论文部分内容阅读
计算机技术的快速发展和人工智能的崛起,掀起了各个领域智能化热潮,智能设备逐渐进入到日常生活当中。计算机视觉作为计算机应用和人工智能等方面的重要分支,逐渐应用到图像识别、军事监测和无人驾驶等领域,比如闭路电视监控系统、机载监视系统和阿尔法智能驾驶系统等。然而,这些户外工作的视觉系统实时地受到天气条件的制约,由于大气介质对光的散射、反射和吸收的作用,导致了视觉系统瘫痪。近年来,我国环境质量面临挑战,比如雾霾天气对视觉系统的正常运转造成了一定干扰。雾霾是一种常见的自然现象,导致获取的图像对比度、可视度降低,细节丢失,严重阻碍了图像分析过程,从而提出有效的雾霾图像清晰化处理算法具有一定的实际意义和应用价值;其次,从研究实践情况看,雾霾成因具有很强的地域差异性:南方主要以雾/霾为主,西北以雾/尘霾为主,且目前算法基本以处理类似南方雾/霾环境为主,并不适用于北方尘霾环境,可见具有明显的环境依赖性,从而设计不同环境下的图像清晰化算法具有一定的实际意义。针对目前图像去雾算法存在严重的环境/图像依赖性问题,论文提出两类环境下的图像清晰化算法。(1)针对西北尘霾环境,提出光补偿雾化理论及清晰化算法:西北地区降水量低,导致植被稀疏、土质疏松,极易出现沙尘天气,空气中尘土、沙砾成分居多,这类介质大量吸收蓝光以及部分绿光,使得图像偏黄。通过对薄雾、浓雾和沙尘图像的直方图进行实验统计发现:浓雾图像RGB三个通道对应的直方图集中且分布在[50,220]的高灰度级范围;沙尘图像的G、B通道直方图分布在较低灰度级范围,R通道类似于浓雾图像分布,从而提出将沙尘偏色图像的B、G通道分布曲线向R通道分布曲线拟合,使其满足浓雾图像的分布形式,这一概念文中称为光补偿;利用光补偿将沙尘图像归类为雾天图像,进而提出逐像素概念进行透射率估计,从而获得最终的清晰化结果。(2)针对南方雾霾环境,提出两类基于高斯模型的去雾方法:1)基于高斯权重衰减的迭代优化去雾方法,该方法将利用Kirsch算子构造的高斯函数作用于无雾图像,从而提出高斯暗通道概念,大量实验证明,高斯暗通道的灰度级分布范围较低;进一步在假设透射率已知且可以最佳反映图像深度信息的基础上,提出无雾图像的高斯暗通道和该透射率的乘积趋于0的先验来简化大气散射模型,从而获取粗级透射率;最后利用一组由Kirsch和Laplacian算子组成的高阶滤波器组对粗级透射率进行迭代优化,得到最优透射率,并且对上述先验做后向验证,实验结果证明,论文所提方法成立。2)基于多尺度优化的单幅图像去雾算法,该方法受到多尺度Retinex启发,利用三个不同尺度的高斯函数获得MSR效果,其次根据大气散射模型获得RGB三个通道的透射率分量并获得最终的复原效果。最后,考虑到当前算法具有一定的图像依赖性,从而对图像进行分类并建立相应的图像数据库,主要目的:1)根据不同特征雾图,从而设计具有针对性的清晰化处理算法;2)利用分类对当前算法做更进一步的效果对比;3)根据分类,可以确定后续的研究方向和思路。在上述分类的基础上,将论文所提算法同经典算法从主观和客观两个方面做了对比,实验结果证明,所提方法不仅在主观上具有一定成效,并且客观上也反映了算法的优越性。