低能见度下铁路视频监控图像增强技术研究

【摘要】：在雾霾等恶劣天气下拍摄的室外场景图像通常受到可见度不高和对比度较差的影响,图像清晰度较低,严重影响了计算机视觉识别系统、智能目标检测发挥效用,给交通、航天、军事等领域实时监控带来困扰。同时,图像去雾是涉及大气学、光学、计算机视觉等多个领域综合性问题,具有巨大的学术价值,近年来也不断有新的算法被提出。本文在图像去雾方面,首先对He等人提出的暗通道先验去雾方法进行分析,针对其不能满足铁路视频监控实时性的问题,提出了适当缩放暗通道图像大小,以牺牲部分图像精细度的代价,减少了求取透射率的运算时间,提高了算法效率。通过Matlab仿真测试,实验结果表明,所提出的改进算法应用于铁路视频监控图像去雾中具有一定的现实意义。同时本文给出一种利用高效多尺度相干小波去除频域中的雾霾和噪声的方法。通过尝试发现,在自然图片中,雾通常分布在其多尺度小波分解的低频频谱中。得益于这种分解,本文首先基于一个开放暗通道模型(ODCM),通过约束条件细化透射率,消除低频部分的雾霾效应。考虑低频部分和高频部分存在系数关系,采用软阈值进行运算减少噪声,同时利用开放暗通道模型估算透射率来进一步对高频自适应部分进行增强。然后对低频部分和相关高频增强部分进行小波重构,可以很好地恢复无雾图像。经过实验证明,本文给出的方法可以保留更多纹理细节并降低噪点效果,具有较好的性能。由于昼夜图像成像机理不同,人眼识别无法满足铁路大雾图像夜间自动化、连续识别等要求。同时夜间大雾图像成像较为复杂,现有图像去雾方法大多针对白天图像去雾设计,本文利用昼夜大雾图像的相似性及特点,结合大气散射模型,给出夜间大雾图像模型及相应去雾算法。利用夜间大雾图像经过反转后与白天大雾图像的相似性,结合暗通道先验算法进行初步去雾,通过约束条件细化透射率,然后利用光晕去除及颜色校正提高去雾图像视觉效果,并经过实验仿真及数据对比验证了该算法有效性。