原始图像重建无雾图像。

然而，传统的暗通道先验算法在一些情况下存在一定的局限性。

首先，传统算法往往难以处理场景中存在强光源的情况。

这是因为在强光照射下，暗通道不再是局部最暗的区域，导致估计的透射率不准确。

其次，传统算法对于具有复杂纹理和细节的图像在去雾后可能存在伪影和失真问题。

3. 改进算法为了克服传统暗通道先验算法的局限性，本文提出了一种基于暗通道先验的单幅图像去雾改进算法。

改进算法分为以下几个步骤：3.1 强光源处理对于存在强光源的图像，传统算法往往难以准确估计透射率。

因此，我们在预处理阶段采用了一种强光源检测和过滤的方法。

首先，通过检测图像中较亮的区域来判断是否存在强光源。

然后，对于存在强光源的图像，我们利用图像分块和平滑操作来减弱其影响，使传统暗通道算法能够更好地适应这样的场景。

结合高斯滤波和导向滤波的单幅图像去雾算法

结合高斯滤波和导向滤波的单幅图像去雾算法单幅图像去雾算法是图像处理领域的研究热点之一。

结合高斯滤波和导向滤波的算法是常用的一种方法。

下面将详细介绍这种算法原理和步骤。

我们需要了解什么是雾。

雾是光线在大气中散射和吸收的结果，使得图像变得模糊且颜色失真。

去除图像中的雾，就是恢复图像的清晰度和真实颜色。

高斯滤波是一种常用的图像处理滤波方法，它通过计算图像中每个像素点与其周围像素的加权平均来达到模糊图像的效果。

在去雾算法中，应用高斯滤波可以降低图像中雾的影响，使得图像更清晰。

导向滤波是一种基于引导图像的滤波方法，它通过将引导图像的结构信息作为滤波过程的引导来实现滤波效果。

在去雾算法中，我们可以将雾图像作为引导图像，通过导向滤波来恢复图像的细节和颜色。

1. 输入雾图像和引导图像。

雾图像是待处理的图像，引导图像可以是雾图像本身或者是原图的某种特征图像，如梯度图像。

2. 通过高斯滤波对雾图像进行模糊处理，降低雾的影响。

3. 计算引导图像的均值和方差。

可以使用高斯滤波计算引导图像的均值和方差。

4. 将引导图像进行归一化处理。

将引导图像的像素值归一化到[0,1]范围内，方便后续计算。

5. 计算原图像和引导图像的加权平均。

根据引导图像的均值和方差，计算原图像和引导图像的加权平均图像。

加权平均的权重由引导图像的均值和方差决定，可以通过公式进行计算。

6. 对加权平均图像进行导向滤波。

使用导向滤波算法对加权平均图像进行滤波，恢复图像的细节和颜色。

7. 对导向滤波得到的图像进行后处理。

可以对图像进行增强处理，消除图像中的噪声和伪影。

8. 输出去雾后的图像。

得到去雾后的图像作为最终结果。

结合高斯滤波和导向滤波的单幅图像去雾算法通过减轻图像中雾的影响和恢复图像的细节和颜色来实现去雾效果。

这种算法能够较好地去除图像中的雾气，使得图像更为清晰和真实。

在实际应用中，可以根据具体情况参数进行调整，以获得更好的去雾效果。

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。

基于半逆法的一种快速单幅图像去雾算法

摘
要：针对目前去雾算法实时性较差，对天空等区域的处理不理想以及去雾后的图像视
觉效果较差等问题，提出一种新的基于半逆法的快速单幅图像去雾算法。首先从大气散射模型出发，利用改进的半逆算法得到大气整体光照值；其次，基于大气散射光特性，以图像边缘信息为合成条件融合图像的边缘信息和场景深度信息，准确估测大气光幂；然后，根据大气散射模型得到初步复原无雾图像；最后，经过色调调整和细节增强处理，得到一幅真实感强烈的无雾图像。对于深度发生突变或者远景像素点，消除了光晕效应。与其他算法相比，本算法能很好保持色彩和细节信息，具有较好的实时性和鲁棒性。关键词：图像去雾；半逆；边缘维持；大气散射模型文章编号：2095-302X(2015)01-0068-09
1
大气散射模型
Narasimhan 和 Nayar [1]研究了不同天气条件下
的大气粒子特性，分析了各种大气粒子散射特性，提出了雾霾天气和水下环境下的大气散射模型。与文献 [1]模型类似，对雾天图像的物理模型也可以使用 He 等 [4] 所提到单幅图像的大气散射模型 (图 1)。该模型表述为： I ( x) J ( x)t ( x) A(1 t ( x)) (1) 其中， I ( x) 为降质图像， J ( x) 为原始图像， t ( x) 为透射率， A 为整体大气光照值。该模型认为两种环境光造成了图像的降质。一种是景物反射光线的衰减项，另一种则是大气粒子对照射光的散射项。所以 J ( x)t ( x) 描述的景物反射光线穿过大气后的衰减项，而 A(1 t ( x)) 表示大气散射光，它导致场景的模糊和色偏。当大气同质时，透射率 t ( x) 可以表示为：
所以需先对最小值图像非边缘点内部进行高斯平滑滤波局部去噪和均值滤波得到包含景深信息的模糊图像在边缘处则直接提取最小值图像像素最后将两张图像进行融合处理这样既能保证视觉上的边缘锐化又能获得含有深度信息的模糊背景其效果如图合成效果图根据最小值图像的边缘就是亮度变化剧烈的地方的先验知识利用邻域像素和中心像素点的亮度梯度关系即合成条件确定图像的边缘从而计算大气光幂

基于边缘保持滤波的单幅图像快速去雾

基于边缘保持滤波的单幅图像快速去雾摘要：为了解决基于暗通道先验的图像去雾算法运行效率低下的问题以及天空等明亮灰白区域去雾后的色彩失真问题，提出一种基于边缘保持滤波的单幅图像快速去雾算法。

首先根据暗通道先验规律，得到粗略的透射率图和大气光估计值；然后用边缘保持滤波算法对粗略透射率滤波得到细节平滑、轮廓清晰的精细透射率图；再用阈值法对灰白明亮区域的透射率修正，之后用边缘保持滤波算法对修正后的透射率进行平滑，得到最终的透射率图。

根据估计的大气光和透射率，利用大气散射模型即可恢复出无雾图像。

经测试，该算法不仅具有很高的运行效率，而且对各种类型的薄雾图像都有较好的去雾效果。

客观评测也表明，该算法在对比度增强程度、色调还原程度、结构信息复原程度方面的综合指标都优于其他算法。

另外，所提算法还能够实现图像处理器像素级的并行运算，对于分辨率为1280像素×1024像素的彩色图像，用型号为NVIDIA GeForce 9800 GT的GPU处理，速度可达10帧/s。

关键词：去雾算法；暗通道先验；边缘保持滤波中图分类号：TP751.2文献标志码：A文章编号：0253-987X03-0143-08图3为修正前后的透射率图，相应恢复出的去雾图像如图4所示。

可以看出，经过透射率修正的算法对天空等明亮区域的处理效果要好很多，颜色没有失真，但是修正后的透射率图中出现了较明显的块效应，在灰白区域面积比较大时尤为明显，这主要是因为利用阈值的方法对透射率进行修正时，对灰白区域的透射率放大了k倍，使得原本平滑的透射率变得不平滑。

1.4边缘保持滤波平滑修正后的透射率为了消除修正透射率图中的块效应，本文仍然采用边缘保持滤波对其平滑。

图5、图6给出了用边缘保持滤波对修正后的透射率进行平滑前后的对比图，以及相应复原的对比图像。

可以看出，平滑后的透射率图，整体过渡平滑、浑然一体，与实际情景更为接近，复原图的颜色也更明亮。

在估计出大气光、场景透射率之后，即可根据式所示的大气散射模型复原无雾图像。

单幅图像的快速去雾算法

光电子 · 激光
·Ｌ第２２卷第１１期２０１１年１１月Ｊｏｌ．２２Ｎｏ．１１Ｎｏｖ．２０１１ｏｕｒｎａｌｏｆＯｔｏｅｌｅｃｔｒｏｎｉｃｓａｓｅｒＶｐ
度（对彩色图像）进行校正。本文算法简单，运算速度快，对６００，［，］彩色图像的处理时间仅为比文献减少很 × ４００２－３ｓ１３多。且既适用于彩色图像，又适用于灰度图像。
）。式（）取８需满足归一化条件０６（ｅｘ－ｐ槡２ π σ
１引言
光在大气介质中传播时会受到悬浮颗粒散有雾天气下，射、折射等复杂作用而发生变化，导致户外监控系统获取的景物图像对比度下降、颜色退化，严重影响了监控系统性能的发挥。因此，对恶劣天气条件下（雾、霭、雨、烟等）的景物图像进行清晰化处理具有重要意义。近年不断有单幅图像去雾方法］１～８。但由于雾对图像的影响与未知的场景深度信息有提出［关，基于单幅图像的去雾面临很大的挑战，尤其是如何在单幅，图像中提炼出与场景深度有关的信息是实现去雾的关键。典型的方法是把图像分割成许多小方块，并假设每一局部小方块内的场景深度一致，再通过适当的估算与后期图像修补达到去］雾的目的。如，文献［都是用平均分割法把图像分割成相１５～［］１等的几个小方块后进行处理。其中Ｆ提出基于独立分量ａｔｔａｌ，，分析的方法（基于图像ＩｎｄｅｅｎｄｅｎｔＣｏｍｏｎｅｎｔＡｎａｌｓｉｓＩＣＡ）ｐｐｙ
单幅图像的快速去雾算法
黄黎红＊

基于景深的单幅图像快速去雾算法

基于景深的单幅图像快速去雾算法张仁斌;李兴兴;夏宏丽【摘要】Imaging in the atmosphere is often degraded by scattering dueto atmospheric particles such as haze, fog, and mist, which brings great inconvenience to the imaging of computer vision system. This paper presents a method based on the depth of field of the single image defogging algorithm quickly to solve this problem. Through dark channel prior on image processing, it gets image transmission chart, thereby simplifies the atmospheric scattering model. It uses depth of field information estimation of atmospheric scattering model to get the depth relationships of scene edge. Through nearly horizontal death ratio improving transmission chart, it uses bilateral filtering for image edge processing. Starting from three color channels reduces the effect of wavelength on estimating depth of field. Experimental results show that this algorithm can effectively recover scene edge contrast details, and effectively improves image clarity, resulting in a great improvement in image visibility.%在雾、霾天气条件下，由于大气粒子的散射作用导致采集的图像质量严重下降，给计算机视觉系统成像带来极大不便。

基于暗通道的单幅图像快速去雾算法

电
子
测
量
技
术
第４Ｏ卷第１Ｏ期
２０１７年１Ｏ月
ＥＬＥＣＴＲ０ＮＩＣＭＥＡＳＵＲＥＭＥＮＴＴＥＣＨＮＯＬＯＧＹ
基于暗通道的单幅图像快速去雾算法
张驰宇贾银亮梁康武
（南京航空航天大学自动化学院南京２１１１０６）
０引
言
定深度信息，这在实际工程中不一定满足。
另一类是基于单幅图像的去雾方法，这一方面在近年
在雾、霾等气候条件下，空气中会存在大量悬浮颗粒，
这些悬浮颗粒会影响光线在空气中的传播，造成光线的散
ＺｈａｎｇＣｈｉｙｕＪｉａＹｉｎｌｉａｎｇＬｉａｎｇＫａｎｇｗｕ
（ＣｏｌｌｅｇｅｏｆＡｕｔｏｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＡｅｒｏｎａｕｔｉｃｓａｎｄＡｓｔｒｏｎａｕｔｉｃｓ，Ｎａｎｊｉｎｇ２１１１０６，Ｃｈｉｎａ）
的图像色度较暗的问题，使用一种自适应直方图均衡方法。实验结果表明，相对于已有算法，该算法有效提高了图像
去雾的效果，而且加快了处理速度。
一～ｍ～一旭一～～一一～一～誉一～一～．一～

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)。

１引言
光在大气介质中传播时会受到悬浮颗粒散有雾天气下，射、折射等复杂作用而发生变化，导致户外监控系统获取的景物图像对比度下降、颜色退化，严重影响了监控系统性能的发挥。因此，对恶劣天气条件下（雾、霭、雨、烟等）的景物图像进行清晰化处理具有重要意义。近年不断有单幅图像去雾方法］１～８。但由于雾对图像的影响与未知的场景深度信息有提出［关，基于单幅图像的去雾面临很大的挑战，尤其是如何在单幅，图像中提炼出与场景深度有关的信息是实现去雾的关键。典型的方法是把图像分割成许多小方块，并假设每一局部小方块内的场景深度一致，再通过适当的估算与后期图像修补达到去］雾的目的。如，文献［都是用平均分割法把图像分割成相１５～［］１等的几个小方块后进行处理。其中Ｆ提出基于独立分量ａｔｔａｌ，，分析的方法（基于图像ＩｎｄｅｅｎｄｅｎｔＣｏｍｏｎｅｎｔＡｎａｌｓｉｓＩＣＡ）ｐｐｙ
：ａｉｌｈｈｈｌｌ１００ａｈｏｏ．ｃｏｍ．ｃｎ＊Ｅ－ｍ＠ｙ收稿日期：２０１１０２２７２０１１０６１０－－修订日期：－－）基金项目：福建省教育厅科技研究项目（ＪＢ１０１４２
０１１年第２２卷光电子 · 激光２
度（对彩色图像）进行校正。本文算法简单，运算速度快，对６００，［，］彩色图像的处理时间仅为比文献减少很 × ４００２－３ｓ１３多。且既适用于彩色图像，又适用于灰度图像。
）。式（）取８需满足归一化条件０６（ｅｘ－ｐ槡２ π σ
Ｆａｓｔｄｅｈａｚｉｎａｌｏｒｉｔｈｍｆｏｒａｓｉｎｌｅｉｍａｅｇｇｇｇ
＊ＨＵＡＮＧＬｉｈｏｎ－ｇ
（，，，）ＤｅａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｎｉｃｓ＆ＩｎｆｏｒｍａｔｉｏｎＥｎｉｎｅｅｒｉｎＰｕｔｉａｎＵｎｉｖｅｒｓｉｔＰｕｔｉａｎ３５１１００Ｃｈｉｎａｐｇｇｙ
ＶＶＪＪｉｎ－ｍｉｎＶＶＶＶｒＪｍａｘ，ｍｉｎ＜Ｊｉｎ＜ＪｍａｘＪｏｕｔ＝ＶＶｄ烅ＪｍａＪｘ－ｍｉｎＶＶｄｒＪｍａｘ，ｉｎ ≥Ｊｍａｘ烆
（）１－ βｄ（）（）２ｔｘ＝ｅ（其中：是输入的含雾图像（灰度图像或Ｒ的辐射Ｉｘ）ＧＢ图像））信息；式（右边第１项代表衰减模型；第２项是环境光模型；１Ｊ
］１～３，９）境光（空气光［模型，即（（（）ｘ）ｘ）ｔｘ）１－ｔｘ）＝Ｊ（＋Ａ（Ｉ
３．３亮度复原
），值代入式（即可求出复原后的ｘ）５把上面求出的Ａ和Ｖ（Ｖ亮度分量Ｊ（为ｘ）Ｖ（Ｉｘ）ｘ）－Ｖ（Ｖ（）ｘ）８＝Ｊ（Ｖ（ｘ）１－Ａ亮的部分和暗雾天图像往往表现为直方图偏向中间部分，这时需将直方图进行扩展。线性对比度拉的部分又少又集中， ” 伸是一种简单有效的调整方法。根据高斯分布“ 规则，对于３ σ ，］，其值落在区间［内是允许的正态随机变量来说，３３ σμ＋ σ μ－故取（）９ＶＪ３ σ ｍａｘ＝μ＋ＶＶＶ其中：Ｊｍｉｎ和Ｊｍａｘ分别为复原后的亮度Ｊ的最小值和最大值； μ Ｖ和σ 是Ｊ的均值和标准差。则拉伸后图像的每一个谱分量值为ＶＶ，０Ｊｉｎ ≤ＪｍｃｔＰｒｏｃｅｓｓｉｎｏｕｔｄｏｏｒｉｍａｅｓｉｓｄｉｆｆｉｃｕｌｔｗｉｔｈｔｈｅｒｅｓｅｎｃｅｏｆｈａｚｅｆｏｏｒｓｍｏｋｅｗｈｉｃｈｆａｄｅｓｔｈｅｇｇｐｇｃｏｌｏｒｓａｎｄｒｅｄｕｃｅｓｔｈｅｃｏｎｔｒａｓｔｏｆｔｈｅｏｂｓｅｒｖｅｄｏｂｅｃｔｓ．Ａｎｏｖｅｌａｌｏｒｉｔｈｍｆｏｒａｓｉｎｌｅｉｍａｅｄｅｈａｚｉｎｉｓｊｇｇｇｇｒｏｏｓｅｄｉｎｔｈｉｓｄｏｅｓｎ ′ ｔｎｅｅｄｔｏｓｅｍｅｎｔｔｈｅｉｍａｅ．Ｔｈｅｂａｃｋｒｏｕｎｄａｉｒｌｉｈｔｉｓｓｅａｒａｔｅｄｄｉｒｅｃｔａｅｒ．Ｉｔ－ｐｐｇｇｇｇｐｐｐｌｂＧａｕｓｓｌｏｗｆｉｌｔｅｒ．Ｔｈｅａｔｍｏｓｈｅｒｉｃｌｉｈｔｉｓｅｓｔｉｍａｔｅｄｂｔｈｅｒｅｆｉｎｅｍｅｎｔｄａｒｋｃｈａｎｎｅｌａｓｓｒｉｏｒ－ｙｙｙｐｇｐｐ．，，，ｗｉｔｈｔｈｅｍｏｄｅｌｏｆｈａｚｅｉｍａｅｔｈｅｉｍａｅｉｓｒｅｓｔｏｒｅｄｔｈｅｓａｔｕｒａｔｉｏｎｉｓｃａｌｉｂｒａｔｅｄａｎｄＣｏｍｂｉｎｅｄｈｓｉｃａｌｇｇｐｙｔｈｅｎｔｈｅｆｉｎａｌｅｆｆｅｃｔｏｆｒｅｓｔｏｒａｔｉｏｎｉｓｏｂｔａｉｎｅｄ．Ｔｈｅｍａｉｎａｄｖａｎｔａｅｏｆｔｈｅｒｏｏｓｅｄａｌｏｒｉｔｈｍｉｓｔｈｅｇｐｐｇｏｓｓｉｂｉｌｉｔｒａｓｅｅｄ．Ａｎｏｔｈｅｒａｄｖａｎｔａｅｉｓｔｈｅｔｏｈａｎｄｌｅｂｏｔｈｃｏｌｏｒｉｍａｅｓａｎｄｌｅｖｅｌｉｍａｅｓ．Ｔｈｅｅｘｅｒ－ｐｙｇｙｐｇｇｇｐｒｏｏｓｅｄｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｆｔｈｅａｌｏｒｉｔｈｍａｎｄｏｔｈｅｒａｌｏｒｉｔｈｍｓａｒｅｃｏｍａｒｅｄａｎｄａｎａｌｚｅｄｔｏｉｌｌｕｓｔｒａｔｅｐｐｇｇｐｙｒｏｏｓｅｄｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｍｅｔｈｏｄ．ｔｈｅｐｐ：；；；Ｋｅｗｏｒｄｓｓｉｎｌｅｉｍａｅｄｅｈａｚｉｎｍｏｄｅｌｉｍａｅｒｅｓｔｏｒａｔｉｏｎｉｍａｅｓｅｍｅｎｔａｔｉｏｎｈｓｉｃａｌｇｇｇｐｇｇｇｙｙ
单幅图像的快速去雾算法
黄黎红＊
（）莆田学院电子信息工程系，福建莆田３５１１００摘要：雾的存在使得户外图像的处理变得困难。雾、霭、烟等现象会使彩色图像退化，对比度降低。介绍了一种不需要分割图像，直接利用高斯低通滤波器分离出背景空气光，利用改良的暗通道法单幅图像的去雾新算法，对大气光进行估计，结合雾天图像的物理模型对图像进行复原，最后再对图像的饱和度进行校正，得到最终的复原效果。该算法的主要优点是速度快，且不仅可以应用于彩色图像，也可以适用于灰度图像。最后通过几种算法的实验结果比较和分析，表明本文算法是有效的。关键词：单幅图像去雾；物理模型；图像复原；图像分割（）中图分类号：ＴＰ３９１．４１Ａ文章编号：１００５００８６２０１１１１１７３５０４文献标识码：－－－
光电子 · 激光
·Ｌ第２２卷第１１期２０１１年１１月Ｊｏｌ．２２Ｎｏ．１１Ｎｏｖ．２０１１ｏｕｒｎａｌｏｆＯｔｏｅｌｅｃｔｒｏｎｉｃｓａｓｅｒＶｐ
表面阴影和大气传递函数在图像局部小方块上统计不相关的，）假设，在马尔可夫随机场（框架的约ＭａｒｋｏｖｒａｎｄｏｍｆｉｅｌｄＭＲＦ束下实现了单幅图像的去雾。但该法依赖于整幅图像的颜色信息，因此仅适用于彩色图像，对灰度图像不成立；且当存在较］］例如：浓雾区域）时，该法会失效。文献［和［的方大噪声（２３法既适用于彩色图像，也适用于灰度图像；但该法对本身饱和容易造成图像色彩过度较高的场景往往不能得到较好的效果，，］，［］饱和而失真。再有，文献［不像文献那样，把图像平６７１５～［］［６均分割，而是根据图像的颜色信息或几何位置信息７］等进行分割。上面几种方法都致力于如何在分割后的图像局部小方块内寻求去雾方法，而对图像进行分割以及后期局部小方块的是造成算法处理速度较图像处理往往需要耗费大量的计算量，）慢的原因。本文提出一种新的空气光（估算法，不需要ａｉｒｌｉｈｔｇ分割图像，直接运用高斯低通滤波器分离出背景空气光，利用雾天图像退化模型实现单幅图像的去雾，最后再对图像的饱和