Retinex与暗通道融合的海参图像去雾方法

（1）本项目使用了两种经典的对比度增强算法，同态滤波和对比度受限的自适应直方图均衡化来完成图像去雾的任务。 （2）从退化模型的角度来看，本项目采用了两种基于暗通道先验算法的方法。

针对暗通道先验去雾算法存在的光晕现象、大气光值选取不准确等问题,提出了一种基于暗通道补偿与大气光值改进的图像去雾方法。为减弱图像景物边缘处的光晕效应,提出了一种基于暗通道补偿模型的解决办法,利用加权通道差值的方法识别光晕区域,通过腐蚀、融合等处理修正该区域的暗通道值,采用线性融合的方式与原暗通道进行融合,实现对暗通道的补偿。针对大气光值选取不准确的问题,改进了四叉树分割方法,即增加相邻区域比较的策略,使该算法可以更加精确地获取大气光值,使恢复后的图像更加清晰自然,细节保留更加丰富。借助大气散射模型与优化后的透射率恢复无雾图像。实验结果表明,本文方法能够有效地去除光晕效应,准确地获取大气光值。

雾天的交通影响着人们的出行，是否可以安全的出行是人人所关心的问题.为获取含雾图像更多的特征信息，提出一种基于小波变换的交通图像去雾方法.一方面在RGB颜色空间对图像进行直方图均衡处理来增强图像的整体的对比度；另一方面在HSV色彩空间，对V分量进行小波变换处理，将分解得到的低频子带采取双边滤波处理的方式，而对多个高频子带进行非线性变换处理方式，将处理过的低频子带和多个高频子带，利用小波逆变换进行重构.最后将两幅图像进行线性组合，得到最终的去雾图像.实验结果表明，与其他方法相比，本文方法处理的的图像所含信息较高，便于人眼观察。

图像去雾方法和评价及其应用研究_郭璠 毕业论文

单幅图像去雾方法研究综述

针对传统的单幅图像去雾算法容易受到雾图先验知识制约及颜色失真等问题,提出了一种基于深度学习的多尺度卷积神经网络(CNN)单幅图像去雾方法,即通过学习雾天图像与大气透射率之间的映射关系实现图像去雾。根据大气散射模型形成雾图机理,设计了一个端到端的多尺度全CNN模型,通过卷积层运算提取有雾图像的浅层特征,利用多尺度卷积核并行提取得到有雾图像的深层特征,然后将浅层特征和深层特征进行跳跃连接融合,最后通过非线性回归得到雾图对应的透射率图特征,并根据大气散射模型恢复出无雾图像。采用雾图数据集对该模型进行训练测试。实验结果表明,所提方法在合成有雾图像和真实自然雾天图像的实验中均能取得良好的去雾效果,在主观评价和客观评价上均优于其他对比算法。

行业-电子政务-结合深度信息的图像去雾方法及装置和电子装置.zip

业分类-物理装置-一种图像去雾方法及其系统和设备.zip

针对颜色衰减先验去雾算法存在的透射率估计不准确、整体颜色偏暗及去雾效果欠佳等问题,提出一种基于改进动态大气散射系数函数的图像去雾方法。首先,定义大气散射系数,其为一种图像景深与图像景深指数函数乘积形式的函数。其次,利用平均梯度和信息熵相结合的归一化综合评价参数(CEP)对随机选取的非均匀雾图像进行实验,确定动态大气散射系数函数的两个最佳参数分别为1.3和0.5。最后,借助天空区域透射率纠正算法来校正动态大气散射系数函数。实验结果表明,所提方法能够有效地解决原去雾算法存在的问题,从而进一步提升了图像去雾效果。