本方案将保最小值下采样与梯度域加权导向滤波相结合，以增强光散射模型的实时去雾能力。通过计算源图像暗通道中亮度最高的前0.1%像素的RGB值的平均值，得到大气光值，并采用基于梯度的相关因子以保证视频处理的一致性。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
去雾在计算机视觉中至关重要，用于恢复因大气散射而影响的图像清晰度。现有方法存在计算成本高、梯度细节丢失以及在视频应用中出现闪烁伪影等问题。为提高效率和视觉质量，本文提出一种基于多尺度梯度域加权引导滤波的去雾技术，适用于图像和视频。为估计大气参数并降低计算复杂度，采用了最小值保持下采样（Minimum Preserving Subsampling, MPS）方法。随后，通过梯度域加权引导滤波器（Gradient-domain Weighted Guided Image Filter, GWGIF）进行迭代上采样，优化透射率图，保留大量梯度特征，从而增强纹理和边缘的保持能力。针对视频去雾，引入了基于梯度的相关因子（Gradient-Based Correlation Factor, GCF），与现有方法相比显著减少了闪烁伪影。实验评估结果表明，本方法具有优越性能，感知图像质量评估指标（Perception-based Image Quality Evaluator, PIQE）得分为26.98，自然图像质量评估指标（Natural Image Quality Evaluator, NIQE）得分为2.78，无参考图像空间质量评估指标（Blind/Referenceless Image Spatial Quality Evaluator, BRISQE）得分为20.18，反映出更优的感知质量。此外，所提出的方法在视频去雾中保证了高时间一致性，均方误差（Mean Square Error, MSE）偏差仅为0.003，适用于自动驾驶、监控和遥感等实时应用场景。
引言
雾霾是一种大气现象，当光线被烟雾、水滴或尘埃颗粒散射时，会导致远处物体更难以看清。由于雾霾引起的图像退化对计算机视觉应用具有不利影响1,2,包括视频分析、自动驾驶车辆和监控系统。为了提升计算机视觉的性能，在处理的第一步中，必须采用去雾策略以从图像中去除雾霾成分。“去雾”指的是用于恢复模糊或不可用图像清晰度的一系列方法。近年来，已开发出多种图像去雾技术。去雾问题可将颜色通道在位置 x 处的目标（有雾）图像 Ihazy(x) 表示为如下公式（1）所示，该公式引自 He 等人3。
1
Jclear(x) 表示....
访问受限。请登录或开始试用以查看此内容。
方案
本研究使用了合成或自然场景图像，未涉及人类受试者，因此无需伦理审批。
该图像去雾协议基于标准计算环境开发，旨在提升雾化图像的清晰度与可见性。工作环境为 MATLAB7。该方法遵循系统化的处理流程，包括雾度估计、优化及图像复原。通过在保留重要细节的同时逐步改善图像质量，该方法可获得清晰且视觉效果良好的结果。该方法已在广泛使用的数据集上进行了测试8，并采用标准图像质量评估指标进行评价，验证了其有效性及适用于学术或科研应用的潜力。下文各节提供了该协议的重要说明与公式、材料与设备，以及所提出方案的具体步骤。同时，也对评估参数进行了说明。
1. 材料与仪器
实验使用 MATLAB Online（24.2.0.2871072 (R2024b) Update 5）开发，并在配备 Intel i3-6006U CPU（2.00 GHz）的系统上执行。图像数据集5,8 所用实现方法源自参考文献。该方法包括使用5 × 5高斯滤波器进行双线性插值，以及采用MPS算法估计透射率图9，并在适当的计算基础设....
访问受限。请登录或开始试用以查看此内容。
结果
定性与定量结果在评估一种方法或实验时可提供互补的见解。定性结果侧重于主观评估，通常通过视觉比较、感知评价或专家意见来分析方法的有效性。它们有助于说明实际场景中的改进效果，但可能受到人类感知的影响。相比之下，定量结果依赖于客观的数值指标，例如准确性以及 NIQE11、PIQE12、BRISQE13、FADE8 和 MSE14 等，以严格的统计方式衡量方法的有效性。全面的评估通常结合这两类结果，确保该方法不仅在数值上表现良好，而且在实际应用中也能带来有意义的改进。
单幅图像去雾的定性结果分析
在图5中展示了所提出方法在数据集中的列车、有阴影的雾天场景、堆叠物、树木、城市景观和南瓜等有雾图像上的表现。该对比展示了各算法对测试图像生成的去雾结果。比较评估.......
访问受限。请登录或开始试用以查看此内容。
讨论
本文提出了一种高效的多尺度梯度域滤波方法，用于图像和视频去雾，并通过增强时间相干性的策略解决了基于物理模型的去雾算法中的计算瓶颈问题。该方法利用图像金字塔结构，高效估计大气光和透射率图，其核心创新在于：在金字塔最粗糙的层级上执行MPS透射率图估计，并在上采样过程中结合GWGIF滤波，以保留重要的图像细节。对于视频处理，该方法引入了GCF考虑，通过保持相邻帧之间透射率值的一致性，减少闪烁伪影。下文详细阐述了实现该方案的关键步骤。
这些步骤至关重要，因为它们直接影响去雾的准确性、结构细节的保留以及视频中时间一致性的维持。使用最小值保持下采样（Minimum Preserving Subsampling, MPS）进行初始透射率图估计（步骤 4.2.1）在准确估计场景深度方面起着关键作用，尤其是在远处和重度雾化区域。与传统的线性方法相比，MPS 能更有效地增强深度敏感性。接下来，使用梯度域加权引导图像滤波（Gradient-domain Weighted Guided Image Filtering, GWGIF）对透射率图进行优化（步骤 4.2.2），在上采样过程中对于保留边缘和纹理信.......
访问受限。请登录或开始试用以查看此内容。
致谢
衷心感谢编辑和匿名审稿人提出的富有洞察力的评论和有益建议，这些建议显著提升了本作品的质量和可读性。他们严谨的评审过程和深刻的见解，对于增强本研究对领域的整体贡献以及进一步完善研究工作起到了关键作用。
....访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 数据集 | 滑铁卢大学视觉与图像处理实验室 | 5http : //ivc.uwaterloo.ca/database/Dehaze/ | 图像与视频去雾算法评估 |
| 基于梯度的加权引导滤波器（Matlab 实现） | Wang 等 | 16 https://arxiv.org/pdf/2211.16796 | 高效的透射图优化 |
| MATLAB（含图像处理工具箱） | 版本：MATLAB Online (24.2.0.2871072 (R2024b) Update 5) | https://www.mathworks.com/products/matlab.html | 所提方法与基线算法的实现 |
| 处理器 | Intel i3-6006U CPU (2.00 GHz) | https://www.intel.com/content/www/us/en/products/sku/91157/intel-core-i36006u-processor-3m-cache-2-00-ghz/specifications.html | 运行算法 |
| 基线方法的源代码 | Kim 等 3、Van 等 14、Yang 等20、 Ren 等21、 Chen 等 23、Li B 等26 | 3https://github.com/metinsuloglu/Haze-Removal | 基于学习的去雾方法评估 |
| 14https://github.com/viengiaan/MGF dehazing | |||
| 20https://github.com/legendongary/Proximal-Dehaze-Net-CPU | |||
| 21https://github.com/rwenqi/GFN-dehazing | |||
| 23https://cchen156.github.io/code/robustdehaze.zip | |||
| 26https://github.com/Boyiliee/EVD-Net | |||
| 4 http : //live.ece.utexas.edu/research/f og/f adedef ade.html |
参考文献
- Sharrab, Y. O., Alsmadi, I., Sarhan, N. J. Towards the availability of video communication in artificial intelligence-based computer vision systems utilizing a multi-objective function. Cluster Comput. 25 (1), 231-247 (2022).
- Afif, M., Said, Y., Atri, M.
访问受限。请登录或开始试用以查看此内容。