76、基于改进暗通道和Vanherk模型的图像去雾及红外与可见光图像融合技术

基于改进暗通道和Vanherk模型的图像去雾及红外与可见光图像融合技术

图像去雾技术

在大气条件不佳的情况下，如湿度、温度和压力变化时，使用改进暗通道和Vanherk模型的图像去雾方法对于提高可见光相机传感器捕获图像的质量至关重要。以下是该方法的详细介绍：
1. 使用该方法的重要方面
- 去除自然场景的影响。
- 为乘客提供最佳安全保障。
- 促进安全驾驶辅助系统，特别是在多雾和霾的山区。
- 重建无雾图像，在计算完所有参数后，重建受雾影响最小的高质量图像。
- 去雾是该项目的主要重点，无雾图像视觉效果好，能显著提高计算机视觉任务的性能。
2. 文献综述中的相关建议
- Ren等人提出了基于多尺度卷积神经网络（MSCNN）的深度学习去雾方法。
- Cai等人研究了深度卷积神经网络技术DehazeNet，显著改善了去雾过程。
- Salazar等人发明了使用形态学操作识别物体形状特征的算法。
- He等人提出了暗通道先验，基于暗像素估计来计算雾的透射率。
- Tufail等人提出了基于RGB和YCbCr颜色模型的改进暗通道先验，计算RGB通道和YCbCr亮度通道的透射图。
- Tsung等人引入了大气光白色校正，并应用基于局部光和透视先验的滤波器，有助于去除色偏。
3. 现有方法及问题
- 现有图像去雾技术基于传统暗通道先验，但存在过度对比度和边缘识别不准确的问题。暗通道先验是基于自然户外图像的特征，即局部窗口内至少一个颜色通道的强度值接近零。
- 基