CN104134194A - 图像去雾方法和系统 - Google Patents
图像去雾方法和系统 Download PDFInfo
- Publication number
- CN104134194A CN104134194A CN201410354406.XA CN201410354406A CN104134194A CN 104134194 A CN104134194 A CN 104134194A CN 201410354406 A CN201410354406 A CN 201410354406A CN 104134194 A CN104134194 A CN 104134194A
- Authority
- CN
- China
- Prior art keywords
- image
- mist
- light component
- atmosphere light
- dark primary
- 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.)
- Pending
Links
Abstract
本发明提供了一种图像去雾方法,所述方法包括:计算待处理的有雾图像的大气光成分;采用快速漂移模式搜索方法将所述有雾图像进行图像分割处理,获得若干分割图像区域;根据所述大气光成分以利用暗原色先验去雾方法而对每个所述分割图像区域分别进行去雾处理,获得去雾后的图像。本发明提供的图像去雾方法,先利用快速漂移模式搜索方法将有雾图像分割为若干分割图像区域,然后对每个分割图像区域分别利用暗原色先验去雾方法进行去雾处理,这样获得的去雾图像避免了在边缘处产生明显的光晕效应的缺陷,得到的去雾图像清晰、不失真。本发明还提供了一种图像去雾系统。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像去雾方法和系统。
背景技术
在有雾气候下,由于大气中水滴等粒子较多,随着物体到成像设备距离的增大,大气粒子的散射作用对成像的影响逐渐增加,这种影响主要由两个散射过程造成:第一,物体表面的反射光在到达成像设备的过程中,由于大气粒子的散射而发生衰减;第二,自然光因大气粒子的散射而进人成像设备参与成像。它们的共同作用导致采集的图像对比度、饱和度低及色调偏移,不仅影响图像的视觉效果,而且影响图像分析和理解的性能。
由于大气粒子对户外图像采集造成了比较严重的影响,致使室外视频系统无法正常工作,对地形勘探、视频监控等户外作业带来了一定的不便,特别是对交通运输业有着十分恶劣的影响,可能造成交通事故的发生和运输速度的降低。因此对于雾天各种监测系统获取的图像上景物影像的清晰化方法的研究具有重大的现实意义。
近年来,随着计算机软硬件技术的不断发展,对有雾天气下拍摄图像的景物影像进行去雾处理已经成为可能,这反过来又对去雾图像的清晰度和真实感提出了新的要求。图像去雾技术在视频监控、地形勘测、自动驾驶、城市交通等相关的领域都有着广泛的运用,改善了大雾天气对图像拍摄造成的发白、模糊、对比度低等问题。
目前对图像进行去雾处理主要采用暗原色先验去雾方法来实现,该方法是通过对大量的无雾图像观察得到的统计规律而获得的。暗原色先验去雾方法简洁有效,对各种类型的含雾图像都能达到一定程度的去雾效果。然而,暗原色先验去雾方法并不能直接作用于整幅自然图像,由于在自然图像中场景深度通常会在景物的边缘处发生突变,导致采用暗原色先验去雾方法进行去雾处理后,在边缘处会产生明显的光晕效应。
发明内容
基于此,有必要针对目前采用暗原色先验去雾方法对整幅自然图像进行去雾处理会在边缘处产生明显的光晕效应的问题,提供一种图像去雾方法和系统。
一种图像去雾方法,所述方法包括:
计算待处理的有雾图像的大气光成分;
采用快速漂移模式搜索方法将所述有雾图像进行图像分割处理,获得若干分割图像区域;
根据所述大气光成分以利用暗原色先验去雾方法而对每个所述分割图像区域分别进行去雾处理,获得去雾后的图像。
一种图像去雾系统,所述系统包括:
大气光成分计算模块,用于计算待处理的有雾图像的大气光成分;
图像分割模块,用于采用快速漂移模式搜索方法将所述有雾图像进行图像分割处理,获得若干分割图像区域;
分割图像区域去雾处理模块,用于根据所述大气光成分以利用暗原色先验去雾系统而对每个所述分割图像区域分别进行去雾处理,获得去雾后的图像。
上述图像去雾方法和系统,先利用快速漂移模式搜索方法将有雾图像分割为若干分割图像区域,然后对每个分割图像区域分别利用暗原色先验去雾方法进行去雾处理,这样获得的去雾图像避免了在边缘处产生明显的光晕效应的缺陷,得到的去雾图像清晰、不失真。
附图说明
图1为一个实施例中图像去雾方法的流程示意图;
图2为一个实施例中计算待处理的有雾图像的大气光成分的步骤的流程示意图;
图3为一个实施例中根据大气光成分以利用暗原色先验去雾方法而对每个分割图像区域分别进行去雾处理,获得去雾后的图像的步骤的流程示意图;
图4为采用传统的直接利用暗原色先验去雾方法和采用本发明一个实施例中的图像去雾方法进行去雾的效果对比图;
图5为一个实施例中图像去雾系统的结构框图;
图6为一个实施例中图5中的图像分割模块的结构框图;
图7为一个实施例中图5中的分割图像区域去雾处理模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
这里先对暗原色先验去雾方法的原理进行说明。在计算机视觉和计算机图形中,有雾图像可用公式(1)表示:
I(x)=J(x)t(x)+A[1-t(x)] 公式(1)
其中,x代表某一像素;I(x)指的是输入的有雾图像被观测到的图像强度,表示有雾图像;J(x)指的是在没有雾的条件下景物的光线强度,表示去雾后的图像;A是外界大气光成分,可按常数向量处理;t(x)指的是光线通过媒质透射到照相机的过程中没有被散射的部分,也就是传播参量。去雾的目标就是从图像I中恢复出J(x)、A和t(x)。
暗原色先验去雾方法所依据的统计事实是,在绝大多数非天空的局部区域里,某一些像素总会有至少一个颜色通道具有很低的值,换言之,该区域光强度的最小值趋近于零。对于1幅图像D(x),定义该图像D(x)的暗原色图像,用公式(2)表示为
其中x表示图像中D(x)中像素的位置;c代表颜色通道,这里颜色通道采用RGB(红绿蓝)三通道,在其他实施例中也可以采用其他形式的颜色通道,DC则表示图像D(x)的c颜色通道的通道图像;Ω(x)是以x为中心的一块预设大小的方形区域;y是在通道图像DC中的方形区域Ω(x)中的像素的位置。通过对大量无雾图像的统计得出,对于无雾的图像,除了天空的区域,Ddark(x)的强度总是很低并且趋于零,这也是暗原色得名的原因。
然而,对于有雾图像I(x),由于附加的外界大气光,图像被雾干扰之后往往要比其本身亮度更大,传播参量t(x)一般较小,所以被浓雾覆盖的图像的暗原色具有较高的强度值。视觉上看来,暗原色强度值是雾浓度的粗略近似,利用有雾图像和无雾图像的这一点差别,就可以将有雾图像进行去雾处理,并获得很好的去雾效果。
暗原色先验去雾方法,基于如下2个假设:假设在局部小范围内图像的传传播参量t(x)以及图像的暗原色信息都在该区域内是一致的;假设大气光成分A是常数向量。根据公式(1),对该式两边同时除以大气光成分A,并同时求暗原色可得:
公式(3)中AC表示大气光成分A在c颜色通道的分量;IC(y)表示有雾图像I(x)在其方形区域Ω(x)中的c颜色通道的像素值。而在实际场景中,即便是完全无雾的天气,大气中总会包含一些杂质分子,所以当看远处的物体时,雾气其实依然存在,且雾的存在是人眼感知图像层次的一个基本线索,因此如果彻底地去除存在的雾气,会使图像看起来很不真实,为了使图像看起来更真实自然,在公式(3)中引入容雾参数ω来保留一部分雾,得到公式(3.1):
公式(3.1)中,容雾参数ω的取值范围为0<ω≤1;优选地,ω选择0.93~0.97的时候去雾效果较好,尤其为0.95;AC表示大气光成分A在c颜色通道的分量;IC(y)表示有雾图像I(x)在其方形区域Ω(x)中的c颜色通道的像素值。
根据公式(1)可获得求解去雾后的图像的公式(4):
公式(4)中,I(x)表示有雾图像,A表示大气光成分,J(x)表示去雾后的图像;t0为调整参数。引入调整参数t0是由于在一些特殊场景下t(x)可能趋于0,若不引入调整参数t0则会导致公式(4)中分母过小而导致计图像去雾变得无意义,所以引入调整参数t0来调控大气光成分A对整体去雾效果的贡献率;t0优选可以取为0.1。
如图1所示,在一个实施例中,提供了一种图像去雾方法,具体包括如下步骤:
步骤102,计算待处理的有雾图像的大气光成分。
待处理的有雾图像是指需要进行去雾处理的含雾图像。大气光成分是指上述公式(1)中的A。
如图2所示,在一个实施例中,步骤102具体包括如下步骤:
步骤202,根据待处理的有雾图像计算全图暗原色图。
具体地,对有雾图像的每一像素选取其亮度最小的通道值,构成一灰度图,然后对该灰度图做最小值滤波,就获得了全图暗原色图。
步骤204,根据全图暗原色图计算出大气光成分。
具体地,在全图暗原色图中找出亮度最大的预设数量比例的像素所在的图像区域。优选地,该预设数量比例为10%.然后在原始的有雾图像中与该找出的图像区域所对应的图像区域中寻找亮度最高的像素点,以该寻找到的像素点的三通道亮度值作为向量大气光成分A的三通道值。
在一个实施例中,步骤204之后还包括:判断计算出的大气光成分的各通道值是否超过预设值,若是则用预设值替代计算出的大气光成分的相应通道值。如果仅取一个像素点来确定大气光成分A的三通道值,则大气光成分A各通道的值很有可能全部很接近255,这样的话会造成处理后的图像偏色和出现大量色斑,这就导致暗原色先验去雾方法对有天空的图像的去雾效果一般都不好。而将大气光成分A的三通道值限定在不超过预设值的范围内,使得对包含天空的图像的处理能力得到很大提高。这里的预设值可取210~230,尤其是220。
步骤104,采用快速漂移模式搜索(Quick Shift and Kernel Methods for ModeSeeking)方法将有雾图像进行图像分割处理,获得若干分割图像区域。
模式搜索算法需要满足:(1)数值化的渐进轨迹yi(T);(2)收敛条件;(3)用以合并移动轨迹的终点的聚类规则。具体地,将有雾图像的各个像素的位置及该像素RGB各通道的亮度作为联合特征向量构成特征空间,并获得特征空间的概率密度估计函数为:
公式(5)
其中,P(x)表示概率密度估计;N表示特征向量总数,等于有雾图像中的像素数量;(x)为窗函数,通常可为高斯函数;Rd表示整个d维特征空间;xi为特征空间中的特征点;x是窗函数(x)的中心点,在特征空间Rd中每隔一定尺度取一个点作为x。根据公式(5)可以计算出每个中心点x的附近的概率密度,从而可以计算出整个特征空间的概率密度分布。使用高斯函数作为窗函数可以使得得到的概率密度分布更平滑、准确。
根据概率密度分布函数可计算出整个特征空间的概率分布曲面,对于特征空间中的每个特征点xi,从yi(0)=xi开始,依照▽P(yi(T))形成的二次曲面所限定的渐进轨迹yi(T)向概率密度估计P(x)的一个模态移动,将所有属于同一模态的特征点形成一个聚类,一个聚类内的特征点可视为同质区域,将其合并即可实现图像分割获得若干分割图像区域。其中,yi(T)表示特征点xi进行了T次迭代渐进移动后的位置,且T>0;▽P(yi(T))表示yi(T)处的概率密度分布的梯度;模态指特征点xi渐进移动后形成聚类的位置。
根据特征空间的概率密度估计,将特征空间中的每个特征点一次移动到距离该特征点最近的存在概率密度增量的邻域。与其它模式搜索算法不同,快速漂移模式搜索方法在搜索模态时没有必要使用梯度或二次下界,特别之处在于其渐进策略并不是迭代的,而是直接将每一个点xi移动到最近的存在密度增量的邻域:
公式(6)中,其中,sign()为符号函数,sign(Pj-Pi)表示求取Pj-Pi的符号,求取的符号可为1、-1和0;表示使得为最大值的特征点xi;xj是指区别于xi的特征点;Pi表示特征点xi点的概率估计;Pj表示特征点xj点的概率估计。
将移动后属于同一模态的特征点形成一个聚类,将属于同一聚类的特征点所对应的有雾图像中的像素点合并而获得若干分割图像区域。yi(1)表示每个特征点xi只需要进行1次移动,移动到特征点xi的最近的存在概率密度增量的邻域,该存在概率密度增量的邻域为高密度领域。具体的实现方式是把特征点xi作为子节点,高密度邻域特征点作为父节点,进行连接,该高密度特征点由作为其更高密度的邻域特征点的子节点,最后,同一模态的特征点形成一个“树”状结构,完成聚类。将所有属于同一模态的特征点形成一个聚类,一个聚类内的特征点可视为同质区域,将其合并即可实现图像分割获得若干分割图像区域。其中模态表现为这“树”状结构上长度超过预设阈值的树枝,通过设置该预设阈值可以控制模态的选择。这里的长度是概率密度和距离的函数。
快速漂移模式搜索方法主要的参数选择是窗函数的参数选择,比如高斯窗函数的均值和方差,主要作用是平衡分割的细致程度,也就是通常所说的“欠分割”以及“过分割”现象。相对于其他的模式搜索方法,该算法形式简单,复杂度较低,更适合用于图像分割处理。
快速漂移模式搜索方法中,每个像素点对应特征空间中的一个特征点,其特征是其RGB通道的值以及位置,经过聚类后,同一模态的特征点所对应的像素被划分为同一个分割图像区域,因此同一分割图像区域中像素的相似度较高,而在有雾图像中,不同深度的景物受到的雾气影响不一样,像素的相似度也会较低,因此使用快速漂移模式搜索方法可以保证分割后每个分割图像区域中,景物的深度以及雾气的浓度基本一致。
步骤106,根据大气光成分以利用暗原色先验去雾方法而对每个分割图像区域分别进行去雾处理,获得去雾后的图像。
由于将有雾图像分割后每个分割图像区域中景物的深度以及雾气的浓度基本一致,在每个分割图像区域中分别应用上述暗原色先验去雾方法进行去雾处理,每个分割图像区域处理后的图像不会因为景物的深度突变而在边缘处产生明显的光晕效应。这样对每个分割图像区域都处理后,获得去雾后的图像,该整个去雾后的图像避免了边缘处产生的光晕效应。
具体地,如图3所示,步骤106包括以下步骤:
步骤302,对每个分割图像区域分别计算相应的局部暗原色图。
具体地,对于每个分割图像区域中的每一像素取其亮度最小的通道的亮度值,构成对应该分割图像区域的灰度图,然后对该灰度图做最小值滤波,就获得了局部暗原色图。这里的局部暗原色图是指一个分割图像区域所对应的暗原色图,用于与全图暗原色图区分开来。
步骤304,根据局部暗原色图和大气光成分计算有雾图像的每个像素的传播参量。
传播参量也称为透射率,根据上述公式(3),优选地根据公式(3.1)进行计算。公式(3)或(3.1)中,就是有雾图像中的像素x在相应的局部暗原色图中对应的像素值,再利用大气光成分就可以计算出从而就可以根据公式(3)或(3.1)计算获得有雾图像的每个像素的传播参量。
步骤306,根据大气光成分和有雾图像的每个像素的传播参量计算获得去雾图像。
具体地,根据上述公式(4),代入大气光成分A和每个像素的传播参量t(x),逐个计算去雾图像中每个像素的像素值,最终就可以获得整个去雾图像。
上述图像去雾方法,先利用快速漂移模式搜索方法将有雾图像分割为若干分割图像区域,然后对每个分割图像区域分别利用暗原色先验去雾方法进行去雾处理,这样获得的去雾图像避免了在边缘处产生明显的光晕效应的缺陷,得到的去雾图像清晰、不失真。
参考图4,图4示出了采用传统的直接利用暗原色先验去雾方法和采用上述实施例的图像去雾方法进行去雾的效果对比图。图4中图(a)为待处理的有雾图像;图(b)为传统的直接利用暗原色先验去雾方法对图(a)的有雾图像处理后的结果;图(c)为采用本实施例的图像去雾方法时采用快速漂移模式搜索方法将图(a)的有雾图像进行图像分割处理的结果;图(d)为采用本实施例提供的图像去雾方法进行去雾处理的结果。
从图4可以看出,输入的图像(a)中,景物深度变化明显,比如图像中上部树叶部分,树叶之间能看到天空,深度变化明显而且密集。如果对输入图像直接使用暗原色先验去雾处理,该区域会出现明显的边缘效应,如图4中的图(b),可以看出图像上半部分树叶部分边缘效应明显,这是由于靠近树叶边缘部分对低估了雾气浓度,处理后该部分区域留有残雾。而采用本实施例提供的图像去雾方法进行去雾处理后,图(d)中基本看不到边缘处的光晕效应,图像清晰、不失真。
如图5所示,在一个实施例中,提供了一种图像去雾系统,该系统包括:大气光成分计算模块502、图像分割模块504和分割图像区域去雾处理模块506。
大气光成分计算模块502,用于计算待处理的有雾图像的大气光成分。
在一个实施例中,大气光成分计算模块502还用于根据待处理的有雾图像计算全图暗原色图,根据全图暗原色图计算出大气光成分。
具体地,大气光成分计算模块502用于对有雾图像的每一像素选取其亮度最小的通道,构成一灰度图,然后对该灰度图做最小值滤波,就获得了全图暗原色图。大气光成分计算模块502还用于在全图暗原色图中找出亮度最大的预设数量比例的像素所在的图像区域。优选地,该预设数量比例为10%.然后在原始的有雾图像中与该找出的图像区域所对应的图像区域中寻找亮度最高的像素点,以该寻找到的像素点的三通道亮度值作为向量大气光成分A的三通道值。
在一个实施例中,大气光成分计算模块502还用于判断计算出的大气光成分的各通道值是否超过预设值,若是则用预设值替代计算出的大气光成分的相应通道值。如果仅取一个像素点来确定大气光成分A的三通道值,则大气光成分A各通道的值很有可能全部很接近255,这样的话会造成处理后的图像偏色和出现大量色斑,这就导致暗原色先验去雾方法对有天空的图像的去雾效果一般都不好。而将大气光成分A的三通道值限定在不超过预设值的范围内,使得对包含天空的图像的处理能力得到很大提高。这里的预设值可取210~230,尤其是220。
图像分割模块504,用于采用快速漂移模式搜索方法将有雾图像进行图像分割处理,获得若干分割图像区域。
具体地,如图6所示,在一个实施例中,图像分割模块504包括:特征提取模块504a、特征点移动模块504b和聚类模块504c。
模式搜索方法需要满足:(1)数值化的渐进轨迹yi(t);(2)收敛条件;(3)用以合并移动轨迹的终点的聚类规则。特征提取模块504a用于将有雾图像的各个像素的位置及该像素RGB各通道的亮度作为联合特征向量构成特征空间,并获得特征空间的概率密度估计函数为:
公式(5)
其中,P(x)表示概率密度估计;N表示特征向量总数,等于有雾图像中的像素数量;(x)为窗函数,通常可为高斯函数;Rd表示整个d维特征空间;xi为特征空间中的特征点;x是窗函数(x)的中心点,在特征空间Rd中每隔一定尺度取一个点作为x。根据公式(5)可以计算出每个中心点x的附近的概率密度,从而可以计算出整个特征空间的概率密度分布。使用高斯函数作为窗函数可以使得得到的概率密度分布更平滑、准确。
根据概率密度分布函数可计算出整个特征空间的概率分布曲面,对于特征空间中的每个特征点xi,从yi(0)=xi开始,依照▽P(yi(T))形成的二次曲面所限定的渐进轨迹yi(T)向概率密度估计P(x)的一个模态移动,将所有属于同一模态的特征点形成一个聚类,一个聚类内的特征点可视为同质区域,将其合并即可实现图像分割获得若干分割图像区域。其中,yi(T)表示特征点xi进行了T次迭代渐进移动后的位置,且T>0;▽P(yi(T))表示yi(T)处的概率密度分布的梯度;模态指特征点xi渐进移动后形成聚类的位置。
特征点移动模块504b用于根据特征空间的概率密度估计,将特征空间中的每个特征点一次移动到距离该特征点最近的存在概率密度增量的邻域。与其它模式搜索方法不同的是,快速漂移模式搜索方法在搜索模态时没有必要使用梯度或二次下界,特别之处在于其渐进策略并不是迭代的,而是直接将每一个点xi移动到最近的存在密度增量的邻域:
公式(6)中,其中,sign()为符号函数,sign(Pj-Pi)表示求取Pj-Pi的符号,求取的符号可为1、-1和0;表示使得为最大值的特征点xi;xj是指区别于xi的特征点;Pi表示特征点xi点的概率估计;Pj表示特征点xj点的概率估计。
聚类模块504c用于将移动后属于同一模态的特征点形成一个聚类,将属于同一聚类的特征点所对应的有雾图像中的像素点合并而获得若干分割图像区域。yi(1)表示每个特征点xi只需要进行1次移动,移动到特征点xi的最近的存在概率密度增量的邻域。具体的实现方式是把特征点xi作为子节点,高密度邻域特征点作为父节点,进行连接,该高密度特征点由作为其更高密度的邻域特征点的子节点,最后,同一模态的特征点形成一个“树”状结构,完成聚类。将所有属于同一模态的特征点形成一个聚类,一个聚类内的特征点可视为同质区域,将其合并即可实现图像分割获得若干分割图像区域。
快速漂移模式搜索方法主要的参数选择是窗函数的参数选择,比如高斯窗函数的均值和方差,主要作用是平衡分割的细致程度,也就是通常所说的“欠分割”以及“过分割”现象。相对于其他的模式搜索方法,该算法形式简单,复杂度较低,更适合用于图像分割处理。
快速漂移模式搜索方法中,每个像素点对应特征空间中的一个特征点,其特征是其RGB通道的值以及位置,经过聚类后,同一模态的特征点所对应的像素被划分为同一个分割图像区域,因此同一分割图像区域中像素的相似度较高,而在有雾图像中,不同深度的景物受到的雾气影响不一样,像素的相似度也会较低,因此使用快速漂移模式搜索方法可以保证分割后每个分割图像区域中,景物的深度以及雾气的浓度基本一致。
分割图像区域去雾处理模块506,用于根据大气光成分以利用暗原色先验去雾系统而对每个分割图像区域分别进行去雾处理,获得去雾后的图像。
由于将有雾图像分割后每个分割图像区域中景物的深度以及雾气的浓度基本一致,在每个分割图像区域中分别应用上述暗原色先验去雾方法进行去雾处理,每个分割图像区域处理后的图像不会因为景物的深度突变而在边缘处产生明显的光晕效应。这样对每个分割图像区域都处理后,获得去雾后的图像,该整个去雾后的图像避免了边缘处产生的光晕效应。
如图7所示,在一个实施例中,分割图像区域去雾处理模块506包括:局部暗原色图计算模块506a、传播参量计算模块506b和去雾执行模块506c。
局部暗原色图计算模块506a,用于对每个分割图像区域分别计算相应的局部暗原色图。具体地,局部暗原色图计算模块506a用于对于每个分割图像区域中的每一像素取其亮度最小的通道的亮度值,构成对应该分割图像区域的灰度图,然后对该灰度图做最小值滤波,就获得了局部暗原色图。这里的局部暗原色图是指一个分割图像区域所对应的暗原色图,用于与全图暗原色图区分开来。
传播参量计算模块506b,用于根据局部暗原色图和大气光成分计算有雾图像的每个像素的传播参量。传播参量也称为透射率,传播参量计算模块506b用于根据上述公式(3),优选地根据公式(3.1)计算传播参量。公式(3)或(3.1)中,就是有雾图像中的像素x在相应的局部暗原色图中对应的像素值,传播参量计算模块506b用于再利用大气光成分就可以计算出从而就可以根据公式(3)或(3.1)计算获得有雾图像的每个像素的传播参量。
去雾执行模块506c,用于根据大气光成分和有雾图像的每个像素的传播参量计算获得去雾图像。具体地,去雾执行模块506c用于根据上述公式(4),代入大气光成分A和每个像素的传播参量t(x),逐个计算去雾图像中每个像素的像素值,最终就可以获得整个去雾图像。
上述图像去雾系统,先利用快速漂移模式搜索方法将有雾图像分割为若干分割图像区域,然后对每个分割图像区域分别利用暗原色先验去雾方法进行去雾处理,这样获得的去雾图像避免了在边缘处产生明显的光晕效应的缺陷,得到的去雾图像清晰、不失真。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像去雾方法,所述方法包括:
计算待处理的有雾图像的大气光成分;
采用快速漂移模式搜索方法将所述有雾图像进行图像分割处理,获得若干分割图像区域;
根据所述大气光成分以利用暗原色先验去雾方法而对每个所述分割图像区域分别进行去雾处理,获得去雾后的图像。
2.根据权利要求1所述的图像去雾方法,其特征在于,所述计算待处理的有雾图像的大气光成分,包括:
根据待处理的有雾图像计算全图暗原色图,根据所述全图暗原色图计算出大气光成分。
3.根据权利要求2所述的图像去雾方法,其特征在于,所述根据待处理的有雾图像计算全图暗原色图,根据所述全图暗原色图计算出大气光成分之后,还包括:
判断所述计算出的大气光成分的各通道值是否超过预设值,若是则用预设值替代计算出的大气光成分的相应通道值。
4.根据权利要求1所述的图像去雾方法,其特征在于,所述采用快速漂移模式搜索方法将所述有雾图像进行图像分割处理,获得若干分割图像区域,包括:
将所述有雾图像的各个像素的位置及该像素各通道的亮度作为联合特征向量构成特征空间,并获得所述特征空间的概率密度估计;
根据所述特征空间的概率密度估计,将所述特征空间中的每个特征点一次移动到距离该特征点最近的存在概率密度增量的邻域;
将移动后属于同一模态的特征点形成一个聚类,将属于同一聚类的特征点所对应的所述有雾图像中的像素点合并而获得若干分割图像区域。
5.根据权利要求1所述的图像去雾方法,其特征在于,所述根据所述大气光成分以利用暗原色先验去雾方法而对每个所述分割图像区域分别进行去雾处理,获得去雾后的图像,包括:
对每个所述分割图像区域分别计算相应的局部暗原色图;
根据所述局部暗原色图和所述大气光成分计算所述有雾图像的每个像素的传播参量;
根据所述大气光成分和所述有雾图像的每个像素的传播参量计算获得去雾图像。
6.一种图像去雾系统,其特征在于,所述系统包括:
大气光成分计算模块,用于计算待处理的有雾图像的大气光成分;
图像分割模块,用于采用快速漂移模式搜索方法将所述有雾图像进行图像分割处理,获得若干分割图像区域;
分割图像区域去雾处理模块,用于根据所述大气光成分以利用暗原色先验去雾系统而对每个所述分割图像区域分别进行去雾处理,获得去雾后的图像。
7.根据权利要求6所述的系统,其特征在于,所述大气光成分计算模块还用于根据待处理的有雾图像计算全图暗原色图,根据所述全图暗原色图计算出大气光成分。
8.根据权利要求7所述的系统,其特征在于,所述大气光成分计算模块还用于判断所述计算出的大气光成分的各通道值是否超过预设值,若是则用预设值替代计算出的大气光成分的相应通道值。
9.根据权利要求6所述的系统,其特征在于,所述图像分割模块包括:
特征提取模块,用于将所述有雾图像的各个像素的位置及该像素各通道的亮度作为联合特征向量构成特征空间,并获得所述特征空间的概率密度估计;
特征点移动模块,用于根据所述特征空间的概率密度估计,将所述特征空间中的每个特征点一次移动到距离该特征点最近的存在概率密度增量的邻域;
聚类模块,用于将移动后属于同一模态的特征点形成一个聚类,将属于同一聚类的特征点所对应的所述有雾图像中的像素点合并而获得若干分割图像区域。
10.根据权利要求6所述的系统,其特征在于,所述分割图像区域去雾处理模块包括:
局部暗原色图计算模块,用于对每个所述分割图像区域分别计算相应的局部暗原色图;
传播参量计算模块,用于根据所述局部暗原色图和所述大气光成分计算所述有雾图像的每个像素的传播参量;
去雾执行模块,用于根据所述大气光成分和所述有雾图像的每个像素的传播参量计算获得去雾图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410354406.XA CN104134194A (zh) | 2014-07-23 | 2014-07-23 | 图像去雾方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410354406.XA CN104134194A (zh) | 2014-07-23 | 2014-07-23 | 图像去雾方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104134194A true CN104134194A (zh) | 2014-11-05 |
Family
ID=51806864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410354406.XA Pending CN104134194A (zh) | 2014-07-23 | 2014-07-23 | 图像去雾方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104134194A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318535A (zh) * | 2014-11-20 | 2015-01-28 | 广东欧珀移动通信有限公司 | 图像去雾的方法、装置及移动终端 |
CN104537623A (zh) * | 2014-12-31 | 2015-04-22 | 深圳先进技术研究院 | 基于图像分割的图像去雾方法及装置 |
CN104616258A (zh) * | 2015-01-26 | 2015-05-13 | 中南大学 | 一种针对道路图像的快速去雾方法 |
CN105844595A (zh) * | 2016-03-14 | 2016-08-10 | 天津工业大学 | 基于大气反射-散射原理构建模型复原夜间交通视频车灯的方法 |
CN107392871A (zh) * | 2017-07-27 | 2017-11-24 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、移动终端及计算机可读存储介质 |
CN107392870A (zh) * | 2017-07-27 | 2017-11-24 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN108022214A (zh) * | 2016-11-02 | 2018-05-11 | 哈尔滨工业大学 | 一种适用于无人机雾天飞行的地平线检测方法 |
CN110310241A (zh) * | 2019-06-26 | 2019-10-08 | 长安大学 | 一种融合深度区域分割的多大气光值交通图像去雾方法 |
CN112513928A (zh) * | 2018-07-24 | 2021-03-16 | 丰田自动车欧洲公司 | 训练模型以对有雾图像执行语义分割的方法和系统 |
CN114170445A (zh) * | 2022-02-10 | 2022-03-11 | 河北工业大学 | 一种适于消防灭火机器人的室内烟雾环境图像匹配方法 |
CN115457265A (zh) * | 2022-08-25 | 2022-12-09 | 暨南大学 | 基于生成对抗网络和多尺度融合的图像去雾方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116876A (zh) * | 2013-02-22 | 2013-05-22 | 北京京东世纪贸易有限公司 | 一种图像去雾的方法和装置 |
CN103578083A (zh) * | 2013-09-07 | 2014-02-12 | 西安电子科技大学 | 基于联合均值漂移的单幅图像去雾方法 |
-
2014
- 2014-07-23 CN CN201410354406.XA patent/CN104134194A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116876A (zh) * | 2013-02-22 | 2013-05-22 | 北京京东世纪贸易有限公司 | 一种图像去雾的方法和装置 |
CN103578083A (zh) * | 2013-09-07 | 2014-02-12 | 西安电子科技大学 | 基于联合均值漂移的单幅图像去雾方法 |
Non-Patent Citations (3)
Title |
---|
ANDREA VEDALDI等: "Quick Shift and Kernel Methods for Mode Seeking", 《COMPUTER VISION》 * |
占吉清: "雾天图像复原算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
祝鹏飞等: "基于Quick Shift算法的高光谱影像分类", 《测绘科学技术学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318535A (zh) * | 2014-11-20 | 2015-01-28 | 广东欧珀移动通信有限公司 | 图像去雾的方法、装置及移动终端 |
CN104537623A (zh) * | 2014-12-31 | 2015-04-22 | 深圳先进技术研究院 | 基于图像分割的图像去雾方法及装置 |
CN104616258B (zh) * | 2015-01-26 | 2017-10-03 | 中南大学 | 一种针对道路图像的快速去雾方法 |
CN104616258A (zh) * | 2015-01-26 | 2015-05-13 | 中南大学 | 一种针对道路图像的快速去雾方法 |
CN105844595B (zh) * | 2016-03-14 | 2018-09-04 | 天津工业大学 | 基于大气反射-散射原理构建模型复原夜间交通视频车灯的方法 |
CN105844595A (zh) * | 2016-03-14 | 2016-08-10 | 天津工业大学 | 基于大气反射-散射原理构建模型复原夜间交通视频车灯的方法 |
CN108022214A (zh) * | 2016-11-02 | 2018-05-11 | 哈尔滨工业大学 | 一种适用于无人机雾天飞行的地平线检测方法 |
CN107392871A (zh) * | 2017-07-27 | 2017-11-24 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、移动终端及计算机可读存储介质 |
CN107392870A (zh) * | 2017-07-27 | 2017-11-24 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN107392870B (zh) * | 2017-07-27 | 2020-07-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN112513928A (zh) * | 2018-07-24 | 2021-03-16 | 丰田自动车欧洲公司 | 训练模型以对有雾图像执行语义分割的方法和系统 |
CN110310241A (zh) * | 2019-06-26 | 2019-10-08 | 长安大学 | 一种融合深度区域分割的多大气光值交通图像去雾方法 |
CN114170445A (zh) * | 2022-02-10 | 2022-03-11 | 河北工业大学 | 一种适于消防灭火机器人的室内烟雾环境图像匹配方法 |
CN114170445B (zh) * | 2022-02-10 | 2022-04-12 | 河北工业大学 | 一种适于消防灭火机器人的室内烟雾环境图像匹配方法 |
CN115457265A (zh) * | 2022-08-25 | 2022-12-09 | 暨南大学 | 基于生成对抗网络和多尺度融合的图像去雾方法及系统 |
CN115457265B (zh) * | 2022-08-25 | 2023-08-01 | 暨南大学 | 基于生成对抗网络和多尺度融合的图像去雾方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104134194A (zh) | 图像去雾方法和系统 | |
CN109740465B (zh) | 一种基于实例分割神经网络框架的车道线检测算法 | |
CN106910175B (zh) | 一种基于深度学习的单幅图像去雾算法 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
EP3076367A1 (en) | Method for road detection from one image | |
CN105279739A (zh) | 一种自适应含雾数字图像去雾方法 | |
CN103985091A (zh) | 基于亮度暗先验与双边滤波的单幅图像去雾方法 | |
CN104299192A (zh) | 一种基于大气光散射物理模型的单幅图像去雾方法 | |
CN106548461A (zh) | 图像去雾方法 | |
Halmaoui et al. | Contrast restoration of road images taken in foggy weather | |
CN105913390A (zh) | 一种图像去雾方法及系统 | |
CN107730472A (zh) | 一种基于暗原色先验的图像去雾优化算法 | |
CN104134192A (zh) | 图像去雾方法和系统 | |
CN103700078A (zh) | 少量背景含雾图像的去雾方法 | |
CN103578083A (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
CN104182943A (zh) | 一种融合人眼视觉特性的单幅图像去雾方法 | |
CN104346782A (zh) | 一种实现单幅图像去雾的方法和装置 | |
Dai et al. | Adaptive sky detection and preservation in dehazing algorithm | |
CN106447718A (zh) | 一种2d转3d深度估计方法 | |
Alami et al. | Local fog detection based on saturation and RGB-correlation | |
CN105913391B (zh) | 一种基于形状可变形态学重构的去雾方法 | |
CN109685735B (zh) | 基于雾层平滑先验的单张图片去雾方法 | |
Lee et al. | Stereo image defogging | |
CN104134193A (zh) | 图像去雾方法和系统 | |
CN102542539B (zh) | 一种基于功率谱分析的强适用性图像增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141105 |
|
RJ01 | Rejection of invention patent application after publication |