目前,雾霾所引起的图像模糊问题,主流的算法主要都侧重于处理雾气,对于霾没有相关的处理.针对此缺陷,提出了一种联合K-SVD(K-singular value decomposition)稀疏算法和暗通道先验算法的全新算法,来克服雾霾引起的图像模糊问题.图像的处...目前,雾霾所引起的图像模糊问题,主流的算法主要都侧重于处理雾气,对于霾没有相关的处理.针对此缺陷,提出了一种联合K-SVD(K-singular value decomposition)稀疏算法和暗通道先验算法的全新算法,来克服雾霾引起的图像模糊问题.图像的处理主要分两个步骤:第一步是运用KSVD稀疏算法去除图像中的霾恢复出只含雾气的图像,第二步通过经典的暗通道算法去除图像上的层层雾气.计算机仿真结果表明,该方法对于图像的处理结果要优于FVR(Fast visiblity restoration)算法,暗通道先验算法和直方图均衡化算法.展开更多
基于传统暗原色先验原理的图像去雾算法存在的“halo”效应,且图像中明亮区域存在颜色失真现象,针对此问题,本文提出了多尺度窗口的自适应透射率修复交通图像去雾方法。首先,利用新的8方向边缘检测算子求取图像中景深突变区域,根据暗通...基于传统暗原色先验原理的图像去雾算法存在的“halo”效应,且图像中明亮区域存在颜色失真现象,针对此问题,本文提出了多尺度窗口的自适应透射率修复交通图像去雾方法。首先,利用新的8方向边缘检测算子求取图像中景深突变区域,根据暗通道先验理论和前一步求得的景深突变区域,在景深变化较大区域使用5 X 5的窗口,景深变化较小区域则使用15 x 15的窗口得到暗原色估计图。同时,针对暗通道先验原理对近景部分存在白色区域时透射率估计不准确的问题,引人了自适应透射率修复方法,通过引导滤波器得到边缘增强后的暗原色图像,并利用其与原暗原色图像的纹理差对近景区域的透射率进行修正,完成图像去雾。实验结果表明:双边滤波和梯度双边滤波两种算法均存在halo现象,并且在包含白色物体的明亮区域色彩失真严重,客观评价指标失去意义;相比于引导滤波,本文去雾算法的各项指标均有所提高,其中平均梯度平均提高了8.305%,PSNR平均提高了12.455%,边缘强度因子平均提高了7.77%。本文算法有效解决了复原图像中“halo”效应现象和明亮区域颜色失真现象,去雾效果最优。展开更多
由于缺乏大规模的雾天飞机目标遥感数据集,现有的目标检测方法难以在雾天条件下实现高精度的目标识别和定位任务。针对这一问题,提出了一种雾天条件下飞机目标检测方法,该方法结合了暗通道先验算法和Faster R⁃CNN(Faster Regions with C...由于缺乏大规模的雾天飞机目标遥感数据集,现有的目标检测方法难以在雾天条件下实现高精度的目标识别和定位任务。针对这一问题,提出了一种雾天条件下飞机目标检测方法,该方法结合了暗通道先验算法和Faster R⁃CNN(Faster Regions with Convolutional Neural Network Features)模型。首先,随机选取少量飞机目标原始图像,通过图像处理数据增强法扩展原始图像遥感数据集。其次,利用暗通道先验算法计算真实雾气图像的透射率值,并将其移植到原始图像中,生成雾气模拟的遥感数据集。最后,使用创建的数据集训练Faster R⁃CNN网络模型以完成飞机目标的识别和定位任务。实验结果表明,与原始数据集相比,该数据集在轻雾和浓雾状态下的检测性能都有明显提高,证明了所提数据集对于雾天环境下飞机目标检测的有效性和实用性。展开更多
文摘目前,雾霾所引起的图像模糊问题,主流的算法主要都侧重于处理雾气,对于霾没有相关的处理.针对此缺陷,提出了一种联合K-SVD(K-singular value decomposition)稀疏算法和暗通道先验算法的全新算法,来克服雾霾引起的图像模糊问题.图像的处理主要分两个步骤:第一步是运用KSVD稀疏算法去除图像中的霾恢复出只含雾气的图像,第二步通过经典的暗通道算法去除图像上的层层雾气.计算机仿真结果表明,该方法对于图像的处理结果要优于FVR(Fast visiblity restoration)算法,暗通道先验算法和直方图均衡化算法.
文摘基于传统暗原色先验原理的图像去雾算法存在的“halo”效应,且图像中明亮区域存在颜色失真现象,针对此问题,本文提出了多尺度窗口的自适应透射率修复交通图像去雾方法。首先,利用新的8方向边缘检测算子求取图像中景深突变区域,根据暗通道先验理论和前一步求得的景深突变区域,在景深变化较大区域使用5 X 5的窗口,景深变化较小区域则使用15 x 15的窗口得到暗原色估计图。同时,针对暗通道先验原理对近景部分存在白色区域时透射率估计不准确的问题,引人了自适应透射率修复方法,通过引导滤波器得到边缘增强后的暗原色图像,并利用其与原暗原色图像的纹理差对近景区域的透射率进行修正,完成图像去雾。实验结果表明:双边滤波和梯度双边滤波两种算法均存在halo现象,并且在包含白色物体的明亮区域色彩失真严重,客观评价指标失去意义;相比于引导滤波,本文去雾算法的各项指标均有所提高,其中平均梯度平均提高了8.305%,PSNR平均提高了12.455%,边缘强度因子平均提高了7.77%。本文算法有效解决了复原图像中“halo”效应现象和明亮区域颜色失真现象,去雾效果最优。
文摘由于缺乏大规模的雾天飞机目标遥感数据集,现有的目标检测方法难以在雾天条件下实现高精度的目标识别和定位任务。针对这一问题,提出了一种雾天条件下飞机目标检测方法,该方法结合了暗通道先验算法和Faster R⁃CNN(Faster Regions with Convolutional Neural Network Features)模型。首先,随机选取少量飞机目标原始图像,通过图像处理数据增强法扩展原始图像遥感数据集。其次,利用暗通道先验算法计算真实雾气图像的透射率值,并将其移植到原始图像中,生成雾气模拟的遥感数据集。最后,使用创建的数据集训练Faster R⁃CNN网络模型以完成飞机目标的识别和定位任务。实验结果表明,与原始数据集相比,该数据集在轻雾和浓雾状态下的检测性能都有明显提高,证明了所提数据集对于雾天环境下飞机目标检测的有效性和实用性。
