研究生学术报告预告登记(开题、中期、答辩)

       为加强研究生学术交流活动,推进学术创新,特开通“研究生学术报告预告区”。我校研究生和教师可以在预告区及时发布和了解有关研究生学术报告的信息,届时参加。也可就某学术报告展开专题讨论与交流。

报告人: 金钢
学号: 1017227001
学院: 海洋学院
报告类型: 第二次学术报告
日期: 13 June 2019
时间: 2:00 AM
地点: 第八教学楼一楼106会议室
导师: 翟京生
题目: 图像去雾算法国内外研究现状
内容提要:

传统的图像去雾方法主要分为两类:图像增强法和图像复原法。图像增强法是对质量降低的图像做增强处理,提升图像的对比度和色彩饱和度。这类方法的优点是操作简单,速度快,突出显示图像中有用的信息,但是这种方法没有对有雾图像的形成原因进行补偿,对图像中细节的处理并不理想,使得图像中的有用信息部分损失。

图像复原法基于大气散射物理模型,通过对有雾图像降质原因的分析,并有效利用先验知识,来恢复原始图像。大气散射公式:

           1)

I(x)为有雾图像,J(x)为无雾图像,A为大气光照,t(x)为透射率。由于图像复原法更具有针对性,可以取得更理想的去雾效果,因此成为图像去雾领域的研究热点。Tan[1],提出清晰图像比有雾图像对比度高的统计规律,采用对比度区域最大法进行去雾,用到的先验知识便是图像的对比度(contrast)。该算法有三个假设:1、有雾图像的对比度比无雾图像的对比度低;2、透射率(与原文中的量略有不同,但本质是一样的)的变化只与物体(或场景)的深度有关,因此局部区域内的透射率是接近恒定的,而且除了少数不连续的像素点以外,相邻区域透射率的变化是平滑的;3、复原之后图像的统计特性应该与实际的无雾照片特性一致(由于该算法只是一种增强对比度的算法,理论上并不是为了直接还原无雾照片,所以引入该假设来说明该算法可以达到近似去雾的效果)。虽然该算法利用对比度先验较为成功地实现了单张图像的去雾,但是它只是一种单纯从图像增强角度出发的方法,并没有从成像机理的角度上还原物体(或场景)的辐射,会导致复原后的图像颜色过于饱和;Fattal[2]假设场景目标辐射与介质传输具有局部区域统计不相关性,再通过独立成分分析法估计出场景辐射率,进而得到无雾图像.该方法是基于物理模型的,能得到较好的无雾图像和深度图,去雾效果较好。然而该方法会受到其统计独立性的假设的限制,比如在信噪比较低(浓雾场景)的情况下得到的统计特性会不准确。另外该方法基于颜色信息,对于灰度图像和浓雾天气并不适用;He[3]提出的暗原色去雾算法在去雾领域中占有重要地位,它主要基于暗通道的原理:在绝大多数非天空的局部区域里,某一些像素总会有至少一个颜色通道具有很低的值。换言之,该区域光强度的最小值是个很小的数,但如果目标场景内在的就和大气光类似,比如雪地、白色背景墙、大海等,则由于前提条件就不正确,暗原色去雾算法可能无法获得满意的效果,同时暗原色去雾算法无法对天空区域进行去雾;暗通道先验算法提出后的几年,大多的后续工作都只是在此基础上的一些(较小的)改进。虽然暗通道先验在很多场景下能得到不错的效果,但如前所述还是有其缺陷的。所以随机森林回归方法[4]的一个出发点就是,前人工作中的各种先验知识之间可以起到互相补充的作用,弥补单一先验特征在某些场景下不适用的问题。该方法构建了一个随机森林回归器(Random Forest regressor),以各种先验特征为输入,通过随机森林模型估计透射图;颜色衰减先验(CAP)是一种与暗通道先验(DCP)[3]相似的先验特征。观察发现雾霾会同时导致图像饱和度的降低和亮度的增加,整体上表现为颜色的衰减。

图片:
登记人: 金钢
登记时间: Friday, 26 March 2021, 10:59 AM