数字图像去雾算法的研究、验证及优化

数字图像去雾算法的验证、研究与优化

目录

1.绪论 (1)

1.1研究课题背景及意义 (1)

1.2课题研究现状 (1)

1.3本文主要工作及章节安排 (1)

2.图像去雾算法研究现状 (3)

2.1图像增强方法用于雾天图像清晰化 (3)

2.1.1.用于雾天图像增强的图像增强方法 (3)

2.1.2.视网膜皮层理论(Retinex)雾天图像增强 (4)

2.2以大气散射模型为基础的数字图像去雾算法 (6)

2.2.1.雾气影响图像质量的物理原理——大气散射模型[19-22] (6)

2.2.2.基于场景深度信息的图像去雾算法 (8)

2.2.3.结合光偏振特性的去雾算法 (9)

2.2.4.基于先验知识的单幅图像去雾算法 (11)

2.3本章小结 (16)

3.结合Quick Shift 分割算法对暗原色先验去雾进行改进 (17)

3.1暗原色先验去雾的具体原理 (17)

3.2暗原色先验算法的不足 (18)

3.3Quick Shift图像分割原理 (19)

3.4Quick shift分割引导的暗原色先验去雾 (21)

3.5实验结果 (24)

3.6本章小结 (26)

4.后向传播神经网络图像去雾算法 (27)

IV

万方数据

数字图像去雾算法的验证、研究与优化

4.1颜色特征与场景深度的关系 (28)

4.2后向传播神经网络建模 (29)

4.3样本收集 (30)

4.4训练神经网络 (30)

4.5使用神经网络恢复图像 (32)

4.6实验结果 (34)

4.7本章小结 (38)

5.算法质量评价与分析 (39)

5.1本节将使用的客观评测方法 (40)

5.2去雾算法验证结果 (41)

5.3本章小结 (50)

6.总结与展望 (51)

参考文献 (53)

致谢 (59)

攻读学位期间发表学术论文目录 (60)

V

万方数据

数字图像去雾算法的验证、研究与优化

1.绪论

1.1研究课题背景及意义

目前，大多计算机视觉系统，在进行识别、分析等高层的处理工作之前，都需要在底层，先对获取的图像进行特征提取，而特征提取的准确性都需要获取的光学图像具有一定的清晰度。然而，在雾天天气下，光线受到雾气中散射粒子的散射，使光学传感器接收到的光收到影响，形成的数字图像被降质，主要体现为局部对比度下降，景物变模糊，细节特征难以辨认，图像整体颜色偏灰白，颜色饱和度下降。降质后的图像会影响绝大多数计算机视觉的系统的工作。因此，为了应对雾天天气对计算机视觉系统的影响，研究人员提出了一系列用于雾天降质数字图像清晰化的算法，也就是数字图像去雾算法。

1.2课题研究现状

目前，雾天天气下降质的图像清晰化的算法总体上可以分为两大类：

第一类是基于图像增强的算法。降质后的图像对比度下降，色彩饱和度下降，影响计算机视觉系统的识别和处理，因此，早期的研究人员针对降质后的图像，应用现有的图像增强算法，针对图像去雾这一特定领域作相关的改进应用，增强图像的局部对比度以及色彩饱和度。这类算法基于现有的图像增强算法，普遍比较成熟高效，处理后质量也较高，但不能适应景物中场景深度变化。

第二类是基于物理模型的算法。该类算法构建雾天图像降质物理模型，并根据该模型对雾天图像进行复原。这类算法最初需要特定仪器，或者是已知的参数或场景三维模型。近年出现了多个基于先验知识的单幅已有图像的去雾算法，效果较好，能对现有的图像进行处理，也能适应不同场景深度进行相应的处理，成为图像去雾领域研究的重点。

1.3本文主要工作及章节安排

本文主要针对数字图像去雾领域，对现有的算法进行全面的验证，然后开发新的单幅图像去雾算法，：本文共分为六章，主要完成工作及各章节主要内容将作如下安排：第一章为绪论。主要简要介绍本论文课题的背景，阐述本论文研究课题的意义，并

1 万方数据

本文来源：https://www.bwwdw.com/article/a5eq.html