基于深度学习的图像去雾技术研究文献综述

 2022-11-30 11:11

一、图像去雾技术

室外场景的图像通常会被大气中的混浊介质(例如,颗粒,水滴)降级。 由于大气吸收和散射,会产生霾,雾和烟这种现象。此外,入射光与空气[6]混合(环境光被大气颗粒反射到视线中)。降级的图像会失去对比度和色彩保真度。在消费者/计算机摄影和计算机视觉应用中非常需要图像去雾。去除雾度可以显着增加场景的可见度并校正由空气引起的色移。

图像去雾技术有许多种,主要分为两大类:基于图像增强的去雾算法 (直方图均衡化(HE),自适应直方图均衡化(AHE),限制对比度自适应直方图均衡化(CLAHE) 等)以及基于图像复原的去雾算法(暗通道去雾算法(Single image haze removal using dark channel prior, Guided image filtering) 、Fattal的单幅图像去雾算法(Single image dehazing)、Tan的单一图像去雾算法(Visibility in bad weather from a single image)等)

基于图像增强的方法[12,13]通过以不同偏振度拍摄的两个或更多个图像去除雾度效应。在不同的天气条件下从同一场景的多个图像获得更多约束。 基于图像复原的方法[5,9]需要来自用户输入或来自已知3D模型的粗略深度信息。最近,单图像雾霾去除[2,14]取得了重大进展。这些方法的成功在于使用更强的先验或假设。Tan [14]观察到,与输入雾度图像相比,无雾度图像必须具有更高的对比度,并且通过最大化恢复图像的局部对比度来消除雾度。

二、暗通道去雾算法

暗通道先验基于无雾室外图像的统计。通过无雾图像的统计,发现在无雾图像中,每一个局部区域都很有可能会有阴影,或者是纯颜色的东西,又或者是黑色的东西。因此,每一个局部区域都很有可能有至少一个颜色通道会有很低的值。把这个统计规律叫做Dark Channel Prior。直观来说,Dark Channel Prior认为每一个局部区域都总有一些很暗的东西。以下是暗通道去雾算法大致步骤:

1、求出暗通道

Jc表示彩色图像的每个通道
Omega;(x)表示以像素X为中心的一个窗口
意义:首先求出每个像素RGB分量中的最小值,存入一副和原始图像大小相同的灰度图中,然后再对这幅灰度图进行最小值滤波

2、计算折射率

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。