小论文想法

1,结合雾天道路行进过程中,图像在远端,中端和近处的雾气浓度不同,进行评估,来自动化调节去雾强度.可以结合边缘检测算法(OTSU),来检测出天空的区域(当前方有车时,检测),然后将图像分割为远中近三个部分.

2.

2017/8/21 posted in  图像去雾技术

图像去雾相关基础

暗原色

暗原色先验理论指出,在无雾图像的 非天空区域里,若把图像分为多个子块,则在每个子块中都会 有某些像素点的一个颜色通道的亮度接近于 0



HSV

HSL 和 HSV(也叫做 HSB)是对RGB 色彩空间中点的两种有关系的表示,它们尝试描述比 RGB 更准确的感知颜色联系,并仍保持在计算上简单。HSL 表示hue(色相)、saturation(饱和度)、lightness(亮度)HSV 表示 hue、 saturation、value(色调) 而 HSB 表示hue、saturation、brightness(明度)

HSL 和 HSV 二者都把颜色描述在圆柱体内的点,这个圆柱的中心轴取值为自底部的黑色到顶部的白色而在它们中间是的灰色,绕这个轴的角度对应于“色相”,到这个轴的距离对应于“饱和度”,而沿着这个轴的距离对应于“亮度”,“色调”或“明度”。

HSV(色相,饱和度,明度)在概念上可以被认为是颜色的倒圆锥体(黑点在下顶点,白色在上底面圆心)

2017/5/4 posted in  图像去雾技术

图像去雾相关论文总结

  • 2.尺度自适应暗通道先验去雾方法

    1.特征学习的单幅图像去雾算法 2016年

    目的:为提高图像去雾的普适性,提出一种特征学习的单幅图像去雾方法。

    方法:通过稀疏自动编码机对有雾图像进行多尺度的纹理结构特征提取,同时抽取各种与雾相关的颜色特征。然后采用多层神经网络进行样本训练,得到雾天条件下纹理结构特征及颜色特征与场景深度间的映射关系,并估算出有雾图像的场景深度图。最后结合大气散射模型,根据场景深度图复原无雾图像。

    结论:对实验结果的定性及定量分 析表明,本文算法能有效获取有雾图像的场景深度,复原出视觉效果理想的无雾图像,且具有很好的场景普适性。

    理解本文认为图像去雾的问题可进一步转化为场景深度d的求解问题。本文通过自动编码机获取到图片中物体的纹理特征,然后用多尺度的方法分别提取颜色特征、暗原色特征、颜色衰减特征、纹理结构特征。四者结合对场景深度进行估计

    可以改进的

    1. 算法实时性不够强,效率比较低,可以考虑缩小图片尺寸,降低数据量,从而运用到视频去雾。

    2. 对雾气分布不均匀的图像,效果不理想,需要结合不同的气象模型来建立更为鲁棒的物理模型。

    2.尺度自适应暗通道先验去雾方法

    目的:
    针对暗通道先验去雾方法的尺度选择问题 提出了一种尺度自适应方法, 根据图像的颜色和边 缘特征将暗通道求解的尺度自适应地调整到一个合适的范围。

    方法:

    1. 由颜色特征求解初始尺度:对于图像的不同区域采用不同的尺度求解暗通道: 在亮度较低或饱和度较高的区域,采用较小尺度; 在亮度较高且饱和度较低的区域,采用较大尺度;在景深突变处,采用较小尺度;在平滑区域,采用较大尺度。

    2. 由边缘特征对尺度进行修正:由于“光晕”现象发生在景深突变处,如果在边缘附近采用较小的尺度,可使透射率的求解窗口\(Ω_r(x)\)尽量不跨越景深边界,从而减小“光晕”现象; 在非边缘处采用较大的尺度,可以增大 \(J_{dark}(x)→0\)的概率,使复原图像的背景更平滑,噪声和失真更小。 由边缘特征对初始尺度\(r_0(x)\)进行修正.

    结论:
    整个去雾过程参数自动配置,无需人工干预,兼顾不同尺度复原图像的优点,复原图像色彩自然,对比度提升显著,并有效抑制了“光晕”现象。对多种雾化场景图像的处理结果表明: 文中方法对场景的适应性强, 在任何情况下的处理结果均能达到 DG 方法的最优结果,甚至更好。

    理解:
    该论文主要是针对HE的去雾方法,对暗通道尺寸进行自适应确定,减少了人工干预的复杂度。

    可以改进:
    该算法在运行时间上可以改进,也可以利用机器学习的方法来提取图片特征,避免Canny算子的局限性造成的边缘提取误差。
    可以与上篇论文进行结合来提高上文尺度特征提取的效率。

  • 2017/4/27 posted in  图像去雾技术