毕业论文雾天图像增强算法研究32607.doc

上传人:仙人指路1688 文档编号:3973587 上传时间:2023-03-30 格式:DOC 页数:25 大小:715KB
返回 下载 相关 举报
毕业论文雾天图像增强算法研究32607.doc_第1页
第1页 / 共25页
毕业论文雾天图像增强算法研究32607.doc_第2页
第2页 / 共25页
毕业论文雾天图像增强算法研究32607.doc_第3页
第3页 / 共25页
毕业论文雾天图像增强算法研究32607.doc_第4页
第4页 / 共25页
毕业论文雾天图像增强算法研究32607.doc_第5页
第5页 / 共25页
点击查看更多>>
资源描述

《毕业论文雾天图像增强算法研究32607.doc》由会员分享,可在线阅读,更多相关《毕业论文雾天图像增强算法研究32607.doc(25页珍藏版)》请在三一办公上搜索。

1、学号: 毕 业 论 文 课 题 雾天图像增强算法研究 学生姓名 _ _ _ 系 别 _ 电气工程系_ 专业班级 _ 09通信(1)班_ _ 指导教师_ _ 二0 一 三 年 六 月目 录摘 要IIIAbstractIV第一章 绪论1第二章 雾天图像增强概述12.1 图像增强技术12.2 图像增强技术分类12.3 图像增强所包含的内容12.4 图像增强的方法12.5 图像增强技术发展状况22.5.1 图像增强技术国外发展状况22.5.2 图像增强技术国内发展状况3第三章 雾天图像增强算法13.1介绍13.2 能见度恢复算法23.2.1白平衡23.2.2大气耗散函数的推导33.2.3保角平滑43.

2、2.4图像能见度恢复53.2.5适应对比度放大的平滑63.2.6专用色调映射63.3比较结果分析及对比73.3.1复杂性73.3.2 定性比较73.4 定量评价83.5应用83.6 结论9第四章图像增强前景展望10参考文献11致谢12插图附表图3-1 3图3-23图3-34图3-45图3-55图3-66图3-77图3-87图3-98雾天图像增强算法研究摘 要由于大气的散射作用,雾天的大气退化图像具有对比度低、景物不清晰的特点,给交通系统及户外视觉系统的应用带来严重的影响。因此,雾天低对比度图像的清晰化研究有着重要的意义。近年来,随着电子计算机技术的进步,计算机图像处理得到了飞跃的发展,己经成功

3、的应用于几乎所有与成像有关的领域,并正发挥着相当重要的作用。它利用计算机对数字图像进行系列操作,从而获得某种预期的结果。图像的清晰化方法具体可分为图像增强和图像恢复两种,本文主要针对图像增强的方法进行研究。本文的研究工作可以为雾天图像清晰化处理的进一步研究打下良好的基础。 对图像进行处理时,经常运用图像增强技术以改善图像的质量增强对某种信息的辨识能力,以更好的应用于现代各种科技领域,图像增强技术的快速发展同它的广泛应用是分不开的,发展的动力来自稳定涌现的新的应用,我们可以预料,在未来社会中图像增强技术将会发挥更为重要的作用。在图像处理过程中,图像增强是十分重要的一个环节。本文简要介绍图像增强的

4、概念和图像增强算法的分类,从一个单一的颜色或灰度级图像的快速能见度恢复,并说明了图像增强技术的应用和前景展望。关键词:雾天图像;图像增强;灰度变换;能见度恢复;灰度级图像;图像圆滑Fog image enhancement algorithmAbstractBecause of atmospheric scattering, has the characteristics of low contrast, the scenery is not clear the degraded image fog atmospheric, brings the serious influence to th

5、e application of traffic system and outdoor vision system. Therefore, there is important significance in fog low contrast image clearness of. In recent years, with the advances of computer technology, computer image processing has been rapid development, has been successfully applied to almost all d

6、omains related to the formation of image, and is playing a very important role. It is the use of computer for a series of operation on the digital image, so as to obtain some expected results. The image clearness methods can be divided into specific image enhancement and image restoration in two, th

7、is paper mainly researches the method of image enhancement. The research work of this paper can be a good foundation for the further study of fog image clearness and lay. Image processing, often using image enhancement technology to improve the quality of the images to enhance the ability of identif

8、ication of certain information, in order to better applied in the field of modern science and technology, image enhancement technology is widely used with its rapid development is inseparable from the stable, the motive force of the development of emerging new applications, we can expected in the fu

9、ture society, the image enhancement technology will play a more important role. In the process of image processing, image enhancement is an important aspect of. This paper briefly introduces the concept and image enhancement algorithm to enhance the classification, processing method from the image h

10、istogram equalization, histogram normalization processing method and image smoothing method three aspects of image enhancement algorithms are discussed and studied, and the application and prospects of the image enhancement technology.Keyword:Image contrast; Image enhancement; Gray-scale transformat

11、ion; Visibility restoration; Grayscale images; The image smooth 第一章 绪论在有雾存在的情况下,人们的视线是被雾气所模糊了,从而使得景物的能见度大大降低,给人们的日常生活带来了一定的影响。雾天对交通的影响是尤为严重的,很多事故的发生,往往是在大雾天气。存在大雾天气时,许多航班或者高速公路因此被迫取消或者被迫封锁,从而造成交通系统的瘫痪,由此带来了一定的经济损失。随着计算机视觉与图像处理技术的发展,一些户外导航系统的研究与应用也在飞速增长。在雾天或者雨天,户外的景物图像的对比度和颜色都会被退化,图像的本身的一些特征也都会被覆盖起来,

12、从而变的模糊。因此,雾天图像增强算法的研究是尤为重要的。众所周知,雾一般是出现在秋冬的早晨,可是这是为什么呢,那是因为大气中有悬浮的水汽,它凝结而造成可见性降低。大气、水分子和空气中的尘粒在一起,与水分子之间相互结合,就会形成较大的小水滴悬浮在大气中的半径较大的小水滴对可见光的散射作用很明显,是随距离的增加其散射效应将成指数增长,所以才造成了雾天可见性降低的,所有的景物都被灰霾所遮住,而难以辨别。寻找图像清晰化处理的有效途径,在一定程度上减少大气状况多人们生活造成的影响。第二章 雾天图像增强概述2.1 图像增强技术图像增强是数字图像处理的基本内容之一。图像增强是指按特定的需要突出一幅图像中的某

13、些信息,同时,削弱或去除某些不需要的信息。这类处理是为了某种应用目的去改善图像质量,处理的结果更适合于人的视觉特性或机器识别系统,图像增强处理并不能增加原始图像的信息,而只能增强对某种信息的辨识能力,使处理后的图像对某些特定的应用比原来的图像更加有效。2.2 图像增强技术分类图像增强可分成两大类:频率域法和空间域法。前者把图像看成一种二维信号,对其进行基于二维傅里叶变换的信号增强。采用低通滤波(即只让低频信号通过)法,可去掉图中的噪声;采用高通滤波法,则可增强边缘等高频信号,使模糊的图片变得清晰。具有代表性的空间域算法有局部求平均值法和中值滤波(取局部邻域中的中间像素值)法等,它们可用于去除或

14、减弱噪声。2.3 图像增强所包含的内容2.4 图像增强的方法图像增强的方法是通过一定手段对原图像附加一些信息或变换数据,有选择地突出图像中感兴趣的特征或者抑制(掩盖)图像中某些不需要的特征,使图像与视觉响应特性相匹配。在图像增强过程中,不分析图像降质的原因,处理后的图像不一定逼近原始图像。图像增强技术根据增强处理过程所在的空间不同,可分为基于空域的算法和基于频域的算法两大类。基于空域的算法处理时直接对图像灰度级做运算基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正,是一种间接增强的算法。基于空域的算法分为点运算算法和邻域去噪算法。点运算算法即灰度级校正、灰度变换和直方图修正等

15、,目的或使图像成像均匀,或扩大图像动态范围,扩展对比度。邻域增强算法分为图像平滑和锐化两种。平滑一般用于消除图像噪声,但是也容易引起边缘的模糊。常用算法有均值滤波、中值滤波。锐化的目的在于突出物体的边缘轮廓,便于目标识别。常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等。图像增强的几个方面及方法:1.对比度变换:线性变换、非线性变换2.空间滤波:图像卷积运算、平滑、锐化3.彩色变换:单波段彩色变换、多波段彩色运算、HIS4.多光谱变换:K-L变换、K-T变换5.图像运算:插值运算、比值运算、分形算法2.5 图像增强技术发展状况2.5.1 图像增强技术国外发展状况20世纪20年代图片第

16、一次通过海底电缆从伦敦传往纽约。当时人们通过字符模拟得到中间色调的方法来还原图像。早期的图像增强技术往往涉及硬件参数的设置,如打印过程的选择和亮度等级的分布等问题。在1921年年底提出了一种基于光学还原的新技术。在这一时期由于引入了一种用编码图像纸带去调制光束达到调节底片感光程度的方法,使灰度等级从5个灰度级增加到15个灰度等级,这种方法明显改善了图像复原的效果。到20世纪60年代早期第一台可以执行数字图像处理任务的大型计算机制造出来了,这标志着利用计算机技术处理数字图像时代的到来。1964年,研究人员在美国喷气推进实验室(JPL)里使用计算机以及其它硬件设备,采用几何校正、灰度变换、去噪声、

17、傅里叶变换以及二维线性滤波等增强方法对航天探测器“徘徊者7号”发回的几千张月球照片进行处理,同时他们也考虑太阳位置和月球环境的影响,最终成功地绘制出了月球表面地图。随后他们又对1965年“徘徊者8号”发回地球的几万张照片进行了较为复杂的数字图像处理,使图像质量进一步提高。这些成绩不仅引起世界许多有关方面的注意而且JPL本身也更加重视对数字图像处理地研究和设备的改进,并专门成立了图像处理实验室IPL。在IPL里成功的对后来探测飞船发回的几十万张照片进行了更为复杂的图像处理,最终获得了月球的地形图、彩色图以及全景镶嵌图。从此数字图像增强技术走进了航空航天领域。20世纪60年代末和20世纪70年代初

18、有学者开始将图像增强技术用于医学图像、地球遥感监测和天文学等领域。X射线是最早用于成像的电磁辐射源之一,在1895年X射线由伦琴发现。20世纪70年代Godfrey N. Hounsfield先生和Allan M. Cormack教授共同发明计算机轴向断层技术:一个检测器围绕病人,并用X射线源绕着物体旋转。X射线穿过身体并由位于对面环中的相应检测器收集起来。其原理是用感知的数据去重建切片图像。当物体沿垂直于检测器的方向运动时就产生一系列的切片,这些切片组成了物体内部的再现图像。到了20世纪80年代以后,各种硬件的发展使得人们不仅能够处理二维图像,而且开始处理三维图像。许多能获得三维图像的设备和

19、分析处理三维图像的系统已经研制成功了,图像处理技术得到了广泛的应用。进入20世纪90年代,图像增强技术已经逐步涉及人类生活和社会发展的各个方面。计算机程序用于增强对比度或将亮度编码为彩色,以便解释X射线和用于工业、医学及生物科学等领域的其他图像。地理学用相同或相似的技术从航空和卫星图像中研究污染模式。在考古学领域中使用图像处理方法已成功地复原模糊图片。在物理学和相关领域中计算机技术能增强高能等离子和电子显微镜等领域的实验图片。直方图均衡处理是图像增强技术常用的方法之一。1997年Kim 提出如果要将图像增强技术运用到数码相机等电子产品中,那么算法一定要保持图像的亮度特性。在文章中Kim提出了保

20、持亮度特性的直方图均衡算法(BBHE)。Kim的改进算法提出后,引起了许多学者的关注。在1999年Wan等人提出二维子图直方图均衡算法(DSIHE)。接着Chen和Ramli提出最小均方误差双直方图均衡算法(MMBEBHE)。为了保持图像亮度特性,许多学者转而研究局部增强处理技术,提出了许多新的算法:递归均值分层均衡处理(RMSHE)、递归子图均衡算法(RSIHE)、动态直方图均衡算法、保持亮度特性动态直方图均衡算法(BPDHE)、多层直方图均衡算法、亮度保持簇直方图均衡处理(BPWCHE)等等。2.5.2 图像增强技术国内发展状况在借鉴国外相对成熟理论体系和技术应用体系的条件下,国内的增强技

21、术和应用也有了很大的发展。总体来说,图像增强技术的发展大致经历了初创期、发展期、普及期和应用期4个阶段。初创期开始于20世纪60年代,当时的图像采用像素型光栅进行扫描显示,大多采用中、大型机对其进行处理。在这一时期由于图像存储成本高,处理设备造价高,因而其应用面很窄。20世纪70年代进入了发展期,开始大量采用中、大型机进行处理,图像处理也逐渐改用光栅扫描显示方式,特别是出现了CT和卫星遥感图像,对图像增强处理提出了一个更高的要求。到了20世纪80年代,图像增强技术进入普及期,此时的计算机已经能够承担起图形图像处理的任务。20世纪90年代进入了应用期,人们运用数字图像增强技术处理和分析遥感图像,

22、以有效地进行资源和矿藏的勘探、调查、农业和城市的土地规划、作物估产、气象预报、灾害及军事目标的监视等。在生物医学工程方面,运用图像增强技术对X射线图像、超声图像和生物切片显微图像等进行处理,提高图像的清晰度和分辨率。在工业和工程方面,主要应用于无损探伤、质量检测和过程自动控制等方面。在公共安全方面,人像、指纹及其他痕迹的处理和识别,以及交通监控、事故分析等都在不同程度上使用了图像增强技术。图像增强是图像处理的重要组成部分,传统的图像增强方法对于改善图像质量发挥了极其重要的作用。随着对图像技术研究的不断深入和发展,新的图像增强方法不断出现。例如一些学者将模糊映射理论引入到图像增强算法中,提出了包

23、括模糊松弛、模糊熵、模糊类等增强算法来解决增强算法中映射函数选择问题,并且随着交互式图像增强技术的应用,可以主观控制图像增强效果。同时利用直方图均衡技术的图像增强也有许多新的进展:例如提出了多层直方图结合亮度保持的均衡算法、动态分层直方图均衡算法。这些算法通过分割图像,然后在子层图像内做均衡处理,较好地解决了直方图均衡过程中的对比度过拉伸问题,并且可以控制子层灰度映射范围,增强效果较好。第三章 雾天图像增强算法31介绍近年来,随着计算机软件技术的快速发展,对雾天图像增强处理已经成为可能,这反过来也对去除雾图像的清晰度和真实感提出了新的要求。在有雾存在的情况下,由于场景的能见度是很低的,图像中目

24、标对比度和颜色等待征被衰减,导致室外视频系统无法正常工作,因此需要除去雾气对场景图像的影响。事实上,图像去雾一直是计算机视觉领域研究的重要内容,主要应用在地形勘测、视频监控和自动驾驶等领域,因此,自动性和实时性就成为了研究的重点。当处理室外图像处于霾、雾和浓烟中的时候,图像逐渐褪去了颜色,也减少了对比度,所以要恢复其清晰场景是一个非常困难的,因为雾天对图像的影响程度与目标到相机的距离密切相关的。本章主要提出一种从一个单一的颜色或灰度级图像的快速能见度恢复算法,该算法的只要优点就是它的速度,它的复杂度只是图像像素数的线性函数,它的速度允许能见度恢复应用于实时处理应用例如从车在摄像头中进行信号,障

25、碍检测。另一个优点就是这种算法可能会同时处理彩色图像和灰度图像自界限模糊的存在对象与低雾颜色饱和度的能力。下面就来介绍一下这种算法:在监控,智能车辆,遥感系统,图像的外观是受天气条件,如霾,雾和烟等影响的,当有可利用的深度信息,就能利用Koschmieder法则去将大气因子k和场景深度d的联系分开。从而实现去雾。Koschmieder法则如下关系式:在L(x,y)是明显的亮度像素,d(x,y)是对象相对的距离与固有亮度,Ls是天空的亮度和k表示大气的消光系数。该模型是直接扩展到彩色图像采用相同的模型在每个RGB分量,假设一个线性响应一个相机。雾的RST效应是一个指数衰减函数的固有亮度和内在的颜

26、色,因此,降低了对象的对比度和其在场景的可见性。这个第二个效应是增加了一个白色的大气耗散函数这是该对象的距离d的增函数(x,y)。在图像雾的存在是普遍性的一种算法设计出现晴朗天气图像处理时的一个来源。而不是每个算法从清晰到大雾天气,它似乎对每个输入图像的可见性预处理进行更充分的恢复。这种预处理可以应用于只有当检测到雾,例如见 4 ,以节省更多的计算时间。能见度的恢复是一个病态问题。事实上,大气的耗散被物体的深度的函数,一个完美的能见度恢复请求对物体的真实颜色估计()和雾性能(K,Ls)以及深度图D(x,y)的场景。作为一个结果,提出了基于场景的多图像的使用方法:在不同的时间 8 或使用不同的偏

27、振过滤器 11 图像使用图像。这种方法是非常压抑的采集和不能用在现有的图像数据库。使用多个图像的一个替代方法是使用图像场景的一个近似的深度图,或精确的深度图时,在 7,2 提出的,6。这些方法更灵活但他们依赖于应用程序或与专家之间的相互作用。在计算机视觉和计算机图形学领域的知名度恢复算法更详细的审查,读者可以参考 1,6 。最近,在 1,12,5 的RST时间,三的方法被提出,它的工作从一个单一的图像,而不使用任何其他额外的信息来源。在 1 ,该算法是基于颜色的深而无法处理灰度图像。该算法是计算密集型的。相比之下,在 12 算法并不总是非常饱和的场景达到同样好的结果,但它有很大的优势是更通用的

28、,因此更容易应用于多种图像。特别是,它在彩色图像和灰度图像的作品。在灰度和彩色图像的算法也 5 。然而,这两种算法的缺点是5在处理600400图像时,处理时间分别为7分钟和10至20秒。我们在这里提出了一种新的基于滤波方法的能见度恢复算法。它的速度比 1,12,5 由于它的复杂性是线性函数的输入图像的像素数,并能对彩色和灰度图像达到同样甚至更好的结果。在2节中,我们的方法以及快速的能见度恢复算法的详细步骤和一个变异型和边缘保持平滑算法具有钝角角了。3部分为算法 1,12,6比较,5 基于定量评价四彩色图像,说明了该算法的优点和缺点。最后,在第4节中,兴趣的能见度恢复智能车辆车道标志检测,特别是

29、详细的。3.2 能见度恢复算法当没有深度信息是可用的,就不能直接利用Koschmieder定律(1)独立将大气因子k和场景深度d的联系分开,从而无法实现去雾。于是引入大气耗损函数的强度,Koschmieder定律可以重改写成:其中I(x,y)是观察到的图像 (灰度或RGB)在像素(x,y)的强度,R(x,y)是图像在没有雾的情况下的强度。因此,从上式可以看出,,就不要试图推断深度图d(x,y),我们将推断大气耗散强度V(x,y)。能见度恢复算法因此被分解成几个步骤:估计Is,从I(x,y) 中推理的V(x,y),从(2)逆求出R(x,y),平滑处理噪声放大,最后语气映射。3.2.1白平衡我们假

30、设白平衡在能见度恢复算法前进行处理。当白平衡是正确执行时,雾就会变成纯白色,这意味着是Is可以设置为(1, 1,1),同时假设输入图像I(x,y)归一化在0和1之间。由于图像中是有雾的存在,所以白平衡大多是可以简化为对于白色趋近于图像平均值。对于一些困难的图像,这些图像的光色变化随着图像而变化白平衡就近似等于图像局部平均值,如下图3-1:图3-1 白平衡图像图1白颜色的数量是黑色的连续曲线W及其当地平均是黑色虚线。结果V估计通过优化(3)为一个较大的值的显示为红色的点划。结果V获得该方法显示为绿色缓冲。3.2.2大气耗散函数的推导图像恢复的第一步就是推断大气耗散函数V(x,y)。由于其物理特性

31、,大气耗散函数是受到两个限制条件制约的。当观测图像是已知的:它是0V(x,y),并且对于每一个像素是白色的,它就不可能高于I(x,y)中最小的一个元素。我们因此计算W(x,y)= min(I(x,y),定义为图像的最小元素I(x,y)为每个像素(灰度或RGB)。W是在观察图像I的百度图像。对于灰度图像,很显然有W =I,第二个约束条件是V(x,y)W(x,y)。能见度修复是一个病态的问题,假设深度图像是沿边缘平滑的,除了大深度的跳跃,可以通过最大结果图的对比度得到正则解。所以这个问题可以变为:假设大于V(x,y)的是平滑的,最大化 V(x,y)可以写成一下优化问题,其中约束0V(x,y)W(x

32、,y),参数是控制解决方案的平滑度,是一个递增的凸函数,允许大的跳跃。(3)式优化的运算量太大,我们寻找另一种方式来处理能见度恢复这个问题,从而可以进行实时处理。一个可能性就是在执行空间侵蚀。注意到文献中,第一步是近似于对W进行侵蚀,因为它包含在对每个颜色分量侵蚀即每个分量的最小值。对侵蚀进行试验,发现它受到hato的影响。这就是为什么在文献中要利用进行matting修正。这个问题可以被看作是一个滤波问题。因此,寻找一个合适的滤波器,使其可以用来改善结果的鲁棒性。图3-2从左到右原始图像,大气面纱V(x,y)和恢复得到执行完整的平滑度、大气耗散函数V(x,y)和恢复执行平滑获得的大部分的时间(

33、使用参数在这两种情况下p = 0.95,sv= 41和si = 19)。图3-3从左到右,原始图像,图像和一个变焦修复后使用中值滤波、图像和一个变焦使用我们命名的中位数过滤器中值沿直线(使用参数在这两种情况下p = 0.95,sv = 61和si = 1)。(3)式最优化在于寻找一个最大体积的函数V(x,y),而V(x,y) 大部分时间都是光滑的,并且低于W(x,y)。在图1中,红色点状不连续曲线是得到的V(x),黑色连续曲线是W(x)。由于受到V(x)W(x)的约束,在图中间的W(x)使 V(x)在这个位置是相对小的值。这些小的值当当场景中间是相似的距离时,是可以合理的。在这种情况下,这个最

34、小值的存在表明,场景包含色彩弱饱和的对象。相反,这个最小值可能是由于一个黑暗的小和更接近的对象,如一只小鸟。在这种情况下,这个最小值应该考虑在估计局部V的轮廓,所以如在图1中的绿色曲线必须优先考虑,以避免在轮廓周围存在定量的零。解决这个鲁棒性问题,我们提出来推断V(x,y)是一个W(x,y)的局部均值和局部标准偏之差的百分比。现在要强调可能大跳跃对恢复图像的重要性,如在图2中。这个图显示了当完全平滑和对大气耗散函数大部分区域平滑结果的差异。事实上,如果获得的大气耗散函数V(x,y)似乎也不那么不同时,当完全平滑时,会出现不正确的光环。这意味着当地W(x,y)的局部均值采用平滑算法,从而保持沿边

35、缘大跳跃。图1显示了在黑色点线产生的当地平均水平。为了边缘保持平滑,利用双边滤波器,其比中值滤波器更快,因此W的局部均值可以计算出来,其中sv是中值滤波器中方形窗或者圆形窗的尺寸大小。考虑到相对纹理区域可能没有雾,所以W(x,y)的标准差减去A(x,y)。接着,强化轮廓,这个标准差利用一种更完善的方法。采用对| W(x,y)A(x,y)|进行中值滤波。最后一步给乘上因子p在0、1来控制能见度修复的强度。pB (x,y)的值并不受V的约束,因此其为阀值。总之,大气耗散函数通过下面的式子进行推导:其中(4)3.2.3保角平滑计算A,前面用的是经典中值滤波器,中值滤波器可以保持边缘,但是不能保持拐角

36、。这可能产生后现象,在规则性场景如城市、建筑物中, sv的值很大,所以提出了一种原始的滤波器,叫做沿线性中值的中值滤波器。该滤波器可以用钝角保持边缘和拐角,假设在线性分割Si 中的nv的先验集合, 1inv不一致的采样位置已给出,滤波器包含在每一个像素局部处理中。每个分割块大小是sv。对于每个像素和每个分割块Si位于当前像素的中间。Si的强度的中值计算的为mi。当mi对每个像素和整个中心的分块正确修正,经过滤波器后的图像像素可以计算出来为mi的中值且1inv。图3-4从左到右,原始图像,获得的结果与p = 0.7和sv = 61,p = 0.90和sv = 61,p = 0.98和sv = 6

37、1,p = 0.90和sv = 21(si = 1)。注意恢复太强劲,p = 0.98和太光与p = 0.7。看起来更好的与p = 0.9。在右边,白色斑纹接近车辆被擦除由于太小的价值相比,sv = 21巷标记大小。sv = 61导致更好的结果。图3-5从左到右,原始图像,图像和一个变焦修复后没有和平滑适应对比放大(sv = 61,p = 0.95和si = 19)。注意jpeg工件软化。当前的像素是接近边缘值时,所有mi是接近于当前像素所在的区域的强度均值I。所以提出的滤波器保护了边缘。当当前像素接近拐角时, mi值的百分比不接近而等于1-。因此,对于钝角,这个百分比高于50%,因此mi的中

38、值接近1。这说明相比于沿线性中值中值滤波器保持了边缘也用钝角保持了拐角。由于这个性质,线性中值中值滤波器可以应用于其他图像处理中。图3显示了使用中位数的利益划分中值滤波器(nv = 5)相对于经典的中值滤波器在图像,看到特别是围绕trunc树。还有最后一个滤波器,提出了修复算法不是实时的,但依然是相当快速的使用减少Si3.2.4图像能见度恢复现在大气耗散V已经推导出来,恢复原始图像的色彩可以通过解 (2)得到R:在(4),这两个参数p、sv用于控制能见度修复。p的值控制恢复的强度,通常设置在95%至90之间。这意味着,90%或95%的数量的大气耗散被移除。这个参数是有用的,不过有以下问题a)高

39、恢复能见度(当p是接近1时),色彩可能会出现在过饱和太暗; b)低恢复能见度时色彩会不饱和,从而更清晰。图4所示,在一个灰色级图像,该参数sv精确假设白目标更大尺寸。任何接近白目标比sv更大的尺寸,可以假定为白色。相反,一个白目标从本质上假设是白色的。这是说明了图4与白色车道标记在图片的下方。3.2.5适应对比度放大的平滑在图像恢复可视性的过程中,大气耗散函数是很重要的,对比度也是在增加。这同样会导致噪声和图像压缩后现象的增加。见图5,原始图像压缩使用jpeg,修复后,压缩工件能见度变得清晰可见。为了软化噪声和后现象,因此需要一个局部平滑。这个局部平滑必须符合对比度放大器系数=。标准差的噪声经

40、过图像恢复变标准差成的噪声。通过大小为S*S的窗口进行平均,标准差变为。作为结果,标准差、s等于对比度系数的整数部分。这个规则设置s会在雾区域产生过大的窗口,因此增加参数si,设置自适应窗口的最大尺寸。在图5,软化后现象是由到适应平滑显示(si = 19)。当si = 1,这表明该效应的改编平滑是取消了。图3-6从左到右,原始图像,得到了令人满意的结果1,我们的结果与p = 0.95,sv = 41和si = 1。3.2.6专用色调映射前面,我们已经描述了能见度恢复不同的步骤,得到的恢复图像通常是比原图像具有更高的动态范围。因此,能见度恢复最后一步是色调映射,其对视觉是很重要的。为了得到相对于

41、原图像没有太多不同的结果图,我们利用对原图像和结果图的对数形式进行线性映射,这使对应的图像在图像的底三层有类似的均值和标准差。由于底部三层通常对应于图像是无雾部分,所以底部三层很有用的。定义和为原图像对数形式(I(x,y)在底部三层的均值和标准差, 和是恢复图像对数形式(R(x,y)在底部三层的均值和标准差。色调映射的第一步是计算。接着将结果图的高强度动态范围利用函数进行压缩,最终的色调映射图像T(x,y)通过非线性映射得到,即,其中G(x,y)是U(x,y)的灰度,是G的最大值,且得到的图像T(x,y)通常在1,255之间。3.3比较结果分析及对比能见度恢复算法是由三个参数:p是百分比的移除

42、大气耗散函数,sv假定最大大小的白目标图像(见图4),si的最大大小自适应平滑软化噪声放大恢复(见图5)。3.3.1复杂性对于尺寸sxsy的图像, 所提出的能见度恢复算法的复杂度为O()利用中值滤波器,强力实施时的适应平滑被忽视。利用沿线滤波器的中位数,复杂度为O()。在 9 ,在O的中值滤波器的快速实现O(sxsy)提出了。多亏了这个快速中值滤波,提出了能见度恢复算法的复杂度是O(sxsy), 即,它是一个线性函数的数量的输入图像的像素不管SV值。例如,0.17,二是需要得到图5中的大小为759574第二图像(sv = 61和si = 1)。图3-7从左到右,原始图像,得到的结果1,我们的结

43、果与p = 0.95,sv = 11和si = 1。图3-8从左到右,原始图像和由Kopf&al获得的结果。法6,1,12,He&al谭。5和我们的算法。http:/perso.lcpc.fr/tarel.jean-philippe/visibility上看到更多的结果。3.3.2 定性比较图6显示了 1 和我们的算法得到的结果之间的比较。在第一列是原始图像,并通过 1得到的结果二。最后一列显示所得到的结果与p = 0.95,sv = 41和si = 1。第一行显示的不便我们的算法相比, 1 :它是不能够消除小叶子之间的雾。这是由于这样的事实,我们使用了一个几何的标准来决定是否观察到的白是由于

44、大雾或观察到的对象的颜色。相反,在 1 的标准是基于颜色,因此该算法不能适用于灰度级我们的算法的优势在于它能更好地去除雾底部的第一形象。图7显示了一个示例图像在存在非均匀雾。第一和第二图像显示原始图像和结果得到1。注意第二图像均匀的绿色与我们的结果。来处理这个形象和消除局部不均匀雾,平滑尺度大气面纱必须设置为相当小值sv = 11。原始图像质量好,没有进行图像的平滑(si = 1)。图8允许比较我们的结果与四个先进的可见性的恢复算法:Kopf&al。6,使用3 d信息在现场,法1这是基于色度标准,谭和He&al12。5这是基于几何判据。注意,我们的算法得到的结果似乎视觉接近结果Kopf&al获

45、得的。和He&al。以较少的饱和颜色与棕褐色,由于当地的白平衡预处理。3.4 定量评价定量评估是第四个方法,我们使用该方法专用于能见度恢复提出了3。这种方法计算三个指标e,r和允许来比较两个灰度图像:输入图像和恢复图像。可见边缘在图像修复是选择之前和之后的对比阈值的5%。这使得计算速度e的边缘修复后新可见。然后,意味着这些r边缘的梯度比规范和计算后恢复之前。这个指标r估计平均能见度增强得到的恢复算法。最后,像素的比例,完全变成黑色或完全白修复后计算。图3-9从左到右,原始图像,地图的比r在边缘的梯度可见为棕褐色12和我们的算法,像素地图变得全黑或全白,褐色和为我们的算法。相应的恢复图像的最后两

46、张图。事实上,如果能见度的恢复算法必须提高反差,人工边缘不能变得可见。在图9显示地图,比r的在边缘的梯度为棕褐色和我们可见的算法,可以看到比额外的边缘出现在天空与棕褐色的算法。这表明该对比增加可能过于强烈。选项卡。3给像素的比例变得全黑或全白,修复后。和其他国家相比,我们的和He&al。算法给最小的百分比。这些摄动像素显示在白色在图8为棕褐色和我们的算法。3.5应用可见性的评价真实图像恢复是很困难的因为没有引用是可用的。证明提出的利益能见度恢复算法在智能车辆的上下文,在车道标记提取,我们评估结果和无恢复一个数据库12图像与真实。12图像提取两个不同的序列与雾。每个这些图片是手动标注车道标记和非

47、车道标记标签。我们使用经典的评价由接受者操作特征(ROC)曲线完成骰子曲线,以下13。两个提取算法测试:简单的全局阈值(GT)和对称局部阈值(SLT),给最好的结果在比较13。中华民国曲线在图10显示了大增益获得当使用修复与GT算法。算法的优越性,很难得出结论,这两个ROC曲线被太近。骰子曲线达到一个极大值75%的车道标记提取算法优越性在恢复图像,而最大价值的73%图像雾蒙蒙的。这说明了利用修复巷标记提取。阈值的值与最大骰子是50,类似于最优值获得一个更大的数据库没有雾,看到13。最优阈值是只有23没有恢复。这意味着恢复图像的可见性产生与属性类似于图片没有雾,就一个车道标志提取任务。因此,能见度修复作为预处理步骤允许使用车道标记提取像往常一样用同样的调优。3.6 结论我们看到从单幅图像能见度恢复没有利用任何额外的信息而是作为一个特别的滤波器问题,我们因此提出了一个新颖的基于中值滤波器算法。它的主要优点是它的速度,因为其复杂性只是输入图像大小的线性函数,同时相对其他算法,该算法也取得了较好的结果。同时也提出了新的滤波器,也可以利用钝角保持边缘和角落。该滤波器作为中值滤波器的替代。提出的算法,由于它的速度可以被用作许多系统的与处理部分,例如监控、只能设备和远程传感。第四章

展开阅读全文
相关资源
猜你喜欢
相关搜索
资源标签

当前位置:首页 > 办公文档 > 其他范文


备案号:宁ICP备20000045号-2

经营许可证:宁B2-20210002

宁公网安备 64010402000987号