图像去雾综述外文翻译资料

 2021-11-24 09:11

英语原文共 10 页

图像去雾综述

摘要

在本文中,对去雾算法进行了综述。雾降低了场景的可见性,从而降低了使用特征信息的各种计算机视觉算法的性能。雾的形成是深度的函数。如果单个图像可用,则深度信息的估计受到约束问题。因此,去除雾需要假设或先验信息。 去雾算法使用各种假设来估计深度信息,这将在此详细讨论。 雾去除算法在跟踪和导航,消费电子和娱乐行业中具有广泛的应用。

关键字:大气光、大气可见度、去雾、图像对比度、图像增强、信号衰减

1. 引言

恶劣天气会降低大气能见度,差的可见度降低了感知图像质量和计算机视觉算法的性能,如监视,跟踪和导航[1,2]。因此,使这些视觉算法对天气变化具有鲁棒性非常重要。从大气的观点来看,天气条件主要在于空间中存在的颗粒的类型和尺寸。测量这些颗粒的大小已经付出了很大的努力[表1] [3]。根据视觉效果的类型,恶劣天气条件大致分为两类:稳定和动态[1,4]。在稳定的恶劣天气中,成分液滴非常小(1-10微米)并且稳定地漂浮在空气中。雾,霭和霾都是稳定天气的例子。在像素处产生的强度是由于像素的立体角内的大量液滴的聚集效应。在动态恶劣天气中,成分液滴比稳定天气大1 000倍(0.1-10 mm)[5,6]。雨雪代表了动态的天气条件。

雾度由悬浮在气体中的气溶胶颗粒构成。雾度粒子大于空气分子但小于雾滴。当灰尘和烟雾颗粒在相对干燥的空气中积聚时,经常会出现雾霾,这使得天空呈现混浊的外观[7]。在某些天气条件下,当污染物和烟雾不能分散时,它们会粘在一起形成低水平的朦胧云。这在很大程度上掩盖了正常视力。由于光散射通过雾度颗粒的影响,这造成图像的对比度损失的视觉效果。当一些雾状颗粒通过凝结成水而生长时,雾就形成了。这种转变是渐进的,中间状态被称为雾。雾和霾的区别在于前者引起的能见度大大降低。在雾降解中,隐形是由衰减和空气引起的。光束从场景点穿过大气层,对于大气颗粒,这种现象称为衰减,降低了场景中的对比度。来自光源的光被雾散射,其中一部分向相机传播。这种现象称为空运。大气光为场景增添了白度。

对于跟踪和导航应用,消费电子产品和娱乐行业来说,雾的消除非常重要。雾会降低感知图像质量,从而降低基于小特征或高频率的计算机视觉算法的功效。作为预处理从图像中去除雾增加了这些计算机视觉算法的准确性。如果图像的可见度较低,则特征点检测器可能会失败。如果有雾被移除并且图像被增强,然后特征点检测器可以以更高的精度工作。在大雾天气中,驾驶车辆比正常天气更困难。实时除雾算法对于道路标志识别具有很大的优势(RSR)系统[8]。实时开发RSR具有双重优势;一方面,它可用于基于视觉的驾驶员辅助通过提供道路标志信息帮助驾驶员驾驶车辆的系统。另一方面,RSR可以嵌入无人驾驶车辆中。这些系统必须能够适应任何天气条件的变化。这种坚固性可以通过使用除雾系统来实现作为预处理单位。

本文旨在研究从过去十年到现在,减少雾效应和恢复场景对比的不同方法。 此篇文章的结构如下。 第二节提供了消除雾的一般框架的知识。 在第三节中,讨论了除雾算法设计者面临的挑战。已知的从图像中去除雾的算法在第四节中给出。

2. 框架

注意,雾的影响是相机和场景之间的距离的函数。如果输入仅是单个模糊图像,则深度信息的估计受到约束。通常,深度估计需要两个图像。因此,已经提出了许多使用多个图像的方法[5,9,10]。但是这些方法不能应用于简单的未校准单相机系统。有许多算法使用单个图像去除雾。为了改进深度信息的估计,这些算法使用一些假设或先验知识。除雾的通用框架如图1所示。雾需要估计图像深度信息。该深度信息可以根据空中地图,透射图或深度图导出。一些报告的算法使用场景属性估计了深度信息。这些场景属性可以是着色函数,人类视觉模型或基于对比度的成本函数。一旦估计了深度信息,使用雾模型恢复图像就更容易(详见第IV部分)。

3. 面临的挑战

在雾天,水滴漂浮在空中。这些液滴的尺寸非常小。因此,在雾中,在像素处产生的图像强度是像素立体角[1]内的大量水滴的组合效果。由物体表面反射的光线不仅被悬浮的水滴衰减,而且当它们到达观察者时也与空气混合。因此,在大雾天气中捕获的图像质量严重下降。除雾算法的目标是恢复场景的颜色和细节。衰减和空气是物体与相机距离的函数[2]。因此,去除雾需要场景深度的信息。深度信息可以通过立体视觉获得。但在实践中,使用多个图像限制了除雾算法的应用。从单个图像中去除雾是一项具有挑战性的任务,因为空气衰减模糊度适用于每个像素,并且无法独立解决[11]。为了解决模糊性,需要假设或先验知识。

众所周知,在雾天气条件下,图像的对比度和颜色特征会大幅降低。 晴天图像比雾图像具有更多对比度。 因此,除雾算法应该增强场景对比度。 由于恢复亮度和色度的复杂性同时主要保持色彩保真度,因此增强模糊图像是一项挑战。 在增强模糊图像期间,应该记住,过度增强会导致像素值饱和。 因此,增强应该受到一些限制的约束,以避免图像饱和并保持适当的色彩保真度。

4.文献调查

在雾天气条件下,图像的对比度和颜色会急剧下降。降级水平随着相机到物体的距离而增加。除雾的初步工作基于对比度增强,而不了解雾模型。因此,算法可以在基于增强和基于恢复的方法中进行分类。

4.1. 基于增强的方法

最常用的方法是直方图均衡及其衍生方法。 但是,这些方法并不总是保持色彩保真度。 还有其他基于增强的方法,如反锐化掩模[12],视网膜理论[13]和小波[12]。 通常,所有基于增强的方法在保持色彩保真度方面存在问题。 这些算法设计用于图像的属性大致恒定的图像。 雾引起的退化的主要特征之一是局部的图像对比强烈依赖于距离。 这些基于增强的方法可以在本地应用,但是低空间频率会丢失[14]。 因此,相当多的研究已经针对散射现象的知识和雾模型的设计。

4.2. 基于恢复的方法

这些方法使用基于物理的模型来估计图像退化的模式,然后恢复场景对比度。 与基于增强的方法相比,这些方法需要关于成像环境的额外信息并提供更好的结果。 该额外信息可以是场景距离的估计,阴影和传输函数之间的关系,一些启发式假设或相关场景属性。 导致能见度丧失的两个基本现象是衰减和空气[2]。 来自场景点的光束由于大气粒子的散射而衰减。 这种现象被称为衰减,降低了对比度现场。 来自光源的光散射到相机并导致颜色偏移, 这种现象被称为空运。 空气随着物体距离的增加而增加。 在雾中,衰减表示为:

(1)

其中,是存在雾时像素处的衰减图像强度(灰度级或RGB),而是没有雾的图像强度(即无雾图像或场景光芒)。 k是消光系数,是场景点距观察者或摄像机的距离。大气光表示为:

(2)

其中,是全球大气常数。 它也被称为天空强度。 根据Koschmieder定律[2,10,15],雾对像素强度的影响被表示为:

(3)

其中,I(x,y)是像素(x,y)处观察到的图像强度。 Koschmieder定律可以表示为:

(4)

右手边第一项是直接衰减,第二项是空气[15]。 当大气是同质的时,传输图可以表示为:

(5)

因此,雾模型可以描述为:

(6)

表2中示出了各种基于恢复的现有技术除雾算法的简要比较。它在方程式(4)。中示出雾的可见度取决于深度。 立体深度估计需要多个图像。 因此,早期的方法使用多个图像进行恢复。 由于使用方便,许多算法都是建议使用单个图像。 这些算法使用假设和先验知识来估计深度信息。 因此,基于恢复的算法可以分类为多个图像和单个图像恢复。

(1)多图像恢复:Narasimhan等。 [5,9,16]提出了一种方法,该方法需要在不同天气条件下拍摄的同一场景的多个图像。 在不同的天气条件下场景点强度的变化提供了简单的约束,检测场景中的深度不连续性以及计算场景结构。 任何像素的亮度由下式给出

(7)

其中,是天空强度,而是归一化的辐射。 和两个天气条件下的场景点的两个观察像素值和表示为

(8)

从公式(8)中消除的到:

(9)

方程(9)显示了E1和E2之间的线性关系。 为了计算天空强度,Narasimhan等。 [16]将图像分成块并将线性关系拟合到(E2,E1)对场景点。 每个场景点的刻度深度表示为(从方程式(9))

(10)

这种深度图有助于恢复图像。

还有使用多个图像的另一种方法,它是Schechner等人 [10]提出了一种基于极化的方法。 该方法通过两个或多个采用不同偏振度拍摄的图像去除雾。 这种方法可以立即工作,而不依赖于天气条件的变化。 空气随着物体距离d的增加而增加。

(11)

其中,k是消光系数,是对应于无限远距离物体的光照度。 从光源到散射体的光线和从摄像机到散射体的视线限定了入射平面。这里,光照度(A)被分成两个部分:平行于地面和垂直于地面。 光照度程度定义为

(12)

光照度取决于气溶胶的大小和密度。 雾图像的总强度(I)是空气(A)和直接衰减()之和

(13)

当偏振滤光器平行于入射平面取向时,则

(14)

当偏振滤光器垂直于入射平面取向时,则

(15)

如果已知和P的估计值,那么很容易估计任何点的气压

(16)

非偏振光表示为:

(17)

从公式(11)和公式(16)可得:

(18)

此深度信息有助于消除雾效果。

当预先知道场景结构的先验信息时,Oakley和Satherley [14]提出了一种基于物理模型的方法。 然而,当不满足场景结构的先验信息时,该方法受到限制。 当没有深度的单个图像可用时,难以满足这种先验信息。 因此,开发一种从单个图像恢复场景对比度的有效方法是必不可少的。

  1. 单次图像恢复:在过去的几年中,已经提出了许多使用单个图像去除雾的算法。 这些算法使用假设或先验知识来估计深度信息。 该先验知识可以自动估计或由用户给出。 因此,单个图像恢复算法可以被分类为交互式或自动恢复技术。

4.2.1交互式单图恢复

在2008年,Kopf等人 [17]提出了一种基于场景的3D模型[18]的使用方法。 如果已知每个像素的深度,则通过拟合分析模型很容易消除雾度的影响

(19)

其中,I是模糊图像的强度,是原始图像强度,是天空强度,是深度相关的衰减函数。 要恢复图像,只需要估计和f(d)。在这种方法中,和f(d)的估计需要与专家的交互。

Narasimhan等人。 [19]提出了一种需要来自用户的深度和天空强度信息的交互方法。 这里,用户必须沿着图像中增加距离的方向给出消失点的近似位置(即,最大距离处的点)。 接下来,用户必须输入近似的最小和最大距离。 其他场景点的距离可以插值为

(20)

这些交互式方法实际上不适用于没有深度信息的图像。

4.2.2自动单图像恢复

近年来,已经提出了许多方法,其从单个图像中去除雾而无需任何用户干预。 Oakley和Bu [20]为场景内容制定了统计模型,提供了一种检测任意图像中空气道存在的方法。 在此,在整个图像中光照度恒定的假设下估计光照度的水平。 该方法涉及最小化标量全局成本函数,

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。