没有合适的资源?快使用搜索试试~ 我知道了~
工程科学与技术,国际期刊35(2022)101190一种基于图像融合的透射图估计的单幅图像去雾算法郑双宇,杨斌南华大学电气工程学院,湖南衡阳421001阿提奇莱因福奥文章历史记录:2022年2月1日收到2022年5月2日修订2022年5月16日接受在线预订2022年保留字:单幅图像去雾Gamma校正图像融合暗通道优先导引滤波器A B S T R A C T单幅图像去雾一直是图像处理领域关注的焦点。基于光散射模型的去雾算法主要改进的是透射图的估计,因为透射图估计不当会导致恢复图像的对比度过高或颜色失真。本文提出了一种有效的单幅图像去雾算法,该算法采用图像融合策略自适应地提高了透射图估计的精度。具体地说,首先对暗通道得到的透射图进行Gamma变换校正。然后采用加权平均图像融合算法对原始透射图和修正后的透射图进行融合,以保留原始透射图中的细节信息。此外,融合后的透射图通过引导滤波器进行滤波,以避免去雾图像中最后,利用光学散射模型,用修正后的透射图重建去雾图像我们测试所提出的方法对自然和伪影雾图像。在自然图像质量评价器(NIQE)指标、结构相似性(SSIM)指标和峰值信噪比(PSNR)指标上,将该方法与8种现有的去雾方法进行了比较。主观和客观评价表明,该方法取得了竞争力的结果。©2022 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍户外图像经常受到恶劣天气的影响,如雾、霾或薄雾,这会导致低对比度、颜色偏移和模糊场景图像等[1]。然而,在驾驶辅助、目标探测与跟踪、遥感等许多应用中,都需要高质量的图像,而传统的成像设备在恶劣条件下拍摄清晰图像的能力不足,也无法应对雾霾造成的能见度降低。因此,图像去雾技术应运而生,并得到了广泛的关注和研究。现有的去雾方法可以分为三类:基于先验的方法、基于学习的方法和基于图像融合的方法。基于先验的方法分析清晰图像的特征,估计模糊图像的透射图和大气光强度。然后,通过大气物理模型[2]得到去雾图像。典型的作品包括暗通道先验(DCP)[3],彩色线[4],Haze-Lines*通讯作者:华南大学电气工程学院,中国衡阳。由Karabuk大学负责进行同行审查[5]、颜色衰减先验(CAP)[6]、DEFADE[7]等。具体地,DCP是基于以下假设:无模糊图像块的强度在至少一个时间段内处于零的边缘。彩色通道[3]。为了获得精确的透射图,He et al.[8]提出了引导滤波器来优化DCP获得的透射图。基于DCP的后续工作在许多方面改进了去雾性能[1,9,10,11]。颜色线依赖于自然图像的一般规则,其中小图像块的像素在RGB颜色空间中呈现一维分布[4]。Haze-Lines方法假设无雾图像的颜色由数百种不同的颜色很好地近似[5,12,13]。此外,CAP是一种线性颜色衰减先验,基于模糊图像中像素的亮度和饱和度之间的差异通过创建线性模型来获得透射图[6]最近,提出了一种新的基于大气光估计的方法,该方法应用可微函数来训练用于图像的场景深度图生成的线性场景深度模型的参数,然后通过对应的场景深度图来估计每个模糊图像的大气光[14]。该方法可以达到良好的除雾效果。实际上,这些方法虽然在消除模糊方面取得了很好的例如,DCP在颜色https://doi.org/10.1016/j.jestch.2022.1011902215-0986/©2022 Karabuk University.出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestchS. Cheng和B. 杨工程科学与技术,国际期刊35(2022)1011902会被扭曲。CAP无法消除图像边缘的模糊,Haze-Lines可能会导致某些恢复图像的对比度过高。近年来,深度学习方法受到了广泛关注,这主要归功于卷积神经网络(CNN)的发展和大规模人工数据集的可用性。利用深度卷积神 经 网 络 直 接 估 计 典 型 的 作 品 包 括 DehazeNet[15] , AOD-Net[16],DCPDN[17],MSCNN[18]等。具体地说,DehazeNet以模糊图像为输入,然后通过大气散射模型输出用于恢复去雾图像的透射图为了提高恢复图像的质量,提出了一种称为双边整流线性单元(BReLU)的新型非线性激活函数[15]。AOD-Net重新制定了模糊模型,并创建了一个轻量级的CNN来生成干净的图像,这使得AOD-Net很容易嵌入到其他深度模型中。为了便于传输图估计,提出了具有多级池化模块(DCPDN)的密集连接的编码器-解码器结构,并引入了基于联合并行的GAN框架来细化传输图的细节[17]。然而,由于透射图估计不准确和大气光的影响,这些方法可能会导致恢复图像与清晰图像之间的重建误差。由于误差的积累,去雾后的图像中会出现明显的伪影。因此,已经提出了一些方法来恢复清晰的图像,而无需假设透射图和大气光[19,20,21,22]。具体地,Ren etal.[19]采用多尺度门控融合网络(GFN)来学习从原始图像获得的三个预处理图像的置信度图。然后,将三个预处理后的图及其对应的置信度图作为最终的去雾结果.提出了一种基于条件生成对抗网络(cGAN)的编码器和解码器架构,而不是使用手工制作的功能,以直接从模糊图像恢复清晰图像[20]。近年来,其他基于学习的方法也有所创新,并取得了良好的效果[2,23,24]。然而,基于学习的方法通常需要训练大量的模糊和无模糊图像,但要获得这些图像是棘手的。通常的解决方法是应用合成图像。然而,真实图像与合成图像之间存在着一定的差距,这就导致了训练后的模型在合成图像上效果较好,而真实图像去雾效果不理想的问题图像融合技术也被用来解决去雾问题[2019 - 12 - 15][2019 - 12 - 15][2019 - 12 - 15]这些方法通常采用一定的增强技术,首先对模糊图像进行然后采用一定的融合策略对增强后的图像进行融合,将融合后的图像作为去雾图像。具体地,通过对初始模糊图像应用白平衡来获取一个图像,并且通过从原始模糊图像中减去整个模糊图像的平均亮度值来获得另一个图像然后通过考虑它们的亮度、色度和显著性来融合这两个图像[25]。随后,引入Gamma校正来处理模糊图像,并应用多尺度图像融合技术来融合修正后的图像[26]。为了增强图像去雾的鲁棒性,使用不同的参数设置,通过非线性Gamma校正四次增强模糊图像的强度[28]。然后,将四幅亮度调整后的图像进行融合,得到最终的无模糊类似地,在[29]中,将自适应结构分解集成多曝光图像融合应用于去雾。融合技术在图像去雾方面取得了较好的效果,但缺乏理论支持。在某些情况下,由于去雾效果高度依赖于增强后的图像,因此会出现颜色伪影。因此,基于大气模型的融合图像去雾方法,在音乐会[30,31]显着增长。例如,引入快速小波变换(FWT)以获得平滑的透射映射,并提出基于融合的策略以融合原始恢复图像和具有足够细节和颜色信息的图像[30]。在[31]中,通过DCP获得的传输图分别被处理为较高增强级别和较低增强级别。然后将这两个处理后的透射图进行融合。这些融合方法都取得了较好的去雾效果。然而,由于对传输映射的估计不当,显然,准确估计透射图是大多数现有除雾方法的关键。因此,我们提出了一种结合DCP和融合模型来精确估计传输映射。所提出的方法是基于DCP的,有很强的理论支持。一般情况下,DCP对自然场景图像效果较好,而在天空、水面、白色物体大面积亮区等情况下理论会失效,导致透射图不准确,导致恢复图像过度增强。为了解决这个问题,我们使用Gamma校正来调整由DCP获得的初始透射图然而,Gamma校正可能会导致初始透射图的某些此外,这可能导致在厚雾区的透射图的不准确性,从而导致在厚雾区的雾度去除不令人满意针对这一问题,本文提出了一种图像融合策略,通过Gamma校正将初始透射图与修正后的透射图进行融合。不同的原始雾天图像,融合权重不同通过这种融合策略,恢复图像的细节得以保留。该方法解决了亮区恢复图像对比度过高的问题,并对厚雾区有较好的去雾效果此外,为了避免去雾图像中的光晕和块我们在自然图像质量评估器(NIQE)[32],结构相似性(SSIM)[33]和峰值信噪比(PSNR)[34]方面测试了所提出的方法在自然图像和合成图像上的性能。结果表明,该方法具有较低的计算代价,取得了较好的效果.拟议工作的主要贡献可以概括为如:提出了一种基于图像融合的透射图估计方法采用融合策略将DCP得到的原始透射图与Gamma校正后的透射图进行适当的融合,以保留透射图中的细节信息,解决由于透射图不准确而导致的去雾效果过强的问题。提出了一种基于光学散射模型和图像融合的透射图估计策略的高效去雾方法。在该去雾策略中,使用引导滤波器来修正透射图,以进一步避免最终去雾图像中的光晕和块伪影。为了证明该方法的去雾性能,并显示其优于其他国家的最先进的方法,在合成数据集和自然数据集上进行了实验。实验结果表明,该方法在主观视觉感知和客观评价指标上都具有一定的本文件其余部分的组织如下。第二部分介绍了本研究的理论背景。第三章详细介绍了基于图像融合的透射图估计图像去雾算法。在第四节中,进行了广泛的实验。第5节总结了文章。●●●S. Cheng和B. 杨工程科学与技术,国际期刊35(2022)1011903ð Þð Þ¼ ð ð ð ÞÞÞ ð Þ一一ð Þ ð Þð Þð Þð Þð Þð Þð Þð Þð Þ ð Þtx¼ð Þ2. 背景2.1. 光散射模型OSM被广泛用作Narasimhan和Nayar提出的模糊图像形成模型[35,36]。图1描述了场景受环境影响的OSM的示例。在图1中,摄像机接收的光主要来自两部分。一种是通过粒子衰减到达摄影机的由目标反射的光。另一种是由光源(在这种情况下是太阳)产生的大气光被粒子散射。OSM可以描述为。J暗X最小值最小JC y4C2fR;G;Bgy2Xanthoxy其中JC是颜色通道C(即,R,G,B),x是以x为中心的局部面片。DCP可以表示为。我的 天 啊 !0ð5Þ将(1)的两边除以A。IxtxJx1-tx 6然后两侧的暗通道(6)计算为:IxJ xt xA 1-tx1ICyJ.C.P.其中,x是像素坐标,最小值1-最小值最小图像,Jx是无雾图像,A是大气矢量y2X10xX10c2fR;G;Bgy2X10xX10c2fR;G;Bg光,而t x被称为透射图像。透射图像t x与场景对象和相机镜头之间的距离有关。第一项J x t x表示由于传播介质而衰减第二任期一个100-t的光线被称为空气光,它是场景移动的原因根据(4)、(5)和(7),可以将传输映射描述为:IC ytx1-xCmingminAC8颜色.假设传播介质是均匀的,则透射率tx可以表示为。txe-bx2其中b是介质衰减系数,dx是场景表面和观察者之间的场景深度事实上,(1)是一个无约束问题,这意味着给定一个模糊图像I x,由于t x和A都是未知的,因此存在许多可能的解J x。因此,通常需要先验信息来推断tx和A。一旦估计了两个未知变量,则无模糊图像Jx可以直接计算为:JxIx-AA32.2. 暗原色先验DCP主要用于通过先验知识估计透射图和大气光。模糊图像可以根据大气模型恢复[3]。具体地说,DCP是基于相当大量的清晰图像的统计特征换句话说,这种补丁像素的最小值接近于零[3]。无模糊图像的暗通道Jdark_x_y定义为:Fig. 1. 光学散射模型。2fR;G;By2Xiamen考虑到远近图像的不同模糊程度,将参数x设置为0.95[3]。在我们的方法中,我们根据经验设置x1。大气光A的获取基于暗通道。具体地,拾取暗通道中的前0.1%最亮像素在这些像素中,选择输入图像I x中具有最高强度的像素作为大气光[3]。DCP有其自身的缺点,即它在天空区域无效,并且可能由于不准确的透射图而导致高对比度或过度增强的结果图二、显示了DCP处理的不准确透射图和相应的去雾图像。 我们可以看到,在图。 2(a)、存在大的天空区域和明亮区域。DCP理论在这些地区是无效的,这导致了图1中透射图的高估问题。 2(b). 然后,因为-在图1中对恢复图像进行了过度增强。 2(c).3. 该方法所提出的方法的总体框架如图3所示。首先,基于DCP计算初始透射图,并通过Gamma校正进行修正。采用图像融合策略对初始透射图和修正后的透射图进行融合.然后对融合后的透射图进行导频滤波。最后,利用光学散射模型,利用得到的透射图恢复去雾图像。图二、DCP处理的不精确透射图及其去雾图像。(a)模糊图像;(b)基于DCP的透射图;(c)去雾图像。S. Cheng和B. 杨工程科学与技术,国际期刊35(2022)10119041¼ð Þð Þ ð ÞF1F2F图三. 所提出的方法的流程图的图形表示。3.1. 通过伽马校正的伽马校正透射图的计算公式如下:T2xT1x9其中x是像素坐标,并且从公式(8)获取T1x。图4示出了分别具有c1/4和c4的两条曲线。对于c4、低灰度时动态范围变大区域,并且图像对比度增强,而动态范围在高灰度值区域中变小,并且图像对比度降低。图5示出了具有和不具有融合策略的雾度去除结果的视觉比较。图5(a)是模糊图像。图5(b)示出了通过DCP获得并进一步通过伽马校正处理的透射图。图5(c)是从图5(b)恢复的去雾图像。可以看出,该方法解决了复原图像中天空区域的颜色畸变问题。然而,由于忽略了图像的深度信息,在较厚的模糊区域中,某些细节并不清晰。一种可能的解决方案是融合初始传输映射及其校正版本,以自适应地提高传输映射估计的准确性。图5(d)是图5(b)的融合图和通过DCP获得的透射图。 图5(e)是从图5(d)恢复的去雾图像。可以观察到,图5(e)比图5(c)更清晰,厚区域恢复更好,细节保留明显更好3.2. 用于透射图估计的自适应图像融合采用加权平均的图像融合策略,自适应地提高了透射图的估计精度。 一般来说,模糊图像通常包括两种类型的区域:见图4。 Gamma校正曲线。图五.使用和不使用融合策略的雾度去除结果的视觉比较。(a)模糊图像;(b)通过DCP获得并通过伽马校正进一步修正的透射图;(c)从(b)恢复的去雾图像;(d)从(b)融合的区域和不那么模糊的区域。在浓雾区,DCP估计的透射图是相当不错的。因此,将较大的权重分配给初始透射图,而将较低的权重分配给其伽马校正版本。然而,在雾度较低的地区,DCP估计的透射图往往被高估。因此,较大的权重被分配给通过伽马校正处理的传输,而较低的权重被分配给通过DCP获取的传输。因此,融合公式可以描述为。TxTxWTx 1-Wx 10其中,T1x和T2x分别是初始透射图及其Gamma校正图。W F x为融合加权,其计算流程如图1所示。 六、首先对初始透射图及其Gamma校正图进行导频滤波,得到Gamma校正图。G1×100mm导轨Fs;eT 1 ×100 mm导轨11 mm和.G2 × 100mm导轨Fs;eT 2×100 mm导轨12 mm其中GuidFs;e·表示具有参数s和e的引导滤波器。以T1x和T2x作为引导图,对它们进行滤波.然后,通过构造加权。见图6。 加权图计算流程图。S. Cheng和B. 杨工程科学与技术,国际期刊35(2022)1011905W10xF灰ð ÞTxF公司简介ð Þð Þ宽×高x<$1y <$1.ð ÞΣ不xTxÞ¼ðG1 ðx Þþa ÞðG2 ðx ÞþaÞð13Þysis。 图 8、在图 9,He et al. [3]具有良好的除雾性能。然而,由于He等人的理论。方法[3]是这确保了传输映射中的细节被保留。a的值是由定义的变量值Max黑暗Xa¼k14其中k是常数。根据模糊图像计算自适应权值映射,使模糊图像得到恢复各种模糊的图像自适应。其次,对融合后的透射图进行引导滤波,获得了较好的可见效果,解决了去雾图像中的光晕和块效应问题。在天空和白色区域中无效,输出图像在这些区域中存在颜色失真和过度增强的问题,这可以在N3,N5,S1,S3,S4中清楚地看到。相似地,Berman等人的方法[13]的去雾结果由于以下原因而过度增强:对某些图像的透射图估计不准确,如N3、N4、N5所示。Dhara等人[11]介绍了一种基于He等人[3]方法的颜色校正,该方法可以有效地改善颜色失真问题。因此,Dhara等人方法[11]的去雾图像视觉效果令人满意。Zheng等人的方法[29]和Zhu等人的方法[28]都是基于图像增强的。虽然它们具有良好的去雾性能,但由于去雾效果不佳TFxGuidFs;eI高度依赖于增强图像,可以在N1,N3,N4,S1.Ju et al.方法[37]显示I灰度x表示原始图像的灰度图,即引导图。最后,得到去雾图像。JxIx-AA 164. 实验结果在本节中,首先讨论自由参数设置。然后进行了大量的实验来评估所提出的方法和八个经典或最新的组合方法的性能,即He等人[3],Zhu等人[6],Berman等人[13],Cai等人[15],Dhara等人[11],Zheng等人[29],Zhu等人[28]和Ju等人[37]。选取了六幅近距离和远距离都有雾,且雾度较低和较浓的雾天自然图像进行实验。更重要的是,从公共数据集RESIDE[38]中选择了五个模糊的合成图像来进一步验证实验。4.1. 参数设置实验在具有Intel(R)Core(TM)i7- 10875UCPU@2.30 GHz16.00 GB RAM的PC上在MATLAB 2018 b中实现。在(4)和(8)中,最小滤波贴片尺寸为5× 5并且将(11)和(12)中的参数s和e设置为15和0.001凭经验(9)中的Gamma和(14)中的k在提出的客观指标PSNR和SSIM。因此,我们应用了一组实验来讨论合适的参数值。首先,Gamma固定为4,k从1变为8。的PSNR和SSIM在所选图像集上的性能明显的过度照明。这是因为在大气散射模型(ASM)中引入了一个光吸收系数,使得计算结果的整体亮度得到了增强。 总体而言,Zhu等人的方法[6],Cai等人的方法[15]以及所提出的方法可以有效地去除源图像中的雾。此外,恢复图像的颜色是自然和现实的。4.3.定量比较考虑到不同的观众有不同的主观判断,客观指标的引入,以定量评估不同的方法的性能。这些指标包括自然图像质量评估器(NIQE)[32],结构相似性度量(SSIM)[33]和峰值信噪比(PSNR)[34]。其中,NIQE为非参考指标。NIQE越小,恢复的图像越真实自然。表1显示了不同去雾方法对自然图像的NIQE指数。粗体表示最佳NIQE,下划线表示第二佳NIQE。从表1中可以看出,我们的方法的平均NIQE排名第二,仅低于Dhara等人的方法[11]。NIQEZheng等人的方法[29]和Zhu等人的方法[28]也很高,因为它们的去雾结果包含可见的颜色失真。 He等人的方法[3]和Berman等人的方法[13]以及Ju等人的方法[37]的去雾结果过度增强。因此,他们的平均NIQE相对较高。一般来说,Zhu等人的方法[6],Dhara等人的方法[11]和所提出的方法可以获得相对较低的NIQE,这是因为这些方法的去雾图像相对真实。PSNR表示图像的最大可能功率与影响信号表示保真度的破坏噪声功率之间的比率[34]。它被定义为。来自公共数据集RESIDE[38]的数据如图7所示。图7(a)和图7(b)分别示出了客观指标PSNR和SSIM的线图。可以观察到,PSNR和SSIM都给出了峰值信噪比(PSNR):10log10MAX2IHFH2OMSEð17Þ当k为3左右时的最高值。k是固定的在3和其中I x是无雾图像,并且MAX2IHFH2O 代表Gamma从1变为8。图7(c)和(d)示出了PSNR和SSIM,其中Gamma范围从1到8。很明显IHF x的平方最大像素值。MSE是均方误差。PSNR和SSIM的性能保持稳定时,W h伽马值达到4。因此,我们在所提出的方法中将k和Gamma固定为3和4。4.2.自然图像与合成图像为了进行对比分析,选择了命名为N1、N2、N3、N4、N5、N6的六幅自然霾图像和命名为S1、S2、S3、S4、S5的五幅合成图像进行实验,结果分别如图8和图9在图9中,为了更好的性能分析,在第二行中示出了MSE¼ 1XXJx-IHFx2 18其中w和h分别是宽度和高度。Jx是去雾结果。采用SSIM指数来度量无雾图像与去雾图像之间的相似性。从照明亮度、对比度、结构亮度三个方面对效果进行评价。SSIMx flx;cx;sx 19“#S. Cheng和B. 杨工程科学与技术,国际期刊35(2022)1011906图7.第一次会议。不同参数k和Gamma下的PSNR和SSIM(a)和(b)是具有不同k的去雾图像的PSNR和SSIM;(c)和(d)是具有不同Gamma的去雾图像的PSNR和SSIMPSNR和SSIM是去雾结果与无雾图像比较的参考指标。因此,PSNR和SSIM仅用于合成图像的评价。PSNR和SSIM值越大,去雾效果越好。表2和表3显示了其中五幅图像的合成图像上的PSNR和SSIM指标。表4显示了510幅合成图像的PSNR和SSIM的平均性能。粗体表示最佳PSNR和SSIM,下划线表示次佳PSNR和SSIM。很明显,我们的方法取得了更好的结果与其他方法。He等人的方法[3]在天空区域无效,这将导致恢复图像的颜色失真。Ju等人的方法[37]在ASM中引入了一个新参数,该参数增加了恢复图像的亮度,导致与无模糊图像的差距很大。相似的是,Zhu等人提出的线性去雾模型[6]的泛化能力不强。也就是说,有些复原图像与模糊的自由图像有很大的不同,而有些复原图像则恢复得很好。例如,图像S1的PSNR和SSIM最高。但是,[11,29]中的方法和Berman等人的方法[13]的PSNR和SSIM较低。这是因为所有这些方法的恢复图像都存在颜色失真的问题。Cai等人的方法[15]应用了大量的合成图像来训练深度网络。因此,它在合成图像中表现良好,并在合成图像上获得良好的PSNR和SSIM。该方法采用Gamma校正对DCP得到的透射图进行处理,解决了颜色失真问题。此外,为了使复原图像更加清晰,还引入了融合方法。我们恢复的图像在颜色和清晰度方面更接近无模糊图像。4.4. 消融分析为了进一步证明我们的方法的有效性,烧蚀分析是在这一部分。主要讨论了去除融合框架和保留融合框架的性能比较.首先,对融合框架进行了烧蚀。我们只对DCP得到的透射图进行Gamma校正,就可以得到最终的透射图地图然后,应用引导滤波器对最终的传输图进行滤波。最后得到去雾图像。选择不同的Gamma值进行实验,并与融合框架下的实验结果进行比较。 图10示出了仅使用伽马校正和使用融合模型的所提出的方法的去雾结果。图10(a)示出了两个模糊图像。图10(b)是DCP的结果。图10(c)是应用Gamma值0.5的结果。图10(d)是应用Gamma值2的结果。图10(e)是应用伽马值4的结果。图10(f)是伽马校正和融合框架的结果。正如我们所看到的,当Gamma值为0.5时,恢复的图像完全失真。当Gamma值为2时,它仍然存在与DCP相同的问题,即天空区域和白色区域执行颜色失真和光晕效果。 当Gamma值为4时,虽然可以解决这个问题,但整个图像显示出低对比度,去雾效果不好。然而,如果我们应用融合模型来整合,通过对DCP得到的透射图进行Gamma校正,不仅解决了图像的颜色失真和光晕效应,而且保持了良好的去雾效果,使图像更加清晰。除主观效果对比外,客观效果对比见表6。表6是510幅合成图像的PSNR和SSIM的平均性能. 显然,应用融合模型比仅使用Gamma校正可以获得更好的PSNR和SSIM。4.5. 时间性能比较表5显示了在不同大小的图像中我们的方法和比较方法的时间消耗Zheng et al.[29]和Zhu等人[28]基于多曝光融合策略实现图像去雾。在Zheng et al.[29],在融合模型中引入了一种针对每个图像块的自适应结构分解,其计算复杂度相对较高,从而增加了处理时间。在He et al.[3],软抠图用于细化透射图。然而,软铺垫大大增加了整体执行时间。Dhara et al.[11]引入了颜色校正以获得透射图的准确估计,S. Cheng和B. 杨工程科学与技术,国际期刊35(2022)1011907见图8。 输出所提出的方法和不同的现有去雾方法对自然图像。可以在一定程度上减少加工时间。类似地,在Cai等人[15]中,由于大量的参数计算,应用深度网络来估计传输图也增加了整体执行时间。在Berman等人[13]中,应用k-means算法将所有像素聚类到Hazeline中,并进一步估计基于Hazeline的传输图。同时,稀疏的线性系统,这是时间消耗被用来细化的传输映射,这也增加了整体的执行时间。从表5中,我们可以看到,所提出的方法对于不同大小的所有源图像具有最低的消耗时间S. Cheng和B. 杨工程科学与技术,国际期刊35(2022)1011908见图9。 在合成图像上输出所提出的方法和不同的现有去雾方法。表1对自然图像进行NIQE分析得到结果。图像He等人[3]第一章Zhu等人[6]美国Berman等人[13]Cai等人[十五]Dhara等人[第十一届]Zheng等人[29日]Zhu等人[28日]Ju等人[37个]我们N12.7852.5193.0282.4592.6613.4793.2412.632.49N21.9551.9221.8291.9031.8242.0751.9571.7671.925N32.2872.4112.1432.4822.3812.3792.6092.2972.5N42.4782.432.4172.5432.4082.5942.5212.432.409N52.5482.7132.6972.6852.6242.5612.6592.6432.607N62.5862.432.9862.4592.4952.3332.8372.8242.468平均2.4402.4042.5172.4222.3992.5702.6372.4322.400S. Cheng和B. 杨工程科学与技术,国际期刊35(2022)1011909表2对合成图像进行了PSNR分析。图像He等人[3]第一章Zhu等人[6]美国Berman等人[13]Cai等人[十五]Dhara等人[第十一届]Zheng等人[29日]Zhu等人[28日]Ju等人[37个]我们S115.9432.6418.32122.87718.04120.36624.47817.14426.628S215.97621.73919.63424.2525.75519.98125.74417.39726.262S311.56716.62513.05819.73413.00218.70222.12915.96228.17S416.95122.15218.58722.83919.0917.87719.37321.55928.004S517.38419.36519.50125.19620.58520.33822.53218.50829.596平均15.56422.50417.82022.97919.29519.45322.85118.11427.732表3对合成图像进行SSIM分析得到结果。图像He等人[3]第一章Zhu等人[6]美国Berman等人[13]Cai等人[十五]Dhara等人[第十一届]Zheng等人[29日]Zhu等人[28日]Ju等人[37个]我们S10.8570.9880.9280.9590.9620.7840.9340.9810.984S20.8450.9380.9140.9290.9260.9090.9430.9620.981S30.7150.8410.7660.9430.8950.9330.8080.9360.990S40.9070.9500.9400.9420.9440.9050.8890.9740.988S50.8820.9710.9450.9640.9230.6830.9380.9830.969平均0.8410.9380.8990.9470.9300.8430.9020.9670.982表4510幅合成图像的PSNR和SSIM的平均值。度量He等人[3]第一章Zhu等人[6]美国Berman等人[13]Cai等人[十五]Dhara等人[第十一届]Zheng等人[29日]Zhu等人[28日]Ju等人[37个]我们SSIM0.8190.870.8730.9180.8860.8510.8880.820.93PSNR14.67819.99318.05922.96717.16618.36819.51215.52422.66见图10。 仅使用Gamma校正和使用融合模型的去雾结果。表5计算时间分析(秒)。He et al.[3]Zhu et al.[6]Berman et al.[13] Cai et al.[15]Dhara et al.[11]Zheng et al.[29]Zhu et al.[28]Ju et al.[37]我们的398× 265 0.3740.745 4.338 0.677 0.376 3.1760.1700.4410.045电话:+86-21 - 8888888传真:+86-21- 88888888电话:+86-21 - 8888888传真:+86-21 - 888888881024× 668 1.972 3.488 5.533 3.287 2.599 21.6990.5751.750 0.3731200× 992 3.389 6.055 8.337 5.599 4.375 37.9281.0253.210 0.7053346× 2032 19.501 11.456 29.788 31.936 20.896 219.4936.31723.709 4.358平均数4.511 4.771 9.616 7.405 5.064 50.2201.437 5.209 0.967表6510幅合成图像的PSNR和SSIM的平均性能。指数DCP伽马= 0.5伽马= 2伽马= 4融合模型SIM0.8190.1010.9080.8690.93S. Cheng和B. 杨工程科学与技术,国际期刊35(2022)10119010PSNR14.6786.6920.80518.91122.66S. Cheng和B. 杨工程科学与技术,国际期刊35(2022)101190115. 结论提出了一种有效的基于图像融合的传输图估计的单幅图像去雾算法。该方法是基于理论性强、除雾性能好的DCP我们的目标是解决DCP中的过度增强和颜色失真问题,并保持良好的去雾性能。因此,我们首先引入Gamma校正对DCP获得的透射图然后,提出了一种自适应融合策略,将预处理后的图像与DCP得到的初始传输图像进行自适应融合策略既能保持恢复图像的细节,又能针对图像的不同层次模糊,进行自适应有效的融合。最后,采用引导滤波器对融合后的透射图进行处理,解决了天空区域的光晕和遮挡效应问题。我们将该方法与八种最新技术在自然图像和伪影图像上进行了比较,并利用NIQE、PSNR和SSIM来评价图像重建的性能同时,计算时间也进行了比较。实验结果表明,该方法能有效地解决图像的过增强和颜色失真问题,且计算速度比DCP方法快得多未来的工作将集中在图像去雾的稠密模糊性能上。在浓雾天气下,希望在视觉效果和除雾性能上都能达到梦幻般的效果。竞争利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作。致谢本工作得到国家自然科学基金项目(No.61871210)、华南大学船 山 人 才 工 程 项 目 和 2021 年 湖 南 省 研 究 生 科 研 创 新 项 目(No.202000000)的资助CX20210935)。引用[1] S. Salazar-Colores,E. Cabal-Yepez,J.M. Ramos-Arreguin等人,一种基于形态学重构的快速图像去雾算法。28(5)(2018)2357-2366。[2] Shao,Y.; Li,L; Ren,W.;等;用于图像去雾的域自适应。Proc. IEEE Conf Comput.目视模式识别。(CVPR).,2020年:2808-2817。[3] K. 他,J。太阳,X。Tang,使用暗通道先验的单图像雾去除,IEEETrans. 模式肛门。马赫内特尔 33(12)(2010)2341-2353。[4] R. Fattal,Dehazing using color-lines,ACM Trans.Graph.34(1)(2014)1-14。[5] D. Berman,S. Avidan,非局部图像去雾,Proc. IEEE Conf Comput.目视模式识别。(CVPR)(2016)1674-1682。[6] Q. Zhu,J. Mai,L. Shao,一种基于颜色衰减先验的快速单幅图像去雾算法,IEEEtrans. 图像处理。 24(11)(2015)3522-3533。[7] Choi,L,K.;你,J。Bovik,A,C.;感知雾密度的无参考预测与感知图像去雾。IEEE trans.图像处理,2015,24(11):3888-3901.[8] K. He,J. Sun,X. Tang,Guided Image Filtering,IEEE trans. Pattern Anal.马赫内特尔35(6)(2012)1397-1409。[9] 潘迪河Gupta,N. Goel,一种快速有效的单幅雾天图像视觉增强方法。工程科学与技术,国际期刊。(2021年)。[10] M.I. Anwar,A. Khosla,通过单个图像去雾增强视觉。工程科学与技术,国际期刊。20(3)(2017)1075-1083。[11] S.K. Dhara,M.罗伊D. Sen等人,通过自适应空气光细化和非线性色彩平衡的色偏相关图像去雾,IEEE Trans. 电路系统视频技术 31(5)(2020)2076-2081。[12] D. Berman , T. Treibitz , S. Avidan , Air-light estimation using haze-lines ,IEEEInternationalConferenceonComputationalPhotography ( ICCP )(2017:)1-9。[13] D. Berman,T. Treibitz,S. Avidan,使用Haze-lines的单图像去雾,IEEETrans.模式肛门。马赫内特尔 42(3)(2018)720-734。[14] Z. Zhu,Y. Luo,H. Wei等人,基于大气光估计的遥感图像去雾,遥感,13(13)(2021)2432。[15] B. Cai,X. Xu,K. Jia等人,Dehazenet:一个端到端的单图像去雾系统,IEEETrans. Image Process。25(11)(2016)5187-5198。[16] 李,B.;彭某;王志;等; AOD-net:一体化去雾网络。Proc. IEEE Conf Comput.目视模式识别。(CVPR).,2017年:4770-4778。[17] 张,H.; Patel,V,M.;密集连接的金字塔式除雾网络。Proc. IEEE Conf Comput.目视模式识别。(CVPR).,2018年:3194-3203。[18] W. Ren,S. Liu,H. Zhang等人,通过多尺
下载后可阅读完整内容,剩余1页未读,立即下载
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- VMP技术解析:Handle块优化与壳模板初始化
- C++ Primer 第四版更新:现代编程风格与标准库
- 计算机系统基础实验:缓冲区溢出攻击(Lab3)
- 中国结算网上业务平台:证券登记操作详解与常见问题
- FPGA驱动的五子棋博弈系统:加速与创新娱乐体验
- 多旋翼飞行器定点位置控制器设计实验
- 基于流量预测与潮汐效应的动态载频优化策略
- SQL练习:查询分析与高级操作
- 海底数据中心散热优化:从MATLAB到动态模拟
- 移动应用作业:MyDiaryBook - Google Material Design 日记APP
- Linux提权技术详解:从内核漏洞到Sudo配置错误
- 93分钟快速入门 LaTeX:从入门到实践
- 5G测试新挑战与罗德与施瓦茨解决方案
- EAS系统性能优化与故障诊断指南
- Java并发编程:JUC核心概念解析与应用
- 数据结构实验报告:基于不同存储结构的线性表和树实现
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)