海上雾天USV视频图像清晰化及车道识别算法研究

### 海上雾天USV视频图像清晰化及车道识别算法研究 在海上雾天环境以及道路行驶场景中，图像的清晰化和车道识别是两个重要的研究方向。海上雾天会使USV（无人水面艇）视频图像模糊，影响目标检测和识别；而在道路行驶中，准确的车道识别对于智能车辆的驾驶辅助至关重要。下面将详细介绍相关的算法和方法。 #### 1. USV视频图像清晰化算法 ##### 1.1 简单图像去雾清晰化方法 - **天空亮度估计** - **海天分界线检测**：远距离海上图像背景一般分为天空区域、海洋区域和海天分界线区域。靠近海天分界线区域，图像灰度值变化大，分界线以上亮度高，以下亮度低，边缘特征明显。采用最长曲线法检测海天分界线，步骤如下： 1. 使用3×3中值滤波器对图像进行预处理，滤除噪声。 2. 基于Canny算法进行边缘检测。 3. 使用Hough变换线检测将边缘检测得到的图像提取为直线段。 4. 计算所有直线段的长度，找到最长的直线。 - **天空亮度估计**：海天分界线以上区域为天空区域，选择原始图像上海天分界线以上区域的最大像素值作为天空亮度A的估计值。 - **大气散射模型简化**：定义 \(t(x)=e^{-\beta d(x)}\)，其中 \(0 < t(x) < 1\)，\(t(x)\) 表示介质传播函数或透射率。定义 \(\rho(x)=\frac{J(x)}{A}\)，\(J(x)\) 表示无雾图像灰度，原物理模型可简化为 \(I(x)=J(x)t(x)+A(1 - t(x))\)。大气耗散函数 \(U(x)=1 - e^{-\beta d(x)}\)，表示来自环境光的额外图像部分，所以 \(U(x)=1 - t(x)\)，\(0 < U(x) < 1\)，公式可进一步简化为 \(I(x)=J(x)t(x)+AU(x)\)。 - **大气耗散函数估计** - **基于最小颜色分量的粗略估计**：对于图像J，定义 \(J_c\) 为J的颜色分量，\(\Omega(x)\) 是以x为中心的正方形区域。假设局部区域透射率相同，使用暗通道先验的单图像去雾方法可得： - \(J_{dark}(x)=\min_{c \in \{r,g,b\}} \min_{y \in \Omega(x)} J_c(y)\) - 进行最小操作：\(\min_{y \in \Omega(x)} I_c(y)=\tilde{t}(x) \min_{y \in \Omega(x)} J_c(y)+(1 - \tilde{t}(x))A_c\) - 当无雾图像每个局部区域至少有一种颜色分量接近零时，通过对三种颜色分量进行最小操作，可得到大气耗散函数的粗略估计：\(U(x)=1 - \tilde{t}(x)=\min_{c \in \{r,g,b\}} \left(\min_{y \in \Omega(x)} \frac{I_c(y)}{A_c}\right)\) - 为了使图像恢复更自然，引入常数 \(\omega(0 < \omega \leq 1)\)，则 \(U(x)=\omega\left(1 - \min_{c \in \{r,g,b\}} \left(\min_{y \in \Omega(x)} \frac{I_c(y)}{A_c}\right)\right)\)，\