基于光照估计和快速引导滤波的夜间图像去雾算法.docx

基于光照估计和快速引导滤波的夜间图像去雾算法
摘要
夜间图像往往存在严重的雾化现象，影响了图像的视觉效果和信息提取能力。因此，夜间图像去雾一直是计算机视觉领域的研究热点。本文提出了一种基于光照估计和快速引导滤波的夜间图像去雾算法。首先，通过改进的暗通道先验算法对夜间图像进行雾化程度分析并进行去除，获取原始无雾图像。接着，采用光照估计来重建雾后场景光照分布，通过快速引导滤波器修复雾化图像之中的细节部分。最后，通过实验证明，所提算法效果较好，具有较高的实用价值。
关键词：夜间图像；去雾算法；光照估计；快速引导滤波；暗通道先验算法
Abstract
Nightimagesoftensufferfromserioushaze,whichaffectsthevisualeffectandinformationextractionabilityoftheimages.Therefore,nightimagedehazinghasalwaysbeenaresearchhotspotinthefieldofcomputervision.Inthispaper,anightimagedehazingalgorithmbasedonlightestimationandfastguidedfilteringisproposed.First,thehazedegreeofthenightimageisanalyzedandremovedbytheimproveddarkchannelprioralgorithmtoobtaintheoriginalhaze-freeimage.Then,thelightdistributionofthesceneafterthehazeisreconstructedbythelightestimation,andthedetailsinthehazyimagearerestoredbythefastguidedfilter.Finally,theexperimentalresultsshowthattheproposedalgorithmhasagoodeffectandhashighpracticalvalue.
Keywords:nightimage;dehazingalgorithm;lightestimation;fastguidedfiltering;darkchannelprioralgorithm
1.引言
光学成像过程中会受到大气散射的影响，从而使图像产生雾化现象。在白天，人眼的自适应能力可以有效地适应各种环境的光照条件，而在夜间，由于环境光照较暗，摄像机的成像能力相较之下更容易产生雾化现象，因此常常出现夜间图像雾化的情况。受此影响，夜间图像的视觉效果和信息提取能力会受到严重影响。
夜间图像去雾已经成为计算机视觉领域中重要研究领域之一，而夜间图像去雾的算法有很多种。根据去雾算法的特点和处理方式，目前夜间图像去雾算法主要分为传统的去雾算法和基于深度学习的夜间图像去雾算法。传统的去雾算法主要包括暗通道先验算法、Retinex算法、盲去卷积算法等。这些算法在去除雾化图像时，效果不尽相同，但效率和速度都比较有限，同时处理场景复杂、雾化严重的夜间图像时表现不佳。基于深度学习的夜间图像去雾算法可以克服这些缺点，但训练和调试模型需要大量的标注数据和计算资源，训练和推理也比较耗费时间。
为了有效地解决夜间图像去雾问题，本文提出了一种基于光照估计和快速引导滤波的夜间图像去雾算法。算法采用改进的暗通道先验算法进行去雾预处理，然后利用光照估计重建雾后场景的光照分布，通过快速引导滤波器修复雾化图像之中的细节部分。最后，通过实验证明了所提算法的优越性。
2.相关工作
2.1暗通道先验算法
暗通道先验算法是传统去雾算法中一种较为成功的算法，主要基于图像中的暗通道可知来恢复图像。暗通道先验算法的基本思路是：在三个颜色通道中，某一区域的最小值往往会代表该区域内的最暗点，同时会为雾化程度提供一个参考的上限。因此，可通过该区域的最小值反向估计该区域内的雾化程度，然后通过该程度进行去雾处理。
2.2Retinex算法
Retinex算法是一种基于物体表面反射模型的图像增强算法，该算法认为图像中的色彩分量是由于反射光和照明光的叠加所形成的。由于Retinex算法能够从图像中分离出物体表面的反射成分，因此可以通过分离出雾的成分来实现图像去雾。
2.3基于深度学习的夜间图像去雾算法
在基于深度学习的夜间图像去雾算法中，主要是借助深度神经网络来实现。这类算法通常采用卷积神经网络(CNN)对输入的雾化夜间图像进行学习，进而得到一个映射模型，最后通过该模型进行去雾处理，得到更加清晰的图像。这类算法能处理很多传统算法难以处理的复杂场景，但需要大量的标注