论文总字数：16549字

摘 要

本文基于已有的雾天和晴天图像，利用Koschmieder模型和无监督机器学习来估计不同时刻雾气的消光系数。首先本文将收集到的雾天图像进行直方图均衡化，使之灰度分布均衡。其次针对已知条件少，参数不足用等缺陷而不能使用已有方法计算深度距离时，本文提出了一种简化版的基于图像的能见度估算方法。然后，基于暗通道先验原理，估计透射率，并用导向滤波方法对其进行优化。最后利用了霍夫变换，求出了灭点并结合本文的能见度估算方法对场景深度进行了估计。结合以上步骤求取出的参数，并将之代入能见度检测原理，即可求取大气消光系数。根据本文最后的计算结果显示，计算出的消光系数与相关定律一致。

关键词：机器学习 雾天能见度 Koschmieder定律 直方图均衡 暗原色先验知识导向滤波 霍夫变换

Abstract

Based on the existing images of foggy days and sunny days, Koschmieder model and unsupervised machine learning were used to estimate the extinction coefficient of fog at different times. First of all, histogram equalization will be carried out to equalize the gray distribution of collected fog images. Secondly, this paper proposes a simplified image-based visibility estimation method when the known conditions and parameters are insufficient to calculate the depth distance. Then, based on the dark channel priori principle, the transmittance is estimated and optimized by guided filtering. Finally, the hough transform is used to calculate the vanishing point and the depth of the scene is estimated by combining the visibility estimation method in this paper. The atmospheric extinction coefficient can be obtained by combining the parameters obtained in the above steps and substituting them into the principle of visibility detection.The results illustrate that the extinction coefficient calculated is obey with the relevant laws.

Keywords: machine learning; fog detection; The laws of Koschmieder; Histogram equalization; Dark channel prior knowledge; guided filtering ; Hough Transform

目录

机器学习在视频数据能见度估计中的应用 I

摘要 I

Abstract II

第一章 引言 1

1.1 研究目的及研究意义 1

1.2 研究相关背景 1

1.2.1 国外相关研究回顾 1

1.2.2 国内相关研究回顾 2

1.3 本文的研究内容及方法 3

第二章 图像预处理 4

2.1 直方图均衡化的目的及原理 4

2.2 利用直方图均衡处理图像 4

第三章 场景深度的估计 6

3.1 Koschmieder模型 6

3.2 场景深度模型建立 6

3.2.1 引言 6

3.2.2 图像u-v坐标系 7

3.2.3 拟合函数 7

3.3 灭点的估计 9

3.3.1 霍夫变换原理 9

3.3.2 利用霍夫变换寻找灭点 10

第四章 消光系数的求取 12

4.1 暗通道先验知识求透射率T 12

4.1.1 暗通道先验知识 12

4.1.2 大气透射率的获取 13

4.1.3 优化大气透射率 14

4.2消光系数求取 15

第五章 总结与展望 17

5.1全文总结 17

5.2 不足与展望 17

参考文献 18

致谢 20

第一章 引言

1.1 研究目的及研究意义

雾是一种天气现象，是近地面层空气中水汽凝结的产物。当光线在雾中传播时，碰到雾中的微小水滴时会向各个方向散射，并定会产生“丁达尔效应”。上雾天时，这种效应尤其明显，普通车灯的光线汇集到一起，很难穿透浓雾，这就使司机眼前出现白茫茫的一片光“墙”，路面情况什么的根本也了解不到。这种对光线的散射会严重损害驾驶员的距离知觉和周边视觉，从而对交通安全构成威胁。

秋冬季节的雾霾对交通出行影响很大，有时甚至会导致交通事故。因为雾使道路的能见度变低，这样导致司机们很难准确地判断出距离、速度等各种因素。虽然雾天出现频率并没有那么高，但雾天发生交通事故的概率，以及因此造成的伤亡人数都远高于平均水平，因此准确估计能见度对交通通行具有重要的现实意义。众所周知，道路上视频监控很容易获取。同时，我们不难发现，在晴空和有雾状态下的图像具有明显的差异。能否利用不同时刻的监控图像，实时估计能见度是一个值得研究的课题。另外，机器学习是近年来热门研究领域。利用机器学习的方法，针对视频数据进行能见度估计是本课题的目标。

1.2 研究相关背景

1.2.1 国外相关研究回顾

20世纪20年代，Koschmieder 在分析研究前人的成功果实的基础上提出了以天空为背景的能见度检测定律，它是大气能见度测量的基本原理且适用于白天环境，也是公认的能见度定量检测的基本理论[1]。

1999年，Shree K. Nayar 和Srinivasa G. Narasimhan等人提出观点：在任何户外应用中，“坏”天气是无法逃避的。计算机视觉系统必须包括一些机制，使它们能够在雾霾、雨、冰雹和雪的情况下工作(即使不太可靠)。所以他们首先研究了不同天气条件下的视觉表现，利用了已经知道的大气光学中大气调节着从场景点向观测者传递的信息，可以将其看作是一种视觉信息编码机制的相关原理，在此基础上，开发了从恶劣天气条件下拍摄的图像中恢复相关场景属性（如三维模型）的结构与方法[2]。

2001年，Yoav Y. Schechner和 Srinivasa G. Narasimhan等人提出了一种很容易从图像中去除雾霾的方法。他们利用通常大气粒子散射的空气光部分偏振的事实，在广泛的大气和观测条件下工作。分析了图像的形成过程，考虑了大气散射的偏振效应。然后他们逆转这个过程，使雾霾从图像中去除。该方法可用于在不同方向上通过偏振镜拍摄的两张图像。这种方法不依赖于天气条件的变化，能立即起作用[3]。

请支付后下载全文，论文总字数：16549字