基于融合策略的单幅图像去雾算法

doi:10.3969/j.issn.1000-436x.2014.07.024

摘要/Abstract

摘要：

为了有效增强雾天衰退图像，提出了一种基于融合策略的单幅图像去雾算法。该融合策略无需依靠大气散射模型或场景结构信息，只需通过原始衰退图像来获取其输入图与权重图。其中2幅输入图的作用主要是对原有雾图像进行颜色校正和对比度增强，而3幅权重图则突显了图像雾气较浓区域的细节信息。融合策略将上述输入图与权重图相融合以生成对比度高、色彩丰富的去雾图像。此外，还从人类视觉感知的角度提出了一个新的去雾效果评价指标，从而为图像去雾与去雾效果评价问题提供了新的解决思路。实验结果表明，与已有方法相比，提出的基于融合策略的去雾算法能更好地提高各种雾天图像的清晰度。

关键词: 图像, 去雾, 融合策略, 多尺度

Abstract:

To effectively enhance the degraded foggy image, a single image defogging algorithm based on fusion strategy was proposed. The strategy does not require the atmospheric scattering model or scene structure, only needs the original degraded image to derive the inputs and weight maps. The function of the two inputs is to correct color and enhance con-trast, and the three weight maps improve the detail information of the regions in dense fog. All the inputs and weight maps are fused by using fusion strategy to produce a high-contrast and vivid fog removal image. Besides, an index for defogging effect assessment is also proposed from the perspective of human visual perception, which provides a new so-lution to the problem of single image defogging and its effect assessment. Experimental results show that the proposed fusion strategy method can better improve the image quality for various foggy images.

Key words: image, defogging, fusion strategy, multi-scale

郭璠,唐琎,蔡自兴. 基于融合策略的单幅图像去雾算法[J]. 通信学报, 2014, 35(7): 199-207.

OFan GU,Jin TANG,Zi-xing CAI. Single image defogging based on fusion strategy[J]. Journal on Communications, 2014, 35(7): 199-207.

图/表 17

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

图14

图15

表1

图16

参考文献 12

[1]	ZHANG J W , LI L , YANG G Q , et al. Local albedo-intensitive single image dehazing[J]. The Visual Computer, 2010,26(6):1-8.
[2]	SHWARTZ S , NAMER E , SCHECHNER Y . Blind haze separation[A]. Proceedings of CVPR[C]. New York, United States, 2006. 1984-1991.
[3]	HU W , YUAN G D , DONG Z , et al. Improved single image dehazing using dark channel prior[J]. Journal of Computer Research and Development, 2010,47(12):2132-2140.
[4]	SCHECHNER Y Y , NARASIMHAN S G , NAYAR S K . Instant dehazing of images using polarization[A]. Proceedings of CVPR[C]. Los Alamitos, USA, 2001. 1325-1332.
[5]	FATTAL R . Single image dehazing[J]. ACM Transactions on Graphics, 2008,27(3):72-79.
[6]	TAN R T . Visibility in bad weather from a single image[A]. Proceedings of CVPR[C]. Piscataway, USA, 2008. 1-8.
[7]	HE K M , SUN J , TANG X O . Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011,33(12):2341-2353.
[8]	TAREL J P , HAUTIERE N . visibility restoration from a single color or gray level image[A]. Proceedings of ICCV[C]. Kyoto, Japan, 2009. 2201-2208.
[9]	XU D B , XIAO C B . Color-preserving defog method for foggy or haze scenes[A]. Proceedings of VISAPP[C]. Lisboa, Portugal, 2009. 69-73.
[10]	ACHANTA R , HEMAMI S , ESTRADA F , et al. Frequency-tuned salient region detection[A]. Proceedings of CVPR[C]. Piscataway, USA, 2009. 1597-1604.
[11]	BURT P , ADELSON T . The laplacian pyramid as a compact image code[J]. IEEE Transactions on Communication, 1983,31(4):532-540.
[12]	HAUTIERE N , TAREL J P , AUBERT D , et al. Blind contrast en-hancement assessment by gradient ratioing at visible edges[J]. Image Analysis＆Stereology Journal, 2006,27(2):87-95.

去雾算法	指标	直方图均衡化方法	Tan方法	He方法	Tarel方法	本文方法
	f_I	0.692 3	0.692 3	0.692 3	0.692 3	0.692 3
图8 (1 000×327)	f_R	0.537 3	0.203 5	0.194 8	0.358 3	0.196 2
	f	0.155 0	0.488 8	0.497 4	0.334 0	0.496 1
	f_I	0.988 1	0.988 1	0.988 1	0.988 1	0.988 1
图9 (600×400)	f_R	0.492 7	0.450 9	0.170 5	0.639 4	0.205 7
	f	0.495 4	0.537 2	0.817 6	0.348 7	0.782 4
	f_I	0.776 6	0.776 6	0.776 6	0.776 6	0.776 6
图10 (400×300)	f_R	0.611 8	0.284 9	0.765 3	0.707 7	0.134 4
	f	0.164 9	0.491 7	0.011 4	0.068 9	0. 642 2
	f_I	0.674 1	0.674 1	0.674 1	0.674 1	0.674 1
图11 (400×429)	f_R	0.588 0	0.137 7	0.237 0	0.300 6	0.185 7
	f	0.086 1	0.536 4	0.437 1	0.373 5	0.488 4
	f_I	0.878 1	0.878 1	0.878 1	0.878 1	0.878 1
图12 (905×628)	f_R	0.605 6	0.283 4	1.459 1	0.752 3	1.548 4
	f	0.272 5	0.594 6	0.581 0	0.125 8	0.670 3
	f_I	0.829 9	0.829 9	0.829 9	0.829 9	0.829 9
图13 (600×402)	f_R	0.631 0	0.501 2	0.597 4	0.769 3	0.483 2
	f	0.198 8	0.328 7	0.232 5	0.060 5	0.346 6

[1]	江沸菠, 彭于波, 董莉. 面向6G的深度图像语义通信模型[J]. 通信学报, 2023, 44(3): 198-208.
[2]	夏超, 刘亚奇, 关晴骁, 金鑫, 张艳硕, 许盛伟. 基于非线性残差的JPEG图像隐写分析[J]. 通信学报, 2023, 44(1): 142-152.
[3]	廖苗, 陆颜, 张锦, 赵于前, 邸拴虎. 基于雾线和颜色衰减先验的图像去雾方法[J]. 通信学报, 2023, 44(1): 211-222.
[4]	王延文, 雷为民, 张伟, 孟欢, 陈新怡, 叶文慧, 景庆阳. 基于生成模型的视频图像重建方法综述[J]. 通信学报, 2022, 43(9): 194-208.
[5]	吴友情, 马文静, 殷赵霞, 彭银银, 张新鹏. 基于预测误差位平面压缩的密文图像可逆信息隐藏[J]. 通信学报, 2022, 43(8): 219-230.
[6]	任花, 牛少彰, 任如勇, 岳桢. 基于二维压缩感知的有意义图像加密算法研究[J]. 通信学报, 2022, 43(5): 45-57.
[7]	王晓丹, 李京泰, 宋亚飞. DDAC：面向卷积神经网络图像隐写分析模型的特征提取方法[J]. 通信学报, 2022, 43(5): 68-81.
[8]	廖育荣, 王海宁, 林存宝, 李阳, 方宇强, 倪淑燕. 基于深度学习的光学遥感图像目标检测研究进展[J]. 通信学报, 2022, 43(5): 190-203.
[9]	吴德阳, 胡森, 王苗苗, 金海波, 曲长波, 唐勇. 基于区域异或和三值量化的高分辨零水印算法[J]. 通信学报, 2022, 43(2): 208-222.
[10]	龙建武, 朱江洲. 融合超像素与窗口偏移的多尺度引导滤波[J]. 通信学报, 2022, 43(11): 158-170.
[11]	段雪源, 付钰, 王坤, 刘涛涛, 李彬. 基于多尺度特征的网络流量异常检测方法[J]. 通信学报, 2022, 43(10): 65-76.
[12]	刘威, 陈成, 江锐, 卢涛. 四通道无监督学习图像去雾网络[J]. 通信学报, 2022, 43(10): 210-222.
[13]	杨晓元, 毕新亮, 刘佳, 黄思远. 结合图像加密与深度学习的高容量图像隐写算法[J]. 通信学报, 2021, 42(9): 96-105.
[14]	周志立, 王美民, 杨高波, 朱剑宇, 孙星明. 基于轮廓自动生成的构造式图像隐写方法[J]. 通信学报, 2021, 42(9): 144-154.
[15]	王洪雁, 杨晓, 姜艳超, 汪祖民. 基于多通道GAN的图像去噪算法[J]. 通信学报, 2021, 42(3): 229-237.