CN105303525B - 雾霾图像辨别设备及辨别方法 - Google Patents
雾霾图像辨别设备及辨别方法 Download PDFInfo
- Publication number
- CN105303525B CN105303525B CN201510437704.XA CN201510437704A CN105303525B CN 105303525 B CN105303525 B CN 105303525B CN 201510437704 A CN201510437704 A CN 201510437704A CN 105303525 B CN105303525 B CN 105303525B
- Authority
- CN
- China
- Prior art keywords
- haze
- image
- ratio
- difference
- pixel
- 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
- 230000014509 gene expression Effects 0.000 description 28
- 239000003595 mist Substances 0.000 description 8
- 238000002834 transmittance Methods 0.000 description 7
- 241001520299 Phascolarctos cinereus Species 0.000 description 6
- 101100219315 Arabidopsis thaliana CYP83A1 gene Proteins 0.000 description 3
- 101000806846 Homo sapiens DNA-(apurinic or apyrimidinic site) endonuclease Proteins 0.000 description 3
- 101000835083 Homo sapiens Tissue factor pathway inhibitor 2 Proteins 0.000 description 3
- 101100269674 Mus musculus Alyref2 gene Proteins 0.000 description 3
- 101100140580 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) REF2 gene Proteins 0.000 description 3
- 102100026134 Tissue factor pathway inhibitor 2 Human genes 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 101100152598 Arabidopsis thaliana CYP73A5 gene Proteins 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了雾霾图像辨别设备及雾霾图像辨别方法,所述雾霾图像辨别设备具有:第一计算器,用于计算图像中的多个像素各自的像素信号的色差分量与灰色值之间的差,并且计算所述差低于第一基准值的像素占所述多个像素的第一比例;第二计算器,用于计算所述多个像素各自的像素信号的亮度分量低于第二基准值的像素占所述多个像素的第二比例;雾霾程度确定单元,第一比例越高并且第二比例越低,雾霾程度确定单元确定所述图像的雾霾程度就越高。
Description
技术领域
本发明涉及雾霾图像辨别设备以及雾霾图像辨别方法。
背景技术
由于空气中的漂浮物如霾、雾以及霭等而使得通过相机采集的图像变得不清楚。在以下说明中,雾霾表示霾、雾、霭等。
因此,提出了用于从所采集的图像数据中去除雾霾影响的雾霾去除图像处理。例如在日本特许公开No.2013-58202、日本特许公开No.2012-221237、日本特许公开No.2011-3048和日本特许公开No.2004-222231中提出了所述图像处理。
作为一种用于去除雾霾的图像处理,存在基于被称为暗通道先验的先验信息的处理。所述处理基于以下前提:RGB值中的至少一个颜色通道的强度值非常小(一般地,暗灰度值接近0)的图像存在于从户外无雾霾图像组获得的统计值中,即,存在于户外无雾霾图像的大量非天空局部区域。因此,如果所采集的图像中暗颜色通道的值低,则雾霾稀薄并且空气的透射率高。另一方面,如果所采集的图像中暗颜色通道的值高,则雾霾浓厚并且空气的透射率低。通过使用暗通道先验而生成的雾霾去除模型,不仅可以直接估计雾霾的浓度而且还可以在从有雾霾存在的图像(在下文中被称为有雾霾图像)中去除雾霾的干扰之后生成高品质图像(被称为雾霾去除图像)。在日本特许公开No.2013-58202中描述了用于去除雾霾的图像处理。
发明内容
在用于去除雾霾的图像处理中,通过将使用大气光源值对所采集的图像的暗颜色通道的像素值进行归一化而获得的向导图值与表示雾霾程度的参数相乘来计算作为每个像素的雾霾透射率的传输图。根据所述传输图从有雾霾图像计算雾霾去除图像。
然而,必须通过观察雾霾去除图像来确定适当的值作为表示雾霾程度的参数。因此,需要一种用于自动地辨别雾霾程度的雾霾图像辨别方法。
因此,实施方式的目的在于提供一种通过分析所采集的图像来辨别雾霾程度的雾霾图像辨别设备以及雾霾图像辨别方法。
实施方式的一个方面是雾霾图像辨别设备,包括:
第一计算器,被配置成:计算包括在图像中的多个像素各自的像素信号的色差分量与灰色值之间的差,并且计算所述差低于第一基准值的像素占所述多个像素的第一比例;
第二计算器,被配置成:计算所述多个像素各自的像素信号的亮度分量低于第二基准值的像素占所述多个像素的第二比例;以及
雾霾程度确定单元,被配置成:第一比例越高并且第二比例越低,确定所述图像的雾霾程度就越高。
根据该方面,可以通过分析所采集的图像来辨别雾霾程度。
附图说明
图1是描绘实施方式中的雾霾图像辨别设备的配置的图;
图2是雾霾去除处理的流程图;
图3A至图3C是用于说明上述步骤S1和S2的图;
图4是描绘特定输入图像和雾霾去除图像的示例的图;
图5是描绘特定输入图像和雾霾去除图像的另一示例的图;
图6是本实施方式中的雾霾图像辨别处理的流程图;
图7、图8和图9是描绘要经受雾霾图像辨别的各个输入图像之间的关系、输入图像的预期雾霾程度参数ω、以及要通过五种雾霾程度辨别处理来辨别的雾霾程度参数ω的图;
图10是根据第一雾霾图像辨别处理和第二雾霾图像辨别处理的组合的流程图;
图11是描绘第一雾霾辨别处理和第二雾霾辨别处理的第一比例和第二比例的矩阵的图;
图12是用于说明第三雾霾图像辨别处理的流程图;
图13是描绘第三雾霾图像辨别处理的第三比例和第四比例的矩阵的图;
图14和图15是描绘有浓厚雾霾的图像和无雾霾图像的亮度Y、色差分量Cb和Cr与大气光的亮度和色差分量之间的关系示例的图;
图16是第四雾霾图像辨别处理PR-4的流程图;
图17和图18是用于说明图16的流程图中的处理的图;
图19是第五雾霾图像辨别处理PR-5的流程图;
图20是描绘三个有雾霾图像的图,其中,图像P1-7的透射率被改变;以及
图21是描绘用于对第四雾霾图像辨别处理PR-4和第五雾霾图像辨别处理PR-5进行组合并且辨别雾霾程度ω的处理的图。
具体实施方式
图1是描绘实施方式中的雾霾图像辨别设备的配置的图。雾霾图像辨别设备10进行用于辨别图像的雾霾程度是高还是低的雾霾图像辨别处理。此外,雾霾图像辨别设备10除了进行雾霾图像辨别处理以外还可以进行用于生成通过从有雾霾图像去除雾霾的影响而获得的雾霾去除图像的雾霾去除处理。
雾霾图像辨别设备10包括中央处理单元(CPU)11、RAM 12、输入/输出单元13、进行各种图像处理的图像处理电路15以及存储图像处理程序的存储器16。图像处理电路15包括例如以下电路:将RGB像素信号转换成具有亮度分量Y以及色差分量Cr和Cb的YCbCr像素信号的电路;确定像素信号的色差分量与灰色值之间的差、像素图像的色差分量与大气光的色差分量之间的差、像素信号的亮度与大气光的亮度之间的差等小于还是大于相应差的基准值的电路;以及计算图像的边缘分量的电路。
CPU 11执行图像处理程序以进行用于辨别雾霾程度的雾霾图像辨别处理。在用于辨别雾霾程度的处理中,CPU 11使图像处理电路15执行各种算术运算并且使用算术运算的结果来确定雾霾程度。在用于雾霾图像辨别的雾霾图像辨别设备10中,酌情确定图像处理电路15执行哪个处理以及CPU 11和图像处理程序执行哪个处理。
因此,雾霾图像辨别设备10包括:用于进行各种类型的计算处理的与图像处理电路15对应的计算器,以及用于基于由计算装置计算的值来辨别雾霾程度的与执行图像处理程序的CPU 11对应的辨别单元。
图2是雾霾去除处理的流程图。雾霾图像辨别设备10可以进行雾霾去除处理或图中未描绘的另一处理器可以进行雾霾去除处理。说明雾霾去除处理的示例以阐述如何使用表示雾霾程度的参数。图2所描绘的雾霾去除处理是基于暗通道先验进行的处理。
当空气中存在漂浮物如雾霾时,在有雾霾图像中,物体的图像由于雾霾的透射率而被弱化。漂浮物所反射的大气光的颜色由于雾霾的不透明性而被混合。因此,用以下模型来表示有雾霾图像:
I(x)=J(x)t(x)+AirLight(1-t(x)) (1)
其中,I(x)表示有雾霾图像,J(x)表示雾霾去除图像,t(x)表示雾霾的透射率,AirLight表示大气光源值,阳光值等(在下文中被称为“大气光”)(名称一致),(1-t(x))表示不透明度,以及x表示像素。表达式(1)关于每个像素信号RGB成立。当透射率t(x)是1.0时,大气光未被混合。因此,I(x)=J(x)。有雾霾图像I(x)与雾霾去除图像J(x)相同。因此,在下文中也将I(x)称为输入图像。
从表达式(1)看出,通过以雾霾的透射率t(x)来混合无雾霾图像J(x)与大气光AirLight而获得有雾霾图像I(x)。根据表达式(1),如果计算出透射率t(x)和大气光AirLight,则根据作为所采集的输入图像的有雾霾图像I(x)计算雾霾去除图像J(x)。
因此,在雾霾去除处理中,根据作为所采集的输入图像的有雾霾图像I(x)的多个像素信号来计算暗通道图像即雾霾的缺失程度。并且根据暗通道图像计算雾霾的透射率t(x)。
在图2中,在雾霾去除处理中,如下文所述从有雾霾图像的图像信号I(x)的RGB像素值HazeR、HazeG和HazeB来计算最小像素值tmpRGB(S1)。Min()是用于计算最小值的函数。
tmpRGB=Min(HazeR,HazeG,HazeB) (2)
此外,在雾霾去除处理中,按照下文所述来计算包括多个像素的过滤区中的最小像素值tmpRGB的最小值tmpMinFil(S2)。M是过滤区中像素的数量。
tmpMinFil=Min(tmpRGB_1,tmpRGB_2,…,tmpRGB_M) (3)
经过滤的最小像素值tmpMinFil是暗通道图像的像素值。暗通道图像的像素值是通过过滤像素的RGB的最小值而获得的值。因此,像素值是强度值而非颜色分量。
图3A至图3C是用于说明上述步骤S1和S2的图。图3A描绘两行N列中的像素PX00至PX1N的像素值(HazeR、HazeG和HazeB)。图3B描绘通过步骤S1计算的最小像素值tmpRGB。像素PX00至PX1N分别具有各自像素的RGB值的最小值tmpRGB。图3C描绘通过步骤S2的计算而过滤出的最小像素值tmpMinFil。图3C对应于暗通道图像。
表达式(3)的暗通道图像与作为未经受雾霾去除的输入图像的有雾霾图像I(x)中的暗图像的强度对应。计算暗通道图像的原因基于以下特性:在无雾霾图像中存在暗像素而在有浓厚雾霾的图像中不存在暗图像。因此,在无雾霾的输入图像中,暗通道图像的像素值接近0。在有浓厚雾霾的输入图像中,暗通道图像的像素值增大。因此,在基于暗通道图像的雾霾去除处理中,根据暗通道图像来计算表达式(1)的透射率t(x)。
返回参照图2,在雾霾去除处理中,根据暗通道图像tmpMinFil和输入图像(有雾霾图像)I(x)来计算大气光的值AirLight(S3)。存在各种计算大气光AirLight的方法。例如,在暗通道图像tmpMinFil的帧中具有高强度的多个像素中,将与所述多个像素对应的输入图像I(x)的亮度最大的像素的像素值(HazeR,HazeG和HazeB)设置为大气光AirLight。即,示意性地,将帧中亮度高的图像指定为大气光源的图像并且将该图像的像素值设置为大气光AirLight。
之后,在雾霾去除处理中,通过大气光AirLight对作为输入图像的有雾霾图像的像素值进行归一化(S4)。通过以下表达式(4)来计算归一化的像素值(HazeR/AirLightR,HazeG/AirLightG和HazeB/AirLightB)的最小值作为向导图图像Guide(x)。
Guide(x)=Min(HazeR/AirLightR,HazeG/AirLightG,HazeB/AirLightB) (4)
通过表达式(4)计算的向导图图像Guide(x)与通过对使用大气光AirLight通过表达式(2)计算的像素值RGB的最小值(未经过滤的暗通道图像)进行归一化而得到的图像相同。因为暗图像的最大值等于或小于大气光AirLight,所以通过使用大气光AirLight对暗通道图像进行归一化而获得的向导图图像Guide(x)是0至1.0范围内的值。
之后,在雾霾去除处理中,根据本实施方式中的雾霾辨别来计算雾霾程度ω(S6)。下文中详细地说明用于计算雾霾程度参数ω的处理。在雾霾去除处理中,基于该雾霾程度参数ω通过以下表达式(5)来计算透射率图FineMap(x)(S7)。透射率图FineMap(x)与表达式(1)的雾霾的透射率t(x)相同。
FineMap(x)=1.0-ω*Guide(x) (5)
在表达式(5)中,将向导图图像Guide(x)与雾霾程度参数ω相乘的原因正如以下说明的那样。尽管暗通道图像是雾霾浓度的一个指标,但是暗通道图像并不直接地表示雾霾的浓度。雾霾程度参数ω是0至1.0的值。当雾霾程度高时,ω接近1.0。当雾霾程度低时,ω接近0。当不存在雾霾时,ω为零。由于将通过使用大气光对暗通道图像进行归一化而获得的向导图图像Guide(x)与雾霾程度参数ω相乘,所以如以下说明的那样透射率图FineMap(x)与通过使用大气光对暗通道图像进行归一化而获得的向导图图像Guide(x)以及雾霾程度参数ω有关系。
当雾霾浓厚时,暗通道图像明亮(强度高)并且接近大气光AirLight,向导图图像Guide(x)接近1.0,并且透射率FineMap(x)接近0。在这种情况下,当确定雾霾程度ω高时,向导图图像Guide(x)被加亮并且透射率FineMap(x)较接近0。
另一方面,当雾霾稀薄时,暗通道图像暗(强度低)并且与大气光AirLight不同,向导图图像Guide(x)接近0,并且透射率FineMap(x)接近1.0。在这种情况下,当确定雾霾程度ω低时,向导图图像Guide(x)被弱化并且透射率FineMap(x)较接近1.0。
根据表达式(1),当透射率图FineMap(x)为0时,雾霾浓厚并且作为输入图像的有雾霾图像I(x)具有仅大气光AirLight的单色。当透射率图FineMap(x)为1.0时,不存在雾霾并且作为输入图像的有雾霾图像I(x)等于雾霾去除图像J(x)。
当计算出透射率图FineMap(x)和大气光AirLight时,在雾霾去除处理中,基于表达式(1)来计算雾霾去除图像J(x)的像素信号RGB(S8)。即,如以下表达式(6)所示的那样来计算像素信号RGB。
J(x)={I(x)-AirLight}/FineMap(x)+AirLight (6)
图4是描绘特定输入图像和雾霾去除图像的示例的图。输入图像P1是包括山和房子的图像的有雾霾图像。通过雾霾去除处理来计算向导图图像Guide(x)。选择三种雾霾程度参数ω来计算透射率图FineMap(x)。在图4中描绘了通过表达式(6)计算的三个雾霾去除图像P2、P3和P4。经受了雾霾去除处理的雾霾去除图像P2的雾霾程度参数为ω=80/128。尚未完全去除雾霾。雾霾去除图像P3的雾霾程度参数为ω=115/128。很大程度上去除了雾霾。另一方面,雾霾去除图像P4具有最大雾霾程度参数为ω=128/128。图像的色调反而不自然。
如果如上文所说明的那样可以将雾霾程度参数ω设置为最佳值,则可以生成更自然的雾霾去除图像。
图5是描绘特定输入图像和雾霾去除图像的另一示例的图。输入图像P11是具有灰色毛发的考拉熊未有雾霾或者雾霾非常稀薄的图像。经受了雾霾去除处理的雾霾去除图像P12是经受了雾霾程度参数为ω=115/128的雾霾去除处理的图像。在这种情况下,在输入图像P11中,将完全呈灰色的考拉熊的图像确定为整体具有雾霾颜色。因此,暗通道图像较亮。当将雾霾程度参数ω设置得相当大时,雾霾去除图像P12变成考拉熊的毛发为微红色的图像。图像的色调不自然。
在图4和图5所描绘的示例中看出,如果可以高度准确地辨别输入图像的雾霾程度,则可以计算出更自然的雾霾去除图像。即使在具有容易被误认为是雾霾的灰色的输入图像中,如果可以高度准确地辨别雾霾程度,则仍可以抑制暗通道图像的影响并且抑制不自然的雾霾去除图像的生成。
[本实施方式中的雾霾图像辨别处理]
图6是本实施方式中的雾霾图像辨别处理的流程图。该雾霾图像辨别处理是图2中描绘的通过雾霾辨别来计算雾霾程度ω的步骤S6中的处理。在该雾霾图像辨别处理中,将输入图像转换成包括亮度分量Y以及色差分量Cr和Cb的图像信号(S10)。当输入图像是RGB像素信号时,通过已知的转换公式将该图像信号转换成YCrCb图像信号。当输入图像是YCrCb图像信号时,不需要对图像信号进行转换。
基于转换后的输入图像数据YCrCb来确定雾霾程度ω(S11)。根据该确定,当整个图像具有雾霾时(S12中为“是”),将雾霾程度参数ω辨别为High(整个图像都是雾霾)(S13)。当图像的一部分具有雾霾时(S14中为“是”),将雾霾程度参数ω辨别为Low(图像的一部分是雾霾)(S15)。否则,将雾霾程度参数ω辨别为0(不存在雾霾)(S17)。
图7、图8和图9是描绘要经受雾霾图像辨别的各个输入图像P1-1、P1-2、P1-3、P1-4、P1-5、P1-6和P1-7之间的关系、相应输入图像的预期雾霾程度参数ω、以及要通过下文说明的五种雾霾程度辨别处理来辨别的雾霾程度参数ω的图。根据雾霾图像辨别处理,雾霾程度参数ω被辨别为表示雾霾程度高的High,被辨别为表示雾霾程度低的Low,或者被辨别为表示不存在雾霾的0。
输入图像P1-1是包括汽车和山的典型有雾霾图像并且整体被灰色像素占据。因此,预期ω为High。输入图像P1-2包括山景。输入图像P1-2也是典型有雾霾图像。然而,在图像的下部中不存在雾霾。因此,预期ω为Low。
输入图像P1-3是与图5所描绘的P11相同的考拉熊的图像,并且是存在考拉熊的许多灰色像素的图像。然而,因为不存在雾霾,所以预期ω为0。输入图像P1-4和P1-5是沥青路上存在颜色较亮的汽车的图像。然而,因为不存在雾霾,所以预期ω为0。
输入图像P1-6是包括汽车和建筑物的整个雾化成蓝色的图像。预期ω为High。输入图像P1-7是包括道路、汽车、山和房子的图像。亮的天空占据大的部分。然而,因为不存在雾霾,所以预期ω为0。
在图7、图8和图9中,针对相应输入图像简要地描述通过下文中说明的雾霾图像辨别处理获得的辨别结果。
[第一雾霾图像辨别处理PR-1和第二雾霾图像辨别处理PR-2]
在第一雾霾图像辨别处理PR-1中,计算接近作为雾霾的典型颜色的灰色的像素占输入图像的像素的比例。在第二雾霾图像辨别处理PR-2中,计算输入图像中的暗像素的比例。如果接近灰色的像素的比例高并且暗像素的比例低,则确定雾霾程度ω高。
图10是根据第一雾霾图像辨别处理和第二雾霾图像辨别处理的组合的流程图。在第一雾霾图像辨别处理PR-1中,对以下像素占包括在输入图像I(x)中的多个像素的第一比例(比例1)进行计算(S20),所述像素的像素信号的色差分量Cb(i)和Cr(i)与灰色值“128”之间的差低于第一基准值ThCrCb。即,第一比例是通过将满足以下表达式(7)的像素的数量除以像素的总数而获得的值。
Abs(Cb(i)-128)+Abs(Cr(i)-128)<ThCbCr (7)
其中,i是像素,Abs表示绝对值。
Abs(Cb(i)-128)和Abs(Cr(i)-128)是色差分量Cb和Cr与灰色值“128”相差的程度。当像素的色差分量与灰色值之间的差小时,这意味着像素的颜色接近灰色。因此,因为在类似图像P1-1的典型雾霾图像中像素接近灰色,所以这意味着第一比例越高,图像中的雾霾区域就越宽。
然而,在类似图像P1-3、P1-4、P1-5和P1-7的包括大量灰色像素的图像的情况下,根据第一雾霾图像辨别处理PR-1,确定出雾霾区域宽。
此外,在第二雾霾图像辨别处理PR-2中,对以下像素占包括在输入图像I(x)中的多个像素的第二比例(比例2)进行计算,所述像素的像素信号的亮度分量Y(i)低于第二基准值ThY(S21)。即,第二比例是通过将满足以下表达式(8)描述的颜色的像素的数量除以像素的总数而获得的值。
Y(i)<ThY (8)
无雾霾图像具有以下特性:图像中总是包括暗像素。基于该特性生成上文说明的暗通道图像。这表示:在第二雾霾图像辨别处理PR-2中,输入图像I(x)的亮度Y低于第二基准值ThY的像素的数量占所有像素的数量的比例即第二比例越低,雾霾区域越宽。
图11是描绘第一雾霾辨别处理和第二雾霾辨别处理的第一比例和第二比例的矩阵的图。在图11中,横坐标表示第一雾霾辨别处理PR-1的0至1.0的第一比例而纵坐标表示第二雾霾辨别处理PR-2的0至1.0的第二比例。
在该实施方式中,使用第一雾霾图像辨别处理PR-1和第二雾霾图像辨别处理PR-2两者来辨别输入图像I(x)的雾霾程度。即,如果在第一雾霾图像辨别处理PR-1中计算的第一比例超过基准值REF1(比例1>REF1),则将雾霾程度ω辨别为High(在S22中为“是”以及S23)。
此外,当第一比例低于基准值REF1并且高于基准值REF2时,将雾霾程度ω辨别为Low(在S24中为“是”以及S25)。当第一比例低于基准值REF2并且高于基准值REF3并且第二比例低于基准值REF11时(REF3<比例1<REF2并且比例2<REF11),将雾霾程度ω辨别为Low(在S26中为“是”以及S25)。否则,将雾霾程度ω辨别为0(S27)。
在图11中,描绘了雾霾程度ω为High的区域、雾霾程度ω为Low的区域以及雾霾程度ω为0的区域。在图11中,还绘制了图像P1-3、P1-4、P1-5和P1-6。在图像P1-3中,雾霾程度ω被辨别为0。在图像P1-4、P1-5和P1-6中,雾霾程度ω被辨别为Low。在考拉熊的图像P1-3中,存在大量灰色像素并且第一比例相当高。然而,存在相对大量的亮度Y低的暗像素并且第二比例相当高。因此,即使当在第一雾霾辨别处理PR-1中确定雾霾程度高时,在第二雾霾辨别处理PR-2中仍确定雾霾程度低。因此,通过将第一雾霾辨别处理和第二雾霾辨别处理的组合辨别来将雾霾程度ω恰当地辨别为0。在图像P1-4、P1-5和P1-6中,存在相对大量灰色像素并且存在少量暗像素。因此,错误地辨别雾霾程度ω为Low。
[第三雾霾图像辨别处理PR-3]
第三雾霾图像辨别处理PR-3是用于将以下图像的雾霾程度ω恰当地辨别为High的处理,所述图像整体有雾霾但是其中大气光不像图像P1-6那样为灰色。在第三雾霾图像辨别处理中,利用以下特性:当雾霾浓厚时,输入图像接近大气光AirLight的颜色。即,根据输入图像来计算大气光AirLight。确定输入图像的像素的色差分量CbCr接近大气光AirLight的色差分量的程度以及输入图像的像素的亮度分量Y接近大气光AirLight的亮度分量的程度。色差分量CbCr和亮度分量Y越接近大气光AirLight的色差分量和亮度分量,确定雾霾程度就越高。
图12是用于说明第三雾霾图像辨别处理的流程图。在第三雾霾图像辨别处理PR-3中,对以下像素占包括在图像中的多个像素的第三比例(比例31)进行计算:其中,像素信号的色差分量Cb(i)和Cr(i)与图像中的大气光的色差分量AirLightCb和AirLightCr之间相应的差低于第三基准值ThCbCr(S30)。特别地,第三比例是两个差的加和Abs(Cb(i)-AirLightCb)+Abs(Cr(i)-AirLightCr)低于第三基准值ThCbCr的像素的数量占像素的总数的比例。即,计算满足下述条件的像素的数量占整个图像的像素的数量的比例(比例31)。
Abs(Cb(i)-AirLightCb)+Abs(Cr(i)-AirLightCr)<ThCbCr (9)
此外,在第三雾霾图像辨别处理PR-3中,对以下像素占包括在图像中的多个像素的第四比例(比例32)进行计算:其中,像素信号的亮度分量Y(i)与大气光的亮度分量AirLight之间的相应的差Abs(AirLightY-Y(i))低于第四基准值ThY(S31)。具体地,第四比例是满足下述条件的像素的数量占像素的总数的比例。
Abs(AirLightY-Y(i))<ThY (10)
在第三雾霾图像辨别处理PR-3中,第三比例(比例31)越高并且第四比例(比例32)越高,确定图像信号的雾霾程度ω就越高(S32至S37)。即,当第三比例(比例31)和第四比例(比例32)两者大时,将雾霾程度ω辨别为High(在S32中为“是”以及S33)。此外,在第三雾霾图像辨别处理PR-3中,当第三比例(比例31)和第四比例(比例32)两者为中间程度时,将雾霾程度ω辨别为Low(在S34中为“是”以及S35)。在第三雾霾图像辨别处理PR-3中,当第三比例(比例31)和第四比例(比例32)两者小时,将雾霾程度ω辨别为0(在S36中为“是”以及S37)。
图13是描绘第三雾霾图像辨别处理的第三比例和第四比例的矩阵的图。在图13中,横坐标表示与第三比例对应的0至1000,而纵坐标表示与第四比例对应的0至1000。在图中,TotalHistCbCr[0-Th_CbCr]表示图像的像素的色差分量Cb和Cr与AirLight的色差分量之间的差的加和小于第三基准值Th_CbCr的像素的数量(直方图的数量)。这也适用于其他标记法。
在图13中,将横坐标上的第三比例高并且纵坐标上的第四比例高的图像的雾霾程度ω辨别为High,将第三比例为中间程度并且第四比例为中间程度的图像的雾霾程度ω辨别为Low,以及将第三比例小并且第四比例小的图像的雾霾程度ω辨别为0。
图14和图15是描绘有浓厚雾霾的图像和无雾霾图像的亮度Y、色差分量Cb和Cr与图像的大气光的亮度和色差分量之间的关系示例的图。图14描绘了有浓厚雾霾的图像P2-1的像素的亮度Y和色差分量Cb和Cr的直方图以及图像P2-1的大气光的亮度AirLightY和色差分量AirLightCb和AirLightCr的值。根据图14明显的是,在有浓厚雾霾的图像P2-1的情况下,像素的亮度Y所集中的亮度值非常接近大气光的亮度AirLightY,而像素的色差分量Cb和Cr所集中的色差分量Cb和Cr非常接近大气光的色差分量AirLightCb和AirLightCr。
另一方面,图15描绘了无雾霾图像P2-2的像素的亮度Y和色差分量Cb和Cr的直方图以及图像P2-2的大气光的亮度AirLightY和色差分量AirLightCb和AirLightCr的值。如图15中描绘的那样,图像P2-2的像素的色差分量Cb和Cr接近图像P2-2的大气光的AirLightCb和AirLightCr。然而,亮度Y接近大气光的AirLightY的像素很少。
根据图14和图15,应当理解,根据第三雾霾图像辨别处理,在有浓厚雾霾的图像P2-1中,因为图像的色差分量Cb和Cr与图像的大气光的色差分量AirLightCb和AirLightCr之间的差小并且图像的亮度与图像的大气光的亮度之间的差也小,所以确定雾霾程度ω高,并且在无雾霾图像P2-2中,因为图像的亮度与大气光的亮度之间的差大,所以将雾霾程度ω辨别为0。
根据第三雾霾图像辨别处理PR-3,在输入图像P1-6的蓝色雾霾图像中,确定像素的色差分量和亮度接近大气光的蓝色的色差分量和亮度,因此将雾霾程度ω辨别为High。即,即使当输入图像中的大量像素并非灰色,但是当像素的颜色和亮度接近大气光时,仍正确地确定雾霾浓。
[第四雾霾图像辨别处理PR-4]
在第四雾霾图像辨别处理PR-4中,利用以下事实来进行雾霾程度ω的辨别处理,所述事实为:在雾霾程度高的图像中,图像的像素的亮度越接近大气光的亮度,边缘分量越小。即,对通过将输入图像的边缘分量与输入图像的像素的亮度Y(x)与大气光的亮度AirLightY之间的差相加而获得的像素的新亮度NewY(x)进行计算。当存在大量的新亮度NewY(x)低的像素时确定雾霾程度高,而当存在大量的新亮度NewY(x)高的像素时确定雾霾程度低。
图16是第四雾霾图像辨别处理PR-4的流程图。图17和图18是用于说明图16的流程图中的处理的图。
在图16中的第四雾霾图像辨别处理PR-4中,首先,对输入图像的包括预定数量的多个像素的区域中的边缘分量进行计算(S40)。如图17中描绘的那样,输入图像被划分成例如4×4个区域P1至P16。例如,当区域P4包括6行6列中的三十六个像素时,对各行中的亮度的最大值Max与最小值Min的差Max-Min(1)至Max-Min(6)进行计算。将差Max-Min的平均值设置为区域P4的边缘分量MaxMin(4)。针对其他区域以相同方式来计算边缘分量。在包括越浓雾霾的图像中,边缘分量越小。在无雾霾图像中,因为边缘清楚地出现,所以边缘分量大。
此外,在该实施方式中,并非仅计算相邻像素之间的边缘分量,而是将包括多个像素的区域中的最大亮度值与最小亮度值之间的差的平均值设置为边缘分量。因此,不仅可以确定一部分像素之间的边缘分量是否大而且可以确定关于在相对较宽的区域中边缘分量是大还是小的趋势。
在图18中,针对图像P2-1和P1-4的示例描绘了参照图17说明的针对每个区域计算的边缘分量MaxMin的值的示例以及具有以下表达式(11)的新亮度NewY(x)的图像的示例。
NewY(x)i=Abs(AirLightY-Y(x)i)+MaxMin(i) (11)
在该实施方式中,针对图像的每个区域计算表达式(11)的新亮度NewY(x)(S41)。
在图像P2-1中,雾霾浓厚并且边缘分量MaxMin的值通常小。因此,图像P2-1的具有新亮度NewY(x)的图像的上半部是亮度NewY(x)低的暗图像。相比之下,在图像P1-4中,在整个图像中不存在雾霾并且边缘分量MaxMin的值通常高。因此,在图像P1-4中,具有新亮度NewY(x)的图像是整个图像中亮度NewY(x)高的明亮图像。
如上文所说明的那样,雾霾越浓厚,输入图像的像素的亮度与大气光的亮度之间的差Abs(AirLightY-Y(x)i)越接近0。雾霾越浓厚时,边缘分量MaxMin(i)的值越接近0。这是因为当雾霾稀薄时图像的对比度增大并且边缘分量增大。
返回参照图16,在第四雾霾图像辨别处理PR-4中,当表达式(11)的新亮度NewY(x)i低时,将雾霾程度ω辨别为High(在S42中为是以及S43)。当新亮度NewY(x)i为中间程度时,将雾霾程度ω辨别为Low(在S44中为是以及S45)。当新亮度NewY(x)i大时,将雾霾程度ω辨别为0(在S46中为是以及S47)。
因此,在图18中描绘的图像P1-4和图像P1-5中,根据第三雾霾图像辨别处理PR-3,将图像中的白色汽车的颜色辨别为大气光。图像中的绝大部分的灰色的色差分量Cr和Cb与大气光的白色的色差分量接近。图像的亮度和大气光的亮度相差不大。因此,确定雾霾部分地存在(ω=Low)。另一方面,根据第四雾霾图像辨别处理PR-4,因为图像的边缘分量高,所以新亮度NewY(x)高并且确定不存在雾霾。正确地将雾霾程度ω辨别为ω=0。
[第五雾霾图像辨别处理PR-5]
在第五雾霾图像辨别处理中,除基于以下特性以外,还基于在色差接近的像素中像素的亮度与大气光AirLight的亮度的相差程度来进行辨别,所述特性为:在包括很多雾霾的图像中,图像的像素的色差分量接近大气光的色差分量。即,计算满足下述表达式(12)的条件的像素的数量占像素的总数的比例。
Abs(AirLightCb-Cb(i))+Abs(AirLightCr-Cr(i))<ThCbCr并且Abs(AirLightY-Y(i))<AirLightY/2 (12)
AirLightY/2是大气光的亮度AirLightY的大约一半的亮度值。因此条件是Abs(AirLightY-Y(i))小于大气光的亮度的大约一半。
图19是第五雾霾图像辨别处理PR-5的流程图。根据该流程图,在第五雾霾图像辨别处理PR-5中,确定表达式(12)的条件是否被满足(S50)。当满足条件的像素的数量的比例大时,将雾霾程度ω辨别为High(在S52中为是以及S53)。当满足条件的像素的数量的比例为中间程度时,将雾霾程度ω辨别为Low(在S54中为是以及S55)。当满足条件的像素的数量的比例小时,将雾霾程度ω辨别为0(在S57中为是以及S58)。
在第三雾霾图像辨别处理(图13)中,对分别满足表达式(9)和表达式(10)的像素的数量的比例单独进行计算。当两个比例都大时,确定雾霾程度高。另一方面,在第五雾霾图像辨别处理中,关于其色差分量接近大气光的色差分量的像素,还确定像素的亮度与大气光的亮度之间的差是否小于大气光的亮度的大约一半。
确定表达式(12)的第二条件以及确定像素的亮度与大气光的亮度之间的差是否小于大气光的亮度的一半的意义如下文所说明的那样。
图20是描绘三个有雾霾图像的图,其中,图像P1-7的透射率被改变。在图20中,描绘了类似下述表达式(1)的表达式。
I(x)=J(x)t(x)+AirLight(1-t(x)) (1)
在图20中的表达式中,用L替换I(x),用L0替换J(x),用Lf(AirLight)替换AirLight,以及用e-kd替换t(x)。表达式被描绘为如以下描述的那样。
L=L0*e-kd+Lf(AirLight)*(1-e-kd) (13)
图20中的三个有雾霾图像是不透明度(1-e-kd)改变成0.3、0.5和0.8的有雾霾图像L。当在试验中视觉地辨别哪个图像是有雾霾图像的边界时,确定不透明度(1-e-kd)或透射率e-kd为0.5的图像是边界的图像。因此,关于图20中的三个有雾霾图像,表达式(13)如以下描述的那样。
P1-7(1):L=L0*0.7+Lf*0.3(无雾霾)
P1-7(2):L=L0*0.5+Lf*0.5(有雾霾图像的边界)
P1-7(3):L=L0*0.2+Lf*0.8(有雾霾)
如以下描述的那样分别地计算大气光的亮度LfY与图像的亮度LY之间的差LfY-LY。
P1-7(1):LfY-LY=LfY-(L0Y*0.7+LfY*0.3)=0.7LfY-0.7L0Y
P1-7(2):LfY-LY=LfY-(L0Y*0.5+LfY*0.5)=0.5LfY-0.5L0Y
P1-7(3):LfY-LY=LfY-(L0Y*0.2+LfY*0.8)=0.2LfY-0.2L0Y
在上述描述中,当右侧第二项0.7L0Y、0.5L0Y和0.2L0Y因为小而被忽略时,表达式改变为如以下所描述的那样。
P1-7(1):LfY-LY=0.7LfY>0.5LfY(无雾霾)
P1-7(2):LfY-LY=0.5LfY(有雾霾图像的边界)
P1-7(3):LfY-LY=0.2LfY<0.5LfY(有雾霾)
根据以上内容理解的是,如果图像的亮度与大气光的亮度之间的差LfY-LY小于大气光的亮度的一半LfY/2(LfY-LY<0.5LfY),则可以确定该图像是有雾霾图像,如果上述差LfY-LY大于大气光的亮度的一半LfY/2(LfY-LY>0.5LfY),则可以确定该图像是无雾霾图像。
因此,在第五雾霾图像辨别处理中,满足上述表达式(12)的像素的数量越大,可以确定雾霾程度就越高。在图像P1-7中,明亮的天空和灰色道路占据宽区域。在这种情况下,因为占据宽区域的天空的亮度高,所以该亮度与大气光的亮度之间的差大于大气光的一半。确定雾霾程度低。通过这种方式,在存在大量灰色像素同时亮度高的区域如明亮的天空宽的图像P1-7中,通过第五雾霾图像辨别处理将雾霾程度ω辨别为0。
图21是描绘用于对第四雾霾图像辨别处理PR-4和第五雾霾图像辨别处理PR-5进行组合并且辨别雾霾程度ω的处理的图。在图21中,横坐标表示第五雾霾图像辨别处理的满足条件(表达式(12))的像素的数量的比例,而纵坐标表示第四雾霾图像辨别处理的满足条件(表达式(11)小)的像素的数量的比例。将两个比例都高的图像的雾霾程度ω辨别为High,将两个比例都是中间程度的图像的雾霾程度ω辨别为Low,以及将两个比例都低的图像的雾霾程度ω辨别为0。
如以上所说明的那样,在纵坐标和横坐标上绘制了第四雾霾图像辨别处理和第五雾霾图像辨别处理使用的像素的数量的比例并且对其进行了辨别。因此,可以更加高度准确地对雾霾程度ω进行辨别。
根据情况以组合形式或单独地进行第一雾霾图像辨别处理和第二雾霾图像辨别处理、第三雾霾图像辨别处理、第四雾霾图像辨别处理和第五雾霾图像辨别处理进行的辨别以及第四雾霾图像辨别处理和第五雾霾图像辨别处理的组合辨别处理。因此,可以辨别各种图像的雾霾程度。
然而,尽管第一雾霾图像辨别处理和第二雾霾图像辨别处理的处理量相对较小,但是第三雾霾图像辨别处理和第五雾霾图像辨别处理的处理量相对较大,这是因为将亮度和色差分量用于关于大气光的确定。在第四雾霾图像辨别处理中,因为计算边缘分量,所以处理量变大。因此,在以下方面存在权衡:当雾霾图像辨别处理的准确度提高时,处理量会由于准确度的提高而变大。需要采用具有适于最优成本的准确度的雾霾图像辨别处理。
Claims (14)
1.一种雾霾图像辨别设备,包括:
第一计算器,被配置成:计算包括在图像中的多个像素各自的像素信号的色差分量与灰色值之间的差,并且计算所述差低于第一基准值的像素占所述多个像素的第一比例;
第二计算器,被配置成:计算所述多个像素各自的像素信号的亮度分量低于第二基准值的像素占所述多个像素的第二比例;以及
雾霾程度确定单元,被配置成:所述第一比例越高并且所述第二比例越低,确定所述图像的雾霾程度就越高。
2.根据权利要求1所述的雾霾图像辨别设备,还包括:
第三计算器,被配置成:计算所述多个像素各自的像素信号的色差分量与所述图像中的大气光的色差分量之间的差低于第三基准值的像素占所述多个像素的第三比例;以及
第四计算器,被配置成:计算所述多个像素各自的像素信号的亮度分量与所述大气光的亮度分量之间的差低于第四基准值的像素占所述多个像素的第四比例,其中,
所述雾霾程度确定单元被配置成:所述第三比例越高并且所述第四比例越高,确定所述图像的雾霾程度就越高。
3.根据权利要求2所述的雾霾图像辨别设备,其中,所述第三计算器被配置成:基于所述图像的多个像素信号中的亮度值最大的像素信号来生成所述大气光的信号。
4.根据权利要求1所述的雾霾图像辨别设备,其中,所述雾霾程度确定单元被配置成:所述图像的边缘分量与以下亮度差的加和越低,确定所述雾霾程度就越高,所述亮度差是所述像素信号的亮度分量与所述图像中的大气光的亮度分量之间的差。
5.根据权利要求2所述的雾霾图像辨别设备,其中,所述雾霾程度确定单元被配置成:所述图像的边缘分量与以下亮度差的加和越低,确定所述雾霾程度就越高,所述亮度差是所述像素信号的亮度分量与所述图像中的大气光的亮度分量之间的差。
6.根据权利要求1所述的雾霾图像辨别设备,其中,所述雾霾程度确定单元被配置成:当所述像素信号的色差分量与所述图像中的大气光的色差分量之间的差低于第五基准值并且所述像素信号的亮度分量与所述大气光的亮度分量之间的差低于所述大气光的亮度分量的基准比率时,确定所述雾霾程度高。
7.根据权利要求2所述的雾霾图像辨别设备,其中,所述雾霾程度确定单元被配置成:当所述像素信号的色差分量与所述图像中的大气光的色差分量之间的差低于第五基准值并且所述像素信号的亮度分量与所述大气光的亮度分量之间的差低于所述大气光的亮度分量的基准比率时,确定所述雾霾程度高。
8.根据权利要求4所述的雾霾图像辨别设备,其中,所述雾霾程度确定单元被配置成:当所述像素信号的色差分量与所述图像中的大气光的色差分量之间的差低于第五基准值并且所述像素信号的亮度分量与所述大气光的亮度分量之间的差低于所述大气光的亮度分量的基准比率时,确定所述雾霾程度高。
9.根据权利要求5所述的雾霾图像辨别设备,其中,所述雾霾程度确定单元被配置成:当所述像素信号的色差分量与所述图像中的大气光的色差分量之间的差低于第五基准值并且所述像素信号的亮度分量与所述大气光的亮度分量之间的差低于所述大气光的亮度分量的基准比率时,确定所述雾霾程度高。
10.根据权利要求1所述的雾霾图像辨别设备,还包括:
第六计算器,被配置成:计算所述图像的边缘分量与以下亮度差的加和低于第六基准值的像素占所述多个像素的第六比例,所述亮度差是所述像素信号的亮度分量与所述图像中的大气光的亮度分量之间的差;以及
第七计算器,被配置成计算以下像素占所述多个像素的第七比例:所述像素信号的色差分量与所述图像中的大气光的色差分量之间的差低于第五基准值,并且所述像素信号的亮度分量与所述大气光的亮度分量之间的差低于所述大气光的亮度分量的基准比率,其中,
所述雾霾程度确定单元被配置成:所述第六比例越高并且所述第七比例越高,确定所述图像的雾霾程度就越高。
11.根据权利要求2所述的雾霾图像辨别设备,还包括:
第六计算器,被配置成计算所述图像的边缘分量与以下亮度差的加和低于第六基准值的像素占所述多个像素的第六比例,所述亮度差是所述像素信号的亮度分量与所述图像中的大气光的亮度分量之间的差;以及
第七计算器,被配置成计算以下像素占所述多个像素的第七比例:所述像素信号的色差分量与所述图像中的大气光的色差分量之间的差低于第五基准值,并且所述像素信号的亮度分量与所述大气光的亮度分量之间的差低于所述大气光的亮度分量的基准比率,其中,
所述雾霾程度确定单元被配置成:所述第六比例越高并且所述第七比例越高,确定所述图像的雾霾程度就越高。
12.一种雾霾图像辨别设备,包括:
第三计算器,被配置成:计算包括在图像中的多个像素各自的像素信号的色差分量与所述图像中的大气光的色差分量之间的差低于第三基准值的像素占所述多个像素的第三比例;
第四计算器,被配置成:计算所述多个像素各自的像素信号的亮度分量与所述大气光的亮度分量之间的差低于第四基准值的像素占所述多个像素的第四比例;以及
雾霾程度确定单元,被配置成:所述第三比例越高并且所述第四比例越高,确定所述图像的雾霾程度就越高。
13.一种雾霾图像辨别设备,包括:
第六计算器,被配置成:计算图像的边缘分量与以下亮度差的加和低于第六基准值的像素占包括在所述图像中的多个像素的第六比例,所述亮度差是所述多个像素各自的像素信号的亮度分量与所述图像中的大气光的亮度分量之间的差;
第七计算器,被配置成计算以下像素占所述多个像素的第七比例:所述多个像素各自的所述像素信号的色差分量与所述图像中的大气光的色差分量之间的差低于第五基准值,并且所述像素信号的亮度分量与所述大气光的亮度分量之间的差低于所述大气光的亮度分量的基准比率;以及
雾霾程度确定单元,被配置成:所述第六比例越高并且所述第七比例越高,确定所述图像的雾霾程度就越高。
14.一种雾霾图像辨别方法,包括:
计算包括在图像中的多个像素各自的像素信号的色差分量与灰色值之间的差低于第一基准值的像素占所述多个像素的第一比例;
计算所述多个像素各自的像素信号的亮度分量低于第二基准值的像素占所述多个像素的第二比例;以及
所述第一比例越高并且所述第二比例越低,确定所述图像的雾霾程度就越高。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014151661A JP6488581B2 (ja) | 2014-07-25 | 2014-07-25 | 霞画像判別装置及び判別方法 |
JP2014-151661 | 2014-07-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105303525A CN105303525A (zh) | 2016-02-03 |
CN105303525B true CN105303525B (zh) | 2018-04-06 |
Family
ID=55166978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510437704.XA Active CN105303525B (zh) | 2014-07-25 | 2015-07-23 | 雾霾图像辨别设备及辨别方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9489591B2 (zh) |
JP (1) | JP6488581B2 (zh) |
CN (1) | CN105303525B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6804022B2 (ja) * | 2016-05-02 | 2020-12-23 | 富士ゼロックス株式会社 | 変化度合い導出装置、変化度合い導出方法及びプログラム |
CN107481199B (zh) * | 2017-07-27 | 2020-01-10 | Oppo广东移动通信有限公司 | 图像去雾处理方法、装置、存储介质和移动终端 |
CN109993705A (zh) * | 2017-12-29 | 2019-07-09 | 展讯通信(上海)有限公司 | 一种去雾自适应控制方法及系统 |
TWI674804B (zh) * | 2018-03-15 | 2019-10-11 | 國立交通大學 | 視訊除霧處理裝置及方法 |
CN110458815B (zh) * | 2019-08-01 | 2023-05-30 | 阿波罗智能技术(北京)有限公司 | 自动驾驶有雾场景检测的方法及装置 |
US11803942B2 (en) * | 2021-11-19 | 2023-10-31 | Stmicroelectronics (Research & Development) Limited | Blended gray image enhancement |
KR102471542B1 (ko) * | 2022-01-04 | 2022-11-28 | 재단법인 서울특별시 서울기술연구원 | Cctv 개방정보를 이용한 야간 도로 안개감지 시스템 및 그 감지 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315326A (zh) * | 2007-05-31 | 2008-12-03 | 财团法人工业技术研究院 | 烟雾侦测方法与装置 |
CN101908210A (zh) * | 2010-08-13 | 2010-12-08 | 北京工业大学 | 彩色图像去雾处理方法和系统 |
JP2013058202A (ja) * | 2011-09-08 | 2013-03-28 | Fujitsu Ltd | 画像の霧除去方法及びシステム |
CN103778418A (zh) * | 2014-01-28 | 2014-05-07 | 华南理工大学 | 一种输电线路杆塔图像监测系统的山火图像识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002083301A (ja) * | 2000-09-06 | 2002-03-22 | Mitsubishi Electric Corp | 交通監視装置 |
CN1732682B (zh) | 2002-12-27 | 2010-04-21 | 株式会社尼康 | 图像处理装置 |
JP4466015B2 (ja) | 2002-12-27 | 2010-05-26 | 株式会社ニコン | 画像処理装置および画像処理プログラム |
US20080137906A1 (en) * | 2006-12-12 | 2008-06-12 | Industrial Technology Research Institute | Smoke Detecting Method And Device |
US8396324B2 (en) * | 2008-08-18 | 2013-03-12 | Samsung Techwin Co., Ltd. | Image processing method and apparatus for correcting distortion caused by air particles as in fog |
US8290294B2 (en) * | 2008-09-16 | 2012-10-16 | Microsoft Corporation | Dehazing an image using a three-dimensional reference model |
JP5343726B2 (ja) | 2009-06-19 | 2013-11-13 | カシオ計算機株式会社 | 画像処理装置、及び画像処理プログラム |
JP5771430B2 (ja) | 2011-04-08 | 2015-08-26 | オリンパス株式会社 | 霞除去画像処理装置、霞除去画像処理方法及び霞除去画像処理プログラム |
-
2014
- 2014-07-25 JP JP2014151661A patent/JP6488581B2/ja active Active
-
2015
- 2015-07-14 US US14/799,268 patent/US9489591B2/en active Active
- 2015-07-23 CN CN201510437704.XA patent/CN105303525B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315326A (zh) * | 2007-05-31 | 2008-12-03 | 财团法人工业技术研究院 | 烟雾侦测方法与装置 |
CN101908210A (zh) * | 2010-08-13 | 2010-12-08 | 北京工业大学 | 彩色图像去雾处理方法和系统 |
JP2013058202A (ja) * | 2011-09-08 | 2013-03-28 | Fujitsu Ltd | 画像の霧除去方法及びシステム |
CN103778418A (zh) * | 2014-01-28 | 2014-05-07 | 华南理工大学 | 一种输电线路杆塔图像监测系统的山火图像识别方法 |
Non-Patent Citations (3)
Title |
---|
An Improved Fog-degraded Image Enhancement Algorithm;YI-SHU ZHAI 等;《Proceedings of the 2007 International Conference on Wavelet Analysis and Pattern Recognition》;20071104;522-526 * |
基于人眼视觉特性的快速单幅图像去雾算法;张红英 等;《计算机应用》;20140610;第34卷(第6期);1753-1757 * |
基于分形理论的彩色烟雾图像识别;于海晶;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140515(第05期);第1.3.1,4.3.2,4.4节 * |
Also Published As
Publication number | Publication date |
---|---|
US9489591B2 (en) | 2016-11-08 |
CN105303525A (zh) | 2016-02-03 |
JP2016029534A (ja) | 2016-03-03 |
JP6488581B2 (ja) | 2019-03-27 |
US20160026893A1 (en) | 2016-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105303525B (zh) | 雾霾图像辨别设备及辨别方法 | |
CN101715050B (zh) | 一种图像传感器坏点检测的方法和系统 | |
CN110490914A (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
CN102750535B (zh) | 自动提取图像前景的方法和系统 | |
CN104769652B (zh) | 用于检测交通灯的方法和系统 | |
CN106384095B (zh) | 基于手机拍摄图像的轿车故障指示灯识别方法 | |
CN106161974B (zh) | 利用高动态范围功能的车辆用显示装置及其方法 | |
CN112767392B (zh) | 图像清晰度确定方法、装置、设备及存储介质 | |
CN105493141B (zh) | 非结构化道路边界检测 | |
CN108293092A (zh) | 基于强度变化的参数调整 | |
CN102724541B (zh) | 一种监控影像智能诊断恢复方法 | |
CN108805838A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN103379346A (zh) | 一种yuv格式图像的色度信息处理方法、装置及系统 | |
CN110807406B (zh) | 一种雾天检测方法及装置 | |
CN110298812B (zh) | 一种图像融合处理的方法及装置 | |
JP2004135269A (ja) | 正確さをエンハンスするために空間コンテクストを用いる電子カラードロップアウト方法 | |
JP5510468B2 (ja) | ナンバープレート色判定装置、コンピュータプログラム及びナンバープレート色判定方法 | |
CN108270983B (zh) | 一种字符叠加显示方法及装置 | |
US10083516B2 (en) | Method for segmenting a color image and digital microscope | |
CN109389126A (zh) | 一种基于颜色的区域检测方法、装置及电子设备 | |
CN110363752B (zh) | 一种成衣材质缺陷模拟生成方法、计算机可读介质及系统 | |
KR101493900B1 (ko) | 놀이용 카드의 비가시성 패턴의 존재 여부가 검출되는 영상 처리 방법 및 기록매체 | |
CN105184746A (zh) | 基于直方图均衡的彩色图像增强处理方法 | |
Kar et al. | Statistical approach for color image detection | |
CN109087289A (zh) | 一种格栅背景下的板材视觉图像检测算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |