【图像和视频除雾算法研究的国内外文献综述2200字】

图像和视频除雾算法研究的国内外文献综述1单张图像除雾研究现状当前，有两种类型的图像除雾技术：基于图像的增强技术和基于物理模型的恢复技术。（1）基于图像对比度，色彩和其他特征的图像增强方法。这些增强方法主要通过增强图像对比度来增强图像质量并改善视觉可观察性，从而直接处理图像本身。图像增强的一种典型方法—直方图均衡化。直方图均衡算法简单，快速，并且具有良好的实时性能，但是其局限性在于只能处理黑白图像。对于整个图像中对比度较大的图像，对比度会降低和模糊。为了弥补这一缺点，我们也可以使用局部直方图均衡的方法进行图像增强，但是这种方法也有缺点，即算法复杂，运行时间长，实用性差。（2）基于大气散射的物理模型，建立图像退化模型，通过测量或估计获得大气透射率和散射强度等参数，以实现场景还原。在物理模型中，在还原图像之前，需要获取或定制诸如场景深度和大气散射强度之类的条件作为先验信息。但是在此模型中，如果要测量和获取深度信息，则需要诸如雷达设备之类的工具，这些工具成本高且难以实施。如果不测量景深信息，则很难通过数学方法直接恢复图像，并且会出现残留的雾影和其他现象。相比之下，基于物理模型的图像恢复总是比简单的图像增强方法更可靠，恢复效果更好，但是实时性较差，算法较为复杂，运行速度较低。[3][3]刘雪峰，刘学远，付民.基于图像增强和复原的图像除雾方法研究[J].现代电子技术,2018,41(06):18-22.当图像增强方法发展到一定阶段时，1988年，0akley等人提出了一种图像还原方法。他们并没有盲目地提高对比度，而是考虑了散射因素和实际环境，并创造了这个领域。2000年，纳拉辛汉（Narasimhan）等人提出了一种考虑环境的二元散射模型。通过在各种天气条件下拍摄同一张图像，该模型可以获取景深和大气散射强度，并最终获得该图像。随后，伴随着图像复原技术的向前发展，通过获得光的偏振特性，计算不连续边界的深度并通过3D模型获得场景深度，实现了图像除雾复原。2007年，中国南京理工大学计算机科学学院模式识别与智能系统实验室，分析了大气散射强度的景深与图像对比度损失程度的关系，得出了图像除雾的结论。基于偏微分方程的算法。2009年，He等人通过大规模实验提出了暗通道理论，并开发了一种基于先验知识的图像处理新方法-一种基于暗原色的图像恢复和处理方法。在2010年，He等人改进了以前建立的基于暗原色理论的物理模型和算法，并提出了指导性过滤方法。该算法比以前的算法简单得多，运行时间效率大大提高，景深较深的现场情况已有明显改善。[4][4]陈一青，基于深度学习的单幅图像除雾研究与实现[D].西安电子科技大学，2019.2视频除雾研究现状现阶段的除雾研究主要针对的是单张图像上的，视频除雾方面研究甚少，造成在这方面研究的成果也是寥寥无几。现如今，随着计算机视觉技术在智能交通领域的不断发展，为了给交管部门及参与交通人员提供清晰的交通实况，视频除雾这一研究日趋热门。Nicolashautiere团队研究对象为汽车上的摄像头拍摄的视频。首先嘛，他们进行了大气光形成条件的假设，其次依据场景的结构假设出大气光的衰减系数、景深和大气光等信息，最终依照大气散射模型，复原了当前环境图像帧图的对比度，并改善了场景结构，以便于对视频进行后续处理的应用。此方法仅适用于具有简单背景环境的视频除雾。GongChen团队提出了一种基于雾霾视频中检测物体运动的算法。该算法要求在有雾和无雾的天气拍摄同一场景的图像。使用双色散射模型估计大气光和场景深度，然后使用大气散射模型对图像进行除雾，最后依据UKF背景保留算法从中提取运动目标通过背景减除对经过雾化的视频图像进行处理。JishaJohn团队应用小波融合来增强大雾天气中退化的视频图像。首先假设视频的背景图像并且将运动前景图像提取出来；然后使用YIQ颜色模型估计大气光；并分别利用复原除雾对前景图像和背景图像进行处理；最后通过小波融合方法将前景帧图像合并为背景帧图像。XuZhiYuan团队提出了一种视频除雾方法，它是基于限制对比度的自适应直方图均衡化。首先嘛，提取视频图像的背景并估计运动像素以定义前景图像。限制最大值并利用直方图均衡化将灰度重新分配给直方图中超出最大值的像素的方法，分别增强前景和背景图像，然后将它们融合以获得除雾视频序列。除此之外，InhyeYoon团队使用视频图像对HSV色彩空间中的图像进行除雾和校准颜色，获得图像S通道中的大气区域，并假定大气光。由V通道计算的加权参数用于生成传输速率图，并通过检查连续帧的时间相关性对视频序列进行除雾处理操作。A.K.Tripathi团队提出了一种使用单相机未校准系统的视频除雾框架。该算法的主要思想是基于根据视频帧的时间相关性的特点，使用运动矢量在相邻帧中传输同一物体的深度信息。Tomoki.H团队使用视频帧图像中像素的亮度值作为卡尔曼滤波器的状态变量，并基于卡尔曼滤波器滤波复原图像。LiNan团队提出了一种交通图像序列的除雾方法，这种方法为给交通场景图像构建一个平行于道路中心的距离场，推测初始模型参数，并根据参考区域中辐射的平均灰度值的变化来调整参数，最后基于雾天退化模型可还原图像。ZhangYi团队采用光流方法利用视频帧信息的可重复性对视频进行除雾，并引入了时空能量函数以提高除雾效果。ZhenJia团队提出了一种适用于雾雨天视频监控系统的自适应调节对比度增强方法。[5][5]蔡博仑.图像除雾与增强算法的研究[D].华南理工大学,2019.总结上述视频除雾的方法，不难得出视频去雾是个颇有挑战的研究对象，国内外相关研究成果寥寥无几。现成的大多数方法仅提出了一个通用的框架或理论，这是可行的，但不能同时达到除雾的速率和效果，在实际处理速度和除雾效果