CN105608683B - 一种单幅图像去雾方法 - Google Patents
一种单幅图像去雾方法 Download PDFInfo
- Publication number
- CN105608683B CN105608683B CN201610140077.8A CN201610140077A CN105608683B CN 105608683 B CN105608683 B CN 105608683B CN 201610140077 A CN201610140077 A CN 201610140077A CN 105608683 B CN105608683 B CN 105608683B
- Authority
- CN
- China
- Prior art keywords
- mrow
- block
- sub
- smooth
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000003595 mist Substances 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000003672 processing method Methods 0.000 claims abstract description 14
- 230000008030 elimination Effects 0.000 claims abstract description 7
- 238000003379 elimination reaction Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000009738 saturating Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发提供一种单幅图像去雾处理方法，具体过程为：(一)计算雾图像I的透射率te；(二)根据光滑区域识别算法判断输入雾图像是否有光滑区域，若存在光滑区域，则令识别参数sky＝1，否则sky＝0；(三)基于所述透射率te和识别参数sky，获取去雾图像。该方法采用适于雾图像的光滑区域识别算法，通过对雾图像进行识别分类，对不同类型的雾图像采用相对应的方法，从而保证的去雾效果，提高雾、霾天气下图像质量。
Description
技术领域
本发明属于数字图像处理技术领域，具体涉及一种单幅图像去雾方法。
背景技术
在雾、霾天气下进行拍摄，得到的图像和视频常常出现图像模糊、细节无法识别的现象。为提高雾、霾天气下拍摄图像的清晰度、增强图像细节的可辨识性，需要采用去雾方法对图像进行处理。
当前对于雾图像处理的方法大致可以分为两类：一类是基于图像增强的方法，此类方法未考虑雾图像具体形成的物理过程，只选取图像中感兴趣的部分进行局部增强。常用的图像增强方法有直方图均衡、同态滤波和Retinex算法等，此类方法没有考虑雾天图像对比度与景物深度的对应关系，对景物深度变化比较大的图像的增强效果不理想，而且对图像的色调有改变，导致图像视觉效果不自然。基于雾模型的去雾方法是对雾图像进行一次与成像相反的逆过程来恢复无雾图像。雾模型的两个主要未知量是大气参数和图像的透射率，其中透射率和图像的深度成指数关系。常见的去雾方法是先对大气参数和透射率进行估计，然后根据成像模型来恢复无雾图像。基于暗通道先验(dark channel prior)的图像去雾方法是基于雾模型去雾方法的一种。暗通道先验是由通过对户外无雾图像数据库进行统计而得出；由于光滑区域并不符合暗通道先验规律，因此采用暗通道先验去雾方法对光滑区域的适应性差。
发明内容
有鉴于此，本发明提供了一种单幅图像去雾处理方法，该方法采用适于雾图像的光滑区域识别算法，通过对雾图像进行识别分类，对不同类型的雾图像采用相对应的方法(对于存在光滑区域的雾图像，采用透射率修正，对于不存在光滑区域的雾图像，不再修正透射率)，从而保证的去雾效果，提高雾、霾天气下图像质量。
本发明的技术方案具体实现如下：
一种单幅图像去雾处理方法，具体过程为：
(一)计算雾图像I的透射率te，
(二)根据光滑区域识别算法判断输入雾图像是否有光滑区域，若存在光滑区域，则令识别参数sky＝1，否则sky＝0；
(三)基于所述透射率te和识别参数sky，获取去雾图像。
述光滑区域识别算法具体步骤为：
A.对雾图像进行处理并划分，并以平均亮度作为判据，寻找出最平滑的子块；
B.将最平滑子块的平均亮度Ave与设定阈值和进行比较，当将该子块定义为第I类子块，进入步骤D；当将该子块定义为第IV类子块，进入步骤D；当时然后进入步骤C；
C.针对最平滑子块，寻找距原点欧式距离最小的点pturn，定义比例参数rdist：
表示中值滤波器，Vorig表示最平滑子块映射为Nblock×1的降序一维向量；
当比例参数rdist小于预设阈值Tr时，将最平滑子块定义为第II类子块；否则，定义为第III类子块；
D.若最平滑子块属于第I和第II类，并且其平均亮度大于预设阈值Tlig，此时令sky＝1，否则令sky＝0。
进一步地，本发明所述步骤(一)的具体过程为：
步骤一、求取大气光值：
计算出输入雾图像I的暗通道图Idark，根据Idark估算出大气光值A；
步骤二、估计初始透射率图：
计算I/A的暗通道图，根据下式估计初始的透射率
其中，ω为加权系数，Ω(x)表示以图像像素点x为中心的矩形窗口，y表示属于窗口Ω(x)中的像素，c表示雾图像I的颜色通道{r,g,b}中的一个通道，Ic(y)表示雾图像I在y处的第c层颜色层的取值，Ac表示A的第c层颜色层的取值；
步骤三、对初始透射率做高斯平滑得到ts，然后根据优化方法得到最终的透射率te，所述优化方法如下：
其中，为导向滤波器。
进一步地，本发明所述步骤A的具体过程为：首先，用高斯-拉普拉斯金字塔方法将输入雾图像I分解为第0层拉普拉斯金字塔L0，然后，求出L0各颜色层的平均值得到的亮度图像最后，对亮度图像进行划分，并以平均亮度作为判据，寻找出最平滑的子块。
进一步地，本发明所述步骤A的具体过程为：
(1)用四叉树分层搜索法将输入雾图像I的第0层拉普拉斯金字塔的亮度图分解为四个子块，然后分别计算每个子块的平均亮度值，每个子块的平均亮度计算公式如下：
其中，M和N是每个子块的高度和宽度；
(2)选择Ave值最小的子块，按照步骤(1)的方式分解计算，得到整个输入图像中最平滑的子块。
进一步地，本发明所述欧式距离的计算方法为：
将最平滑子块的亮度值矩阵重新映射为Nblock×1的降序一维向量，记为Vorig，Nblock为最平滑子块像素总数，Vorig归一化后的向量记为Vnorm；设像素数组成向量[1,2,…,Nblock]，其归一化后的向量记为Nnorm，Vnorm和Nnorm构成二维向量，其每一对坐标(Vnorm(i),Nnorm(i))，距原点的欧式距离所构成的向量D为：
其中，D(i)为向量D的第i个元素。
进一步地，本发明基于所述透射率te和识别参数sky获取去雾图像J(x)如下：
J(x)＝(I(x)-A)/t′+A
其中，
其中，K为设定参数。
有益效果
本发明将雾图像进行分块处理，排除了其它场景的干扰，提高了光滑区域的识别效率，能够对雾图像光滑区域进行准确地识别，解决了光滑区域透射率修正失效的问题。
附图说明
图1为本发明实施例中图像去雾方法的流程示意图。
图2为本发明实施例中光滑区域识别算法的流程示意图。
图3(a)为本发明实施例中去雾前的原始图像。
图3(b)为未采用光滑区域识别算法的去雾效果图。
图3(c)为本发明实施例中图像去雾后的效果图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。
实施例1：
本发明一种单幅图像去雾处理方法，如图1所示，具体过程为：
(一)计算雾图像I的透射率te；
具体过程如下：
步骤一、求取大气光值。
根据暗通道原理，计算出输入雾图像I的暗通道图Idark，根据Idark估算出大气光值A，估算方法为：选取Idark像素亮度值从大到小排列的前0.1％作为大气光区域，这些像素区域对应在I中的像素区域，取该区域中RGB三通道之和的最大值的点作为大气光值A，其中A为一个三元的向量A＝(Ar,Ag,Ab)。
步骤二、估计初始透射率图。
计算I/A的暗通道图，根据下式估计初始的透射率
其中，ω为加权系数，取值0.95。根据测试结果，ω取值范围可在0.90至0.99之间，优选地，ω取值范围在0.94至0.96之间，Ω(x)表示以图像像素点x为中心的矩形窗口，y表示属于窗口Ω(x)中的像素。
步骤三、对初始透射率做高斯平滑得到ts，然后根据优化方法得到最终的透射率te。所述优化方法如下：
其中，为导向滤波器。
(二)根据光滑区域识别算法判断输入雾图像是否有光滑区域，若存在光滑区域，则令识别参数sky＝1，否则令识别参数sky＝0。
所述光滑区域识别算法具体过程为，如图2所示：
A.寻找最平滑的子块
用高斯-拉普拉斯金字塔方法将输入雾图像I分解为第0层拉普拉斯金字塔L0，然后，求出L0各颜色层的平均值得到的亮度图像最后从输入雾图像I的第0层拉普拉斯金字塔的亮度图寻找最平滑的子块，具体过程为：
(1)用四叉树分层搜索法将输入雾图像I的第0层拉普拉斯金字塔的亮度图分解为四个子块，然后分别计算每个子块的平均亮度值，每个子块的平均亮度计算公式如下：
其中，M和N是每个子块的高度和宽度。
之后选择四个子块中最小Ave值对应的子块，再按照步骤(1)的方式进行进一步划分计算，得到整个输入图像中最平滑的子块。
B.将最平滑子块的Ave值与设定阈值和进行比较，初步将Ave对应的子块分为三类，即当Ave值小于时，表示该最平滑子块为平滑区域，并定义该子块为第I类子块，进入步骤D，当Ave值处于和之间时，表示该最平滑子块为较平滑区域，进入步骤C，当Ave值大于时，表示该最平滑子块为不平滑区域，并定义该子块为第IV类子块，进入步骤D，其中较平滑区域中存在两种情况，一种为光滑区域，另一种为大景深区域，因此需要进一步通过步骤C对其进行分类。
以上所述取0.002，取0.021。
C.对较平滑子块进一步分类
将最平滑子块的亮度值矩阵重新映射为Nblock×1的降序一维向量，记为Vorig，Nblock为最平滑子块像素总数。Vorig归一化后的向量记为Vnorm。另外，设像素数组成向量[1,2,…,Nblock]，其归一化后的向量记为Nnorm。Vnorm和Nnorm构成二维向量，其每一对坐标(Vnorm(i),Nnormx(i))，距原点的欧式距离所构成的向量为D；
其中，D(i)为向量D的第i个元素；
定义如下比例参数：
其中，表示中值滤波器，即取Vorig(1)到Vorig(pturn)的中值，pturn为D(i)取最小值时的点i。
当比例参数rdist小于或等于预设阈值Tr时，此时将最平滑子块定义为第II类；当比例参数rdist大于预设阈值Tr时，则将最平滑子块定义为第III类(属于大景深场景)。
以上所述Tr取0.518。
D.只有第I类和第II类符合光滑区域的特征。若子块图像属于这两类，并且其平均亮度值在预设阈值Tlig以上，即认为这个子块存在光滑区域，此时参数sky＝1。若最光滑子块中不存在光滑区域，原始雾图即不存在光滑区域，此时参数sky＝0。
以上所述Tlig取0.68。
(三)通过雾图像物理模型得到去雾图像
J(x(＝(I(x)-A)/t′+A
其中，
其中容差参数K＝0.275
实施例2：
步骤一、求取大气光值。
根据暗通道原理，计算出输入雾图像I的暗通道图Idark，根据Idark估算出大气光值A，估算方法为：选取Idark像素亮度值从大到小排列的前0.1％作为大气光区域，这些像素区域对应在I中的像素区域，取该区域中RGB三通道之和的最大值的点作为大气光值A，其中A为一个三元的向量A＝(0.7135,0.7135,0.7213)。
步骤二、估计初始透射率图。
计算I/A的暗通道图，根据下式估计初始的透射率
其中，ω为加权系数，取值0.95。根据测试结果，ω取值范围可在0.90至0.99之间，优选地，ω取值范围在0.94至0.96之间，Ω(x)表示以图像像素点x为中心的矩形窗口，y表示属于窗口Ω(x)中的像素。
步骤三、对初始透射率做高斯平滑得到ts，其中高斯平滑滤波的窗口大小为7，sigma值为5.5。然后根据优化方法得到最终的透射率te。所述优化方法如下：
其中，为导向滤波器。
步骤四、根据光滑区域识别算法判断输入雾图像是否有光滑区域若存在光滑区域，则令识别参数sky＝1；否则sky＝0。所述光滑区域识别算法具体步骤为：
A.寻找最平滑的子块
用高斯-拉普拉斯金字塔方法将输入雾图分解为第0层拉普拉斯金字塔L0。然后求出L0各颜色层的平均值得到亮度图像
从输入雾图像第0层拉普拉斯金字塔的亮度图寻找最平滑的子块。首先，用一种四叉树分层搜索法将原始降质图的第0层拉普拉斯金字塔的亮度图分解为四个子块，然后分别计算每个子块的平均亮度值，公式如下：
其中，M和N是每个子块的高度和宽度。
之后选择Ave值最小的子块，再次重复这个过程一次。通过这个过程，就找到了整个输入图像中最平滑的子块。此例中的Ave值为0.002。
B.通过Ave与阈值和进行比较，初步将Ave对应的子块分为三类，分别表示为平滑，较平滑和不平滑。当表示该最平滑子块为平滑区域，并定义该子块为第I类子块，当表示该最平滑子块为不平滑区域，并定义该子块为第IV类子块，然后进入步骤D，当表示该最平滑子块为较平滑区域，并进入步骤C；
以上所述取0.002，取0.021，此例属于子块较平滑，因此需要对子块进行进一步分类。
C.对最平滑子块进一步分类
将最平滑子块的亮度值矩阵重新映射为Nblock×1的降序一维向量，记为Vorig，Nblock为子块元素总数。Vorig归一化后的向量记为Vnorm。另外，设元素总数组成的向量[1,2,…,Nblock]，其归一化后的向量记为Nnorm。Vnorm和Nnorm构成二维向量，其每一对坐标(Vnorm(i),Nnorm(i))距原点的欧式距离所构成的向量D为：
pturn就是当D(i)取最小值时的点i。
定义如下比例参数：
其中，表示中值滤波器，即取Vorig(j)到Vorig(j)的中值。当比例参数rdist小于某个阈值Tr时，此时最平滑子块定义为第II类子块；否则，若rdist高于这个阈值Tr，则最平滑子块定义为第III类子块。此例中，所求的rdist＝0.6299，因此子块属于第II类。
以上所述Tr取0.518。
D.只有第I类和第II类符合光滑区域的特征。此例中子块属于第二类，但是计算的平均亮度值为0.6372，小于阈值Tlig，因此这样的子块中不存在光滑区域，原始雾图也不存在光滑区域,令sky＝0。
以上所述Tlig取0.68。
步骤五、通过雾图像物理模型得到去雾图像
J(x)＝(I(x)-A)/t′+A
其中，
其中容差参数K＝0.275，此例中，sky＝0,因此t′(x)不需要修正，经过去雾后的图像如图3(c)所示。若不采用光滑区域的识别算法，去雾后的图像如图3(b)所示，图3(a)表示去雾前的图像。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种单幅图像去雾处理方法，其特征在于，具体过程为：
(一)计算雾图像I的透射率te；
(二)根据光滑区域识别算法判断输入雾图像是否有光滑区域，若存在光滑区域，则令识别参数sky＝1，否则sky＝0；
(三)基于所述透射率te和识别参数sky，获取去雾图像；
所述光滑区域识别算法具体步骤为：
A.对雾图像进行处理并划分，并以平均亮度作为判据，寻找出最平滑的子块；
B.将最平滑子块的平均亮度Ave与设定阈值和进行比较，当将该子块定义为第I类子块，进入步骤D；当将该子块定义为第IV类子块，进入步骤D；当时，进入步骤C；
C.寻找距原点欧式距离最小的点pturn，定义比例参数rdist：
表示中值滤波器，Vorig表示最平滑子块映射为Nblock×1的降序一维向量；
当比例参数rdist小于预设阈值Tr时，将最平滑子块定义为第II类子块；否则，定义为第III类子块；
D.若最平滑子块属于第I或第II类，并且其平均亮度大于预设阈值Tlig，此时令sky＝1，否则令sky＝0。
2.根据权利要求1所述单幅图像去雾处理方法，其特征在于，所述步骤(一)的具体过程为：
步骤一、求取大气光值：
计算输入雾图像I的暗通道图Idark，根据Idark估算出大气光值A；
步骤二、估计初始透射率图：
计算暗通道图I/A，根据下式估计初始的透射率
<mrow>
<mover>
<mi>t</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&omega;</mi>
<munder>
<mi>min</mi>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>r</mi>
<mo>,</mo>
<mi>g</mi>
<mo>,</mo>
<mi>b</mi>
<mo>}</mo>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mo>(</mo>
<mrow>
<msup>
<mi>I</mi>
<mi>c</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msup>
<mi>A</mi>
<mi>c</mi>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，ω为加权系数，Ω(x)表示以图像像素点x为中心的矩形窗口，y表示属于窗口Ω(x)中的像素，c表示雾图像I的颜色通道{r,g,b}中的一个通道，Ic(y)表示雾图像I在y处的第c层颜色层的取值，Ac表示A的第c层颜色层的取值；
步骤三、对初始透射率做高斯平滑得到ts，然后根据优化方法得到最终的透射率te，所述优化方法如下：
其中，为导向滤波器。
3.根据权利要求2所述单幅图像去雾处理方法，其特征在于，所述ω取值为0.95。
4.根据权利要求1所述单幅图像去雾处理方法，其特征在于，所述步骤A中的过程为：首先，用高斯-拉普拉斯金字塔方法将输入雾图像I分解为第0层拉普拉斯金字塔L0，然后，求出L0各颜色层的平均值得到的亮度图像最后，对亮度图像进行划分，并以平均亮度作为判据，寻找出最平滑的子块。
5.根据权利要求4所述单幅图像去雾处理方法，其特征在于，所述步骤A的具体过程为：
(1)用四叉树分层搜索法将输入雾图像I的第0层拉普拉斯金字塔的亮度图分解为四个子块，然后分别计算每个子块的平均亮度值，每个子块的平均亮度计算公式如下：
<mrow>
<mi>A</mi>
<mi>v</mi>
<mi>e</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mi>i</mi>
<mi>M</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mi>j</mi>
<mi>N</mi>
</msubsup>
<msubsup>
<mi>L</mi>
<mn>0</mn>
<mrow>
<mi>l</mi>
<mi>i</mi>
<mi>g</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
其中，M和N是每个子块的高度和宽度；
(2)选择Ave值最小的子块，按照步骤(1)的方式分解计算，得到整个输入图像中最平滑的子块。
6.根据权利要求1所述单幅图像去雾处理方法，其特征在于，所述取0.002，取0.021。
7.根据权利要求1所述单幅图像去雾处理方法，其特征在于，所述欧式距离的计算方法为：
将最平滑子块的亮度值矩阵重新映射为Nblock×1的降序一维向量，记为Vorig，Nblock为最平滑子块像素总数，Vorig归一化后的向量记为Vnorm；设像素数组成向量[1,2,…,Nblock]，其归一化后的向量记为Nnorm，Vnorm和Nnorm构成二维向量，对于每一对坐标(Vnorm(i),Nnorm(i))，其距原点的欧式距离所构成的向量D为：
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msubsup>
<mi>V</mi>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>N</mi>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
其中，D(i)为向量D的第i个元素。
8.根据权利要求1所述单幅图像去雾处理方法，其特征在于，所述Tr取0.518，所述Tlig取0.68。
9.根据权利要求2所述单幅图像去雾处理方法，其特征在于，基于所述透射率te和识别参数sky获取去雾图像J(x)如下：
J(x)＝(I(x)-A)/t′+A
其中，
<mrow>
<msup>
<mi>t</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>(</mo>
<mrow>
<mfrac>
<mi>K</mi>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>A</mi>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>&CenterDot;</mo>
<msup>
<mi>t</mi>
<mi>e</mi>
</msup>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mi>k</mi>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>t</mi>
<mi>e</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mi>k</mi>
<mi>y</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，K为设定参数。
10.根据权利要求9所述单幅图像去雾处理方法，其特征在于，所述K取0.275。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610140077.8A CN105608683B (zh) | 2016-03-11 | 2016-03-11 | 一种单幅图像去雾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610140077.8A CN105608683B (zh) | 2016-03-11 | 2016-03-11 | 一种单幅图像去雾方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105608683A CN105608683A (zh) | 2016-05-25 |
| CN105608683B true CN105608683B (zh) | 2018-02-16 |
Family
ID=55988599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610140077.8A Active CN105608683B (zh) | 2016-03-11 | 2016-03-11 | 一种单幅图像去雾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105608683B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106131412B (zh) * | 2016-07-12 | 2019-04-30 | 浙江宇视科技有限公司 | 一种图像处理方法、系统及电子设备 |
| CN107705258B (zh) * | 2017-09-19 | 2021-05-25 | 东华大学 | 一种三基色联合预均衡和去模糊的水下图像增强方法 |
| CN110175967B (zh) * | 2019-06-05 | 2020-07-17 | 邓诗雨 | 图像去雾处理方法、系统、计算机设备和存储介质 |
| CN110782407B (zh) * | 2019-10-15 | 2021-10-19 | 北京理工大学 | 一种基于天空区域概率分割的单幅图像去雾方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6249638B2 (ja) * | 2013-05-28 | 2017-12-20 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
| CN103279931B (zh) * | 2013-06-03 | 2016-07-13 | 中国人民解放军国防科学技术大学 | 基于透射率的去雾图像去噪方法 |
| CN104299192B (zh) * | 2014-09-28 | 2017-03-29 | 北京联合大学 | 一种基于大气光散射物理模型的单幅图像去雾方法 |
| CN104732497A (zh) * | 2015-03-31 | 2015-06-24 | 北京交通大学 | 一种图像去雾方法、fpga及包含该fpga的去雾系统 |
-
2016
- 2016-03-11 CN CN201610140077.8A patent/CN105608683B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105608683A (zh) | 2016-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
| CN105225210B (zh) | 一种基于暗通道的自适应直方图增强去雾方法 | |
| CN105608683B (zh) | 一种单幅图像去雾方法 | |
| CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
| CN106846263A (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
| CN103942758A (zh) | 基于多尺度融合的暗通道先验图像去雾方法 | |
| Zhang et al. | A naturalness preserved fast dehazing algorithm using HSV color space | |
| CN107358585A (zh) | 基于分数阶微分及暗原色先验的雾天图像增强方法 | |
| Kumar et al. | Fuzzified contrast enhancement for nearly invisible images | |
| CN117218029B (zh) | 基于神经网络的夜间暗光图像智能处理方法 | |
| CN112053298B (zh) | 一种图像去雾方法 | |
| CN112200746A (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
| CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
| CN105046202A (zh) | 自适应的人脸识别光照处理方法 | |
| CN111861939A (zh) | 一种基于无监督学习的单张图像去雾方法 | |
| CN111476744A (zh) | 一种基于分类及大气成像模型的水下图像增强方法 | |
| CN112419163A (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
| CN109767407A (zh) | 一种去雾过程中大气透射率图像的二次估计方法 | |
| CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
| CN102542539A (zh) | 一种基于功率谱分析的强适用性图像增强方法 | |
| CN111461002A (zh) | 一种面向热成像行人检测的样本处理方法 | |
| CN113256533B (zh) | 基于msrcr的自适应低照度图像增强方法及系统 | |
| Chengtao et al. | Improved dark channel prior dehazing approach using adaptive factor | |
| CN110189262A (zh) | 基于神经网络以及直方图匹配的图像去雾算法 | |
| CN105303529A (zh) | 一种基于直方图均衡化的数字图像去雾方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |