CN104794688B - 基于深度信息分离天空区域的单幅图像去雾方法及装置 - Google Patents
基于深度信息分离天空区域的单幅图像去雾方法及装置 Download PDFInfo
- Publication number
- CN104794688B CN104794688B CN201510108717.2A CN201510108717A CN104794688B CN 104794688 B CN104794688 B CN 104794688B CN 201510108717 A CN201510108717 A CN 201510108717A CN 104794688 B CN104794688 B CN 104794688B
- Authority
- CN
- China
- Prior art keywords
- sky
- image
- transmissivity
- areas
- color
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明提供了基于深度信息分离天空区域的单幅图像去雾方法及装置,主要包括以下步骤:(1)采用SLIC超像素分割方法,对含有天空的有雾图像进行过分割预处理,得到过分割图像;(2)提取区域的深度信息,对过分割图像进行区域合并,分离天空和非天空;(3)以天空区域的平均值估计大气光值,然后分别计算天空和非天空区域的透射率,形成整幅图像的透射率分布图;(4)由大气光值和透射率分布图,复原无雾图像。本发明结合超像素分割和区域合并技术,能够精准提取天空与景物的交界线,获得准确而完整的天空区域,不仅可得到可靠的大气光值,同时能避免天空失真,减少天空边界处由景深突变而引起的光晕现象,实现图像去雾。
Description
技术领域
本发明属于计算机视觉和数字图像处理领域,涉及一种基于深度信息分离天空区域的单幅图像去雾方法及装置。
背景技术
随着计算机视觉的发展,户外视觉系统正广泛地被应用到在各个领域,如道路监控,安全监视等。然而,在雾霾等恶劣天气下,户外视觉系统的成像质量严重下降,影响图像中有效信息的辨识,导致视觉系统无法正常运行。因此,对雾霾天气下采集到的有雾图像进行去雾处理,使户外视觉系统能适应各种天气情况,是十分有必要的。目前图像去雾技术主要分为基于非模型的图像增强和基于模型的图像去雾两大类,后者由于考虑了雾天成像的机制,因而更具有研究意义和实用价值。
近年来研究者们对基于模型的图像去雾进行了大量的研究,尤其是Kaiming He提出的基于暗原色先验去雾方法,获得了显著的效果,引起了研究者们的普遍关注。然而该方法也存在计算量大、块效应、天空色彩失真以及景深突变处生光晕等问题。前两个问题,可通过引入滤波方法代替Kaiming He的软抠图来优化透射率,目前已取得了基本满意的效果,如中科院嵇凯强提出的快速双边滤波方法等。然而对于后两个问题,目前尚无理想的解决方案。引起这两种问题的原因在于,首先暗原色理论在天空区域并不成立,因此利用暗原色先验估计的天空透射率比实际真值偏小从而导致色彩失真;其次暗原色先验去雾的前提是假设局部区域内场景深度一致,显然该方法的复原结果将在天空边界处由于景深突变而产生明显的光晕。为解决这两个问题,研究者们提出了不同的解决方案。王金艳(王金艳.基于改进的暗原色先验理论的监控视频去雾算法[D].西安电子科技大学,2014.)在暗原色先验的基础上引入容差机制,重新定义明亮区域的透射率,以弱化暗原色先验对天空区域的处理,这种方法简单快速,但由于明亮区域的选取是通过一个固定阈值实现的,无法准确地对所有的天空区域进行处理。林祥(林祥.一种图像去雾的方法和装置[P].北京:CN103116876A,2013-05-22.)首先对雾天图像进行边缘检测,然后对雾天图像进行不同程度的分块,使得每个图像块中的边缘点数与该图像块中像素点总数的比值处于预设的阈值内,最后利用暗原色先验实现去雾;李元祥(李元祥,褚宏莉,刘瑾瑾.基于黑色通道的图像快速去雾优化方法,CN103150708A,2013-1-18.)通过设置合适的阈值条件来选取天空区域或雾最浓区域估计大气光值,对边缘区域和非边缘区域分别采用不同大小的邻域(边缘区域采用小邻域,非边缘区域采用大邻域),以提高复原质量。然而,这两种方法,一种是通过控制分块中的边缘点数来满足每个图像块 中景深一致的前提,一种是通过改变边缘区域的模板大小以达到减少光晕的目的,都是通过某种策略来改善暗原色先验的缺陷,并没有真正实现不同景深的分离,因此都未能从本质上解决光晕问题。尽管中国科学院深圳先进技术研究院(朱青松.一种图像去雾的处理方法及装置[P].深圳:N201410594489,2014-10-29.)利用超像素分割代替暗原色先验中的分块操作,虽然能够得到景物深度基本一致的图像分块,然而仅依靠超像素分割进行的分块操作,可能使得同一景物的不同部分被划分到不同的超像素中而得到不同的透射率估计,使复原后的景物色彩不连续,尤其对于含有大片天空区域的图像,天空被分割为若干个大小不同的超像素,相邻超像素可能得到不同的透射率估计,使得复原后的天空色彩不均匀,不连续,可视性差。
基于此,本发明提供了一种基于深度信息分离天空区域的单幅图像去雾方法及装置,利用超像素分割进行预处理以及区域聚类合并方法,可以尽可能多地保留天空边缘细节,准确地分离天空和非天空区域,以减少天空失真,并改善甚至消除天空边界由于景深突变引起的光晕。
发明内容
本发明提供了一种基于深度信息分离天空区域的单幅图像去雾方法及装置,目的是为了解决现有去雾方法中未能彻底解决的天空失真以及天空交界处明显光晕等问题。
本发明的技术解决方案:基于深度信息分离天空区域的单幅图像去雾方法,其具体步骤为:
步骤1、超像素图像分割:采用简单线性迭代聚类(SLIC,Simple LinearIteration Clustering)的超像素分割方法对原始有雾图像I进行过分割预处理,获得过分割图像;
步骤2、天空分离:对由步骤2得到的过分割图像,提取每个区域的深度信息,合并深度信息最接近的相邻区域,由颜色和纹理条件检测出天空区域,实现天空与非天空区域分离;
步骤3、估计大气光值和透射率分布图:以天空区域均值估计大气光值A,利用暗原色先验理论分别估计天空和非天空区域的透射率,形成整幅图像的透射率分布图T;
步骤4、复原无雾图像:由原始有雾图像I,以及步骤3得到的大气光值A和透射率分布图T,根据复原公式复原无雾图像J。
其中,步骤1所述图像过分割的具体过程为:首先设置期望的超像素个数K,计算超像素间隔S,初始化种子点;然后在种子点2S×2S的邻域范围内对像素以颜色特征(Lab颜色空间的三个分量l,a,b)和位置特征(x,y)进行聚类,并以聚类区域中像素点的平均值更新种子点颜色和位置特征;最后计算更新前后种子点的残差,若残差小于设定的阈值,则迭代停止,获得过分割图像;
其中,步骤2所述天空区域分离的具体过程为:对步骤1得到的过分割图像,第一步,在Lab颜色空间计算每个区域中所有像素三个颜色分量的均值作为该区域的颜色特征矢量fci=(li,ai,bi)T,在Ycrcb颜色空间基于Laws纹理掩膜提取该区域的纹理特征fti;第二步,利用Canny算子获得二值化的边缘图像,统计区域间边界线上边缘点数与该边界线上像素总数的比值,若该比值小于设定的阈值,则不存在显著边缘,定义深度相似性函数为颜色距离和纹理距离的加权和,即Dij=||fci-fcj||2+ρ·|fti-ftj|,否则区域间存在显著边缘,定义深度相似性函数Dij=∞,其中||fci-fcj||2表示颜色距离,|fti-ftj|表示纹理距离,ρ为调节二者权重的权值,Dij值越小,表示两区域深度越接近,并合并深度最相似的相邻区域;重复第一步和第二步过程,直至合并前后区域个数不再发生变化。最后根据天空的颜色、纹理特性,设置天空区域应满足的条件为:(Γi为第i个区域)和fti≤2·min{fti},实现天空和非天空区域的分离;
其中,步骤3所述估计大气光值和透射率的具体过程为:由分离得到的天空区域,分别计算RGB三通道的平均值作为大气光值A的估计;利用暗原色先验理论分别估计天空和非天空区域的透射率,其中t(x)为像素点x处的透射率,对于天空区域,Ωx为分离得到的整个天空区域,对于非天空区域,Ωx为以像素点x为中心的15×15邻域,w是为了使复原的图像看起来更自然而保留的少量雾;采用引导滤波的方法细化修正非天空区域的透射率,形成整幅图像的透射率分布图T;
本发明的技术实现方案:一种基于深度信息分离天空区域的单幅图像去雾装置,具体包括以下部分:
超像素图象分割模块,用于利用SLIC超像素分割方法对雾天图像进行过分割预处理,获得过分割图像;
天空分离模块,用于对得到的过分割图像,提取每个区域的深度信息,合并深度信息最接近的相邻区域,并由颜色和纹理条件检测出天空区域,实现天空和非天空的分离;
参数计算模块,用于以天空区域均值估计大气光值,利用暗原色先验理论分别估计天空和非天空的透射率形成整幅图像的透射率分布图;
复原模块,用于由原始有雾图像,以及估计的大气光值和透射率分布图,根据复原公式复原无雾图像。
其中,所述天空分离模块具体包括:特征提取模块,用于在Lab颜色空间计算每个区域的颜色特征,利用Laws纹理掩膜提取区域的纹理特征,获得每个区域的深度信息;区域合 并模块,用于由定义的深度相似性函数,合并深度最接近的相邻区域;天空检测和分离模块,用于根据设置的颜色和纹理条件检测并分离天空和非天空区域。
其中,所述参数计算模块具体包括:大气光估计模块,用于由天空分离模块得到的天空区域,以天空区域的均值估计大气光值;天空透射率估计模块,用于依据暗原色先验理论估计天空区域的透射率;非天空区域估计模块,用于依据暗原色先验理论粗估计非天空区域的透射率,并采用引导滤波的方法细化修正非天空区域的透射率。
本发明与现有技术相比的优点在于:
(1)本发明实现了天空与非天空区域的分离,分别估计透射率,避免在天空边界处由于景深突变而引起光晕效应,并利用天空区域的平均值估计大气光值,能够获得更为准确的大气光值,从而得到较好的复原结果;
(2)本发明在实现天空分离的过程中采用基于超像素的图像过分割进行预处理,能够极大地减少后续聚类的个数,从而减少算法的运行时间;
(3)本发明在实现天空分离的过程中首先利用超像素分割,获得许多颜色、纹理均匀的图像区域,再从每个区域中提取能反映深度信息的颜色和纹理特征,可以在保持景物与天空的交界线的前提下实现天空的分离,从而使分离到的天空区域更为准确。
附图说明
图1为本发明实施例一提供的一种基于天空分离的单幅图像去雾方法的整体流程图;;
图2为本发明实施例一提供的利用SLIC超像素分割实现天空分离的流程图;
图3为本发明实施例一提供的对一幅有雾图像分别利用引导滤波的暗原色去雾以及本发明去雾方法的效果对比图,其中图(a)为输入的有雾图像;图(b)为利用SLIC超像素分割得到的过分割图像;图(c)为采用本发明提供的天空分离方法获得的天空区域(白色为天空,黑色为非天空);图(d)为采用本发明提供的先进行天空分离再分别估计天空和非天空的透射率得到的透射率分布图;图(e)、(f)分别为利用基于引导滤波的暗原色去雾方法和本发明提供的去雾方法对原始雾天图像复原得到的无雾图像;
图4为本发明实施例二提供的一种图像去雾装置的基本结构示意图。
具体实施方式
下面结合附图和具体实施例子进一步说明本发明。应指出,此处所描述的具体实施例仅是本发明实现的最佳实施例之一,用于解释本发明,使本发明的目的、技术方案及优点更清晰具体,并不用于限定本发明的保护范围,但其他围绕本发明的原理而进行的任何改进和完善,应当视为本发明的保护范围。
实施例一:
参照附图1,本发明提供的一种基于天空分离的图像去雾方法,主要包括以下步骤:
步骤S1、超像素图像分割:采用SLIC的超像素分割方法对原始有雾图像I进行过分割预处理,得到过分割图像;
步骤S2、天空分离:对步骤S1得到的过分割图像,提取每个区域的深度信息,合并深度信息最接近的相邻区域,由颜色和纹理条件检测出天空区域,实现天空与非天空区域分离;
步骤S3、估计大气光值和透射率分布图:以天空区域均值估计大气光值A,利用暗原色先验理论分别估计天空和非天空区域的透射率,形成整幅图像的透射率分布图T;
步骤S4、复原无雾图像:由原始有雾图像I,以及步骤S3得到的大气光值A和透射率分布图T,根据复原公式复原无雾图像J。
上述各个步骤的具体实现过程如下:
1.图像过分割
SLIC计算超像素实际上是一种改进的k均值聚类,具体过程为;
将输入图像转换到Lab颜色空间,设置期望的超像素个数K,对于一幅共有N个像素点的图像,每个超像素块包含的像素个数约为N/K,超像素步长初始化种子点;对每个种子点周围2S×2S邻域内所有像素点,计算其与种子点的距离其中,和分别为二者之间的颜色距离和位置距离,l,a,b,x,y分别为对应像素的颜色分量值以及位置坐标,m用于调节位置距离因子的权重,为每个像素点赋予与其距离最小的种子点的类别标签;以当前类别的所有像素点的平均值作为更新后的种子点;统计更新前后种子点的残差,若残差小于设定的阈值,则迭代停止,否则,由更新后的种子点继续下一次迭代,此处K=400,m=20。
如图3所示,图(b)为利用SLIC超像素分割方法对输入的原始有雾图像(图(a))进行过分割得到的过分割图像,可以得出,采用超像素分割得到的超像素具有颜色、纹理的一致性,能够准确的提取不同景物之间的边界信息,方便进一步区域合并,得到精准的天空区域。
2.天空区域分离
如图2所示,分离天空区域的具体过程为;
(1)提取深度特征:在Lab颜色空间计算每个区域内所有像素的l,a,b颜色信息的均值作为该区域的颜色特征矢量fci=(li,ai,bi)T,并采用Laws 3×3纹理掩膜,将Ycrcb颜色空间中Y通道与Laws模板进行卷积,计算卷积后每个区域内的输出之和作为该区域的纹理特征fti,
(2)区域合并:首先定义深度相似性函数,利用Canny算子获得二值化的边缘图像,统 计相邻区域边界线上边缘点数与该边界线上像素总数的比值,若该比值小于设定的阈值,则两区域间不存在显著边缘,其深度相似性函数定义为二者颜色距离和纹理距离的加权和,即:
Dij=||fci-fcj||2+ρ·|fti-ftj| (1)
否则两区域间存在显著边缘,深度相似性函数Dij=∞,其中||fci-fcj||2表示颜色距离,|fti-ftj|表示纹理距离,ρ为调节二者权重的权值,Dij值越小,表示两区域深度越接近,计算相邻区域的深度相似性,合并深度相似性函数值最小且小于∞的相邻区域;
(3)天空检测和分离:重复步骤(1)和(2),直至合并前后区域个数不再变化。选取满足条件(Γi为第i个区域)和fti≤2·min{fti}的聚类区域作为天空区域,实现天空与非天空的分离。
如图3所示,图(c)为对得到的超像素过分割图像(图(b)),利用区域合并算法得到的天空区域,其中天空区域标记为白色,非天空区域标记为黑色。对比图(a)和图(c)可看出,本发明提供的天空分离方法得到的天空区域能够保持非常清晰的边缘细节。
3.估计大气光值和透射率
由暗原色先验理论,雾天图像中任一像素点x处透射率t(x)的估计值为:
其中,I为原始有雾图像,A为大气光值,w=0.95,是为使复原图像自然而引入的常数。
估计大气光值以及透射率的具体过程为:
(1)对于分离出的天空区域,分别以其RGB三通道的平均值估计大气光值A;
(2)利用式(3)估计天空区域的透射率,此处Ωx为分离得到的整个天空区域;
(3)利用式(3)估计非天空区域的透射率,此处Ωx为以像素点x为中心的15×15邻域,通常由(3)估计的非天空透射率存在明显的块效应,采用引导滤波的方法进行细化修正。
如图3所示,图(d)为采用本发明提供的先分离天空再分别估计天空和非天空的透射率得到的透射率分布图。可以看到,利用本发明得到透射率分布图,建筑楼顶与天空相邻的边缘非常清晰,并且整个天空区域的透射率一致,即天空景深一致,符合实际情况,此外天空的透射率值偏大,这也符合天空暗原色值不为0的推断。以上分析验证了本发明提供的透射率估计方法,不仅能得到不失真的天空,同时能够保持边缘细节,消除天空边界处的光晕。
4.复原无雾图像
由原始有雾图像I,以及估计的大气光值A和透射率分布图T,根据复原公式得到无雾图像J。
如图3所示,图(e)、(f)分别为利用基于引导滤波的暗原色去雾方法和本发明提供的去雾方法对原始雾天图像(图(a))复原得到的无雾图像。可得出,现有的基于引导滤波的暗原色去雾方法,即在统一估计天空和非天空透射率的情况下,得到的复原图像的天空已严重失真,并在天空边界处存在明显的光晕,而利用本发明提供的分别估计天空和非天空透射率的去雾方法,天空区域色彩正常无失真,同时消除了天空边界处的光晕,取得了较好的复原结果。
实施例二:
参照附图4,本发明提供的一种图像去雾装置,主要包括:图像过分割模块41,天空分离模块42,参数计算模块43,复原模块44。上述各模块的具体功能为:
图像过分割模块41用于利用SLIC超像素分割方法对雾天图像进行过分割预处理,获得过分割图像;
天空分离模块42用于对获得的过分割图像,提取每个区域的深度信息,合并深度信息最接近的相邻区域,并由颜色和纹理条件检测出天空区域,实现天空和非天空的分离;
参数计算模块43用于以天空区域均值估计大气光值,利用暗原色先验理论分别估计天空和非天空的透射率形成整幅图像的透射率分布图;
复原模块44用于由原始雾天图像,以及估计的大气光值和透射率分布图,根据复原公式复原无雾图像。
其中,所述天空分离模块42具体包括:特征提取模块421,用于在Lab颜色空间计算每个区域的颜色特征,利用Laws纹理掩膜提取区域的纹理特征,获得每个区域的深度信息;区域合并模块422,用于由定义的深度相似性函数,合并深度最接近的相邻区域;天空检测和分离模块423,用于根据设置的颜色和纹理条件检测并分离天空和非天空区域。
其中,所述参数计算模块43具体包括:大气光估计模块431,用于由天空分离模块得到的天空区域,以天空区域的均值估计大气光值,天空透射率估计模块432,用于依据暗原色先验理论估计天空区域的透射率;非天空区域估计模块433,用于依据暗原色先验理论粗估计非天空区域的透射率,并采用引导滤波的方法细化修正非天空区域的透射率。
Claims (2)
1.一种基于深度信息分离天空区域的单幅图像去雾方法,其特征在于,该方法包括如下步骤:
步骤1、超像素图像分割:采用简单线性迭代聚类(SLIC,Simple Linear IterationClustering)的超像素分割方法对原始有雾图像I进行过分割预处理,得到过分割图像;
步骤2、天空分离:对步骤1得到的过分割图像,提取每个区域的深度信息,合并深度信息最接近的相邻区域,由颜色和纹理条件检测出天空区域,实现天空与非天空区域分离;
步骤3、估计大气光值和透射率:以天空区域均值估计大气光值A,利用暗原色先验理论分别估计天空和非天空区域的透射率,形成整幅图像的透射率分布图T;
步骤4、由原始有雾图像I,以及步骤3得到的大气光值A和透射率分布图T,根据复原公式复原无雾图像J;
其中,步骤2天空和非天空分离的具体过程为:对过分割图像中的每个区域,在Lab颜色空间计算该区域的颜色特征,利用Laws掩膜提取纹理特征,以颜色特征和纹理特征作为该区域的深度信息,同时定义深度相似性函数,合并深度最接近的相邻区域,区域合并完成后,根据颜色和纹理条件检测出天空区域,实现天空和非天空分离;
所述的天空和非天空分离方法,所述深度相似性函数为:首先利用Canny算子获得二值化的边缘图像,统计两区域边界线上边缘点数与该边界线上像素总数的比值,若该比值小于设定的阈值,则两区域之间不存在显著边缘,其深度相似性函数定义为二者颜色距离和纹理距离的加权和,否则两区域之间存在显著边缘,二者的深度相似性函数为无穷大;
步骤3估计大气光值和透射率的具体过程为:分别计算天空区域所有像素RGB三分量的平均值作为大气光值,对天空以及非天空区域分别基于暗原色先验理论估计透射率,并采用引导滤波器细化修正非天空区域的透射率,形成整幅图像的透射率分布图;
具体的,步骤1所述图像过分割的具体过程为:首先设置期望的超像素个数K,计算超像素间隔S,初始化种子点;然后在种子点2S×2S的邻域范围内对像素以颜色特征和位置特征(x,y)进行聚类,颜色特征包括Lab颜色空间的三个分量l,a,b,并以聚类区域中像素点的平均值更新种子点颜色和位置特征;最后计算更新前后种子点的残差,若残差小于设定的阈值,则迭代停止,获得过分割图像;
其中,步骤2所述天空区域分离的具体过程为:对步骤1得到的过分割图像,第一步,在Lab颜色空间计算每个区域中所有像素三个颜色分量的均值作为该区域的颜色特征矢量fci=(li,ai,bi)T,在Ycrcb颜色空间基于Laws纹理掩膜提取该区域的纹理特征fti;第二步,利用Canny算子获得二值化的边缘图像,统计区域间边界线上边缘点数与该边界线上像素总数的比值,若该比值小于设定的阈值,则不存在显著边缘,定义深度相似性函数为颜色距离和纹理距离的加权和,即Dij=||fci-fcj||2+ρ·|fti-ftj|,否则区域间存在显著边缘,定义深度相似性函数Dij=∞,其中||fci-fcj||2表示颜色距离,|fti-ftj|表示纹理距离,ρ为调节二者权重的权值,Dij值越小,表示两区域深度越接近,并合并深度最相似的相邻区域;重复第一步和第二步过程,直至合并前后区域个数不再发生变化,最后根据天空的颜色、纹理特性,设置天空区域应满足的条件为:Γi为第i个区域,和fti≤2·min{fti},实现天空和非天空区域的分离;
其中,步骤3所述估计大气光值和透射率的具体过程为:由分离得到的天空区域,分别计算RGB三通道的平均值作为大气光值A的估计;利用暗原色先验理论分别估计天空和非天空区域的透射率,其中t(x)为像素点x处的透射率,对于天空区域,Ωx为分离得到的整个天空区域,对于非天空区域,Ωx为以像素点x为中心的15×15邻域,w是为了使复原的图像看起来更自然而保留的少量雾;采用引导滤波的方法细化修正非天空区域的透射率,形成整幅图像的透射率分布图T。
2.基于深度信息分离天空区域的单幅图像去雾装置,其特征在于,该装置包括以下模块:
超像素图像分割模块,用于利用SLIC超像素分割方法对雾天图像进行过分割预处理,获得过分割图像;
天空分离模块,用于对获得的过分割图像,提取每个区域的深度信息,合并深度信息最接近的相邻区域,并由颜色和纹理条件检测出天空区域,实现天空和非天空的分离;
参数计算模块,用于以天空区域均值估计大气光值,利用暗原色先验理论分别估计天空和非天空的透射率形成整幅图像的透射率分布图;
复原模块,用于由原始有雾图像,以及估计的大气光值和透射率分布图,根据复原公式复原无雾图像;
其中,所述的天空分离模块具体包括:
特征提取模块,用于在Lab颜色空间计算每个区域的颜色特征,利用Laws纹理掩膜提取区域的纹理特征,获得每个区域的深度信息;
区域合并模块,用于由定义的深度相似性函数,合并深度最接近的相邻区域;
天空检测和分离模块,用于根据设置的颜色和纹理条件检测天空并分离天空和非天空区域;
所述的定义深度相似性函数为:利用Canny算子获得二值化的边缘图像,统计两区域边界线上边缘点数与该边界线上像素总数的比值,若该比值小于设定的阈值,则区域间不存在显著边缘,其深度相似性函数定义为二者颜色距离和纹理距离的加权和,否则区域间存在显著边缘,二者深度相似性函数为无穷大;
所述的参数计算模块具体包括:
大气光值估计模块,用于利用分离的天空区域的平均值估计大气光值;
天空透射率估计模块,用于利用暗原色先验估计天空区域的透射率;
非天空透射率估计模块,用于利用暗原色先验粗估计非天空区域的透射率,并采用引导滤波细化修正非天空区域的透射率;
具体的,所述图像过分割的具体过程为:首先设置期望的超像素个数K,计算超像素间隔S,初始化种子点;然后在种子点2S×2S的邻域范围内对像素以颜色特征和位置特征(x,y)进行聚类,颜色特征包括Lab颜色空间的三个分量l,a,b,并以聚类区域中像素点的平均值更新种子点颜色和位置特征;最后计算更新前后种子点的残差,若残差小于设定的阈值,则迭代停止,获得过分割图像;
其中,所述天空区域分离的具体过程为:对得到的过分割图像,第一步,在Lab颜色空间计算每个区域中所有像素三个颜色分量的均值作为该区域的颜色特征矢量fci=(li,ai,bi)T,在Ycrcb颜色空间基于Laws纹理掩膜提取该区域的纹理特征fti;第二步,利用Canny算子获得二值化的边缘图像,统计区域间边界线上边缘点数与该边界线上像素总数的比值,若该比值小于设定的阈值,则不存在显著边缘,定义深度相似性函数为颜色距离和纹理距离的加权和,即Dij=||fci-fcj||2+ρ·|fti-ftj|,否则区域间存在显著边缘,定义深度相似性函数Dij=∞,其中||fci-fcj||2表示颜色距离,|fti-ftj|表示纹理距离,ρ为调节二者权重的权值,Dij值越小,表示两区域深度越接近,并合并深度最相似的相邻区域;重复第一步和第二步过程,直至合并前后区域个数不再发生变化,最后根据天空的颜色、纹理特性,设置天空区域应满足的条件为:Γi为第i个区域,和fti≤2·min{fti},实现天空和非天空区域的分离;
其中,所述估计大气光值和透射率的具体过程为:由分离得到的天空区域,分别计算RGB三通道的平均值作为大气光值A的估计;利用暗原色先验理论分别估计天空和非天空区域的透射率,其中t(x)为像素点x处的透射率,对于天空区域,Ωx为分离得到的整个天空区域,对于非天空区域,Ωx为以像素点x为中心的15×15邻域,w是为了使复原的图像看起来更自然而保留的少量雾;采用引导滤波的方法细化修正非天空区域的透射率,形成整幅图像的透射率分布图T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510108717.2A CN104794688B (zh) | 2015-03-12 | 2015-03-12 | 基于深度信息分离天空区域的单幅图像去雾方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510108717.2A CN104794688B (zh) | 2015-03-12 | 2015-03-12 | 基于深度信息分离天空区域的单幅图像去雾方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104794688A CN104794688A (zh) | 2015-07-22 |
CN104794688B true CN104794688B (zh) | 2018-04-03 |
Family
ID=53559468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510108717.2A Active CN104794688B (zh) | 2015-03-12 | 2015-03-12 | 基于深度信息分离天空区域的单幅图像去雾方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794688B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105025199B (zh) * | 2015-07-27 | 2018-06-15 | 北京邮电大学世纪学院 | 一种纹样基因的标注方法及装置 |
CN105913421B (zh) * | 2016-04-07 | 2018-11-16 | 西安电子科技大学 | 基于自适应形状暗通道的遥感图像云检测方法 |
CN107346531A (zh) * | 2016-05-05 | 2017-11-14 | 中兴通讯股份有限公司 | 一种图像优化方法、装置及终端 |
CN106127706A (zh) * | 2016-06-20 | 2016-11-16 | 华南理工大学 | 一种基于非线性聚类的单一图像去雾方法 |
CN106204494B (zh) * | 2016-07-15 | 2019-11-22 | 潍坊学院 | 一种包含大面积天空区域的图像去雾方法及系统 |
CN106709901B (zh) * | 2016-11-10 | 2019-10-11 | 西安电子科技大学 | 基于深度先验的模拟雾图生成方法 |
CN106875351A (zh) * | 2017-01-11 | 2017-06-20 | 西南科技大学 | 一种面向大面积天空区域图像的去雾方法 |
CN107025636B (zh) * | 2017-03-09 | 2020-03-17 | Oppo广东移动通信有限公司 | 结合深度信息的图像去雾方法及装置和电子装置 |
CN106971396A (zh) * | 2017-03-10 | 2017-07-21 | 中国科学院遥感与数字地球研究所 | 基于超像素的冰盖冻融探测方法 |
CN107424198B (zh) * | 2017-07-27 | 2020-03-27 | 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 |
CN107767383B (zh) * | 2017-11-01 | 2021-05-11 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
CN108280809B (zh) * | 2017-12-26 | 2021-07-30 | 浙江工商大学 | 一种基于大气散射物理模型的有雾图像天空区域估计方法 |
CN108427919B (zh) * | 2018-02-22 | 2021-09-28 | 北京航空航天大学 | 一种基于形状引导显著性模型的无监督油罐目标检测方法 |
CN108596849B (zh) * | 2018-04-23 | 2021-11-23 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
CN108961286B (zh) * | 2018-06-27 | 2021-11-16 | 武汉大学 | 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法 |
CN109035260A (zh) * | 2018-07-27 | 2018-12-18 | 京东方科技集团股份有限公司 | 一种天空区域分割方法、装置和卷积神经网络 |
CN109191405B (zh) * | 2018-09-15 | 2021-09-24 | 武汉智觉空间信息技术有限公司 | 一种基于透射率全局估计的航空影像去雾算法 |
CN110310241B (zh) * | 2019-06-26 | 2021-06-01 | 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 |
CN110428371A (zh) * | 2019-07-03 | 2019-11-08 | 深圳大学 | 基于超像素分割的图像去雾方法、系统、存储介质及电子设备 |
CN110390655B (zh) * | 2019-07-30 | 2021-04-06 | 电子科技大学 | 一种基于蓝色通道校正的图像去雾方法 |
CN111145105B (zh) * | 2019-12-04 | 2020-09-01 | 广东省新一代通信与网络创新研究院 | 一种图像快速去雾方法、装置、终端及存储介质 |
CN111553862B (zh) * | 2020-04-29 | 2023-10-13 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
CN111899198A (zh) * | 2020-08-06 | 2020-11-06 | 北京科技大学 | 一种海上图像去雾方法及装置 |
CN112215772A (zh) * | 2020-10-12 | 2021-01-12 | 华南师范大学 | 一种实时去雾霾显示系统及其去雾霾显示方法 |
CN112712735A (zh) * | 2020-12-29 | 2021-04-27 | 新疆医科大学第一附属医院 | 一种移动式医疗护理用教学系统及方法 |
CN112907461B (zh) * | 2021-01-26 | 2023-05-05 | 中国科学院上海技术物理研究所 | 一种红外雾天降质图像去雾增强方法 |
CN116188586B (zh) * | 2023-04-25 | 2023-06-27 | 新乡学院 | 一种基于光分布的定位系统与方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150708A (zh) * | 2013-01-18 | 2013-06-12 | 上海交通大学 | 基于黑色通道的图像快速去雾优化方法 |
CN103632167A (zh) * | 2013-11-29 | 2014-03-12 | 金陵科技学院 | 类地重力场环境下单目视觉空间识别方法 |
CN104331866A (zh) * | 2014-10-29 | 2015-02-04 | 中国科学院深圳先进技术研究院 | 一种图像去雾的处理方法及装置 |
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 |
-
2015
- 2015-03-12 CN CN201510108717.2A patent/CN104794688B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150708A (zh) * | 2013-01-18 | 2013-06-12 | 上海交通大学 | 基于黑色通道的图像快速去雾优化方法 |
CN103632167A (zh) * | 2013-11-29 | 2014-03-12 | 金陵科技学院 | 类地重力场环境下单目视觉空间识别方法 |
CN104331866A (zh) * | 2014-10-29 | 2015-02-04 | 中国科学院深圳先进技术研究院 | 一种图像去雾的处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104794688A (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104794688B (zh) | 基于深度信息分离天空区域的单幅图像去雾方法及装置 | |
CN106251301B (zh) | 一种基于暗原色先验的单幅图像去雾方法 | |
CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN108230264B (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN107358585B (zh) | 基于分数阶微分及暗原色先验的雾天图像增强方法 | |
CN104253930B (zh) | 一种实时视频去雾方法 | |
CN104036466B (zh) | 一种视频去雾方法与系统 | |
CN108537756A (zh) | 基于图像融合的单幅图像去雾方法 | |
CN110634147B (zh) | 基于双边引导上采样的图像抠图方法 | |
CN110008832A (zh) | 基于深度学习人物图像自动分割方法、信息数据处理终端 | |
CN105913390B (zh) | 一种图像去雾方法及系统 | |
CN105976337B (zh) | 一种基于中值引导滤波的图像去雾方法 | |
CN104299192A (zh) | 一种基于大气光散射物理模型的单幅图像去雾方法 | |
CN103903234B (zh) | 一种基于图像景深的实时图像去雾方法 | |
CN106204494A (zh) | 一种包含大面积天空区域的图像去雾方法及系统 | |
CN110148093A (zh) | 一种基于暗通道先验的图像去雾改进方法 | |
CN108564538A (zh) | 一种基于环境光差异的图像去雾霾方法及系统 | |
CN112053298B (zh) | 一种图像去雾方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN111325688B (zh) | 融合形态学聚类优化大气光的无人机图像去雾方法 | |
CN105898111A (zh) | 一种基于谱聚类的视频去雾方法 | |
CN109685735B (zh) | 基于雾层平滑先验的单张图片去雾方法 | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |