[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.
爲了檢測霧, 將感興趣區域 (ROI) 設置爲以消失點爲中心的必定距離。本文研究了輸入圖像中的行車車道, 繪製了其延伸線, 並肯定了兩條延長線交叉爲消失點的點。即, 爲了理想的設置手動肯定了消失點。算法
而後, 在設置的 ROI 中計算了 HSV 顏色模型域中的飽和度S和值 (V) 的比值，該特性主要用於霧檢測。另外一方面, 道路環境的突變可能會使某些計算的S/V 比值異常。使用該屬性, 霧不會忽然消失或沒有出現, 咱們經過對 S/V 比率應用時間篩選temporal filter, 大大減小了異常值。app
若是 ROI 中的顏色不清楚, 則 HSV 顏色模型的 S 值每每較小。此外, 因爲有霧的 ROI 有相對淺灰色, 它每每有一個大的 V 值。所以,有霧的ROI中的V/S比率將很大。所以, 咱們能夠將 S 和 V 的比值定義爲一個特徵來判斷霧的存在. 性能
最後, 將Rj 與霧檢測的閾值進行比較。若是Rj 大於閾值, 則有霧。不然, 無霧。ui
[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.
提出了一種基於飽和度和在圖像消失點周圍區域的RGB顏色通道之間的相關性來檢測白天霧的新的局部方法；lua
核心重點：spa
(1) 經過尋找消失點vanishing point；orm
(2) 定義消失點周圍的區域爲霧檢測區域；blog
(3) 而後藉助數據集FRIDA和FRIDA2作實驗，計算飽和度和RGB相關性（通常很是高，文中零飽和度佔比小於10爲清晰圖像，大於20爲霧圖），計算PrcSatNul來肯定是否爲霧圖；ci
[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.
在該算法中, 分析了 HSV 顏色模型中各通道的直方圖, 並肯定了一個適當的閾值來檢測霧rem
[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 過濾器來提取圖像邊緣來高亮道路的邊緣。而後採用區域生長算法對尋找道路表面層。第三, 他們創建了四條件以得到目標區域。最後, 經過計算測量帶寬, 獲得了圖像的可見距離。
氣象能見度由 Eq. (1) 計算 根據國際照明委員會 (CIE) 的 Duntainy 衰減規律, 該物體的對比度應高於5%.
其中dmet表示氣象可見性。
[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 根據 Koschmieder 的法律模型檢測到了霧。Hautiere 的方法經過對安裝攝像機的環境進行建模來估計深度.
[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等人估計了霧因子而且使用隨着霧的變黑，RGB彩色通道的最大值和最小值之間的距離越大的屬性來檢測霧，使用的屬性, , 由於霧變暗.
[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, 對於圖像的可見性, 暗通道的強度和圖像的對比度可做爲模糊和清晰圖像分類的特徵 [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.
圖像視覺對比度的測量方法. et[38] 首次由約布森提出. 利用大氣散射模型, 研究了不一樣霧狀圖像的角誤差, 並給出了與霧狀圖像分類相同場景的清晰圖像 [39]。他們還利用 SVM 對濃霧圖像進行分類。雖然它們的方法能夠得到良好的分類性能, 但在實際應用中很難同時得到清晰的圖像和相同場景的霧狀圖像。
[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從傅立葉變換的功率譜和支持向量機在高速公路上的車輛視覺系統中, 提出了一種利用全局特徵的多霧圖像分類方法
[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.
餘等提取了圖像的可見性、圖像的視覺對比度以及暗通道做爲特徵而且使用(SVM) 對濃霧圖像分類的強度 [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 等人首先提出了一種基於 "半逆" 圖像的霧區檢測算法. 經過選擇原始圖像像素的和其逆圖像像素最大值, 獲得了半逆圖像S , 該方法被公式化爲
Sc (x) = max [Ic(x),1 − Ic(x)] (1)
其中c表示其中一個 RGB 通道, I是原始圖像, 1− Ic (x) 表示原始圖像的逆圖像.
在renormalizing 反圖像後, Ancuti 檢測到Lch顏色空間h*通道中的霧區., 並將半逆圖像和原始圖像之間有較大差別的像素視爲清晰像素, 並將剩餘像素視爲霧像素。這種霧區檢測方法的基礎是, 圖像霧區像素的強度值一般比清晰區域的像素大得多。在圖像的天空或霧區中, 像素一般在全部顏色通道中都具備高強度, 即Ifog c (x) > 0.5. 所以, 半逆圖像將與這些區域中的原始圖像具備相同的值。可是, 在清晰區域, 半逆圖像至少有一個通道, 像素值將被逆圖像替換。換言之, 這個公式(1)的輸出分別是霧區的原始圖像和清晰區域的逆圖像。而後霧區能夠經過到原始圖像和它的半逆圖像之間的差別很容易地檢測。該算法簡單有效, 可用於霧狀圖像中的霧區檢測, 但不適合當前場景是否有霧的判斷。這是由於天空區域或清晰圖像的白色區域將被誤認爲是經過這個算法的霧區.
[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.
勃朗特等人經過使用霧削弱邊緣強度的屬性檢測到霧.
[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.
布希等人提出了一種技術, 以估計在霧條件下的能見度距離, 這是基於 psychovisual 模型和使用小波變換[9]的對比度估計.；經過真實世界的映射來估計V，她們映射邊緣像素的二維座標，這樣邊緣的對比度能夠高於5%。