CN103578083B - 基于联合均值漂移的单幅图像去雾方法 - Google Patents
基于联合均值漂移的单幅图像去雾方法 Download PDFInfo
- Publication number
- CN103578083B CN103578083B CN201310404793.9A CN201310404793A CN103578083B CN 103578083 B CN103578083 B CN 103578083B CN 201310404793 A CN201310404793 A CN 201310404793A CN 103578083 B CN103578083 B CN 103578083B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- brightness
- air curtain
- array
- 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
- Image Processing (AREA)
Abstract
本发明公开了基于联合均值漂移的单幅图像去雾方法,主要解决现有去雾方法对有天空雾霭图像去雾效果不佳的问题。其实现步骤如下:(1)输入一幅有雾红绿蓝RGB图像;(2)生成暗影通道图像;(3)获取腐蚀图像;(4)获取膨胀图像;(5)获取大气幕图;(6)获取环境光亮度;(7)获取透射率;(8)获得去雾后图像;(9)调和亮度。本发明采用联合均值漂移图像分割方法获得大气幕图及大气幕图的分割图,进而获得较准确的环境光亮度,能有效去除雾霭并保留图像原有的细节特征,具有计算复杂度低、图像去雾效果好的优点,可用于卫星遥感、城市交通、智能车辆、地形勘测等领域对图像的预处理。
Description
技术领域
本发明涉及图像处理技术领域,更进一步涉及自然图像处理滤波技术领域中的一种有雾数字图像的基于联合均值漂移的单幅图像去雾方法。该方法可用于卫星遥感、城市交通、智能车辆、地形勘测和视频多媒体等领域的数字图像预处理。
背景技术
在雾、霾等天气条件下,大气中悬浮的大量微小水滴、气溶胶的散射作用导致捕获的图像严重降质,这极大地限制和影响了户外系统的功能。一般情况下,研究者常用Narasimhan等给出的大气散射模型来描述雾霾天气条件下场景的成像过程。目前,很多去雾算法均建立在此模型之上,不同的方法依据所需要的成像系统或成像场景的附加信息,采用不同的方式估计模型中的各个参数。
HeKM,SunJ,TangXO在“Singleimagehazeremovalusingdarkchannelprior.In:ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognitionMiami.USA:IEEE,2009.1956-1963.”中提出了一种基于暗先验的单一图像去雾方法。该方法首先进行最小值滤波,然后借助图像抠图算法对介质传播函数进行细化操作,从中选取0.1%最亮的像素,用对应原图像中的最大像素值估计环境光亮度A。然而,该方法存在的不足是,图像抠图算法时间复杂度和空间复杂度高,在景深突变边缘处容易产生过冲失真。
TarelJP,HautiereN在“Fastvisibilityrestorationfromasinglecolororgraylevelimage.In:Proceedingsofthe12thIEEEInternationalConferenceonComputerVisionKyoto.Japan:IEEE,2009.2201-2208.”中提出了一种快速图像去雾方法。该方法用中值滤波来估计大气耗散函数,用图像分割理论来估计最优光照。然而,该方法存在的不足是,在景深突变的交界区域,会产生严重的光晕效应。
电子科技大学在其申请的专利“基于暗通道信息的图像去雾方法”(专利申请号201210511068.7,公开号CN102968772A)中公开了一种基于多尺度图像暗通道统计值的单幅图像去雾方法。该方法能避免复杂的软抠图优化步骤。然而,该方法仍然存在的不足是,对于有天空的雾霭图像,环境光亮度值的求取不准确,使去雾后图像天空区域亮度偏暗。
发明内容
本发明的目的在于克服上述现有技术的不足,提出一种基于联合均值漂移的单幅图像去雾方法。该方法从环境光亮度和大气幕图的获取两个方面对单幅图像去雾方法进行了改进,能使雾霭图像中景深突变处的边缘细节得到良好的恢复,解决了现有单幅图像去雾方法复杂度高以及雾霭图像中天空区域恢复效果差的问题。
实现本发明目的的基本思路是:首先对雾霭图像的暗影通道图像进行快速的腐蚀和膨胀,初步估计出大气幕图,然后对其进行细化;接着对大气幕图进行分割,去除大气幕图中的天空部分,求出环境光亮度和透射率。
本发明的具体步骤如下:
(1)输入一幅有雾红绿蓝RGB图像。
(2)生成暗影通道图像:
将有雾红绿蓝RGB图像中每个像素点红绿蓝颜色通道中的亮度最小值,作为暗影通道图像中相应像素点的亮度值。
(3)获得腐蚀图像:
使用快速腐蚀方法,对暗影通道图像进行滤波,得到腐蚀图像。
(4)获得膨胀图像:
使用快速膨胀方法,对腐蚀图像进行滤波,得到膨胀图像。
(5)获取大气幕图:
采用联合均值漂移图像分割方法,对暗影通道图像和膨胀图像进行滤波,得到大气幕图,将大气幕图每个像素的亮度修正为该点亮度值的0.95倍;对大气幕图中像素点合并,得到大气幕图的分割图。
(6)获取环境光亮度:
6a)利用图像中天空区域位置偏上、灰度平坦、亮度较高的特征,获得大气幕图的分割图中的天空部分像素点的位置信息。
6b)利用获得的大气幕图的分割图中的天空部分像素点的位置信息,将大气幕图天空区域的像素点亮度值置0,获得去除天空后的大气幕图。
6c)将去除天空后的大气幕图中像素点的最大亮度值作为环境光亮度。
(7)获取透射率:
7a)按照下式,获取透射率:
V(x,y)=A×(1-t(x,y))
其中,V(x,y)表示大气幕图,A表示环境光亮度,t(x,y)表示有雾红绿蓝RGB图像的透射率。
7b)将有雾红绿蓝RGB图像的透射率t(x,y)中小于0.01的值设置为0.01。
(8)按照下式,分别对有雾红绿蓝RGB图像的红绿蓝三个通道去雾,获得去雾后图像:
I(x,y)=(L(x,y)-V(x,y))/t(x,y)
其中,I(x,y)表示去雾后图像,L(x,y)表示有雾红绿蓝RGB图像,V(x,y)表示大气幕图,t(x,y)表示有雾红绿蓝RGB图像的透射率。
(9)调和亮度:
9a)用去雾后图像中每个像素点的亮度除以环境光亮度,得到目标反射率图。
9b)如果目标反射率图中像素点的亮度值小于0,则将该像素点的亮度值置为0;如果目标反射率图中像素点的亮度值大于1,则将该像素点的亮度值置为1。
本发明与现有的技术相比具有以下优点:
第一,本发明采用快速腐蚀膨胀方法,克服了现有技术雾霭图像去雾耗时长的缺点,使得本发明能大大的减少图像的去雾时间,具有去雾耗时少、去雾后图像清晰明亮的优点。
第二,本发明采用联合均值漂移图像分割方法,克服了现有技术需要使用多种方法来获得大气幕图与大气幕图的分割图的缺点,可以同时得到大气幕图与大气幕图的分割图,使得本发明具有计算复杂度低、图像去雾速度快的优点。
第三,本发明提供的获取环境光亮度的方法,克服了现有技术中雾霭图像的天空区域对求取环境光亮度的干扰的缺点,使得本发明具有使雾霭图像天空部分恢复效果好的优点。
附图说明
图1为本发明流程图;
图2为本发明中大气物理散射模型示意图;
图3为本发明中均值漂移算法迭代过程图;
图4为本发明对输入雾霭图像处理的结果图;
图5为本发明对不同场景雾霾图像处理的去雾后结果图;
图6为采用本发明与He方法、Tarel方法对图像ny12的去雾效果对比图;
图7为采用本发明与He方法、Tarel方法对图像ny17的去雾效果对比图。
具体实施方式
下面结合附图对本发明的做进一步的详细描述。
参照图1,本发明的具体步骤如下:
步骤1.输入有雾红绿蓝RGB图像。
从数字成像设备输入一幅有雾红绿蓝RGB图像,附图4(a)为本发明实施例所输入的有雾红绿蓝RGB图像。
步骤2.生成暗影通道图像。
将有雾红绿蓝RGB图像中每个像素点红绿蓝颜色通道中的亮度最小值,作为暗影通道图像中相应像素点的亮度值。
附图4(b)为本发明实施例对所输入有雾红绿蓝RGB图像,进行步骤2操作后,得到的暗影通道图像。
步骤3.获取腐蚀图像。
使用快速腐蚀方法,对暗影通道图像进行滤波,得到腐蚀图像。
第一步,构造一个边长为19个像素的正方形结构元素块和一个用于存放像素亮度值的有19个元素的数组。
第二步,将结构元素块的中心放在暗影通道图像中第一行的第一个像素点处。
第三步,将结构元素块每列所对应暗影通道图像区域中像素点的亮度最小值放在数组中,获得更新后的数组,将更新后的数组元素的最小值作为待求腐蚀图像中结构元素块的中心所对应的像素点的亮度值。
第四步,将结构元素块的中心移至暗影通道图像中第一行的第二个像素点处;
第五步,用数组中第二个元素的值更新数组中第一个元素的值,依次用数组中每个元素的值更新与其相邻的前一个元素的值,用结构元素块第19列所对应暗影通道图像区域中像素点的亮度最小值更新数组最后一个元素的值,得到更新后的数组;将更新后的数组元素的最小值作为待求腐蚀图像中结构元素块的中心所对应的像素点的亮度值。
第六步,依次逐行将结构元素块的中心从暗影通道图像每行的第一个像素点移至暗影通道图像每行的最后一个像素。
第七步,判断结构元素块的中心是否位于每行的第一个像素点处,如果是,则执行第三步,否则,执行第五步。
步骤4.获取膨胀图像。
使用快速膨胀算法,对腐蚀图像进行滤波,得到膨胀图像。
第一步,构造一个边长为19个像素的正方形结构元素块和一个用于存放像素亮度值的有19个元素的数组。
第二步,将结构元素块的中心放在腐蚀图像中第一行的第一个像素点处。
第三步,将结构元素块每列所对应腐蚀图像区域中像素点的亮度最大值放在数组中,获得更新后的数组,将更新后的数组元素的最大值作为待求膨胀图像中结构元素块的中心所对应的像素点的亮度值。
第四步,将结构元素块的中心移至腐蚀图像中第一行的第二个像素点处。
第五步,用数组中第二个元素的值更新数组中第一个元素的值,依次用数组中每个元素的值更新与其相邻的前一个元素的值,用结构元素块第19列所对应腐蚀图像区域中像素点的亮度最大值更新数组最后一个元素的值,得到更新后的数组;将更新后的数组元素的最大值作为待求膨胀图像中结构元素块的中心所对应的像素点的亮度值。
第六步,依次逐行将结构元素块的中心从腐蚀图像每行的第一个像素点移至腐蚀图像每行的最后一个像素。
第七步,判断结构元素块的中心是否位于每行的第一个像素点处,如果是,则执行第三步,否则,执行第五步。
附图4(c)为本发明实施例对腐蚀图像进行步骤3操作后,得到的膨胀图像。
步骤5.获取大气幕图。
对大气幕图粗估计的原理做如下说明。
根据大气物理散射模型,可将大气幕图初步估计为输入雾霭红绿蓝RGB图像的暗影通道图。
参照附图2,大气物理散射模型定义如下:
L(x,y)=I(x,y)e-kd(x,y)+A(1-e-kd(x,y))
其中,L(x,y)表示成像设备观察到的图像,I(x,y)表示场景的反射光强度,k表示大气散射系数,d(x,y)表示场景深度,e-kd(x,y)表示透射率,A表示环境光亮度。
从上式可以看出,大气散射模型由I(x,y)e-kd(x,y)和A(1-e-kd(x,y))两部分组成。I(x,y)e-kd(x,y)称为直接衰减项,表示在大气粒子的散射作用下,未被散射而直接到达传感器的光强,随传播距离的增大而呈指数衰减。A(1-e-kd(x,y))称为大气幕亮度,反映了全局大气光的散射导致场景颜色的偏移,大气幕亮度随着传播距离的增大而逐渐增加。
上式中的I(x,y)即是所要求得去雾后图像,即:
令V(x,y)=A(1-e-kd(x)),V(x,y)表示大气幕图。因此,如果可以估计出环境光亮度A和大气幕图V(x,y),即可求出去雾后图像I(x,y)。
由于大气散射模型基于光的反射和散射理论,该模型的假设条件是单次散射、均匀大气介质,以及大气粒子对可见光的散射系数与波长无关,该模型不适用于数千米之外场景成像的衰减补偿。因此,天空的成像过程不满足大气散射模型,天空的反射系数无法确定,需要消除天空部分对图像去雾的干扰。
基于目标对光线的吸收/反射特性,自然界中目标成像的颜色是由目标物体吸收白光中特定频率的光而反射其余的光而形成。基于红绿蓝RGB颜色模型,成像的色彩是由目标物体对光的红绿蓝RGB三分量不同反射特性生成,对于颜色鲜艳的彩色目标或颜色较暗的目标,必定至少存在一个反射率较小的分量。
因此,可将场景的反射光强度表示为目标的反射率与环境光亮度的乘积,即
I(x,y)=ρ(x,y)×A
其中,I(x,y)表示场景的反射光强度,ρ(x,y)表示目标的反射率,A表示环境光亮度。
对于图像中的低反射率目标,当ρ(x,y)→0时,I(x,y)→0,进而L(x,y)=A(1-e-kd(x,y))。因此可将大气幕图初步估计为输入雾霭红绿蓝RGB图像的暗影通道图。
通过对暗影通道图进行快速腐蚀膨胀操作去除暗影通道图像中白色场景目标的影响,将大气幕图进一步估计为腐蚀图像的膨胀图像。
快速腐蚀膨胀操作虽然能消除白色场景物体的影响,但这也造成了目标的边缘模糊,丢失了图像的细节信息。由于大气幕是场景深度的函数,因此要保持场景深度突变的边缘细节。
下面对大气幕图的细化操作作进一步的说明。
步骤(4)所得到的膨胀图像中包含了更多的低频信息,而步骤(2)所得到的暗影通道图像中则包含了更多的边缘信息和细节信息。通过对膨胀图像和暗影通道图像采用联合均值漂移图像分割方法,完成对大气幕图的细化操作。
下面对图像的亮度概率密度作进一步的说明。
一般一幅图像就是个矩阵,像素点均匀的分布在图像上,就没有点的稠密性。所以怎样来定义点的概率密度,这才是最关键的。如果我们计算图像中像素点x的概率密度,采用的方法如下:以x为圆心,以h为半径。落在窗口Ω内的点为xi,定义二个模式规则:
(1)x像素点的颜色与xi像素点颜色越相近,我们定义概率密度越高。
(2)离x的位置越近的像素点xi,定义概率密度越高。
因此用下式,表示图像中像素点x的概率密度:
其中,hs表示图像空间中的带宽,hr表示亮度空间中的带宽,C表示使核函数积分为1的正则化常量,k1,k2表示核函数,||·||表示欧式距离,xs表示中心像素点x的空间坐标,表示窗口内像素点xi的空间坐标,xr表示中心象素点x的亮度值,表示窗口内像素点xi的亮度值,代表空间位置的信息,离中心点越近,其值越大。表示颜色信息,颜色越相似,其值越大。
下面对均值漂移方法作进一步说明。
作为一种聚类分析方法,均值漂移方法是一种基于非参核密度梯度估计的理论,它的核密度估计沿密度梯度方向递增,直至收敛,最终收敛点即为局部的概率密度极大值点。均值漂移向量的方向是密度梯度方向,即其总数指向密度增加最大的方向。
均值漂移方法流程为循环执行以下三个步骤,直到条件满足:
第一步,计算均值漂移向量:
其中,mh,g(x)表示均值漂移向量,x表示一个给定的初始点,g(x)表示核函数,||·||表示欧式距离,h表示核函数的带宽,xi表示以初始点x为圆心,核函数带宽为半径的窗口内的其它点。
第二步,把均值漂移向量赋给x。
第三步,如果||mh,g(x)-x||<ξ,ξ表示允许误差,结束循环,否则继续执行第一步。
最终,核函数的中心点收敛到数据空间局部密度最大的点,它的估计密度梯度为零。
附图3为均值漂移方法的具体执行过程示意图,其中,附图3(a)表示迭代的初始位置图,附图3(b)表示初始位置到其邻域内各点的欧式距离图,附图3(c)描述的是均值漂移向量图,附图3(d)表示下一次迭代位置图,附图3(e)表示迭代收敛的轨迹图,附图3(f)最终的收敛位置图。附图3(a)、3(b)、3(c)、3(d)和3(e)中的虚线圆圈表示各迭代位置的邻域,附图3(b)中的实线箭头表示欧式距离,附图3(c)中的灰色箭头表示均值向量,附图3(e)中的虚曲线表示收敛轨迹,附图3(f)中的灰色点表示最终收敛点。
收敛点的亮度值代替迭代轨迹的亮度值,即完成了均值漂移滤波。利用均值漂移方法滤波后有平滑效果,但图像细节仍较丰富,不能很好的反应云雾的特征,且含有白色区域。
下面对联合均值漂移图像分割作进一步说明。
联合均值漂移图像分割算法有图像滤波以及图像合并这两个关键步骤。选择特征空间内的一点出发,最终能够到达局部概率密度极大点的位置,有很多个点的移动路径全部通往一个这样的收敛点。可以根据检测出的收敛点将图像分割成多个小的区域,最终可以得到图像的滤波结果和分割结果。
联合均值漂移图像分割方法的具体步骤如下:
第一步,采用均值漂移法,求出暗影通道图像中的第一个像素点x1的局部收敛点y1,c。
第二步,按照像素点的亮度公式,计算大气幕图中第一个像素点的亮度:
其中,z1表示大气幕图中第一个像素点的亮度值,∑表示求和操作,C表示使高斯核函数的积分为1的标准化常量,k表示高斯核函数,hs表示高斯核函数在暗影通道图像空间域上的带宽,hr表示高斯核函数在暗影通道图像值域上的带宽,||·||表示欧氏距离,y1,c表示暗影通道图像中像素点x1的局部收敛点,xb表示以局部收敛点y1,c为中心,带宽hs为半径的窗口内第b个像素点,表示像素点xb的亮度,表示像素点y1,c的亮度,w1表示膨胀图像中像素点y1,c处的亮度;m表示以y1,c为中心,半径为hs的窗口内的像素个数,b表示该窗口内像素点的标号。
第三步,采用均值漂移法,依次求出暗影通道图像中的每个像素点的局部收敛点。
第四步,按照像素点的亮度公式,计算出大气幕图中每个像素点的亮度。
第五步,将在空间域上的距离小于带宽hs,在值域上的距离小于带宽hr的局部收敛点归为一类。
第六步,将每一类局部收敛点所对应的大气幕图像中的像素点合并,得到大气幕图的分割图。
附图4(d)为本发明实施例对附图4(b)和附图4(c)采用联合均值漂移图像分割方法得到的滤波结果图,即大气幕图。
步骤6.环境光亮度的估计。
当目标反射率趋于0,场景深度无穷远时,L(x,y)→A,环境光亮度可估计为大气幕图中非天空部分的最亮像素值。
第一步,根据分割结果,利用天空区域的三个特征:位置偏上、灰度平坦、亮度较高,找出天空区域像素点的空域信息。
第二步,根据这些空域信息将大气幕图中天空部分的亮度值置零,得到灰度图b(x,y)。
第三步,按照下式,获取环境光亮度:
A=max(b(x,y))。
其中,A表示环境光亮度,max表示求最大值操作,b(x,y)表示去除大气幕图天空区域后获得的图像。
附图4(e)为本发明实施例将大气幕图天空区域像素点亮度置0后,得到的图像。
步骤7.获取透射率。
现实中,如果彻底地移除雾的存在,图像会看起来不真实,深度感会丢失。所以本发明通过引进一个常数ω(0<ω≤1),有针对性地保留一部分覆盖遥远景物的雾,即将大气幕图中每个像素点的亮度值与ω相乘。
在本发明中,通过对大量有雾图像进行实验后,将ω设定为0.95。
按照下式,获取透射率:
V(x,y)=A×(1-t(x,y))
其中,V(x,y)表示大气幕图,A表示环境光亮度,t(x,y)表示有雾红绿蓝RGB图像的透射率。
为了防止透射率t(x,y)中的值过小使去雾后图像产生噪声,将透射率t(x,y)中小于0.01的值设置为0.01。
附图4(f)为本发明实施例所输入雾霭图像的透射率。
步骤8.获取去雾后图像。
按照下式,分别对有雾红绿蓝RGB图像的红绿蓝三个通道去雾,获得去雾后图像:
IR(x,y)=(LR(x,y)-V(x,y))/t(x,y)
IG(x,y)=(LG(x,y)-V(x,y))/t(x,y)
IB(x,y)=(LB(x,y)-V(x,y))/t(x,y)
其中,IR(x,y)、IG(x,y)、IB(x,y)分别表示去雾后图像的红色、绿色、蓝色分量通道,LR(x,y)、LG(x,y)、LB(x,y)分别表示有雾红绿蓝RGB图像的红色、绿色、蓝色分量通道,V(x,y)表示大气幕图,t(x,y)表示有雾红绿蓝RGB图像的透射率;
附图4(g)为本发明实施例对输入雾霭图像处理后,得到的去雾后图像。
步骤9.调和亮度。
为了去除环境光线对目标的影响,求得目标的真实特性,用下式,获得目标反射率:
ρ(x,y)=I(x,y)/A
其中,ρ(x,y)表示目标的反射率,I(x,y)表示去雾后图像,A表示环境光亮度。
如果目标反射率图中像素点的亮度值小于0,则将该像素点的亮度值置为0;如果目标反射率图中像素点的亮度值大于1,则将该像素点的亮度值置为1。
附图4(h)为本发明实施例对去雾图像进行亮度调和后,获得的增强图像。
下面结合附图对本发明的效果做进一步的描述。
本发明在实验条件为:“Intel(R)Core(TM)i5-2430MCPU2.4GHz,2.95GB内存”的情况下,对附图做的处理。
附图5(a)、5(c)和5(e)为不同场景的雾霭图像,附图5(b)、5(d)和5(f)为采用本发明的去雾效果图。
参照附图5(b)、5(d)和5(f),可以看出,不论雾霭图像中是否有天空,本发明方法都能有效的去除雾霭,得到比较真实的复原结果,能提高图像的可见度。
为了验证所提方法的性能,本发明方法同He以及Tarel算法进行了比较,
附图6(a)为雾霭图像ny12,附图6(b)为采用He方法的去雾效果图,附图6(c)为采用Tarel方法的去雾效果图,附图6(d)为采用本发明的去雾效果图。
附图7(a)为雾霭图像ny17,附图7(b)为采用He方法的去雾效果图,附图7(c)为采用Tarel方法的去雾效果图,附图7(d)为采用本发明的去雾效果图。
参照附图6(b)和附图7(b),可以看出,He的方法复原的图像颜色稍偏,总体色调较冷。
参照附图6(c)和附图7(c),可以看出,Tarel算法颜色显得过饱和,且在景深突变的边界处易产生光晕伪影效应。
参照附图6(d)和附图7(d),可以看出,本发明方法能使去雾后图像清晰明亮,细节信息丰富,较好地恢复天空,且有效的避免了光晕伪影效应。
在不同算法的处理下,附图6(a)和附图7(a)各去雾效果指标值如下表所示。
从下表可以看出,本发明的处理速度是He算法的两倍之多,可见在保持各项性能指标的前提下,运算速度得到了提升。其中,可见边数目和平均梯度的值越大表明恢复效果越好。
Claims (4)
1.基于联合均值漂移的单幅图像去雾方法,包括如下步骤:
(1)输入一幅有雾红绿蓝RGB图像;
(2)生成暗影通道图像:
将有雾红绿蓝RGB图像中每个像素点红绿蓝颜色通道中的亮度最小值,作为暗影通道图像中相应像素点的亮度值;
(3)获得腐蚀图像:
使用快速腐蚀方法,对暗影通道图像进行滤波,得到腐蚀图像;
(4)获得膨胀图像:
使用快速膨胀算法,对腐蚀图像进行滤波,得到膨胀图像;
(5)获取大气幕图:
采用联合均值漂移图像分割方法,对暗影通道图像和膨胀图像进行滤波,得到大气幕图,将大气幕图每个像素的亮度修正为该点亮度值的0.95倍;对大气幕图中像素点合并,得到大气幕图的分割图;
(6)获取环境光亮度:
6a)利用图像中天空区域位置偏上、灰度平坦、亮度较高的特征,获得大气幕图的分割图中的天空部分像素点的位置信息;
6b)利用获得的大气幕图的分割图中的天空部分像素点的位置信息,将大气幕图天空区域的像素点亮度值置0,获得去除天空后的大气幕图;
6c)将去除天空后的大气幕图中像素点的最大亮度值作为环境光亮度;
(7)获取透射率:
7a)按照下式,获取透射率:
V(x,y)=A×(1-t(x,y))
其中,V(x,y)表示大气幕图,A表示环境光亮度,t(x,y)表示有雾红绿蓝RGB图像的透射率;
7b)将有雾红绿蓝RGB图像的透射率t(x,y)中小于0.01的值设置为0.01;
(8)按照下式,分别对有雾红绿蓝RGB图像的红绿蓝三个通道去雾,获得去雾后图像:
I(x,y)=(L(x,y)-V(x,y))/t(x,y)
其中,I(x,y)表示去雾后图像,L(x,y)表示有雾红绿蓝RGB图像,V(x,y)表示大气幕图,t(x,y)表示有雾红绿蓝RGB图像的透射率;
(9)调和亮度:
9a)用去雾后图像中每个像素点的亮度除以环境光亮度,得到目标反射率图;
9b)如果目标反射率图中像素点的亮度值小于0,则将该像素点的亮度值置为0;如果目标反射率图中像素点的亮度值大于1,则将该像素点的亮度值置为1。
2.根据权利要求1所述的基于联合均值漂移的单幅图像去雾方法,其特征在于,步骤(3)中所述快速腐蚀方法的具体步骤如下:
第一步,构造一个边长为19个像素的正方形结构元素块和一个用于存放像素亮度值的有19个元素的数组;
第二步,将结构元素块的中心放在暗影通道图像中第一行的第一个像素点处;
第三步,将结构元素块每列所对应暗影通道图像区域中像素点的亮度最小值放在数组中,获得更新后的数组,将更新后的数组元素的最小值作为待求腐蚀图像中结构元素块的中心所对应的像素点的亮度值;
第四步,将结构元素块的中心移至暗影通道图像中第一行的第二个像素点处;
第五步,用数组中第二个元素的值更新数组中第一个元素的值,依次用数组中每个元素的值更新与其相邻的前一个元素的值,用结构元素块第19列所对应暗影通道图像区域中像素点的亮度最小值更新数组最后一个元素的值,得到更新后的数组;将更新后的数组元素的最小值作为待求腐蚀图像中结构元素块的中心所对应的像素点的亮度值;
第六步,依次逐行将结构元素块的中心从暗影通道图像每行的第一个像素点移至暗影通道图像每行的最后一个像素;
第七步,判断结构元素块的中心是否位于每行的第一个像素点处,如果是,则执行第三步,否则,执行第五步。
3.根据权利要求1所述的基于联合均值漂移的单幅图像去雾方法,其特征在于,步骤(4)中所述快速膨胀方法的具体步骤如下:
第一步,构造一个边长为19个像素的正方形结构元素块和一个用于存放像素亮度值的有19个元素的数组;
第二步,将结构元素块的中心放在腐蚀图像中第一行的第一个像素点处;
第三步,将结构元素块每列所对应腐蚀图像区域中像素点的亮度最大值放在数组中,获得更新后的数组,将更新后的数组元素的最大值作为待求膨胀图像中结构元素块的中心所对应的像素点的亮度值;
第四步,将结构元素块的中心移至腐蚀图像中第一行的第二个像素点处;
第五步,用数组中第二个元素的值更新数组中第一个元素的值,依次用数组中每个元素的值更新与其相邻的前一个元素的值,用结构元素块第19列所对应腐蚀图像区域中像素点的亮度最大值更新数组最后一个元素的值,得到更新后的数组;将更新后的数组元素的最大值作为待求膨胀图像中结构元素块的中心所对应的像素点的亮度值;
第六步,依次逐行将结构元素块的中心从腐蚀图像每行的第一个像素点移至腐蚀图像每行的最后一个像素;
第七步,判断结构元素块的中心是否位于每行的第一个像素点处,如果是,则执行第三步,否则,执行第五步。
4.根据权利要求1所述的基于联合均值漂移的单幅图像去雾方法,其特征在于,步骤(5)中所述联合均值漂移图像分割方法的具体步骤如下:
第一步,采用均值漂移方法,求出暗影通道图像中的第一个像素点x1的局部收敛点y1,c;
第二步,按照像素点的亮度公式,计算大气幕图中第一个像素点的亮度:
其中,z1表示大气幕图中第一个像素点的亮度值,∑表示求和操作,C表示使高斯核函数的积分为1的标准化常量,k表示高斯核函数,hs表示高斯核函数在暗影通道图像空间域上的带宽,hr表示高斯核函数在暗影通道图像值域上的带宽,||·||表示欧氏距离,y1,c表示暗影通道图像中像素点x1的局部收敛点,xb表示以局部收敛点y1,c为中心,带宽hs为半径的窗口内第b个像素点,表示像素点xb的亮度,表示像素点y1,c的亮度,w1表示膨胀图像中像素点y1,c处的亮度;m表示以y1,c为中心,半径为hs的窗口内的像素个数,b表示该窗口内像素点的标号;
第三步,采用均值漂移法,依次求出暗影通道图像中的每个像素点的局部收敛点;
第四步,按照像素点的亮度公式,计算出大气幕图中每个像素点的亮度;
第五步,将在空间域上的距离小于带宽hs,在值域上的距离小于带宽hr的局部收敛点归为一类;
第六步,将每一类局部收敛点所对应的大气幕图像中的像素点合并,得到大气幕图的分割图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310404793.9A CN103578083B (zh) | 2013-09-07 | 2013-09-07 | 基于联合均值漂移的单幅图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310404793.9A CN103578083B (zh) | 2013-09-07 | 2013-09-07 | 基于联合均值漂移的单幅图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103578083A CN103578083A (zh) | 2014-02-12 |
CN103578083B true CN103578083B (zh) | 2016-06-29 |
Family
ID=50049809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310404793.9A Expired - Fee Related CN103578083B (zh) | 2013-09-07 | 2013-09-07 | 基于联合均值漂移的单幅图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103578083B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008527B (zh) * | 2014-04-16 | 2017-02-01 | 南京航空航天大学 | 一种单幅图像去雾方法 |
CN104134194A (zh) * | 2014-07-23 | 2014-11-05 | 中国科学院深圳先进技术研究院 | 图像去雾方法和系统 |
CN104766286B (zh) * | 2015-04-30 | 2018-08-28 | 河海大学常州校区 | 基于无人驾驶汽车的图像去雾装置及去雾方法 |
CN105701785B (zh) * | 2016-02-17 | 2018-08-21 | 天津大学 | 基于天空区域划分加权tv透射率优化的图像雾霾去除方法 |
CN107274366B (zh) * | 2017-06-15 | 2019-10-25 | 武汉理工大学 | 基于物理模型的改进暗通道先验单幅雾化图像复原方法 |
CN109815896B (zh) * | 2019-01-23 | 2022-12-27 | 武汉嗨柜技术有限公司 | 一种针对智能售货柜的参数可配置的虚拟货道划分方法 |
CN111968063B (zh) * | 2020-09-07 | 2024-01-26 | 凌云光技术股份有限公司 | 一种形态学图像滤波装置及方法 |
CN112200755B (zh) * | 2020-12-09 | 2021-05-07 | 成都索贝数码科技股份有限公司 | 一种图像去雾方法 |
CN113838001B (zh) * | 2021-08-24 | 2024-02-13 | 内蒙古电力科学研究院 | 基于核密度估计的超声波全聚焦图像缺陷处理方法及装置 |
CN117197004B (zh) * | 2023-11-08 | 2024-01-26 | 广东鸿威国际会展集团有限公司 | 一种低光照图像优化增强方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950416A (zh) * | 2010-09-15 | 2011-01-19 | 北京理工大学 | 基于双边滤波的实时图像去雾增强方法 |
CN102609909A (zh) * | 2012-01-13 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种单幅图像去雾方法及装置 |
CN102930514A (zh) * | 2012-09-27 | 2013-02-13 | 西安电子科技大学 | 基于大气物理散射模型的快速图像去雾方法 |
-
2013
- 2013-09-07 CN CN201310404793.9A patent/CN103578083B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950416A (zh) * | 2010-09-15 | 2011-01-19 | 北京理工大学 | 基于双边滤波的实时图像去雾增强方法 |
CN102609909A (zh) * | 2012-01-13 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种单幅图像去雾方法及装置 |
CN102930514A (zh) * | 2012-09-27 | 2013-02-13 | 西安电子科技大学 | 基于大气物理散射模型的快速图像去雾方法 |
Non-Patent Citations (2)
Title |
---|
基于大气散射模型的单幅图像快速去雾;孙伟 等;《光学精密工程》;20130415;第21卷(第4期);全文 * |
基于联合双边滤波的单幅图像去雾算法;陈龙 等;《北京邮电大学学报》;20120815;第35卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103578083A (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103578083B (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN106910175B (zh) | 一种基于深度学习的单幅图像去雾算法 | |
CN101950416B (zh) | 基于双边滤波的实时图像去雾增强方法 | |
Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
CN102930514B (zh) | 基于大气物理散射模型的快速图像去雾方法 | |
CN103578084B (zh) | 基于亮通道滤波的彩色图像增强方法 | |
CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN109410129A (zh) | 一种低光照图像场景理解的方法 | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
CN103198459B (zh) | 雾霾图像快速去雾方法 | |
CN108765325A (zh) | 一种小型无人机模糊图像复原方法 | |
CN104616258B (zh) | 一种针对道路图像的快速去雾方法 | |
CN103034983B (zh) | 一种基于各向异性滤波的去雾方法 | |
CN110363160B (zh) | 一种多车道线识别方法及装置 | |
CN106548461A (zh) | 图像去雾方法 | |
CN104299192A (zh) | 一种基于大气光散射物理模型的单幅图像去雾方法 | |
CN104272347A (zh) | 去除包含在静止图像中的雾的图像处理装置及其方法 | |
CN105701783A (zh) | 一种基于环境光模型的单幅图像去雾方法及装置 | |
CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 | |
CN106251296A (zh) | 一种图像去雾方法和系统 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN106056557A (zh) | 一种基于改进大气散射模型的单幅图像快速去雾方法 | |
CN111563852A (zh) | 一种基于低复杂度mf的暗通道先验去雾方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160629 Termination date: 20210907 |