雾检测算法

 

[1]Jeong K, Choi K, Kim D, et al. Fast Fog Detection for De-Fogging of Road Driving Images[J]. Ieice Transactions on Information & Systems, 2018, 101(2):473-480.

为了检测雾, 将感兴趣区域 (ROI) 设置为以消失点为中心的一定距离。本文研究了输入图像中的行车车道, 绘制了其延伸线, 并确定了两条延长线交叉为消失点的点。即, 为了理想的设置手动确定了消失点。

然后, 在设置的 ROI 中计算了 HSV 颜色模型域中的饱和度S和值 (V) 的比值，该特性主要用于雾检测。另一方面, 道路环境的突变可能会使某些计算的S/V 比值异常。使用该属性, 雾不会突然消失或没有出现, 我们通过对 S/V 比率应用时间筛选temporal filter, 大大减少了异常值。

如果 ROI 中的颜色不清楚, 则 HSV 颜色模型的 S 值往往较小。此外, 由于有雾的 ROI 有相对浅灰色, 它往往有一个大的 V 值。因此,有雾的ROI中的V/S比率将很大。因此, 我们可以将 S 和 V 的比值定义为一个特征来判断雾的存在. 

最后, 将R_j 与雾检测的阈值进行比较。如果R_j 大于阈值, 则有雾。否则, 无雾。

[2] S. Alami, A. Ezzine, and F. Elhassouni, “Local fog detection based on saturation and RGB-correlation,” Proc. IEEE International Conference Computer Graphics, Imaging and Visualization, pp.1–5, March 2016.  

提出了一种基于饱和度和在图像消失点周围区域的RGB颜色通道之间的相关性来检测白天雾的新的局部方法；

核心重点：

(1) 通过寻找消失点vanishing point；

(2) 定义消失点周围的区域为雾检测区域；

(3) 然后借助数据集FRIDA和FRIDA2做实验，计算饱和度和RGB相关性（一般非常高，文中零饱和度占比小于10为清晰图像，大于20为雾图），计算PrcSatNul来确定是否为雾图；

[3] C. Liu, X. Lu, S. Ji, and W. Geng, “A fog level detection method based on image HSV color histogram,” IEEE International Conference on Progress in Informatics and Computing, pp.373–377, May 2014.

在该算法中, 分析了 HSV 颜色模型中各通道的直方图, 并确定了一个适当的阈值来检测雾

[4] L.CaraffaandJ.P.Tarel,“Daytime fog detection and density estimation with entropy minimization,” ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, vol.2, no.3, pp.25–31, Aug. 2014.

 

首先使用了Canny-Deriche 过滤器来提取图像边缘来高亮道路的边缘。然后采用区域生长算法对寻找道路表面层。第三, 他们建立了四条件以获得目标区域。最后, 通过计算测量带宽, 得到了图像的可见距离。

气象能见度由 Eq. (1) 计算 根据国际照明委员会 (CIE) 的 Duntainy 衰减规律, 该物体的对比度应高于5%.

 

其中d_met表示气象可见性。

 

[5] N. Hauti`ere, J.-P. Tarel, H. Halmaoui, R. Br´emond, and D. Aubert, “Enhanced fog detection and free space segmentation for car navigation,” Machine Vision and Applications, vol.25, no.3, pp.667–679, April 2014.

Hautiere 根据 Koschmieder 的法律模型检测到了雾。Hautiere 的方法通过对安装摄像机的环境进行建模来估计深度.

 

[6] J. Mao, U. Phommasak, S. Watanabe, and H. Shioya, “Detecting foggy images and estimating the haze degree factor,” Journal of Computer Science & Systems Biology, vol.7, no.6, pp.226–228, 2014.

Mao等人估计了雾因子并且使用随着雾的变黑，RGB彩色通道的最大值和最小值之间的距离越大的属性来检测雾，使用的属性, , 因为雾变暗.

 

[7]      G. Li, J.-F. Wu, and Z.-Y. Lei, ‘‘Research progress of image haze grade evaluation and dehazing technology,’’ (in Chinese), Laser J., vol. 35, no. 9, pp. 1–6, Sep. 2014.

李等人指出, 对于图像的可见性, 暗通道的强度和图像的对比度可作为模糊和清晰图像分类的特征 [36]

 

[8]      Y. Zhang, G. Sun, Q. Ren, and D. Zhao, ‘‘Foggy images classification based on features extraction and SVM,’’ in Proc. Int. Conf. Softw. Eng. Comput. Sci., Sep. 2013, pp. 142–145.

图像视觉对比度的测量方法. et[38] 首次由约布森提出. 利用大气散射模型, 研究了不同雾状图像的角偏差, 并给出了与雾状图像分类相同场景的清晰图像 [39]。他们还利用 SVM 对浓雾图像进行分类。虽然它们的方法可以获得良好的分类性能, 但在实际应用中很难同时获得清晰的图像和相同场景的雾状图像。

 

[9] M. Pavlic, H. Belzner, G. Rogoll, and S. Ilic, “Image based fog detection in vehicles,” IEEE Intelligent Vehicles Symposium, pp.1132–1137, June 2012.

Pavlic从傅立叶变换的功率谱和支持向量机在高速公路上的车辆视觉系统中, 提出了一种利用全局特征的多雾图像分类方法

[10]      X. Yu, C. Xiao, M. Deng, and L. Peng, ‘‘A classification algorithm to distinguish image as haze or non-haze,’’ in Proc. IEEE Int. Conf. Image Graph., Aug. 2011, pp. 286–289.

余等提取了图像的可见性、图像的视觉对比度以及暗通道作为特征并且使用(SVM) 对浓雾图像分类的强度 [37]

 

[11] C.O.Ancuti,C.Ancuti,C.Hermans,andP.Bekaert,“A fast semi-inverse approach to detect and remove the haze from a single image,” Proc. Asian Conf. Comput. Vis. (ACCV), pp.501–514, 2010.

Ancuti 等人首先提出了一种基于 "半逆" 图像的雾区检测算法. 通过选择原始图像像素的和其逆图像像素最大值, 得到了半逆图像S , 该方法被公式化为

S^c (x) = max [I^c(x),1 − I^c(x)] (1)

其中c表示其中一个 RGB 通道, I是原始图像, 1− I^c (x) 表示原始图像的逆图像.

在renormalizing 反图像后, Ancuti 检测到Lch颜色空间h*通道中的雾区., 并将半逆图像和原始图像之间有较大差异的像素视为清晰像素, 并将剩余像素视为雾像素。这种雾区检测方法的基础是, 图像雾区像素的强度值通常比清晰区域的像素大得多。在图像的天空或雾区中, 像素通常在所有颜色通道中都具有高强度, 即Ifog c (x) > 0.5. 因此, 半逆图像将与这些区域中的原始图像具有相同的值。但是, 在清晰区域, 半逆图像至少有一个通道, 像素值将被逆图像替换。换言之, 这个公式(1)的输出分别是雾区的原始图像和清晰区域的逆图像。然后雾区可以通过到原始图像和它的半逆图像之间的差异很容易地检测。该算法简单有效, 可用于雾状图像中的雾区检测, 但不适合当前场景是否有雾的判断。这是因为天空区域或清晰图像的白色区域将被误认为是通过这个算法的雾区.

  

[13] S. Bronte, L.M. Bergasa, and P.F. Alcantarilla, “Fog detection system based on computer vision techniques,” Proc. IEEE International Conference on Intelligent Transportation Systems, pp.1–6, Oct. 2009.

勃朗特等人通过使用雾削弱边缘强度的属性检测到雾.

 [14]      D. J. Jobson, Z.-U. Rahman, G. A. Woodell, and G. D. Hines, ‘‘A comparison of visual statistics for the image enhancement of FORESITE aerial images with those of major image classes,’’ in Proc. SPIE, May 2006, pp. 624601-1–624601-8.

[15]      N. Hautière, J.-P. Tarel, J. Lavenant, and D. Aubert, ‘‘Automatic fog detection and estimation of visibility distance through use of an onboard camera,’’ Mach. Vis. Appl., vol. 17, no. 1, pp. 8–20, Apr. 2006.

[16] C. Busch and E. Debes, “Wavelet transform for visibility analysis in fog situations,” IEEE Intelligent Systems, vol.13, no.6, pp.66–71, Nov. 1998.

 布希等人提出了一种技术, 以估计在雾条件下的能见度距离, 这是基于 psychovisual 模型和使用小波变换[9]的对比度估计.；通过真实世界的映射来估计V，她们映射边缘像素的二维坐标，这样边缘的对比度可以高于5%。