论文部分内容阅读
在雾霾天气下,由于浑浊媒介的影响(如悬浮粒子、水滴等),传统监控摄像机通常无法获取清晰的图像,使得机器视觉系统执行精度急剧下降,如目标识别、自动驾驶以及行为检测等。尽管红外摄像头具有更强的穿透力,能一定程度上缓解所采集图像的模糊问题,但由于其耗电量较高,价格昂贵,维护繁琐,故市场占有率仍然较低。因此,使模糊的有雾图像还原为清晰场景具有十分重要的现实意义。本文从雾霾图像的物理成因出发,在深入剖析现有降质成像模型诸多局限的基础上,首先凝练并提出几种更具有鲁棒能力的成像模型,包括:以像素为处理单元的散射模型(Pixel-based atmospheric scattering model,Pb-ASM)、以场景为处理单元的散射模型(Scene-based atmospheric scattering model,Sb-ASM)以及一种伽马校正形式的散射模型(Gamma-form atmospheric scattering model,Gf-ASM)。随后,针对暗通道图像去雾技术所面临的还原质量差与缺乏实时性等问题,提出若干与之匹配的改进策略或修复机制;最后,以传统散射模型或上述重定义模型为理论依据,进一步提出了相应的图像去雾算法或图像增强方法。概括而言,本论文的核心创新点主要集中于以下几个方面:1)针对暗通道去雾方法执行效率过低问题,提出了一种新型的抠图策略-边缘替代法,该方法以梯度优先规律为主导,利用透射信息的局部相关特征,在消除深度突变处Halo效应的前提下,保证了算法的实时性;针对暗通道先验的失效情况,依据大气光分布特性,设计了一种基于双阈值的明亮区域透射率修复机制,有效地克服了天空区域过饱和干扰;针对恢复场景所面临的过暗问题,提出了一种非线性对比度拉伸算法,旨在保证高亮区域信息完整性的前提下,突出暗区域必要的纹理细节。2)以传统散射模型为图像降质的理论依据,提出一种基于雾气浓度估计的图像去雾方法。该算法围绕大气光估计、透射图估计以及图像增强这三个核心模块,分别设计了更具有时效性且精确性更高的估计策略或增强机制。针对大气光估计问题,提出一种雾气浓度预测模型并基于该模型通过聚类算法识别出雾气最浓区域,进而在此区域内准确的定位出大气光所处位置;针对透射率估计问题,提出一种基于场景区域相关性的透射率估计方法,从而将透射率估计过程简化为最小化一维搜索问题;针对复原图像低可视性问题,提出一种基于小波域多尺度锐化的图像增强方法,在提升图像主观视觉效果的同时,可进一步消除残留雾气。3)基于重定义散射模型Sb-ASM,采用“顺估计→逆还原”的复原思路,逐步估计出模型中所涉及的未知参数,进而实现单幅图像去雾的目的。首先,采用等分聚类策略识别出输入图像内的不同场景,并利用改进后的腐蚀法估计出所有场景内的环境照度;其次,设计了一种基于环境特征的对比度目标函数,以估计出不同场景内所对应的恒定透射值;最后,针对参数估计结果无法与原真实场景完全吻合,提出了一种导向全变分模型以消除边缘不连续的影响,该模型以原始变分模型为基本框架,在其内部引入具有引导功能的惩罚项作为抠图依据。4)基于重定义散射模型Sb-ASM,采用参数训练机制提出一种有监督学习图像去雾方法。首先,通过构建一种用于描述透射率与雾气浓度特征的线性模型,并采用有监督学习策略获取模型中的最优参数,从而将透射率估计简化为亮度分量、饱和度分量与梯度分量的线性计算。随后,基于计算的透射图与所提导向能量模型,估算出大气光值与场景照度分布,将所得参数导入成像模型,便可复原出清晰的无雾图像。此外,为了进一步提高去雾效率,一种基于高斯-拉普拉斯金字塔的加速框架被进一步提出,不仅提高了去雾速度,其恢复质量也有所改善。5)基于重定义散射模型Pb-ASM,采用“逆估计→顺还原”的思路,提出了一种基于贝叶斯理论的单幅图像去雾方法。该方法结合Pb-ASM模型与贝叶斯概率框架,将单幅图像去雾问题演化为最大后验概率模型;其实质是利用已有的主流图像先验分别构造出后验模型中所涉及的概率密度函数,进而得出关于图像去雾的多元优化方程;通过采用全局复原策略与交替迭代求解技术,便可消除所采用先验知识的局限性,最终将直接重现出高视觉真实感的无雾图像。6)以Gamma形式的散射模型Gf-ASM为成像依据,提出一种具有普适性的单幅图像增强方法。该方法首先通过大量实验统计测试,探索并提出一种基于高清图像的明亮通道先验;随后,利用明亮通道先验与暗通道先验的互不相交性,对所提的Gf-ASM模型进行约束处理,以推导出降质图像的场景反照率恢复公式。受益于Gf-ASM模型良好的鲁棒性,该恢复公式不仅适用于有雾图像,而且对其余非抖动因素造成的低对比度图像也具有出色的重建性能。