基于物理特性与特征学习的图像去霾算法研究

Outdoors images are always degraded by suspending particles in haze condition, which affect the visual quality and post-processing. In order to solve the problem of unsatisfactory restoration caused by dehazing in an analogous way with defogging, basing on the analysis of different scattering behavior of haze from other conditions, we plan to study deeply on: 1) designing a dehazing algorithm based on the imaging model in haze condition and different scattering behavior along with the variation of wavelength. 2) employing the theory of information entropy to describe the variation of energy in far range and close range regions in hazy image, and design a dehazing algorithm based on image fusion. 3) designing a polynomial function of the estimated transmission map to solve the distortion like halo effect, and optimize it by minimizing the difference between estimated and standard transmission map. 4) building a fully convolutional network and learning the influence of haze impacted on images with "hazy-haze free" image pairs, then restoring images with this model. We will make breakthroughs in feature learning of hazy images with the deep neural networks, and achieve single image dehazing in any given scenes. Our research can improve the adaptability of outdoor computer vision devices to bad weathers and is of significant meaning to public safety oriented security, Hydrological and traffic monitoring.

霾天气下的图像常因气溶胶粒子的散射作用而降质，并影响视觉效果和后续处理。针对现有方法大多将不同成因的雾霾图像等同处理的问题，本课题拟在分析霾和其他气象条件散射行为差异的基础上，深入研究：1）面向不同波长大气光的散射差异，设计基于霾环境下成像模型的图像去霾算法；2）根据霾图像远/近景差异，引入信息熵来描述图像不同位置的能量变化，设计基于图像融合的去霾算法；3）针对传输图估计误差导致复原图像的失真问题，设计基于估计传输图的多项式函数，并通过最小化其与标准传输图的差异来实现传输图优化；4）构建全卷积网络，利用“霾图像—标准无霾图像”图像对数据集学习霾对图像降质的影响，实现有霾图像的复原。重点突破基于深度神经网络进行霾图像特征学习的关键技术，实现对任意给定场景下单幅图像的去霾处理。研究成果能够进一步提升室外视觉设备对恶劣天气的适应能力，对面向公共安全的安防、水文监控及交通监测等领域有重要应用价值。

霾天气下的图像常因气溶胶粒子的散射作用而降质，并影响视觉效果和后续处理。针对现有方法大多将不成因的雾霾图像等同处理的问题，本课题在分析霾和其他气象条件散射行为差异的基础上，首先研究了霾环境下的图像成像模型，针对图像中大气光来源的区域，即图像中的天空区域的通道进行分离，并根据人眼对绿光最为敏感这一视觉理论基础，以该通道为标准对三个通道进行自适应均衡。通过这种方法消除色彩失真，可以在最大程度上关注霾对每一幅图像的影响，从而使复原结果更加自然，避免了基于先验的传统方法对某些重霾图像恢复不足、轻霾图像过处理的问题。同时，针对雾霾对于图像远近景的差异，针对远景与近景的不同降质问题，对图像的近景和远景细节特征分别加以增强，采用金字塔融合的方式，对两种增强图像进行加权融合，以得到远近景均较为清晰的复原结果；结合深度神经网络，进一步设计了一种端到端的渐进式图像去霾网络，在渐进式传输图估计子网络中，用不同霾程度图像所对应的传输图作为真值图像对每一阶子网络加以监督，并通过自适应融合提升复原图像的质量。此外，还研究了和图像去雾霾相关的图像质量评价、图像去雾霾与手势识别、人体行为识别等高层视觉任务相结合等内容，重点突破基于深度神经网络进行霾图像特征学习的关键技术，实现对任意给定场景下单幅图像的去霾处理。研究成果能够进一步提升室外视觉设备对恶劣天气的适应能力，对面向公共安全的安防、水文监控及交通监测等领域有重要应用价值。