高级搜索

基于均值不等关系优化的自适应图像去雾算法

杨燕 王志伟

引用本文: 杨燕, 王志伟. 基于均值不等关系优化的自适应图像去雾算法[J]. 电子与信息学报, doi: 10.11999/JEIT190368 shu
Citation:  Yan YANG, Zhiwei WANG. Adaptive Image Dehazing Algorithm Based on Mean Unequal Relation Optimization[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190368 shu

基于均值不等关系优化的自适应图像去雾算法

    作者简介: 杨燕: 女,1972年生,博士,教授、硕士生导师,主要研究方向为数字图像处理、智能信息处理、语音信号处理;
    王志伟: 男,1996年生,硕士生,主要研究方向为数字图像处理、计算机视觉
    通讯作者: 杨燕,yangyantd@mail.lzjtu.cn
  • 基金项目: 国家自然科学基金(61561030),甘肃省财政厅基本科研业务费基金(214138),兰州交通大学教改基金(160012)

摘要: 针对暗通道先验去雾算法的不足,如天空区域透射率估计过小和在景深突变处易发生光晕效应,该文提出一种新颖且高效的去雾算法。首先通过几何分析建立雾图对应无雾图像暗通道图的平面扇形模型,然后设定一种新型的高斯均值函数,对其标准差进行自适应处理,用以估计扇形模型的上下边界值,通过引入均值不等关系对两侧边界进行逼近,拟合出最优无雾图像暗通道图,进一步求得最佳透射率,同时也改进局部大气光的探索方法并复原出最终结果。实验表明,与其它一些经典算法相比较,所提算法能广泛适用于各类图像,去雾程度彻底且效果清晰自然,具有较低的时间复杂度,有利于实时处理。

English

    1. [1]

      周妍, 李庆武, 霍冠英. 基于非下采样Contourlet变换系数直方图匹配的自适应图像增强[J]. 光学 精密工程, 2014, 22(8): 2214–2222. doi: 10.3788/OPE.20142208.2214
      ZHOU Yan, LI Qingwu, and HUO Guanying. Adaptive image enhancement based on NSCT coefficient histogram matching[J]. Optics and Precision Engineering, 2014, 22(8): 2214–2222. doi: 10.3788/OPE.20142208.2214

    2. [2]

      CHEN Yang, LI Dan, and ZHANG Jianqiu. Complementary color wavelet: A novel tool for the color image/video analysis and processing[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2019, 29(1): 12–27. doi: 10.1109/TCSVT.2017.2776239

    3. [3]

      刘海波, 杨杰, 吴正平, 等. 基于暗通道先验和Retinex理论的快速单幅图像去雾方法[J]. 自动化学报, 2015, 41(7): 1264–1273. doi: 10.16383/j.aas.2015.c140748
      LIU Haibo, YANG Jie, WU Zhengping, et al. A fast single image dehazing method based on dark channel prior and Retinex theory[J]. Acta Automatica Sinica, 2015, 41(7): 1264–1273. doi: 10.16383/j.aas.2015.c140748

    4. [4]

      SCHECHNER Y Y, NARASIMHAN S G, and NAYAR S K. Polarization-based vision through haze[J]. Applied Optics, 2003, 42(3): 511–525. doi: 10.1364/AO.42.000511

    5. [5]

      NARASIMHAN S G and NAYAR S K. Interactive (de) weathering of an image using physical models[C]. 2003 IEEE Workshop on Color and Photometric Methods in Computer Vision, Nice, France, 2003: 1–8.

    6. [6]

      TAN R T. Visibility in bad weather from a single image[C]. 2008 IEEE Conference on Computer Vision and Pattern Recognition, Anchorage, USA, 2008: 1–8. doi: 10.1109/CVPR.2008.4587643.

    7. [7]

      FATTAL R. Single image dehazing[J]. ACM Transactions on Graphics, 2008, 27(3): 72. doi: 10.1145/1360612.1360671

    8. [8]

      TAREL J P and HAUTIÈRE N. Fast visibility restoration from a single color or gray level image[C]. The 12th IEEE International Conference on Computer Vision, Kyoto, Japan, 2009: 2201–2208.

    9. [9]

      HE Kaiming, SUN Jian, and TANG Xiaoou. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341–2353. doi: 10.1109/TPAMI.2010.168

    10. [10]

      ZHU Qingsong, MAI Jiaming, and SHAO Ling. A fast single image haze removal algorithm using color attenuation prior[J]. IEEE Transactions on Image Processing, 2015, 24(11): 3522–3533. doi: 10.1109/TIP.2015.2446191

    11. [11]

      MENG Gaofeng, WANG Ying, DUAN Jiangyong, et al. Efficient image dehazing with boundary constraint and contextual regularization[C]. 2013 IEEE International Conference on Computer Vision, Sydney, Australia, 2013: 617–624.

    12. [12]

      CAI Bolun, XU Xiangmin, JIA Kui, et al. DehazeNet: An end-to-end system for single image haze removal[J]. IEEE Transactions on Image Processing, 2016, 25(11): 5187–5198. doi: 10.1109/TIP.2016.2598681

    13. [13]

      REN Wenqi, LIU Si, ZHANG Hua, et al. Single image dehazing via multi-scale convolutional neural networks[C]. The 14th European Conference on Computer Vision, Amsterdam, The Netherlands, 2016: 154–169.

    14. [14]

      江巨浪, 孙伟, 王振东, 等. 基于透射率权值因子的雾天图像融合增强算法[J]. 电子与信息学报, 2018, 40(10): 2388–2394. doi: 10.11999/JEIT171032
      JIANG Julang, SUN Wei, WANG Zhendong, et al. Integrated enhancement algorithm for hazy image using transmittance as weighting factor[J]. Journal of Electronics &Information Technology, 2018, 40(10): 2388–2394. doi: 10.11999/JEIT171032

    15. [15]

      HE Kaiming, SUN Jian, and TANG Xiaoou. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397–1409. doi: 10.1109/TPAMI.2012.213

    16. [16]

      SUN Wei, WANG Hao, SUN Changhao, et al. Fast single image haze removal via local atmospheric light veil estimation[J]. Computers & Electrical Engineering, 2015, 46: 371–383. doi: 10.1016/j.compeleceng.2015.02.009

    17. [17]

      MIN Xiongkuo, ZHAI Guangtao, GU Ke, et al. Objective quality evaluation of dehazed images[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(8): 2879–2892. doi: 10.1109/TITS.2018.2868771

    18. [18]

      杨爱萍, 王南, 庞彦伟, 等. 人工光源条件下夜间雾天图像建模及去雾[J]. 电子与信息学报, 2018, 40(6): 1330–1337. doi: 10.11999/JEIT170704
      YANG Aiping, WANG Nan, PANG Yanwei, et al. Nighttime haze removal based on new imaging model with artificial light sources[J]. Journal of Electronics &Information Technology, 2018, 40(6): 1330–1337. doi: 10.11999/JEIT170704

    1. [1]

      江巨浪, 孙伟, 王振东, 朱柱, 郑江云. 基于透射率权值因子的雾天图像融合增强算法. 电子与信息学报,

    2. [2]

      杨爱萍, 曲畅, 王建, 张莉云. 基于水下成像模型的图像清晰化算法. 电子与信息学报,

    3. [3]

      杨爱萍, 张莉云, 曲畅, 王建. 基于加权L1正则化的水下图像清晰化算法. 电子与信息学报,

    4. [4]

      梁晓萍, 郭振军, 朱昌洪. 基于头脑风暴优化算法的BP神经网络模糊图像复原. 电子与信息学报,

    5. [5]

      杨爱萍, 郑佳, 王建, 何宇清. 基于颜色失真去除与暗通道先验的水下图像复原. 电子与信息学报,

    6. [6]

      杨爱萍, 王南, 庞彦伟, 杨苏辉. 人工光源条件下夜间雾天图像建模及去雾. 电子与信息学报,

    7. [7]

      马时平, 李权合, 张晟翀. 一种基于反馈机制的闭环图像去雾算法. 电子与信息学报,

    8. [8]

      刘哲, 杨静, 陈路. 基于非局部稀疏编码的超分辨率图像复原. 电子与信息学报,

    9. [9]

      闫华, 刘琚, 李道真, 孙建德. 基于增量维纳滤波和空间自适应规整的超分辨率图像复原. 电子与信息学报,

    10. [10]

      宋珩, 王世唏, 计科峰, 郁文贤. 基于结构保持MRF模型的SAR图像去斑. 电子与信息学报,

    11. [11]

      毕笃彦, 眭萍, 何林远, 马时平. 基于Color Lines先验的高阶马尔科夫随机场去雾. 电子与信息学报,

    12. [12]

      刘海波, 杨杰, 吴正平, 张庆年, 邓勇. 基于区间估计的单幅图像快速去雾. 电子与信息学报,

    13. [13]

      周汉飞, 王孝通, 徐晓刚. 基于高斯比例混合模型的图像非下采样Contourlet域去噪. 电子与信息学报,

    14. [14]

      边策, 钟桦, 焦李成. 基于非下采样Contourlet变换和双变量模型的图像去噪. 电子与信息学报,

    15. [15]

      邹谋炎, 刘小军. 总变分图像复原方程的离散化方法. 电子与信息学报,

    16. [16]

      张军, 韦志辉. SAR图像去噪的分数阶多尺度变分PDE模型及自适应算法. 电子与信息学报,

    17. [17]

      王小青, 余颖, 陈永强, 朱敏慧. 海面散射仿真中不同波浪谱和松弛率模型选取的对比研究. 电子与信息学报,

    18. [18]

      娄军, 金添, 宋千, 周智敏. 高分辨率SAR图像散射中心特征提取. 电子与信息学报,

    19. [19]

      廖斌, 訚鹏, 赵俭辉. 基于场景传输渐进估计的单幅图像能见度快速复原. 电子与信息学报,

    20. [20]

      王睿, 方勇. 基于2-D公共因子的精确提取的图像盲复原方法. 电子与信息学报,

  • 图 1  3个向量的几何表示

    图 2  各个向量间的匹配关系

    图 3  高斯均值函数

    图 4  透射率及效果对比图

    图 5  大气光值及效果对比图

    图 6  去雾示意图

    图 7  本文算法原理框图

    图 8  近景组图像(图像1-图像3)

    图 9  远近景交替组图像(图像4-图像6)

    图 10  远景组图像(图像7-图像8)

    表 1  改进的大气光探索方法

     输入:有雾图像${{I}^c}(x)$;
     步骤 1 找出有雾图像的3颜色通道的最大值${A}_{\max }^c(x) = \mathop {\max }\limits_{c \in \{\rm r,g,b\} } {{I}^c}(x)$
     步骤 2 进行形态学闭操作,滤波核尺寸分别为${r_1} = \min [w,h]/5$, ${r_2} = \min [w,h]/20$,得到两次闭操作结果${s_1}$和${s_2}$;
     步骤 3 求取两次闭操作的平均值,$s = ({s_1} + {s_2})/2$ ;
     步骤 4 进行交叉滤波平滑处理,得到最后的结果${{A}^c}$
    下载: 导出CSV

    表 2  各个算法的$e$$r$指标对比

    图像He[9]算法Meng[11]算法Ren[13]算法Cai[12]算法Sun[16]算法本文算法
    erererererer
    14.501.285.821.797.551.472.761.086.441.229.011.41
    28.441.695.362.4820.711.5217.871.5615.741.4918.681.81
    313.891.7022.562.5910.821.979.111.4711.222.0121.832.01
    410.831.4824.933.7727.003.019.871.3612.741.9922.632.22
    56.871.2812.121.6915.611.7611.101.2817.252.0617.181.64
    626.231.7331.111.9031.362.6018.851.3022.751.9430.042.38
    715.511.8538.034.1220.352.5514.531.6324.742.9818.472.95
    83.691.413.121.588.941.792.491.136.331.748.561.42
    均值11.241.5517.882.4917.792.0811.821.3514.651.9318.301.98
    下载: 导出CSV

    表 3  各个算法的$\theta $$T(s)$指标对比

    图像He[9]算法Meng[11]算法Ren[13]算法Cai[12]算法Sun[16]算法本文算法
    $\theta $T$\theta $T$\theta $T$\theta $T$\theta $T$\theta $T
    10.000182.510.006513.8004.270.009313.010.003472.470.000012.65
    20.000222.560.003553.1603.0502.870.000192.670.000012.04
    30.000312.380.000663.0803.780.001972.940.001622.0102.06
    402.610.000034.5404.600.001262.980.002762.3902.07
    50.000362.460.000043.500.000132.6704.0102.0002.07
    60.001612.8004.4003.360.001183.680.000192.1702.09
    70.000093.020.000145.1003.2203.3102.5702.43
    80.002943.940.000796.550.000183.340.001697.340.000242.770.000162.55
    均值0.000712.780.001464.270.000033.530.001923.770.001052.380.000022.25
    下载: 导出CSV
  • 加载中
图(10)表(3)
计量
  • PDF下载量:  12
  • 文章访问数:  317
  • HTML全文浏览量:  142
文章相关
  • 通讯作者:  杨燕, yangyantd@mail.lzjtu.cn
  • 收稿日期:  2019-05-22
  • 录用日期:  2019-10-29
  • 网络出版日期:  2019-11-12
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章