CN103034977B - 图像除雾方法和相应的图像除雾装置 - Google Patents
图像除雾方法和相应的图像除雾装置 Download PDFInfo
- Publication number
- CN103034977B CN103034977B CN201110301122.0A CN201110301122A CN103034977B CN 103034977 B CN103034977 B CN 103034977B CN 201110301122 A CN201110301122 A CN 201110301122A CN 103034977 B CN103034977 B CN 103034977B
- Authority
- CN
- China
- Prior art keywords
- value
- air light
- image
- light value
- estimated value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像除雾方法,包括:读取图像;利用标准的暗通道假设算法求取图像的大气光值估计值作为第一大气光值估计值;和循环地求取图像的大气光值最佳估计值,在每次循环中,利用改进的暗通道假设算法求取图像的大气光值估计值作为第二大气光值估计值,如果第一大气光值估计值和在第一次循环中求取的第二大气光值估计值的差值或在前一次循环中求取的第二大气光值估计值和在当前循环中求取的第二大气光值估计值的差值不大于预给定的阈值,则输出当前循环中求取的第二大气光值估计值作为大气光值最佳估计值,如果所述差值大于预给定的阈值,则实施下一次循环;d)基于大气光值最佳估计值计算除雾图像。本发明还涉及一种相应的图像除雾装置。
Description
技术领域
本发明涉及一种图像除雾方法,其基于大气模型理论和暗通道假设去除单幅输入图像中的雾、霾或烟,以提高图像中景物的可识别度。本法明还涉及一种相应的图像除雾装置。
背景技术
大气因素劣化图像的可视度增强是图像处理的重要领域。
以上大气因素包括雾,霾(可以理解为较淡的雾)和烟尘(例如沙尘暴、不充分燃烧的汽车尾气和化学燃烧反应产生的烟雾)。它们有共同的特性:由液态或固态的悬浮颗粒组成,在空气中至少在一定范围内均匀分布,并且对光线传播形成复杂的影响,例如阻挡、散射和反射。在下文中将以上大气因素统称为雾。在雾天情况下,目标物体的对比度、亮度和颜色都可能发生畸变,使场景的可识别度下降,从而观测者更不容易从图像中识别出希望看到的目标物体和确定目标物体的边界和颜色。
对图像进行除雾可以改善图像的视觉效果,该技术的典型应用场合包括室外视频监控,车载辅助、自动驾驶的图像采集,高空拍摄遥感监测,等等。在这些应用场合中,摄取的图像信息并没有增加,但观测者希望能够借助图像处理更容易地识别目标物体。
即使雾在空气中是均匀分布的(雾密度均匀),图像中不同位置上的雾浓度也是变化的。这源于景物距离拍摄镜头的距离的变化。距离镜头越远的场景上雾的浓度也越大。
目前,图像除雾技术主要分为两类:直方图均衡方法和基于大气模型的方法。
直方图均衡方法把整幅图像中的雾浓度视作均一的,通过增强对比度和饱和度提高视觉效果。缺点在于不能应对同一幅图像中不同位置上雾浓度的不同。该方法的改进算法通过缩小应用直方图均衡的区域面积来提高适应雾浓度变化的程度,但这样的改进算法的运算量巨大且具有块效应等副作用。
基于大气模型的方法首先构建由雾产生的图像蜕化模型,所述图像蜕化模型用数学公式描述了雾作用于原本没有雾的图像产生雾化图像的过程。把未除雾的原始图像(即雾化图像)作为已知量,带入蜕化模型公式,解出除雾后的图像的最佳估计值,以下也称作除雾图像。
所谓“大气模型”描述了当大气中具有悬浮颗粒时,摄像机拍摄到图像或人眼观察到物体的光学原理。
大气模型可以用下式(1)来表示,其作用于图像的RGB三个颜色通道。
I(X)=J(X)t(X)+A(1-t(X))(1)
其中,I(X)表示摄像机拍摄到的带雾图像或者人眼观察到的带雾图像(即雾化图像),为输入图像。X=(x,y)表示图像像素坐标。
J(X)为物体反射光,表示没有雾的图像,是去雾处理的结果图像(即除雾图像)。
A表示大气光值,是对图像中雾最浓的一点的雾的估计值。该值决定了图像中雾浓度的范围,它的准确与否直接影响整幅图像中每个像素上除雾的效果。最浓的雾点在大多数情况下位于图像中的地平线以上,十分靠近地平线的位置,或者仰角不是很大的空中。如果图像不包含以上这些部分,不同的算法仍然需要利用图像中已有的信息来估计大气光值。通常次优地将图像中雾浓度最大的点视为天空点,同一幅图像的所有像素共用一个大气光值。
t(X)定义了空气介质的传输函数,描述了物体反射光经过空中悬浮颗粒的散射以后残留下来而达摄像机的比例,表示有多少物体反射光经过大气衰减后能到达摄像机或者人眼,是一个大于0且小于1的标量数据,图像中每个像素具有一个t(X)。
以下,参照图1具体说明上述式(1)。
图1为大气模型公式的示意图。图1左侧的图像为人眼或摄像机观察到的图像I(X)(即雾化图像)。图像I(X)由2部分组成,第一部分为物体反射光经过空中悬浮颗粒散射后存留下来的部分为J(X)t(X),第二部分为空中悬浮颗粒散射太阳光所造成的大气环境光为A(1-t(X))。
式(1)中的定义了空气介质的传输函数的t(X)为被摄体(物体)与摄像机(人眼)之间的距离的函数,具体表示为下式(2)。
t(X)=e-βd(X)(2)
其中,d(X)为图像中一物体点X与摄像机之间的距离,所以也将t(X)称作“距离参数”。β为大气散射系数,为常数。
从式(1)和式(2)可以看出物体反射光到达摄像机的强度J(X)t(X)与物体与摄像机之间的距离d(X)成反比,距离越远,则光线衰减越厉害,而大气环境光到达摄像机的强度A(1-t(X))与距离d(X)成正比,距离越远,则光线越强,所以在无穷远处呈现出白色。
基于大气模型的除雾算法可以简单地归纳为:在得到单幅雾化图像I(X)的情况下,求出t(X)和大气光值A,然后通过式(1)得到除雾以后的结果图像J(X)(即除雾图像)。
基于大气模型的方法,Kaiming He等人在发表于IEEE CVPR上的论文《Single Image Haze Removal Using Dark Channel Prior》中提出了暗通道(Dark Channel)假设。该假设认为在没有雾的图像中,一定存在一个足够大的区域,该区域中的某个像素点的三个颜色通道中的至少一个的值接近于零。该假设有直观的物理含义,即图像中一定存在饱和度较高的带有颜色的区域或者非灰色的区域。一旦被雾化,基于大气模型的加性假设,图像中所有像素的所有三个颜色通道都会或多或少的叠加上由雾贡献的分量,暗通道也就不再为零。该假设在数千张随机选出的图像中得到很好的验证。基于所述暗通道假设,可以估计出大气模型公式的所有参数,从而解出除雾图像。
但是,暗通道假设对于雾作用于无雾图像的方式是有限制的,即应用暗通道假设的除雾方法都认为雾在三个颜色通道上叠加的值是相等的,也就是说雾是灰色的(白色和黑色是灰色的两个极端值)。这就导致基于暗通道假设的除雾方法对于非灰色的雾,比如黄褐色的沙尘暴等的除雾效果因估计蜕化模型中的参数错误而降低。
发明内容
本发明的目的在于提供一种图像的除雾方法和一种相应的除雾装置,其基于大气模型,通过改进的暗通道假设算法正确地计算大气模型参数,从而不仅适用于由灰色雾雾化的图像的除雾处理,而且尤其适用于由非灰色雾雾化的图像的除雾处理。根据本发明的图像除雾方法或图像除雾装置显著地提高了由不同性质、尤其是不同颜色的雾雾化的图像的去雾效果。
为了实现这个目的,本发明提供了一种图像除雾方法,所述图像除雾方法包括以下步骤:
a)读取图像;
b)利用标准的暗通道假设算法求取所述图像的大气光值估计值作为第一大气光值估计值;
c)循环地求取所述图像的大气光值最佳估计值,
其中,在每次循环中,利用改进的暗通道假设算法求取所述图像的大气光值估计值作为第二大气光值估计值,在所述改进的暗通道假设算法中,使所述图像中的每个像素的各颜色通道值除以归一化参数,由此得到经归一化的图像,借助所述标准的暗通道假设算法求取所述经归一化的图像的每个像素的暗通道,所述图像的每个像素的改进的暗通道值是所述图像的与所述经归一化的图像中相应像素的暗通道相对应的通道的值,所述图像的所有像素的改进的暗通道值构成改进的暗通道图像,基于所述改进的暗通道图像求取所述第二大气光值估计值,
d)基于所述大气光值最佳估计值计算除雾图像。
在本发明的一个优选实施方式中,在所述步骤c)中,在第一次循环中,将所述第一大气光值估计值作为所述归一化参数,在第一次循环后的每次循环中,将在前一次循环中求取的第二大气光值估计值作为所述归一化参数。
在本发明的一个优选实施方式中,在所述步骤c)中,在第一次循环中,判断所述第一大气光值估计值和在第一次循环中求取的第二大气光值估计值的差值是否大于一个预给定的阈值,在第一次循环后的每次循环中,判断在前一次循环中求取的第二大气光值估计值和在当前循环中求取的第二大气光值估计值的差值是否大于所述预给定的阈值,其中,如果所述差值不大于所述预给定的阈值,则输出当前循环中求取的第二大气光值估计值作为所述大气光值最佳估计值,如果所述差值大于所述预给定的阈值,则实施下一次循环。
在本发明的一个优选实施方式中,所述循环的终止条件还包括已经执行的循环次数达到一个预设值,所述预设值优选是5、更优选是3。
在本发明的一个优选实施方式中,在所述标准的暗通道假设算法中借助下式(3)求取所述图像的每个像素的暗通道值:
其中,Ic(x1,y1)表示所述图像的某一像素(x1,y1)的颜色通道c的值而Ω(x,y)表示位于所述像素(x1,y1)周围的局部区域。
在本发明的一个优选实施方式中,所述第一大气光值估计值和在第一次循环中求取的第二大气光值估计值的差值以及在前一次循环中求取的第二大气光值估计值与在当前循环中求取的第二大气光值估计值的差值定义为两个大气光值的对应颜色通道值之差的和。
在本发明的一个优选实施方式中,所述第一大气光值估计值和在第一次循环中求取的第二大气光值估计值的差值以及在前一次循环中求取的第二大气光值估计值与在当前循环中求取的第二大气光值估计值的差值定义为两个大气光值在红、绿、蓝三维空间中的欧几里得距离。
本发明还提供了一种图像除雾装置,所述图像除雾装置用于实施以上所述的图像去雾方法,所述图像去雾装置包括:
第一大气光值估计单元,用于利用标准的暗通道假设算法求取所述图像的大气光值估计值作为第一大气光值估计值;
第二大气光值估计单元,用于循环地求取所述图像的大气光值最佳估计值,其中,在每次循环中,利用改进的暗通道假设算法求取所述图像的大气光值估计值作为第二大气光值估计值,在所述改进的暗通道假设算法中,使所述图像中的每个像素的各颜色通道值除以归一化参数,由此得到经归一化的图像,借助所述标准的暗通道假设算法求取所述经归一化的图像的每个像素的暗通道,所述图像的每个像素的改进的暗通道值是所述图像的与所述经归一化的图像中相应像素的暗通道相对应的通道的值,所述图像的所有像素的改进的暗通道值构成改进的暗通道图像,基于所述改进的暗通道图像求取所述第二大气光值估计值,其中,在第一次循环中,将所述第一大气光值估计值作为所述归一化参数,在第一次循环后的每次循环中,将在前一次循环中求取的第二大气光值估计值作为所述归一化参数;
比较单元,用于在第一次循环中判断所述第一大气光值估计值和在第一次循环中求取的第二大气光值估计值的差值是否大于一个预给定的阈值,以及在第一次循环后的每次循环中判断在前一次循环中求取的第二大气光值估计值和在当前循环中求取的第二大气光值估计值的差值是否大于所述预给定的阈值,其中,如果所述差值不大于所述预给定的阈值,则输出当前循环中求取的第二大气光值估计值作为所述大气光值最佳估计值,如果所述差值大于所述预给定的阈值,则促使所述第二大气光值估计单元实施下一次循环;
雾去除单元,用于基于所述大气光值最佳估计值计算除雾图像。
在本发明的一个优选实施方式中,所述图像去雾装置还包括存储单元,所述存储单元用于存储所述第一大气光值估计值以及所述第二大气光值估计值。
根据本发明的图像除雾方法或图像除雾装置具有以下优点:
1.可以在非灰色雾的情况下有效地实现图像的除雾处理,与仅仅借助标准的暗通道假设算法进行除雾处理相比,根据本发明的方法或装置获得的除雾图像更真实地还原了无雾的图像;
2.根据本发明求取大气光值估计值的过程可以容易地结合到基于大气模型的其他方法中;
3.根据本发明的方法或装置可以容易地通过软件或硬件实现,仅需在用于实施标准的暗通道假设算法的软件或硬件的基础上做较小的改动;
4.根据本发明的方法或装置求取大气光值估计值的循环次数是可以控制的,从而可以根据不同的应用场合进行相应的调节,使得根据本发明的方法或装置在例如处理速度和处理效果方面最优化地适用于相应的应用场合。
附图说明
图1是大气模型的示意图。
图2是用于说明在由三种不同颜色的雾雾化的图像中实施标准的暗通道假设算法的示意图。
图3是根据本发明的除雾方法的示意性流程图。
图4是根据本发明的除雾装置的示意性结构框图。
图5是根据本发明递归地求取大气光值估计值的方法的示意性流程图。
图6是根据本发明递归地求取大气光值估计值的方法的任一步骤的示意图。
具体实施方式
以下结合附图具体介绍本发明的实施例。
首先,借助图2示意性地说明在由三种不同颜色的雾雾化的图像中实施标准的暗通道假设算法的示意图。在图(a)、(b)和(c)中分别示出了雾化图像中某个像素的红绿蓝三个颜色通道在三种不同颜色的雾时的暗通道值计算结果。按照标准的暗通道假设算法,红色通道r是暗通道。如果雾的颜色是灰色的(即亮度介于白色和黑色之间),则雾在红绿蓝三个颜色通道中具有相等的值,如(a)所示,在这样的情况下暗通道(红色通道r)的值正确地反映了雾的浓度。如果雾的颜色不是灰色的但在三个颜色通道中红色通道的值完全由雾贡献,如(b)所示,则标准的暗通道假设算法仍然可以正确地估计出像素的雾浓度值。然而,如(c)所示,如果雾在三个颜色通道上的包络与该像素的颜色在不同颜色通道上达到最大比例,即雾在红色通道上的贡献比例小于雾在蓝色通道上的贡献比例,则导致按照标准的暗通道假设算法选择的红色通道中不仅仅包含雾的贡献。此时,选择红色通道作为暗通道会导致雾的错误估计,从而由此估计出的大气光值也是错误的。
图3以流程图示出根据本发明的除雾方法的步骤。如图3所示,所述除雾方法主要包括以下步骤:在步骤S301中,递归地求取大气光值估计值。在接下来的步骤S302中计算传输图像。最后在步骤S303中按照大气模型公式解出除雾图像。
以下结合图4和图5说明根据本发明的除雾方法求取大气光值估计值的原理,其中,图4示出根据本发明的除雾装置100的示意性结构框图而图5以流程图示出根据本发明递归地求取大气光值估计值的方法步骤。
根据本发明的除雾装置100包括第一大气光值估计单元101、第二大气光值估计单元102、存储单元103、比较单元104和雾去除单元105。第一大气光值估计单元101包括第一暗通道值计算器111和第一大气光值估计器112,所述第一大气光值估计单元101用于借助标准的暗通道假设算法求取大气光值估计值。第二大气光值估计单元102包括第二暗通道值计算器113和第二大气光值估计器114,所述第二大气光值估计单元102用于借助改进的暗通道假设算法求取大气光值估计值。存储单元103用于存储由第一大气光值估计单元101和第二大气光值估计单元102求取的大气光值估计值。比较单元104用于判断由第一大气光值估计单元101和第二大气光值估计单元102分别求取的大气光值估计的差值或者由第二大气光值估计单元102求取的各大气光值估计值的差值是否大于一个预给定的阈值。
首先,由第一大气光值估计单元101读取待除雾的图像I(x,y),其中,图像I(x,y)的每个像素由红绿蓝三色通道构成,x和y是图像像素的横、纵坐标(步骤S501)。第一大气光值估计单元101中的第一暗通道值计算器111按照式(3)求得图像I(x,y)的每个像素的暗通道值(步骤S502):
其中,Ic(x1,y1)表示所述图像的某一像素(x1,y1)的颜色通道c的值而Ω(x,y)表示位于所述像素(x1,y1)周围的局部区域。所述局部区域可由经验值定义,例如为15x15像素的矩形区域(这样的矩形区域在大多数图像测试中表现良好),所述局部区域也可以由公式算出,例如其宽度为Image_width/ratio,其高度为Image_height/ratio,其中,Image_width是图像I(x,y)的图像宽度,Image_height是图像I(x,y)的图像高度,ratio是常数,从而局部区域的宽度和高度与图像的宽度和高度成比例。因此,像素(x1,y1)的暗通道值Idark(x,y)是像素(x1,y1)周围的局部区域内所有像素的所有颜色通道中的最小值。
在根据式(3)计算出图像I(x,y)的所有像素的暗通道值后,图像I(x,y)的所有像素的暗通道值构成一幅单色图像,所述单色图像也称作暗通道图像。
随后,由第一暗通道值计算器111求得的暗通道图像传输给第一大气光值检出单元101的第一大气光值估计器112。所述第一大气光值估计器112将暗通道图像中的所有像素按照亮度递减的顺序排序,然后选择前N%的像素。则图像I(x,y)中与所述从暗通道图像中选择的像素相对应的像素中亮度值最大的那个像素的亮度值作为大气光值估计值A0(步骤S502)。
优选地,上述N选择为0.1。亮度值最大的像素的选择例如可以通过比较红绿蓝三色通道的平均值实现,或者也可以通过比较红绿蓝三色通道的最大值实现,等等。
由第一大气光值估计单元101计算出的大气光值估计值A0一方面传输给存储单元103并且存储在存储单元103中而另一方面传输给第二大气光值估计单元102。第二大气光值估计单元102中的第二暗通道值计算器113基于大气光值估计值A0以及原始输入的图像I(x,y)按照下式(4)求取每个像素的改进的暗通道值:
其中,A0 c是大气光值估计值A0的一个颜色通道c的值。所以,图像I(x,y)的每个像素的改进的暗通道值IMDC(x,y)这样获得:首先在像素(x1,y1)周围的局部区域内将所有像素的每个通道分别除以大气光值估计值A0的对应通道值,由此得到以大气光值估计值A0作为归一化参数的经归一化的通道值;然后在所有通道中对这些经归一化的通道值进行排序,以便找出最小值;最后找出的最小值所对应的那个(图像I(x,y)的)像素的相应通道的值是像素(x1,y1)的改进的暗通道值IMDC(x,y)。在整幅图像上实施改进的暗通道值计算后,得到一幅由改进的暗通道值构成的暗通道图像(S504)。
随后,第二大气光值估计单元102的第二大气光值估计器114基于以改进的暗通道值构成的暗通道图像估计出大气光值估计值A1(S504)。第二大气光值估计单元102中的第二大气光值估计器114的作用原理与第一大气光值估计单元101中的第二大气光值估计器112相同,简明起见,在此不再详细阐述。
由第二大气光值估计器114求得的大气光值估计值A1一方面传输给存储单元103并且存储在存储单元103中而另一方面传输给比较单元104。
接下来,比较单元104读取存储在存储单元103中的大气光值估计值A0以及判断大气光值估计值A0和大气光值估计值A1的差值是否大于一个预给定的阈值(S505)。如果大气光值估计值A0和大气光值估计值A1的差值不大于所述预给定的阈值,则将大气光值估计值A1作为最终的大气光值估计值A传输给雾去除单元105。如果大气光值估计值A0和大气光值估计值A1的差值大于所述预给定的阈值(S506),则大气光值估计单元102以大气光值估计值A1作为归一化参数,按照公式(4)再次进行大气光值估计,得到大气光值估计值A2。如此循环,直到在当前循环中求得的大气光值估计值An与在前一次循环中求得的大气光值估计值An-1的差值不大于预给定的阈值,则将在当前循环中求得的大气光值估计值An作为最终的大气光值估计值A传输给雾去除单元105。
优选地,在当前循环n中求取的大气光值估计值An与在前一次循环中求取的大气光值估计值An-1的差值例如可以定义为An和An-1对应颜色通道值之差的和。同样优选地,在当前循环n中求得的大气光值估计值An与在前一次循环中求得的大气光值估计值An-1的差值例如可以定义为An和An-1在红、绿、蓝三维空间中的欧几里得距离。
以上循环的终止条件除了在当前循环n中求取的大气光值估计值An与在前一次循环中求取的大气光值估计值An-1的差值不大于所述预给定的阈值之外,还包括循环次数达到一个预设值。也就是说,当满足以上所述两个条件中任一个时,循环终止。
在最终的大气光值估计值A传输给雾去除单元105之后,雾去除单元105通过下式(5)计算出粗糙传输图像
其中,Ac是最终的大气光值估计值A的c通道值。然后运用图像处理中的抠图技术,对粗糙传输图像进行精细化,得到精细传输图像t(x,y)。t(x,y)代表了目标景物随着离拍摄镜头的距离增大而不断衰减的比例,同时1-t(x,y)代表了雾在图像中随着此距离增大而不断增加的比例。
最后,雾去除单元105按照下式(6)解出除雾图像:
其中,t0是预先设定的值,用于防止当t(x,y)数值过小时除雾图像产生噪声图案。
图6示意性地示出了根据本发明的除雾方法或除雾装置求取大气光值估计值的过程,其中,利用在前一次循环中求得的大气光值估计值An-1对当前循环中的暗通道值计算进行修正。如图6的I所示,(a)表示图2中(c)所示的错误地将红色通道识别为暗通道的情况,而(b)表示应当将蓝色通道识别为暗通道的正确情况。图6的II示出了将蓝色通道正确地识别为暗通道的过程:首先,利用前一次循环中求得的大气光值估计值An-1对像素的红绿蓝三个颜色通道进行归一化,其中,II中(b)表示经归一化后像素的三个通道值;然后,选取通道值最小的那个通道作为暗通道,其像素原始值是经修正的暗通道估计值,其反映了以前一次循环中的大气光值衡量的雾浓度。
因此,根据本发明的除雾方法或除雾装置,在第一次循环中,借助标准的暗通道假设算法求取大气光值估计值,也就是说,首先假定雾是灰色的。随后,借助改进的暗通道假设算法通过循环迭代的方式使大气光值估计值逐渐逼近图像中雾的真实颜色。
对于本领域技术人员清楚的是,根据本发明的除雾方法(或除雾装置)可以与任意其他基于大气模型的除雾方法相结合,以便在非灰色雾的情况下有效地实现图像的除雾处理。
在另一个实施例中,第一大气光值估计单元101和第二大气光值估计单元102可以使用一个共同的大气光值估计器。
在另一个实施例中,根据本发明除雾装置或者除雾方法可以实现为硬件、软件或者二者的结合。优选地,根据本发明的除雾装置可以实现为FPGA、ASIC或基于微控制器的任意电路装置。
虽然本文参考具体的实施例描述和说明了本发明,但是本发明并不旨在局限于所示的细节中。而是,在不偏离本发明的情况下,可作出落入权利要求书的等同物范围内的针对细节的各种修改。
Claims (8)
1.一种图像除雾方法,所述图像除雾方法包括以下步骤:
a)读取图像;
b)利用标准的暗通道假设算法求取所述图像的大气光值估计值作为第一大气光值估计值;
c)循环地求取所述图像的大气光值最佳估计值,
其中,在每次循环中,利用改进的暗通道假设算法求取所述图像的大气光值估计值作为第二大气光值估计值,在所述改进的暗通道假设算法中,使所述图像中的每个像素的各颜色通道值除以归一化参数,由此得到经归一化的图像,借助所述标准的暗通道假设算法求取所述经归一化的图像的每个像素的暗通道,所述图像的每个像素的改进的暗通道值是所述图像的与所述经归一化的图像中相应像素的暗通道相对应的通道的值,所述图像的所有像素的改进的暗通道值构成改进的暗通道图像,基于所述改进的暗通道图像求取所述第二大气光值估计值,
d)基于所述大气光值最佳估计值计算除雾图像,
在所述步骤c)中,在第一次循环中,将所述第一大气光值估计值作为所述归一化参数,在第一次循环后的每次循环中,将在前一次循环中求取的第二大气光值估计值作为所述归一化参数。
2.如权利要求1记载的图像除雾方法,其特征在于,
在所述步骤c)中,在第一次循环中,判断所述第一大气光值估计值和在第一次循环中求取的第二大气光值估计值的差值是否大于一个预给定的阈值,在第一次循环后的每次循环中,判断在前一次循环中求取的第二大气光值估计值和在当前循环中求取的第二大气光值估计值的差值是否大于所述预给定的阈值,
其中,如果所述差值不大于所述预给定的阈值,则输出当前循环中求取的第二大气光值估计值作为所述大气光值最佳估计值,如果所述差值大于所述预给定的阈值,则实施下一次循环。
3.如权利要求1或2记载的图像除雾方法,其特征在于,
所述循环的终止条件还包括已经执行的循环次数达到一个预设值。
4.如权利要求3记载的图像除雾方法,其特征在于,
所述预设值是5。
5.如权利要求1或2记载的图像除雾方法,其特征在于,
所述第一大气光值估计值和在第一次循环中求取的第二大气光值估计值的差值以及在前一次循环中求取的第二大气光值估计值与在当前循环中求取的第二大气光值估计值的差值定义为两个大气光值的对应颜色通道值之差的和。
6.如权利要求1或2记载的图像除雾方法,其特征在于,
所述第一大气光值估计值和在第一次循环中求取的第二大气光值估计值的差值以及在前一次循环中求取的第二大气光值估计值与在当前循环中求取的第二大气光值估计值的差值定义为两个大气光值在红、绿、蓝三维空间中的欧几里得距离。
7.一种图像除雾装置,所述图像除雾装置用于实施权利要求1至6中任一项所述的图像除雾方法,所述图像除雾装置包括:
第一大气光值估计单元,用于利用标准的暗通道假设算法求取所述图像的大气光值估计值作为第一大气光值估计值;
第二大气光值估计单元,用于循环地求取所述图像的大气光值最佳估计值,其中,在每次循环中,利用改进的暗通道假设算法求取所述图像的大气光值估计值作为第二大气光值估计值,在所述改进的暗通道假设算法中,使所述图像中的每个像素的各颜色通道值除以归一化参数,由此得到经归一化的图像,借助所述标准的暗通道假设算法求取所述经归一化的图像的每个像素的暗通道,所述图像的每个像素的改进的暗通道值是所述图像的与所述经归一化的图像中相应像素的暗通道相对应的通道的值,所述图像的所有像素的改进的暗通道值构成改进的暗通道图像,基于所述改进的暗通道图像求取所述第二大气光值估计值,其中,在第一次循环中,将所述第一大气光值估计值作为所述归一化参数,在第一次循环后的每次循环中,将在前一次循环中求取的第二大气光值估计值作为所述归一化参数;
比较单元,用于在第一次循环中判断所述第一大气光值估计值和在第一次循环中求取的第二大气光值估计值的差值是否大于一个预给定的阈值,以及在第一次循环后的每次循环中判断在前一次循环中求取的第二大气光值估计值和在当前循环中求取的第二大气光值估计值的差值是否大于所述预给定的阈值,其中,如果所述差值不大于所述预给定的阈值,则输出当前循环中求取的第二大气光值估计值作为所述大气光值最佳估计值,如果所述差值大于所述预给定的阈值,则促使所述第二大气光值估计单元实施下一次循环;
雾去除单元,用于基于所述大气光值最佳估计值计算除雾图像。
8.如权利要求7记载的图像除雾装置,其特征在于,
所述图像除雾装置还包括存储单元,其用于存储所述第一大气光值估计值以及所述第二大气光值估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110301122.0A CN103034977B (zh) | 2011-09-30 | 2011-09-30 | 图像除雾方法和相应的图像除雾装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110301122.0A CN103034977B (zh) | 2011-09-30 | 2011-09-30 | 图像除雾方法和相应的图像除雾装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103034977A CN103034977A (zh) | 2013-04-10 |
CN103034977B true CN103034977B (zh) | 2015-09-30 |
Family
ID=48021846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110301122.0A Expired - Fee Related CN103034977B (zh) | 2011-09-30 | 2011-09-30 | 图像除雾方法和相应的图像除雾装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103034977B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2658874C1 (ru) * | 2014-06-12 | 2018-06-25 | ЭЙЗО Корпорайшн | Устройство удаления тумана и способ формирования изображений |
CN108537737A (zh) * | 2017-03-03 | 2018-09-14 | 防城港市港口区思达电子科技有限公司 | 一种改进的图像去雾方法 |
CN107481198B (zh) * | 2017-07-27 | 2020-01-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN107277372B (zh) * | 2017-07-27 | 2021-04-23 | Oppo广东移动通信有限公司 | 对焦方法、装置、计算机可读存储介质和移动终端 |
CN110784624B (zh) * | 2018-07-27 | 2021-08-31 | 浙江宇视科技有限公司 | 除雾控制方法及装置 |
CN110232666B (zh) * | 2019-06-17 | 2020-04-28 | 中国矿业大学(北京) | 基于暗原色先验的地下管道图像快速去雾方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783012A (zh) * | 2010-04-06 | 2010-07-21 | 中南大学 | 一种基于暗原色的自动图像去雾方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8340461B2 (en) * | 2010-02-01 | 2012-12-25 | Microsoft Corporation | Single image haze removal using dark channel priors |
-
2011
- 2011-09-30 CN CN201110301122.0A patent/CN103034977B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783012A (zh) * | 2010-04-06 | 2010-07-21 | 中南大学 | 一种基于暗原色的自动图像去雾方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103034977A (zh) | 2013-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103034977B (zh) | 图像除雾方法和相应的图像除雾装置 | |
Tang et al. | Investigating haze-relevant features in a learning framework for image dehazing | |
US9710715B2 (en) | Image processing system, image processing device, and image processing method | |
CN104299192B (zh) | 一种基于大气光散射物理模型的单幅图像去雾方法 | |
CN103188433B (zh) | 图像除雾装置和图像除雾方法 | |
TWI514323B (zh) | 基於混合暗通道先驗的影像除霧方法及其系統 | |
CN104036490B (zh) | 适用于移动通信网络传输中的前景分割方法 | |
TWI501194B (zh) | 基於費雪線性判別的雙暗通道先驗的影像能見度修復方法及其影像處理裝置 | |
CN103955905A (zh) | 基于快速小波变换和加权图像融合的单幅图像去雾方法 | |
CN103198459A (zh) | 雾霾图像快速去雾方法 | |
CN103034983B (zh) | 一种基于各向异性滤波的去雾方法 | |
CN102385753A (zh) | 一种基于光照分类的自适应图像分割方法 | |
CN107451966A (zh) | 一种采用灰度图引导滤波实现的实时视频去雾方法 | |
CN104331867B (zh) | 图像去雾的方法、装置及移动终端 | |
CN103310422A (zh) | 获取图像的方法及装置 | |
CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
CN103020921A (zh) | 基于局部统计信息的单幅图像去雾方法 | |
CN106296618A (zh) | 一种基于高斯函数加权直方图规定化的彩色图像去雾方法 | |
CN110175967B (zh) | 图像去雾处理方法、系统、计算机设备和存储介质 | |
CN112070691A (zh) | 一种基于U-Net的图像去雾方法 | |
Alami et al. | Local fog detection based on saturation and RGB-correlation | |
KR20120069539A (ko) | 광원 추정 장치 및 광원 추정 방법 | |
US8204329B2 (en) | System and method for image quality enhancement by reducing the effects of air pollution and haze | |
CN107464225A (zh) | 图像处理方法、装置、计算机可读存储介质和移动终端 | |
CN105046656A (zh) | 一种基于边缘保留滤波的形状自适应图像去雾方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150930 Termination date: 20190930 |
|
CF01 | Termination of patent right due to non-payment of annual fee |