基于雾、霾、弱光三因子的图像雾霾去除

The thick haze appeared in recent yeas in our country, not only brings about the poor visibility of the traffic system, but the capability of feature extraction, target identification of the computer visual system is seriously affected. So far the haze in air is ignored in traditional fog removing methods and the fog and haze can't be removed effetely in the existing enhancing algorithm of weak light image.Considering the limit of the traditional method which deals with images under weak light only, this project puts forward the theory of removing fog and haze simultaneously under normal illumination (daytime), and the approach of fog and haze removal under weak light condition in order to reduce traffic accidents at dark. Therefore, the image processing theoretical system based on the factors of fog, haze, and weak light is formed and contributes to the reduce in the loss caused by the hazy weather.The research contents are mainly organized as follows: (1) The physical property of haze is analyzed and the formation mechanism and mathematical model are studied. (2) The formation mechanism and mathematical model of fog-haze image are studied when fog and haze exist simultaneously, and so the approach of fog and haze removal is developed based on the exploration of statistical characteristics and image restoration. (3) The formation process of fog and haze image and the feature of noise are further discussed and the theory of fog and haze removal and the measure of image enhancement under weak light is therefore proposed.

近年我国出现严重的雾霾天气，造成道路环境系统的可视性变差，也严重降低了计算机视觉系统的特征提取和目标识别性能。传统去雾方法没有考虑空气中的霾因子、弱光增强方法不能去除图像中的雾和霾。本项目突破了传统方法中只能进行图像去雾或仅对弱光图像增强等局限，重点提出正常光照下(如白天)同时去除雾和霾的理论，并针对弱光下(如夜晚)交通事故率高的问题，提出了弱光下图像去雾霾的方法，形成基于雾、霾、弱光三因子的图像处理理论体系，为减少我国因雾霾造成的损失作出贡献。本项目按照从分析到综合的顺序，研究如下内容：(1)分析霾的物理特性，研究霾的图像形成机理和数学模型，为雾霾去除奠定基础。(2) 分析雾和霾并发时的物理特性，研究雾霾图像的形成机理和数学模型，从探究雾霾图像的统计规律和传统图像恢复两个角度研究雾霾去除方法。(3) 进一步分析弱光下的雾霾图像形成过程以及噪声特点，研究弱光下雾霾去除理论和图像增强算法。

本项目以雾、霾、弱光等恶劣天气条件下拍摄的图像/视频为研究对象，围绕正常光照下图像去雾、弱光图像增强、弱光图像去雾进行研究，构建雾霾图像数据库，提出新的图像成像机理和数学模型，形成基于雾、霾、弱光三因子的图像处理理论体系。有效促进图像去雾领域理论和应用研究进展，研究成果在智能交通、监视系统、军事侦察、遥感系统等计算机视觉领域具有广泛的应用。.对于正常光照下图像去雾，现有方法大都依赖雾天图像成像模型，通过估计透射率和大气光复原图像。项目提出一种无需依赖成像模型和数学反演的图像增强算法(IMDM)，利用两个映射函数分别增强图像细节并保持色彩。为了学习映射函数参数，项目组利用喷雾装置建立了无雾-有雾图像对数据库。与传统增强方法和模型方法相比，IMDM算法在清晰度提升、色彩保真等方面优势显著。获取准确的先验信息是根据成像模型去雾的关键，目前的各种先验模型不能全面、准确的表征雾相关特征。针对该问题，项目研究了基于MSCNN和Dehazenet的图像去雾方法，将深度神经网络与暗通道方法相结合，提出了基于深度学习和透射率融合的图像去雾算法。.对于弱光图像增强，针对弱光条件下拍摄的图像具有低信噪比、低对比度、强噪声等问题，提出了基于透射率归一化的弱光图像增强方法。该方法运算简单，可有效增强图像亮度，且能保留更多图像细节。另外，根据弱光及其反转图像的特点，提出了基于色调映射和暗通道融合的弱光图像增强方法。该方法不仅显著改善图像亮度、增强对比度、恢复出更多的图像细节，还能有效去除块效应和晕轮伪影，视觉效果理想。.对于夜晚图像去雾，目前研究相对较少。项目深入分析夜晚雾霾图像成像规律，建立了带有色偏因子的雾天图像成像模型，提出了基于统计特性和亮度估计的夜晚图像去雾算法。该算法能够有效去除夜晚雾气影响，提高图像的整体亮度、对比度，恢复更多的图像细节。另外，针对夜间图像光照不均，整体亮度较低且色偏严重，提出了基于低通滤波和多特征联合优化的夜间图像去雾算法。所提算法能够有效去除夜间雾气，提高图像对比度，恢复更多细节信息，且颜色自然。