论文部分内容阅读
图像作为重要的信息载体,在当今社会发挥了越来越重要的作用。但由于受成像环境的限制,有时很难获得理想的可用图像。光学成像系统对雾和霾这类天气条件非常敏感,在雾霾环境下采集到的图像对比度和能见度会降低,不利于人们对场景的感知,并且严重影响其在许多视觉系统中的使用。图像去雾技术旨在消除图像的天气影响,并恢复场景的能见度和真实色彩。因此,图像去雾技术对对地观测、视频监控、数字娱乐和其他计算机视觉系统具有非常重要的意义,近年来受到了广泛的关注并且在实际应用中体现出巨大的应用潜力。本文针对基于物理成像模型的单幅图像去雾技术开展研究。由于构成有雾图像的成分都是未知的,因此单幅图像去雾是一个典型的逆向求解病态问题。采用图像滤波的方法来估计模型中的变量是本领域比较流行的做法,但现有的很多技术大都不能很好的复原场景结构,容易在去雾图像中造成不自然的人工痕迹。本文针对现有方法存在的问题提出了一系列基于结构保持滤波的图像去雾算法,主要贡献概括如下:1.现有的很多去雾方法都使用先验知识来估计透射率图,这在真实应用场景中往往都会存在不同程度的失效。本文采用对暗通道进行分解的方式来求解透射率图,使用一种非局部结构相似性正则化模型实现边缘保持的图像分解,并用分解得到的结构层计算透射率。在最小颜色通道上寻找非局部邻域,这样通过相似性约束可以将图像的深度结构转移到分解的结构层中,从而获得了更准确的透射率图。2.现有的去雾方法在对透射率图进行滤波去除纹理细节时,容易损伤结构边缘导致去雾图像在边缘处出现光晕,同时直接逆推成像公式进行去雾容易产生放大噪声和压缩的人工痕迹。针对这些问题,提出了一种深度感知的图像复原方法,通过边界约束和非局部全变分正则化估计透射率,能够保持不同尺度的深度结构。由于噪声的放大是由较低的透射率值引起的,距离越远失真程度越大,因此提出一种深度感知的自适应正则化图像复原方法,将深度因子引入优化方程中来加强对远处噪声和压缩块的平滑,而对近处区域施加较小的平滑操作,从而能在抑制噪声的同时较好地保持场景结构。3.基于全局优化的图像滤波方法经常通过对局部梯度进行约束来实现对细节和纹理的抑制或去除。这样不可避免会影响结构边缘,在平缓变化区域还容易出现虚假边缘。针对局部梯度约束的缺点,提出了一种非局部梯度稀疏约束的结构保持滤波器。通过减小非局部邻域像素之间的亮度值,达到去除特定亮度变化的目的。为了区分纹理和主要边缘结构,设计了一种结构相似性测度用于寻找非局部邻域,直接使用非局部梯度模值的0范数稀疏约束作为正则项来建立优化方程。由于稀疏约束仅施加在选出的希望去除的梯度上,因此不会影响图像主要边缘和平缓区域,从而避免了引入人工处理痕迹,提高了滤波图像的质量。将提出的滤波器用于透射率的改善,采用基于卷积神经网络的方法预测景深结构特征,并利用景深结构特征设计相似性测度来搜索非局部邻域,能够获得精确的场景透射率用于图像去雾。4.受雾干扰的多光谱遥感图像在可见光波段因受到噪声的影响,图像结构失真较严重。而红外波段受雾的影响较小,场景的结构较清晰。于是针对多光谱图像特点提出了结构信息保持的去雾算法。采用红外波段图像作为导向图对可见光图像进行导向滤波,用于去除噪声并恢复图像结构,再用滤波结果优化初始透射率,使透射率变得平滑。最后使用增强的可见光图像和优化后的透射率进行去雾,能够较好地复原去雾图像的场景结构。5.通过预测有雾图像中的雾浓度可以去除非均匀雾,但容易受到地表辐射的影响,从而会过高的估计雾成分,无法正确复原地表光谱信息。针对这一问题提出了一种精确的雾浓度估计方法。由于雾浓度在全局范围内的亮度变化是平缓的,而地表辐射具有大量的边缘跳变,因此通过在图像边缘处对初始雾浓度图的地表亮度进行抑制,得到精确的雾浓度图,再用雾浓度图求多光谱图像各个通道对应的雾成分。由于雾浓度中不包含地表辐射亮度,因此从有雾图像中减去雾成分不会影响地物的光谱特性,图像的色彩看起来也比较自然。