由于在采用CCD/CMOS传感器进行图像采集时,可能会存在严重的信息退化,单图像去雾处理是一个具有挑战性的不适定问题.然而,现有的基于深度学习的单图像去雾方法只采用清晰和有雾的图像对来指导去雾网络的训练,忽视了图像内存在的非均匀的细节信息,从而导致去雾网络的处理过程是全局的,导致某些原有信息丢失,同时对于非均匀雾气也不能很好地去除.还有部分算法采用先验信息对图像去雾进行引导,如DCP(暗通道先验)、颜色先验、物理模型先验等.这些方法可以为图像去雾提供一定的先验信息,从而增强图像去雾效果.此外,还有部分方法针对去雾任务来设计网络模型和函数,这些算法通常在去雾指标峰值信噪比、结构相似度上能够取得较好的成绩,然而恢复无雾图像的主观评价往往不尽如人意,真实的雾气图像去雾中并不能去除非均匀的雾气,同时导致图像存在一定的颜色失真.对此,提出一种基于边缘对应峰值信噪比的先验方法,通过检测图像的边缘信息,评估相应的峰值信噪比,从而估测图像中雾气存在的主要区域,以边缘信息作为先验来引导图像去雾网络.此外,还设计了一种基于边缘先验引导模块的可变形卷积网络,利用图像的雾气特征进行引导,从而增强去雾网络恢复图像能力.所提出的算法在合成和真实数据集的广泛实验上均展现了较好的结果.
NETL
NSTL
万方数据
