论文部分内容阅读
在恶劣天气环境和人类活动(如烟雾、烟雾、灰尘)影响下,大气中的雾霾所引起的低对比度和有限能见度会造成所获得图像的雾化。雾化图像会严重影响到基于计算机视觉应用的实现,因为这些应用程序需要鲁棒清晰的图像属性,如在目标识别、目标定位和跟踪等中的应用。图像获取中雾霾的形成往往是基于两种成分的结合:光的衰减和大气光。相机从观察到的场景中获得的辐照度会随着气溶胶视野的影响而衰减;入射光通量与来自各个方向的光相结合称为大气光(即无限远处观察到景物颜色);散射体的体积依赖于所观策的场景和摄像机之间的距离。由于散射的体积依赖于观察者和被观测场景之间未知的距离,同样大气光也是未知的,因此,图像去雾与增强是一个极具挑战性的任务。显然,某个场景单张图像去雾是一种病态问题,大多数现有的除雾方法都依赖于同一场景的多个图像,并且需要具有输入约束的附加深度信息。因此,为了解决该病态问题,本文探讨了图像实时鲁棒去雾和增强的几个方面问题,主要贡献和创新点如下:1)提出了一种新型基于全局特征恢复框架的图像去雾与增强方法。该方法提出了一种基于暗通道先验的全局图像去雾算法,通过使用基于深度的选择方案,迭代输入序列来恢复雾退化区域内像素的真实属性。由于雾退化过程与景深相关,因此基于景深的选择方案可以有效地选取景物先验知识,并鲁棒地实现图像的全局去雾与增强。2)针对没有先验场景深度信息的情况,本文在给定的图像上直观地利用雾度和深度特征信息。该方法能够在图像区域中保证高的去雾效率,而不受局部深度变化的影响。结果证明了雾退化与场景深度呈线性关系,并在此基础上本文提出了一种深度选择和裁剪方案,构造了一种自适应滤波器应用于图像去雾与增强。3)将暗通道先验和景深裁剪方案合并到一个统一的去雾框架中,能够实时地保持所有图像区域的均匀和鲁棒性。因此,与大多数现有方案不同,该方法能够将去雾性能扩展到图像中的远景区域,保证在远景区域中,去雾性能不会下降。4)考虑夜间单幅图像去雾特殊场景,提出了一种基于暗通道先验方案的局部图像去雾与增强算法。在夜间环境下拍摄的图像中,本文给出了在人工光源或多光源时均匀照明下一种高效的图像鲁棒去雾与增强方案。5)在分析了图像去雾增强方法所存在的难点后,讨论了利用分层卷积神经网络(HCNN)提取雾图像中操作特征的方法,进而能够对场景传输图进行估计。在网络的实现过程中,高层特征网络对整个传输图进行估计,同时低层特征网络对估计的场景传输图进行增强。