CN106204491B - 一种基于暗通道先验的自适应图像去雾方法 - Google Patents
一种基于暗通道先验的自适应图像去雾方法 Download PDFInfo
- Publication number
- CN106204491B CN106204491B CN201610546823.3A CN201610546823A CN106204491B CN 106204491 B CN106204491 B CN 106204491B CN 201610546823 A CN201610546823 A CN 201610546823A CN 106204491 B CN106204491 B CN 106204491B
- Authority
- CN
- China
- Prior art keywords
- defogging
- image
- channel
- fog
- factor
- 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 51
- 238000001914 filtration Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 239000003595 mist Substances 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims 2
- 230000003044 adaptive effect Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 6
- 238000011084 recovery Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 10
- 239000004615 ingredient Substances 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于暗通道先验的自适应图像去雾方法,步骤包括:1)计算整体去雾因子:求取RGB格式的雾气图像的最小值通道,对最小值通道进行基于暗通道先验的去雾处理,计算出最小值通道的去雾结果。根据最小值通道和其去雾结果的全局标准差之比确定图像的整体雾气情况,计算整体去雾因子ω0。2)计算局部去雾因子:计算最小值通道的局部标准差,结合大气光值和整体去雾因子ω0,计算局部去雾因子ω(x)。本发明采用整体与局部相结合的方法求解去雾因子,能够根据图像的雾气情况自动调整去雾因子参数,确定最佳的雾气去除程度,能满足各种场景下的自适应去雾需求,复原的图像细节得到很大增强,视觉效果好,方法简单有效。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种基于暗通道先验的自适应图像去雾方法。
背景技术
近年来,雾霾越来越频繁地出现于我国各大城市,有些地方甚至全年大部分时间都笼罩在雾霾下。2013,年北京仅有5天不是雾霾天;这一年的一月,有四次雾霾笼罩了三十个省市。雾霾较大时,能见度降低,严重地影响了所拍图片的清晰度。
在雾霾天气下拍摄的图像由于大气光的影响会被严重的降质,掺杂大量的雾气成分,图像整体偏灰白色,边缘信息较少,可检测性大大降低。尤其是浓雾天气下拍摄的图像,细节信息损失较多,不利于计算机对图像进行处理,而且视觉效果较差。
依赖于计算机视觉的系统在雾霾天气下工作时会受到严重的干扰,甚至无法正常工作,如交通视频监控、军事侦察等,对生产生活造成了诸多困扰。因此,研究雾霾天气下图像的清晰化方法具有重要的现实意义和实用价值,近几年来图像去雾技术一直是图像处理领域的一个研究热点。本发明的研究便是对雾天降质图像的复原和细节增强,实现依据雾气程度的自适应去雾、以尽可能地增强去雾的效果。
目前,在图像去雾领域国内外研究者们做了许多工作,提出了很多有效的去雾方法。现有的去雾算法大致可以分为两大类:基于图像增强的方法和基于物理模型的方法。
第一类是基于图像增强的方法,这类方法是采用通用的图像处理方法对被降质的图像进行增强,改善图像的质量。该类方法主要有全局和局部直方图均衡化、Retinex等方法。文章【1】(Gonzalez R C,Woods R E.Digital Image Processing.Reading,MA:Addison-Wesley,1992.)提出了全局的直方图均衡化的增强方法,该方法较简单,但是处理效果不理想,可能会造成图像部分信息的损失,以致图像失真。文章【2】(Kim T K,Paik JK,Kang B S.Contrast enhancement system using spatially adaptive histogramequalization with temporal filtering.IEEE Transactions on ConsumerElectronics,1998,44(1):82-87)中提出了局部的直方图均衡化,有不错的处理效果,但是会造成严重的块效应。文章【3】(Land E H.The retinex theory ofcolorvision.ScientificAmerica,1977,237(6):108-128)提出了基于色彩恒常性的Retinex算法,该算法采用照明-反射模型来模拟雾天图像退化的过程。通过消除照射分量,求解反射分量来复原无雾场景。Retinex算法对浓雾区域和场景深度的变化不敏感,复原后的图像通常会保留较多的雾气成分。
基于物理模型的去雾方法是通过研究雾气产生原理,了解图像退化机理,构建物理模型,从而反演出无雾的场景。目前主流的去雾算法有Tarel、何凯明、孟高峰等人提出的算法,其依赖的物理模型为大气散射模型。文章【4】(He K,Sun J,Tang X.Single imagehaze removal using dark channel prior.IEEE Transactions on Pattern Analysisand Machine Intelligence,2011,33(12):2341-2353)通过对大量无雾图像统计特征观察,发现了被命名为暗通道先验的先验规律。该方法在处理效果上有非常好的表现,开辟了图像去雾的一个新领域。文章【5】(Tarel J P,Hautiere N.Fast visibility restorationfrom a single color or gray level image.In:Proceedings of the 12th IEEEInternational Conference on Computer Vision,2009.Kyoto:IEEE,2009.2201-2208)中,提出了一种快速去雾的方法,使用双中值滤波代替【4】中的最小值滤波和导向滤波,大大简化了处理过程,提高效率。但是中值滤波并不是好的边缘保持滤波算法,局部区域景深突变会产生光晕效应。并且算法中的参数较多,无法实现自适应调整,需要人工进行测试调整,在实际应用中受到了限制。文章【6】(Gaofeng MENG,Ying WANG,Jiangyong DUAN,Shiming XIANG,Chunhong PAN.Efficient image dehazing with boundary constraintand contextual regularization.The IEEE International Conference on ComputerVision(ICCV),2013,pp.617-624)引入了透射率边界限制,使用Kirsch算子计算的权重函数反映局部的景深变化,并采用正则化方法计算透射率。该算法能有效避免光晕现象,但是对于天空区域会出现的偏色现象,尤其是薄雾和无雾图像。文章【7】(孙红光,房超,张慧杰等,一种自适应的基于暗通道先验的去雾方法。吉林大学学报(理学版),1671-5489(2012)05-0987-06)采用容差机制对暗通道进行补偿,继而计算透射率分布,这种方法的准确度依赖于容差参数大小的选取,同时在计算透射率的时候又引入了补偿参数,该参数也直接影响到去雾的效果。由于这两个参数都是手动设置且对不同的雾气图像其参数不同,因而其自适应去雾的效果较差,可操作性不强。
发明内容
本发明目的在于:针对不同雾气浓度的图像,实现自动调整去雾因子,确定最佳的雾气去除程度,达到自适应去雾需求。
本发明采用的技术方案为:一种基于暗通道先验的自适应图像去雾方法,该方法包括如下步骤:
步骤1):获取RGB格式的雾气图像:基于有雾图像的物理模型对RGB格式的图像进行去雾操作,有雾图像的物理模型可以表示成:
I(x)=J(x)t(x)+A(1-t(x))
其中,I(x)为待去雾的图像,J(x)为要恢复的无雾的图像,A是全球大气光成分,t(x)为透射率;由有雾图像物理模型的变形,并且结合暗通道先验的理论,可以推导出透射率t(x)的表达式,如下所示:
其中,min为做最小值运算,Ω(x)为以x为中心的窗口,r,g,b分别为图像的三个颜色通道;
通过在上式中引入一个在[0,1]之间的因子,则修正为:
其中,ω是去雾因子,用以调节雾气去除程度,避免去雾不足或过度去雾而引起的图像失真现象;
步骤2):将上一步中的RGB图像三通道中值最小的通道保存下来,得到最小值通道图;
步骤3):对最小值通道图进行最小值滤波,得到暗通道图;具体求取过程为:
1)首先求出每个像素RGB分量中的最小值,存入一副和原始图像大小相同的灰度图中,即最小值通道;
2)对最小值通道进行最小值滤波,滤波的半径由窗口大小决定;
暗通道的求取公式如下:
式中Jc表示彩色图像的每个通道,Ω(x)表示以像素X为中心的一个窗口,暗原色先验的理论指出:Jdark(x)→0;
步骤4):根据暗通道图求出大气光值,这里选取的规则是:选取暗通道中值最大的0.1%对应的RGB雾气图像中的最亮点作为该图像的大气光值;
步骤5):对最小值通道进行去雾操作,这里的具体方法为:利用暗通道计算最小值通道的透射率,去雾因子选取0.95,根据大气散射模型重构出最小值通道去雾后的结果;
步骤6):计算雾气图像的整体去雾因子ω0,这里的求取规则为:计算最小值通道和其对应的去雾结果的标准差之比,根据比值的大小选取整体去雾因子;
步骤7):计算雾气图像的局部去雾因子ω(x),对最小值通道求取局部标准差,根据标准差和整体去雾因子、大气光值和最小值通道来求取局部去雾因子ω(x);
步骤8):计算透射率;
步骤9):使用导向滤波对上一步得到的透射率进行优化;
步骤10):重构无雾图像:根据大气散射模型来重构无雾的图像。
其中,步骤4)中计算大气光值时,根据有雾图像的物理模型可知,要想恢复出无雾图像,前提是知道大气光值A,求取A值的方法是:
1)统计暗通道中亮度值最高的0.1%个点;
2)在原有雾图像中找到与这些点对应的像素点;
3)在这些像素点中找到具有最大亮度值的像素点,该点即为大气光值A;
其中,步骤6)中计算整体去雾因子时,采用整体与局部相结合的方法求取去雾因子,整体去雾因子ω0反映了图像整体的雾气程度,同时由于同一幅图像内不同区域的场景深度不同而导致雾气分布不均匀,所以要进一步求取细化的局部去雾因子ω(x),雾气浓的区域去雾因子越大,反之越小;
整体去雾因子的具体求取步骤如下:
1)利用下式求取中间透射率tmin(x),它用来对最小值通道进行去雾操作;
其中,min为做最小值运算,Ω(x)为以x为中心的窗口,r,g,b分别为图像的三个颜色通道。
2)利用中间透射率tmin(x)和大气光值最小值Amin对最小值通道进行去雾操作,Amin为三个通道的大气光值的最小值,得到最小值通道的去雾结果Jmin(x),计算公式为:
3)计算最小值通道tmin(x)和其去雾结果Jmin(x)的标准差比值σ,
其中,σ(Imin(x))和σ(Jmin(x))分别是最小值通道和其去雾结果的全局标准差。
4)根据上一步的比值大小计算整体去雾因子ω0,
其中,步骤7)中计算局部去雾因子时,利用整体去雾因子来求解细化的局部去雾因子,步骤如下:
1)计算最小值通道的局部标准差σΩ(x),Ω为半径5的区域,其大小与最小值通道图大小相同;
2)利用下式求取局部去雾因子ω(x),
其中,σΩ(x)为最小值通道的局部标准差,max(σΩ(x))为求取σΩ(x)的最大值,Imin(x)为最小值通道,Amin为r,g,b三个通道的大气光值的最小值。
其中,步骤8)计算透射率时,根据所述的去雾因子ω(x)可以计算透射率t(x),
其中ω(x)就是在x处的去雾因子,可以通过其调整去雾程度。
其中,步骤9)导向滤波处理可以得到精细化的透射率。
其中,步骤10)重构无雾图像时,利用所述的大气光值A和透射率t(x)可以根据物理模型重构无雾图像J(x),采用如下公式:
其中,为了避免噪声的影响,对透射率限制了一个下限0.1,防止J(x)出现负值的情况。
本发明的原理在于:
本发明的技术方案分为两个阶段:第一阶段是利用雾气图像的最小值通道计算整体去雾因子ω0;第二阶段是利用整体去雾因子ω0和图像的局部信息计算局部去雾因子ω(x)。
1)计算整体去雾因子
求取RGB格式的雾气图像的最小值通道,对最小值通道进行基于暗通道先验的去雾处理,计算出最小值通道的去雾结果。根据最小值通道和其去雾结果的全局标准差之比确定图像的整体雾气情况,计算整体去雾因子ω0。
2)计算局部去雾因子
计算最小值通道的局部标准差,结合大气光值和上一步计算出来的整体去雾因子ω0,计算局部去雾因子ω(x)。
本发明技术方案的优点和积极效果在于:
(1)能够根据雾气情况自动调整去雾参数
基于暗通道先验的去雾算法采用固定的去雾因子参数,对于不同雾气情况的图像,需要手动调整该参数。在面对雾气多变的大批量图像去雾需求时(如监控视频去雾),往往只能设置一个折中的去雾参数,这样有些图像会过度去雾,而有些图像则去雾不足。
本发明的采用整体与局部相结合的方法求解去雾因子,能够根据图像的雾气情况自动调整去雾因子参数,确定最佳的雾气去除程度,能满足各种场景下的自适应去雾需求,复原的图像视觉效果更好。
(2)改善方法耗时增加较少
本发明提出的改善方法是针对去雾因子进行,方法非常简单有效,使得去雾算法整体时间增加较少,经过统计处理时间约增长15%,在一个可以接受的范围内。
附图说明
图1为自适应去雾的执行流程图;
图2为对比结果示意图,其中,图2(a)为原图示意图,图2(b)为暗通道先验算法结果示意图,图2(c)为本发明结果示意图。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
本发明一种基于暗通道先验的自适应图像去雾方法的执行流程如图1所示:
步骤1):获取RGB格式的雾气图像。
步骤2):将上一步中的RGB图像三通道中值最小的通道保存下来,得到最小值通道图。
步骤3):对最小值通道图进行最小值滤波,得到暗通道图。
步骤4):根据暗通道图求出大气光值,这里选取的规则是:选取暗通道中值最大的0.1%对应的RGB雾气图像中的最亮点作为该图像的大气光值。
步骤5):对最小值通道进行去雾操作,这里的具体方法为:利用暗通道计算最小值通道的透射率,去雾因子选取0.95,根据大气散射模型重构出最小值通道去雾后的结果。
步骤6):计算雾气图像的整体去雾因子ω0,这里的求取规则为:计算最小值通道和其对应的去雾结果的标准差之比,根据比值的大小选取整体去雾因子。
步骤7):计算雾气图像的局部去雾因子ω(x),对最小值通道求取局部标准差,根据标准差和整体去雾因子、大气光值和最小值通道来求取局部去雾因子ω(x)。
步骤8):计算透射率。
步骤9):使用导向滤波对上一步得到的透射率进行优化。
步骤10):重构无雾图像。根据大气散射模型来重构无雾的图像。
1、雾天图像物理模型
本发明基于有雾图像的物理模型对RGB格式的图像进行去雾操作,有雾图像的物理模型可以表示成:
I(x)=J(x)t(x)+A(1-t(x))
其中,I(x)就是我们现在已经有的图像(待去雾的图像),J(x)是我们要恢复的无雾的图像,A是全球大气光成分,t(x)为透射率。
暗通道先验理论指出:在绝大多数无雾图像的非天空区域内,总存在一些像素点的亮度值很低或rgb三通道有一个值很低,趋近于零。
由有雾图像物理模型的变形,并且结合暗通道先验的理论,可以推导出透射率t(x)的表达式,如下所示:
其中,min为做最小值运算,Ω(x)为以x为中心的窗口,r,g,b分别为图像的三个颜色通道。
在现实生活中,即使是晴天白云,空气中也存在着一些颗粒,因此,看远处的物体还是能感觉到雾的影响,另外,雾的存在让人类感到景深的存在,因此,有必要在去雾的时候保留一定程度的雾,这可以通过在上式中引入一个在[0,1]之间的因子,则修正为:
其中,ω是去雾因子,用以调节雾气去除程度,避免去雾不足或过度去雾而引起的图像失真现象。
2、计算暗通道
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是个很小的数。其具体求取过程为:
1)首先求出每个像素RGB分量中的最小值,存入一副和原始图像大小相同的灰度图中,即最小值通道。
2)对最小值通道进行最小值滤波,滤波的半径由窗口大小决定,经过后期实验效果总结,窗口大小对去雾效果有较大的影响。在这里,我们选取滤波半径为5较为合适。
暗通道的求取公式如下:
式中Jc表示彩色图像的每个通道,Ω(x)表示以像素X为中心的一个窗口。暗原色先验的理论指出:Jdark(x)→0。
3、计算大气光值
根据有雾图像的物理模型可知,要想恢复出无雾图像,前提是知道大气光值A。本发明中求取A值的方法是:
1)统计暗通道中亮度值最高的0.1%个点。
2)在原有雾图像中找到与这些点对应的像素点。
3)在这些像素点中找到具有最大亮度值的像素点,该点即为大气光值A。
4、计算整体去雾因子
本发明采用整体与局部相结合的方法求取去雾因子。整体去雾因子ω0反映了图像整体的雾气程度,例如无雾、薄雾、中雾以及浓雾等;同时由于同一幅图像内不同区域的场景深度不同而导致雾气分布不均匀,所以要进一步求取细化的局部去雾因子ω(x),雾气浓的区域去雾因子越大,反之越小。
整体去雾因子的具体求取步骤如下:
1)利用下式求取中间透射率tmin(x),它用来对最小值通道进行去雾操作。
其中,min为做最小值运算,Ω(x)为以x为中心的窗口,r,g,b分别为图像的三个颜色通道。
2)利用中间透射率tmin(x)和大气光值最小值Amin(三个通道的大气光值的最小值)对最小值通道进行去雾操作,得到最小值通道的去雾结果Jmin(x),计算公式为:
3)计算最小值通道tmin(x)和其去雾结果Jmin(x)的标准差比值σ。
其中,σ(Imin(x))和σ(Jmin(x))分别是最小值通道和其去雾结果的全局标准差。
4)根据上一步的比值大小计算整体去雾因子ω0。
5、计算局部去雾因子
整体去雾因子只是粗略地反映了图像的整体雾气情况,精确度并不高,而通常一幅图像中雾气分布是不均匀的,对于不同浓度的雾气需要去雾的程度不同,所以不同区域往往需要不同的去雾因子,本发明利用整体去雾因子来求解细化的局部去雾因子,步骤如下:
1)计算最小值通道的局部标准差σΩ(x)(Ω为半径5的区域),其大小与最小值通道图大小相同。
2)利用下式求取局部去雾因子ω(x),
其中,σΩ(x)为最小值通道的局部标准差,max(σΩ(x))为求取σΩ(x)的最大值,Imin(x)为最小值通道,Amin为r,g,b三个通道的大气光值的最小值。
6、计算透射率
根据上面求取的去雾因子ω(x)可以计算透射率t(x)。
其中ω(x)就是在x处的去雾因子,可以通过其调整去雾程度。
7、导向滤波
上面求出来的透射率只是粗略的透射率,如果直接选其进行无雾图像的恢复,则在细节上没有很好处理,并且由于窗口操作而产生较严重的块效应。对上述预估的透射率进行导向滤波处理,可以得到精细化的透射率。
8、复原无雾图像
利用前面得到的大气光值A和透射率t(x)可以根据物理模型重构无雾图像J(x),采用如下公式:
其中,为了避免噪声的影响,本发明对透射率限制了一个下限0.1,防止J(x)出现负值的情况。
处理结果如图2所示:
图(a)是原图,图(b)是原暗通道先验算法去雾之后的图像,图(c)本发明去雾之后的结果。从上面对比明显可以看出,本发明在图像雾气分布不均的情况下,能较好地调节各区域雾气去除的程度,细节增强更好,在视觉效果上也更逼真。
本发明中涉及到的本领域公知技术未详细阐述。
Claims (6)
1.一种基于暗通道先验的自适应图像去雾方法,其特征在于:包括如下步骤:
步骤1):获取RGB格式的雾气图像:基于有雾图像的大气散射模型对RGB格式的图像进行去雾操作,有雾图像的大气散射模型可以表示成:
I(x)=J(x)t(x)+A(1-t(x))
其中,I(x)为待去雾的图像,J(x)为要恢复的无雾的图像,A是大气光值,t(x)为透射率;由有雾图像的大气散射模型的变形,并且结合暗通道先验的理论,可以推导出透射率t(x)的表达式,如下所示:
其中,min为做最小值运算,Ω(x)为以x为中心的窗口,r,g,b分别为图像的三个颜色通道;
通过在上式中引入一个在[0,1]之间的因子,则修正为:
其中,ω是去雾因子,用以调节雾气去除程度,避免去雾不足或过度去雾而引起的图像失真现象;
步骤2):将上一步中的RGB图像三通道中值最小的通道保存下来,得到最小值通道图;
步骤3):对最小值通道图进行最小值滤波,得到暗通道图;具体求取过程为:
1)首先求出每个像素RGB分量中的最小值,存入一副和原始图像大小相同的灰度图中,即最小值通道;
2)对最小值通道进行最小值滤波,滤波的半径由窗口大小决定;
暗通道的求取公式如下:
式中Jc表示彩色图像的每个通道,Ω(x)表示以像素X为中心的一个窗口,暗原色先验的理论指出:Jdark(x)→0;
步骤4):根据暗通道图求出大气光值,这里选取的规则是:选取暗通道中值最大的0.1%对应的RGB雾气图像中的最亮点作为该图像的大气光值;
步骤5):对最小值通道进行去雾操作,这里的具体方法为:利用暗通道计算最小值通道的透射率,去雾因子选取0.95,根据大气散射模型重构出最小值通道去雾后的结果;
步骤6):计算雾气图像的整体去雾因子ω0,这里的求取规则为:计算最小值通道和其对应的去雾结果的标准差之比,根据比值的大小选取整体去雾因子;
步骤7):计算雾气图像的局部去雾因子ω(x),对最小值通道求取局部标准差,根据标准差和整体去雾因子、大气光值和最小值通道来求取局部去雾因子ω(x);
步骤8):计算透射率;
步骤9):使用导向滤波对上一步得到的透射率进行优化;
步骤10):重构无雾图像:根据大气散射模型来重构无雾的图像。
2.根据权利要求1所述的基于暗通道先验的自适应图像去雾方法,其特征在于:步骤4)中计算大气光值时,根据有雾图像的大气散射模型可知,要想恢复出无雾图像,前提是知道大气光值A,求取A值的方法是:
1)统计暗通道中亮度值最高的0.1%个点;
2)在原有雾图像中找到与这些点对应的像素点;
3)在这些像素点中找到具有最大亮度值的像素点,该点即为大气光值A。
3.根据权利要求1所述的基于暗通道先验的自适应图像去雾方法,其特征在于:步骤6)中计算整体去雾因子时,整体去雾因子ω0反映了图像整体的雾气程度,同时由于同一幅图像内不同区域的场景深度不同而导致雾气分布不均匀,所以要进一步求取细化的局部去雾因子ω(x),雾气浓的区域去雾因子越大,反之越小;
整体去雾因子的具体求取步骤如下:
1)利用下式求取中间透射率tmin(x),它用来对最小值通道进行去雾操作;
其中,min为做最小值运算,Ω(x)为以x为中心的窗口,r,g,b分别为图像的三个颜色通道;
2)利用中间透射率tmin(x)和大气光值最小值Amin对最小值通道进行去雾操作,Amin为三个通道的大气光值的最小值,得到最小值通道的去雾结果Jmin(x),计算公式为:
3)计算最小值通道tmin(x)和其去雾结果Jmin(x)的标准差比值σ,
其中,σ(Imin(x))和σ(Jmin(x))分别是最小值通道和其去雾结果的全局标准差;
4)根据上一步的比值大小计算整体去雾因子ω0,
4.根据权利要求1所述的基于暗通道先验的自适应图像去雾方法,其特征在于:步骤7)中计算局部去雾因子时,利用整体去雾因子来求解细化的局部去雾因子,步骤如下:
1)计算最小值通道的局部标准差σΩ(x),Ω为半径5的窗口,其大小与最小值通道图大小相同;
2)利用下式求取局部去雾因子ω(x),
其中,σΩ(x)为最小值通道的局部标准差,max(σΩ(x))为求取σΩ(x)的最大值,Imin(x)为最小值通道,Amin为r,g,b三个通道的大气光值的最小值。
5.根据权利要求1所述的基于暗通道先验的自适应图像去雾方法,其特征在于:步骤8)中计算透射率时,根据局部去雾因子ω(x)可以计算透射率t(x),
其中ω(x)就是在x处的局部去雾因子,可以通过其调整去雾程度。
6.根据权利要求1所述的基于暗通道先验的自适应图像去雾方法,其特征在于:步骤10)中重构无雾图像时,利用所述的大气光值A和透射率t(x)可以根据大气散射模型重构无雾图像J(x),采用如下公式:
其中,为了避免噪声的影响,对透射率限制了一个下限0.1,防止J(x)出现负值的情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610546823.3A CN106204491B (zh) | 2016-07-12 | 2016-07-12 | 一种基于暗通道先验的自适应图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610546823.3A CN106204491B (zh) | 2016-07-12 | 2016-07-12 | 一种基于暗通道先验的自适应图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204491A CN106204491A (zh) | 2016-12-07 |
CN106204491B true CN106204491B (zh) | 2019-02-01 |
Family
ID=57477638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610546823.3A Active CN106204491B (zh) | 2016-07-12 | 2016-07-12 | 一种基于暗通道先验的自适应图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204491B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103591B (zh) * | 2017-03-27 | 2020-01-07 | 湖南大学 | 一种基于图像雾霾浓度估计的单幅图像去雾方法 |
CN107133927B (zh) * | 2017-04-21 | 2020-03-17 | 汪云飞 | 超像素框架下基于均值-均方差暗通道的单幅图像去雾方法 |
CN107194900A (zh) * | 2017-07-27 | 2017-09-22 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和移动终端 |
CN107317968B (zh) * | 2017-07-27 | 2020-01-10 | Oppo广东移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
CN107424134B (zh) * | 2017-07-27 | 2020-01-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN107730472A (zh) * | 2017-11-03 | 2018-02-23 | 昆明理工大学 | 一种基于暗原色先验的图像去雾优化算法 |
CN109993704A (zh) * | 2017-12-29 | 2019-07-09 | 展讯通信(上海)有限公司 | 一种去雾图像处理方法及系统 |
CN108230275A (zh) * | 2018-02-05 | 2018-06-29 | 电子科技大学 | 图像去雾的方法 |
CN108805826B (zh) * | 2018-05-07 | 2020-12-25 | 珠海全志科技股份有限公司 | 改善去雾效果的方法 |
CN109801241A (zh) * | 2019-01-22 | 2019-05-24 | 三峡大学 | 一种基于改进型暗通道优先算法的太阳耀斑图像去云方法 |
CN110288541A (zh) * | 2019-06-06 | 2019-09-27 | 武汉易科空间信息技术股份有限公司 | 航空影像高精度处理方法及系统 |
CN110648297B (zh) * | 2019-09-26 | 2023-05-26 | 邓诗雨 | 图像去雾方法、系统、电子设备和存储介质 |
CN111915530B (zh) * | 2020-08-06 | 2022-07-29 | 温州大学 | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 |
CN112750089B (zh) * | 2020-12-27 | 2023-03-28 | 同济大学 | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 |
CN113033355B (zh) * | 2021-03-11 | 2023-04-07 | 中北大学 | 一种基于密集输电通道的异常目标识别方法和装置 |
CN113065420A (zh) * | 2021-03-18 | 2021-07-02 | 天津大学 | 基于暗原色先验理论的雾霾检测与分级方法 |
CN113763488A (zh) * | 2021-07-21 | 2021-12-07 | 广东工业大学 | 结合暗通道先验算法和U-Net的遥感图像除雾度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7428333B2 (en) * | 2004-01-23 | 2008-09-23 | Old Dominion University | Visibility improvement in color video stream |
CN101783012A (zh) * | 2010-04-06 | 2010-07-21 | 中南大学 | 一种基于暗原色的自动图像去雾方法 |
CN103077504A (zh) * | 2013-01-10 | 2013-05-01 | 厦门大学 | 一种基于自适应光照计算的图像去雾方法 |
CN104299195A (zh) * | 2014-10-08 | 2015-01-21 | 南京邮电大学 | 一种基于自适应双阈值与暗通道先验的图像去雾方法 |
-
2016
- 2016-07-12 CN CN201610546823.3A patent/CN106204491B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7428333B2 (en) * | 2004-01-23 | 2008-09-23 | Old Dominion University | Visibility improvement in color video stream |
CN101783012A (zh) * | 2010-04-06 | 2010-07-21 | 中南大学 | 一种基于暗原色的自动图像去雾方法 |
CN103077504A (zh) * | 2013-01-10 | 2013-05-01 | 厦门大学 | 一种基于自适应光照计算的图像去雾方法 |
CN104299195A (zh) * | 2014-10-08 | 2015-01-21 | 南京邮电大学 | 一种基于自适应双阈值与暗通道先验的图像去雾方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106204491A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204491B (zh) | 一种基于暗通道先验的自适应图像去雾方法 | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN108734670B (zh) | 单幅夜间弱照度雾霾图像的复原方法 | |
CN107301623B (zh) | 一种基于暗通道和图像分割的交通图像去雾方法及系统 | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
CN108765342A (zh) | 一种基于改进暗通道的水下图像复原方法 | |
CN103955905B (zh) | 基于快速小波变换和加权图像融合的单幅图像去雾方法 | |
CN107527332A (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
Fang et al. | Improved single image dehazing using segmentation | |
CN104867121B (zh) | 基于暗原色先验和Retinex理论的图像快速去雾法 | |
CN109255759A (zh) | 基于天空分割和透射率自适应修正的图像去雾方法 | |
CN107067375A (zh) | 一种基于暗通道先验和边缘信息的图像去雾方法 | |
CN110827221A (zh) | 一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法 | |
Mei et al. | Single image dehazing using dark channel fusion and haze density weight | |
CN111161167B (zh) | 基于中通道补偿和自适应大气光估计的单幅图像去雾方法 | |
CN108629750A (zh) | 一种夜间去雾方法、终端设备及存储介质 | |
CN109118440A (zh) | 基于透射率融合与自适应大气光估计的单幅图像去雾方法 | |
CN109118450A (zh) | 一种沙尘天气条件下的低质图像增强方法 | |
CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
CN108898561B (zh) | 一种含天空区域雾天图像的去雾方法、服务器及系统 | |
Abbaspour et al. | A new fast method for foggy image enhancement | |
CN110400270A (zh) | 一种利用图像分解和多重校正融合的车牌去雾方法 | |
Tian et al. | Haze removal of single remote sensing image by combining dark channel prior with superpixel | |
Chengtao et al. | Improved dark channel prior dehazing approach using adaptive factor | |
Terai et al. | Color image contrast enhancement by retinex model |
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 |