CN106934836B - 一种雾霾图像基于自动聚类的大气光值计算方法及系统 - Google Patents
一种雾霾图像基于自动聚类的大气光值计算方法及系统 Download PDFInfo
- Publication number
- CN106934836B CN106934836B CN201710149115.0A CN201710149115A CN106934836B CN 106934836 B CN106934836 B CN 106934836B CN 201710149115 A CN201710149115 A CN 201710149115A CN 106934836 B CN106934836 B CN 106934836B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- sky
- gray
- module
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 61
- 230000000877 morphologic effect Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000007621 cluster analysis Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010008 shearing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像去雾处理技术领域,提供一种雾霾图像基于自动聚类的大气光值计算方法及系统,方法包括:对输入的彩色图像中任意像素三通道进行最小值滤波;对执行最小值滤波后的图像进行两次形态学滤波,获得形态学滤波后的图像;对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像;根据获得的所述子天空图像,利用聚类分析的方法获得天空区域;根据已经获取到的天空区域,计算大气光值,实现对大气光值的计算,同时可一定程度抵消天空区域白色云朵等带来的影响,又能排除彩色图像中可能存在的尖锐噪声引发的偏差,并为后续的图像去雾奠定基础。
Description
技术领域
本发明属于图像去雾处理技术领域,尤其涉及一种雾霾图像基于自动聚类的大气光值计算方法及系统。
背景技术
对图像特征进行准确提取是计算机视觉正常工作的关键因素,然而在雾、霾、烟、水汽等场合下,由于辐射光受到大气粒子的散射作用,导致场景的能见度降低,图像质量严重退化,不仅模糊不清,而且还会出现严重的颜色失真,极大地限制了系统效用的发挥,甚至导致计算机视觉系统无法正常工作。因此,为了改善图像质量并且丰富图像所包含的信息,使系统具备恶劣天气下工作的鲁棒性和可靠性,需要对雾天降质图像进行去雾处理。
其中,在图像处理过程中,大气光值的计算成为图像去雾算法的关键因素,但是通过现有技术提供的大气光值的计算方法计算得到的大气光值,与实际情况有一定偏差,导致图像去雾效果较差。
发明内容
本发明的目的在于提供一种雾霾图像基于自动聚类的大气光值计算方法,旨在解决现有技术中大气光值的计算方法计算得到的大气光值,与实际情况有一定偏差,导致图像去雾效果较差的问题。
本发明是这样实现的,一种雾霾图像基于自动聚类的大气光值计算方法,所述方法包括下述步骤:
对输入的彩色图像中任意像素三通道进行最小值滤波;
对执行最小值滤波后的图像进行两次形态学滤波,获得形态学滤波后的图像;
对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像;
根据获得的所述子天空图像,利用聚类分析的方法获得天空区域;
根据已经获取到的天空区域,计算大气光值;
其中,所述根据已经获取到的天空区域,计算大气光值的步骤具体包括下述步骤:
将形态学滤波操作后的天空区域转换为灰度图像;
将属于所述天空区域的像素值提取出来,并保存;
对提取到的所述天空区域内的所有像素值进行降序排列;
选取所述天空区域中亮度值排在前百分之五数量的像素点的平均灰度值作为所述彩色图像的大气光值。
作为一种改进的方案,所述对执行最小值滤波后的图像进行形态学滤波的步骤具体包括下述步骤:
对执行最小值滤波后的图像进行先执行形态开运算再进行形态闭运算处理;
对进行先执行形态开运算再进行形态闭运算处理后的图像进行先执行形态闭运算再进行形态开运算处理。
作为一种改进的方案,所述对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像的步骤具体包括下述步骤:
对形态学滤波后的图像进行九宫格分解,获取9个图像子块;
求取各个图像子块的平均灰度值;
对每个图像子块对应的平均灰度值进行不同权重赋值,并求取加权后的灰度平均值的最大值;
对求取到的最大值所对应的图像进行四叉树分割,获得四个子区域图像;
分别计算四个所述子区域图像的灰度均值,并对计算得到的四个所述灰度均值进行排序;
判断排序后的灰度均值最大值与第二大值之间的差值是大于等于预先设置的阈值;
若排序后的灰度均值最大值与第二大值之间的差值大于等于预先设置的阈值,则返回执行所述对求取到的最大值所对应的图像进行四叉树分割的步骤;
若排序后的灰度均值最大值与第二大值之间的差值小于预先设置的阈值,则将灰度均值最大值所对应的子区域图像作为子天空图像。
作为一种改进的方案,所述根据获得的所述子天空图像,利用聚类分析的方法获得天空区域的步骤具体包括下述步骤:
对所述子天空图像进行区域扩展,得到扩展后的剪切图像;
在扩展后的剪切图像上查找初始类聚中心点,所述类聚中心点包括最大像素点和最小像素点;
根据扩展后的剪切图像中任意一点分别与所述类聚中心点的距离差,进行区域分类,并获取得到第一类天空区域和第二类天空区域;
分别计算所述第一类天空区域和第二类天空区域的灰度数据平均值;
判断所述第一类天空区域和第二类天空区域对应的灰度数据平均值是否分别与所述最大像素点和最小像素点灰度值相同;
若是,则判定聚类动作结束,并将所述第一类天空区域和第二类天空区域分别作为天空区域和非天空区域;若否,则将计算得到的所述第一类天空区域和第二类天空区域所对应的数据平均值分别作为新的最大像素点和最小像素点,并返回执行所述根据扩展后的剪切图像中任意一点分别与所述类聚中心点的距离差的步骤;
对二值化图像存在的天空区域进行形态学滤波操作。
本发明的另一目的在于提供一种雾霾图像基于自动聚类的大气光值计算系统,所述系统包括:
最小值滤波模块,用于对输入的彩色图像中任意像素三通道进行最小值滤波;
形态学滤波模块,用于对执行最小值滤波后的图像进行形态学滤波,获得形态学滤波后的图像;
子天空图像获取模块,用于对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像;
聚类分析模块,用于根据获得的所述子天空图像,利用聚类分析的方法获得天空区域;
大气光值计算模块,用于根据已经获取到的天空区域,计算大气光值;
其中,所述大气光值计算模块具体包括:
图像转换模块,用于将形态学滤波操作后的天空区域转换为灰度图像;
像素值提取模块,用于将属于所述天空区域的像素值提取出来,并保存;
像素值排序模块,用于对提取到的所述天空区域内的所有像素值进行降序排列;
像素点选取计算模块,用于选取所述天空区域中亮度值排在前百分之五数量的像素点的平均灰度值作为所述彩色图像的大气光值。
作为一种改进的方案,所述形态学滤波模块具体包括:
第一形态运算处理模块,用于对执行最小值滤波后的图像进行先执行形态开运算再进行形态闭运算处理;
第二形态运算处理模块,用于对进行先执行形态开运算再进行形态闭运算处理后的图像进行先执行形态闭运算再进行形态开运算处理。
作为一种改进的方案,所述子天空图像获取模块具体包括:
九宫格分解模块,用于对形态学滤波后的图像进行九宫格分解,获取9个图像子块;
平均灰度值计算模块,用于求取各个图像子块的平均灰度值;
加权计算模块,用于对每个图像子块对应的平均灰度值进行不同权重赋值,并求取加权后的灰度平均值的最大值;
四叉树分割模块,用于对求取到的最大值所对应的图像进行四叉树分割,获得四个子区域图像;
灰度均值计算排序模块,用于分别计算四个所述子区域图像的灰度均值,并对计算得到的四个所述灰度均值进行排序;
差值判断模块,用于判断排序后的灰度均值最大值与第二大值之间的差值是大于等于预先设置的阈值;
子天空图像确认模块,用于若所述差值判断模块判断排序后的灰度均值最大值与第二大值之间的差值小于预先设置的阈值,则将灰度均值最大值所对应的子区域图像作为子天空图像;
若排序后的灰度均值最大值与第二大值之间的差值大于等于预先设置的阈值,则返回执行所述对求取到的最大值所对应的图像进行四叉树分割的步骤。
作为一种改进的方案,所述聚类分析模块具体包括:
扩展模块,用于对所述子天空图像进行区域扩展,得到扩展后的剪切图像;
初始聚类中心点查找模块,用于在扩展后的剪切图像上查找初始类聚中心点,所述类聚中心点包括最大像素点和最小像素点;
分类模块,用于根据扩展后的剪切图像中任意一点分别与所述类聚中心点的距离差,进行区域分类,并获取得到第一类天空区域和第二类天空区域;
平均值计算模块,用于分别计算所述第一类天空区域和第二类天空区域的灰度数据平均值;
判断模块,用于判断所述第一类天空区域和第二类天空区域对应的灰度数据平均值是否分别与所述最大像素点和最小像素点灰度值相同;
天空区域确认模块,用于若判定所述第一类天空区域和第二类天空区域对应的灰度数据平均值分别与所述最大像素点和最小像素点灰度值相同,则判定聚类动作结束,并将所述第一类天空区域和第二类天空区域分别作为天空区域和非天空区域;
更新模块,用于若判定所述第一类天空区域和第二类天空区域对应的灰度数据平均值分别与所述最大像素点和最小像素点灰度值不相同,则将计算得到的所述第一类天空区域和第二类天空区域所对应的数据平均值分别作为新的最大像素点和最小像素点,并返回执行所述分类模块根据扩展后的剪切图像中任意一点分别与所述类聚中心点的距离差的步骤;
滤波模块,用于对二值化图像存在的天空区域进行形态学滤波操作。
在本发明实施例中,对输入的彩色图像中任意像素三通道进行最小值滤波;对执行最小值滤波后的图像进行两次形态学滤波,获得形态学滤波后的图像;对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像;根据获得的所述子天空图像,利用聚类分析的方法获得天空区域;根据已经获取到的天空区域,计算大气光值,实现对大气光值的计算,同时可一定程度抵消天空区域白色云朵等带来的影响,又能排除彩色图像中可能存在的尖锐噪声引发的偏差,并为后续的图像去雾奠定基础。
附图说明
图1是本发明提供的雾霾图像基于自动聚类的大气光值计算方法的实现流程图;
图2是本发明提供的对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像的步骤实现流程图;
图3是本发明提供的九宫格图像的示意图;
图4是本发明提供的根据获得的所述子天空图像,利用聚类分析的方法获得天空区域的实现流程图;
图5是本发明提供的根据已经获取到的天空区域,计算大气光值的实现流程;
图6是本发明提供的雾霾图像基于自动聚类的大气光值计算系统的结构框图;
图7是本发明提供的子天空图像获取模块的结构框图;
图8是本发明提供的聚类分析模块的结构框图;
图9是本发明提供的大气光值计算模块的结构框图;
图10是本发明提供的剪切图像的示意图。
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。
图1示出了本发明提供的雾霾图像基于自动聚类的大气光值计算方法的实现流程图,其具体包括下述步骤:
在步骤S101中,对输入的彩色图像中任意像素三通道进行最小值滤波。
其中,定义该彩色图像函数为I(x,y),该彩色图像为有雾图像,该有雾图像的散射模型可表示为:
I(x)=J(x)t(x)+A(1-t(x));
式中,x为空间坐标,I(x)为有雾图像,J(x)为清晰无雾的图像,A为整体大气光值,t(x)为介质传输率;
其中,(x,y)为图像中的像素点,c∈{r,g,b}为彩色图像的三色通道。
在步骤S102中,对执行最小值滤波后的图像进行两次形态学滤波,获得形态学滤波后的图像。
在该步骤中,采用相同尺寸的结构元素,进行不同级联形态的开-闭运算:对图像先进行形态开运算后再进行形态闭运算处理;对图像先进行形态闭运算后再进行形态开运算处理,分别构造形态开-闭滤波器和闭-开滤波器。
设f(x)为输入图像,B为结构元素,则形态开-闭运算为:
而闭-开运算为:
其中,开和闭运算的结构元素相同,为了适应不同大小图像尺寸,设置结构元素为正方形,其宽度大小为图像高度和宽度最小值的1/50;
用公式表示为:
其中,H,W分别为图像的高度和宽度;
该运算可以滤除脉冲噪声,又能保持图像的细节特征。
在步骤S103中,对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像。
在步骤S104中,根据获得的所述子天空图像,利用聚类分析的方法获得天空区域。
在步骤S105中,根据已经获取到的天空区域,计算大气光值。
在本发明实施例中,图2示出了本发明提供的对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像的步骤实现流程图,其具体包括下述步骤:
在步骤S201中,对形态学滤波后的图像进行九宫格分解,获取9个图像子块。
在该步骤中,将形态学滤波后的图像在水平方向和垂直方向各分为三等份,如图3所示的效果。
在步骤S202中,求取各个图像子块的平均灰度值。
在该步骤中,假设图像子块对应的图像为Rij,则该图像子块的平均灰度值为:mij=mean(Rij);
其中,mean()为图像灰度均值运算,其具体实现过程为:即求取图像中所有像素点灰度值和,然后除以像素个数。
在步骤S203中,对每个图像子块对应的平均灰度值进行不同权重赋值,并求取加权后的灰度平均值的最大值。
在该步骤中,结合图3所示,对第一行的三个图像子块加权1,对第二行的三个图像子块加权0.9,对第三行的三个图像子块加权0.8,其具体的表达式为:
当然,上述加权系统也是其他数值,在此不再赘述。
计算得到图像子块的加权值后,求取灰度平均值的最大值,即:
R=R(max(m′ij));
其中,max()为求取最大值运算,最终输出加权灰度均值最大的区域。
在步骤S204中,对求取到的最大值所对应的图像进行四叉树分割,获得四个子区域图像。
在步骤S205中,分别计算四个所述子区域图像的灰度均值,并对计算得到的四个所述灰度均值进行排序。
在该步骤中,mi=mean(Ri) i={1,2,3,4};
{M1,M2,M3,M4}=rank(mi);
其中,M1≥M2≥M3≥M4;R'=R(M1)为将平均灰度值最大的区域保存为新的图像。
在步骤S206中,判断排序后的灰度均值最大值与第二大值之间的差值是大于等于预先设置的阈值;
在该步骤中,假设该预先设置的阈值为T,即判断(M1-M2)≥T,并执行下述步骤。
在步骤S207中,若排序后的灰度均值最大值与第二大值之间的差值小于预先设置的阈值,则将灰度均值最大值所对应的子区域图像作为子天空图像。
若排序后的灰度均值最大值与第二大值之间的差值大于等于预先设置的阈值,则返回执行步骤S204,并继续。
上述图2和图3结合实现了子天空图像的获取,当然也可以采用其他方式,在此不再赘述。
图4示出了本发明提供的根据获得的所述子天空图像,利用聚类分析的方法获得天空区域的实现流程图,其具体包括下述步骤:
在步骤S401中,对子天空图像进行区域扩展,得到扩展后的剪切图像。
在该步骤中,对获取到的子天空图像,通过搜索该子天空图像区域内灰度最大的像素点作为中心,在原始彩色图像对应点的上下左右分别扩展图像的1/4,并剪切保存形成新的剪切图像G(x,y)。
在步骤S402中,在扩展后的剪切图像上查找初始类聚中心点,该类聚中心点包括最大像素点和最小像素点。
在该步骤中,在剪切图像上,搜索灰度值最大像素点和灰度值最小像素点,分别即为X1和X2,假设该X1和X2在剪切图像G(x,y)中对应的三色像素值分别表示(rx1,gx1,bx1)和(rx2,gx2,bx2)。
在步骤S403中,根据扩展后的剪切图像中任意一点分别与类聚中心点的距离差,进行区域分类,并获取得到第一类天空区域和第二类天空区域。
在该步骤中,将剪切图像G(x,y)中的任意一点的三色像素值X(rx,gx,bx)分别与来年改革聚类中心点(rx1,gx1,bx1)和(rx2,gx2,bx2)计算欧式距离d1和d2,其计算式为:
通过比较欧式距离d1和d2的大小,将像素点划分到最相似的一组,假设图像中离X1距离近的属于上述第一类天空区域Ω1,离X2点距离近的属于第二类天空区域Ω2,则用公式表达:
在步骤S404中,分别计算该第一类天空区域和第二类天空区域的灰度数据平均值。
在步骤S405中,判断该第一类天空区域和第二类天空区域对应的灰度数据平均值是否分别与上述最大像素点和最小像素点灰度值相同,若是则执行步骤S406,否则执行步骤S407。
在步骤S406中,判定聚类动作结束,并将该第一类天空区域和第二类天空区域分别作为天空区域和非天空区域。
在步骤S407中,将计算得到的该第一类天空区域和第二类天空区域所对应的数据平均值分别作为新的最大像素点和最小像素点,并返回执行上述步骤S403。
在步骤S408中,对二值化图像存在的天空区域进行形态学滤波操作。
在该步骤中,对上述二值化图像进行形态学开运算,滤除可能存在的离散杂点,运算过程为先腐蚀后膨胀,形态学算子的大小为三个像素点;
在本发明实施例中,图5示出了本发明提供的根据已经获取到的天空区域,计算大气光值的实现流程,其具体包括:
在步骤S501中,将形态学滤波操作后的天空区域转换为灰度图像。
在步骤S502中,将属于天空区域的像素值提取出来,并保存。
在步骤S503中,对提取到的所述天空区域内的所有像素值进行降序排列。
在步骤S504中,选取所述天空区域中亮度值排在前百分之五数量的像素点的平均灰度值作为所述彩色图像的大气光值。
在该步骤中,大气光值A的计算式为:A=mean(max0.05R(x,y)),从而实现对大气光值的计算。
图6是本发明提供的雾霾图像基于自动聚类的大气光值计算系统的结构框图,为了便于说明,图中仅给出了与本发明实施例相关的部分。
雾霾图像基于自动聚类的大气光值计算系统包括:
最小值滤波模块11,用于对输入的彩色图像中任意像素三通道进行最小值滤波;形态学滤波模块12,用于对执行最小值滤波后的图像进行两次形态学滤波,获得形态学滤波后的图像;子天空图像获取模块13,用于对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像;聚类分析模块14根据获得的所述子天空图像,利用聚类分析的方法获得天空区域;大气光值计算模块15,用于根据已经获取到的天空区域,计算大气光值。
其中,如图6所示,形态学滤波模块12具体包括:
第一形态运算处理模块16,用于对执行最小值滤波后的图像进行先执行形态开运算再进行形态闭运算处理;
第二形态运算处理模块17,用于对执行最小值滤波后的图像进行先执行形态闭运算再进行形态开运算处理。
如图7所示,子天空图像获取模块13具体包括:
九宫格分解模块18,用于对形态学滤波后的图像进行九宫格分解,获取9个图像子块;
平均灰度值计算模块19,用于求取各个图像子块的平均灰度值;
加权计算模块20,用于对每个图像子块对应的平均灰度值进行不同权重赋值,并求取加权后的灰度平均值的最大值;
四叉树分割模块21,用于对求取到的最大值所对应的图像进行四叉树分割,获得四个子区域图像;
灰度均值计算排序模块22,用于分别计算四个所述子区域图像的灰度均值,并对计算得到的四个所述灰度均值进行排序;
差值判断模块23,用于判断排序后的灰度均值最大值与第二大值之间的差值是大于等于预先设置的阈值;
子天空图像确认模块24,用于若所述差值判断模块判断排序后的灰度均值最大值与第二大值之间的差值小于预先设置的阈值,则将灰度均值最大值所对应的子区域图像作为子天空图像;
若排序后的灰度均值最大值与第二大值之间的差值大于等于预先设置的阈值,则返回执行所述对求取到的最大值所对应的图像进行四叉树分割的步骤。
如图8所示,聚类分析模块14具体包括:
扩展模块25,用于对所述子天空图像进行区域扩展,得到扩展后的剪切图像;
初始聚类中心点查找模块26,用于在扩展后的剪切图像上查找初始类聚中心点,所述类聚中心点包括最大像素点和最小像素点;
分类模块30,用于根据扩展后的剪切图像中任意一点分别与所述类聚中心点的距离差,进行区域分类,并获取得到第一类天空区域和第二类天空区域;
平均值计算模块31,用于分别计算所述第一类天空区域和第二类天空区域的灰度数据平均值;
判断模块32,用于判断所述第一类天空区域和第二类天空区域对应的灰度数据平均值是否分别与所述最大像素点和最小像素点灰度值相同;
天空区域确认模块33,用于若判定所述第一类天空区域和第二类天空区域对应的灰度数据平均值分别与所述最大像素点和最小像素点灰度值相同,则判定聚类动作结束,并将所述第一类天空区域和第二类天空区域分别作为天空区域和非天空区域;
更新模块34,用于若判定所述第一类天空区域和第二类天空区域对应的灰度数据平均值分别与所述最大像素点和最小像素点灰度值不相同,则将计算得到的所述第一类天空区域和第二类天空区域所对应的数据平均值分别作为新的最大像素点和最小像素点,并返回执行所述分类模块根据扩展后的剪切图像中任意一点分别与所述类聚中心点的距离差的步骤;
滤波模块35,用于对二值化图像存在的天空区域进行形态学滤波操作。
如图9所示,大气光值计算模块15具体包括:
图像转换模块36,用于将形态学滤波操作后的天空区域转换为灰度图像;
像素值提取模块27,用于将属于所述天空区域的像素值提取出来,并保存;
像素值排序模块28,用于对提取到的所述天空区域内的所有像素值进行降序排列;
像素点选取计算模块29,用于选取所述天空区域中亮度值排在前百分之五数量的像素点的平均灰度值作为彩色图像的大气光值。
其中,上述各个模块的功能如上述方法实施例所记载,在此不再赘述。
在本发明实施例中,对输入的彩色图像中任意像素三通道进行最小值滤波;对执行最小值滤波后的图像进行形态学滤波,获得形态学滤波后的图像;对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像;根据获得的所述子天空图像,利用聚类分析的方法获得天空区域;根据已经获取到的天空区域,计算大气光值,实现对大气光值的计算,同时可一定程度抵消天空区域白色云朵等带来的影响,又能排除彩色图像中可能存在的尖锐噪声引发的偏差,并为后续的图像去雾奠定基础。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种雾霾图像基于自动聚类的大气光值计算方法,其特征在于,所述方法包括下述步骤:
对输入的彩色图像中任意像素三通道进行最小值滤波;
对执行最小值滤波后的图像进行两次形态学滤波,获得形态学滤波后的图像;
对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像;
根据获得的所述子天空图像,利用聚类分析的方法获得天空区域;
根据已经获取到的天空区域,计算大气光值;
其中,所述根据已经获取到的天空区域,计算大气光值的步骤具体包括下述步骤:
将形态学滤波操作后的天空区域转换为灰度图像;
将属于所述天空区域的像素值提取出来,并保存;
对提取到的所述天空区域内的所有像素值进行降序排列;
选取所述天空区域中亮度值排在前百分之五数量的像素点的平均灰度值作为所述彩色图像的大气光值;
所述根据获得的所述子天空图像,利用聚类分析的方法获得天空区域的步骤具体包括下述步骤:
在扩展后的剪切图像上查找初始类聚中心点,所述类聚中心点包括最大像素点和最小像素点,该灰度值最大像素点和灰度值最小像素点,分别即为X1和X2,该X1和X2在剪切图像G(x,y)中对应的三色像素值分别表示(rx1,gx1,bx1)和(rx2,gx2,bx2);
根据扩展后的剪切图像中任意一点分别与所述类聚中心点的距离差,进行区域分类,并获取得到第一类天空区域和第二类天空区域,其中,欧式距离d1和d2的计算式为:
参数rx、gx、bx为聚类中心点的三色像素值,通过比较欧式距离d1和d2的大小,将像素点划分到最相似的一组,图像中离X1距离近的属于上述第一类天空区域Ω1,离X2点距离近的属于第二类天空区域Ω2,则用公式表达:
分别计算所述第一类天空区域和第二类天空区域的灰度数据平均值;
判断所述第一类天空区域和第二类天空区域对应的灰度数据平均值是否分别与所述最大像素点和最小像素点灰度值相同;
若是,则判定聚类动作结束,并将所述第一类天空区域和第二类天空区域分别作为天空区域和非天空区域;若否,则将计算得到的所述第一类天空区域和第二类天空区域所对应的数据平均值分别作为新的最大像素点和最小像素点,并返回执行所述根据扩展后的剪切图像中任意一点分别与所述类聚中心点的距离差的步骤;
对二值化图像存在的天空区域进行形态学滤波操作。
2.根据权利要求1所述的雾霾图像基于自动聚类的大气光值计算方法,其特征在于,所述对执行最小值滤波后的图像进行形态学滤波的步骤具体包括下述步骤:
对执行最小值滤波后的图像进行先执行形态开运算再进行形态闭运算处理;
对进行先执行形态开运算再进行形态闭运算处理后的图像进行先执行形态闭运算再进行形态开运算处理。
3.根据权利要求1所述的雾霾图像基于自动聚类的大气光值计算方法,其特征在于,所述对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像的步骤具体包括下述步骤:
对形态学滤波后的图像进行九宫格分解,获取9个图像子块;
求取各个图像子块的平均灰度值;
对每个图像子块对应的平均灰度值进行不同权重赋值,并求取加权后的灰度平均值的最大值;
对求取到的最大值所对应的图像进行四叉树分割,获得四个子区域图像;
分别计算四个所述子区域图像的灰度均值,并对计算得到的四个所述灰度均值进行排序;
判断排序后的灰度均值最大值与第二大值之间的差值是大于等于预先设置的阈值;
若排序后的灰度均值最大值与第二大值之间的差值大于等于预先设置的阈值,则返回执行所述对求取到的最大值所对应的图像进行四叉树分割的步骤;
若排序后的灰度均值最大值与第二大值之间的差值小于预先设置的阈值,则将灰度均值最大值所对应的子区域图像作为子天空图像。
4.一种雾霾图像基于自动聚类的大气光值计算系统,其特征在于,所述系统包括:
最小值滤波模块,用于对输入的彩色图像中任意像素三通道进行最小值滤波;
形态学滤波模块,用于对执行最小值滤波后的图像进行形态学滤波,获得形态学滤波后的图像;
子天空图像获取模块,用于对形态学滤波后的图像进行天空区域的粗定位,获取子天空图像;
聚类分析模块,用于根据获得的所述子天空图像,利用聚类分析的方法获得天空区域;
大气光值计算模块,用于根据已经获取到的天空区域,计算大气光值;
其中,所述大气光值计算模块具体包括:
图像转换模块,用于将形态学滤波操作后的天空区域转换为灰度图像;
像素值提取模块,用于将属于所述天空区域的像素值提取出来,并保存;
像素值排序模块,用于对提取到的所述天空区域内的所有像素值进行降序排列;
像素点选取计算模块,用于选取所述天空区域中亮度值排在前百分之五数量的像素点的平均灰度值作为所述彩色图像的大气光值;
所述聚类分析模块具体包括:
初始聚类中心点查找模块,用于在扩展后的剪切图像上查找初始类聚中心点,所述类聚中心点包括最大像素点和最小像素点,该灰度值最大像素点和灰度值最小像素点,分别即为X1和X2,该X1和X2在剪切图像G(x,y)中对应的三色像素值分别表示(rx1,gx1,bx1)和(rx2,gx2,bx2);
分类模块,用于根据扩展后的剪切图像中任意一点分别与所述类聚中心点的距离差,进行区域分类,并获取得到第一类天空区域和第二类天空区域,其中,欧式距离d1和d2的计算式为:
参数rx、gx、bx为聚类中心点的三色像素值,通过比较欧式距离d1和d2的大小,将像素点划分到最相似的一组,图像中离X1距离近的属于上述第一类天空区域Ω1,离X2点距离近的属于第二类天空区域Ω2,则用公式表达:
平均值计算模块,用于分别计算所述第一类天空区域和第二类天空区域的灰度数据平均值;
判断模块,用于判断所述第一类天空区域和第二类天空区域对应的灰度数据平均值是否分别与所述最大像素点和最小像素点灰度值相同;
天空区域确认模块,用于若判定所述第一类天空区域和第二类天空区域对应的灰度数据平均值分别与所述最大像素点和最小像素点灰度值相同,则判定聚类动作结束,并将所述第一类天空区域和第二类天空区域分别作为天空区域和非天空区域;
更新模块,用于若判定所述第一类天空区域和第二类天空区域对应的灰度数据平均值分别与所述最大像素点和最小像素点灰度值不相同,则将计算得到的所述第一类天空区域和第二类天空区域所对应的数据平均值分别作为新的最大像素点和最小像素点,并返回执行所述分类模块根据扩展后的剪切图像中任意一点分别与所述类聚中心点的距离差的步骤;
滤波模块,用于对二值化图像存在的天空区域进行形态学滤波操作。
5.根据权利要求4所述的雾霾图像基于自动聚类的大气光值计算系统,其特征在于,所述形态学滤波模块具体包括:
第一形态运算处理模块,用于对执行最小值滤波后的图像进行先执行形态开运算再进行形态闭运算处理;
第二形态运算处理模块,用于对进行先执行形态开运算再进行形态闭运算处理后的图像进行先执行形态闭运算再进行形态开运算处理。
6.根据权利要求4所述的雾霾图像基于自动聚类的大气光值计算系统,其特征在于,所述子天空图像获取模块具体包括:
九宫格分解模块,用于对形态学滤波后的图像进行九宫格分解,获取9个图像子块;
平均灰度值计算模块,用于求取各个图像子块的平均灰度值;
加权计算模块,用于对每个图像子块对应的平均灰度值进行不同权重赋值,并求取加权后的灰度平均值的最大值;
四叉树分割模块,用于对求取到的最大值所对应的图像进行四叉树分割,获得四个子区域图像;
灰度均值计算排序模块,用于分别计算四个所述子区域图像的灰度均值,并对计算得到的四个所述灰度均值进行排序;
差值判断模块,用于判断排序后的灰度均值最大值与第二大值之间的差值是大于等于预先设置的阈值;
子天空图像确认模块,用于若所述差值判断模块判断排序后的灰度均值最大值与第二大值之间的差值小于预先设置的阈值,则将灰度均值最大值所对应的子区域图像作为子天空图像;
若排序后的灰度均值最大值与第二大值之间的差值大于等于预先设置的阈值,则返回执行所述对求取到的最大值所对应的图像进行四叉树分割的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710149115.0A CN106934836B (zh) | 2017-03-14 | 2017-03-14 | 一种雾霾图像基于自动聚类的大气光值计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710149115.0A CN106934836B (zh) | 2017-03-14 | 2017-03-14 | 一种雾霾图像基于自动聚类的大气光值计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934836A CN106934836A (zh) | 2017-07-07 |
CN106934836B true CN106934836B (zh) | 2020-12-01 |
Family
ID=59433012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710149115.0A Active CN106934836B (zh) | 2017-03-14 | 2017-03-14 | 一种雾霾图像基于自动聚类的大气光值计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934836B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113435373B (zh) * | 2021-07-05 | 2022-12-13 | 西安科技大学 | 一种矿井火灾视频图像智能识别装置及方法 |
CN115908824B (zh) * | 2023-03-09 | 2023-06-06 | 四川腾盾科技有限公司 | 一种应用于大型无人机天空区域快速分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346783A (zh) * | 2014-10-29 | 2015-02-11 | 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 |
CN106204494A (zh) * | 2016-07-15 | 2016-12-07 | 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 |
CN106355560A (zh) * | 2016-08-30 | 2017-01-25 | 潍坊学院 | 一种雾霾图像中大气光值的提取方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9251572B2 (en) * | 2013-07-26 | 2016-02-02 | Qualcomm Incorporated | System and method of correcting image artifacts |
-
2017
- 2017-03-14 CN CN201710149115.0A patent/CN106934836B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346783A (zh) * | 2014-10-29 | 2015-02-11 | 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 |
CN106204494A (zh) * | 2016-07-15 | 2016-12-07 | 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 |
CN106355560A (zh) * | 2016-08-30 | 2017-01-25 | 潍坊学院 | 一种雾霾图像中大气光值的提取方法及系统 |
Non-Patent Citations (2)
Title |
---|
变差函数和形态学滤波的图像去雾算法;刘万军等;《中国图象图形学报》;20161215;第21卷(第12期);第1610-1622页 * |
结合K均值聚类的暗通道去雾改进算法;陈勇等;《半导体光电》;20161215;第37卷(第6期);第876-881页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106934836A (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN111008562B (zh) | 一种特征图深度融合的人车目标检测方法 | |
CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN112232349A (zh) | 模型训练方法、图像分割方法及装置 | |
CN109543665B (zh) | 图像定位方法及装置 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN112132856B (zh) | 一种基于自适应模板更新的孪生网络跟踪方法 | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN106934836B (zh) | 一种雾霾图像基于自动聚类的大气光值计算方法及系统 | |
CN112036231B (zh) | 一种基于车载视频的车道线和路面指示标志检测与识别方法 | |
CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
CN115331245B (zh) | 一种基于图像实例分割的表格结构识别方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN103870834A (zh) | 基于分层分割的滑动窗搜索方法 | |
CN110969620A (zh) | 一种磁瓦波纹类缺陷的检测方法及装置 | |
CN112991536B (zh) | 一种专题地图地理面要素自动提取和矢量化方法 | |
CN111915628A (zh) | 一种基于预测目标密集边界点的单阶段实例分割方法 | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN114359538A (zh) | 一种水表读数定位与识别方法 | |
CN111414938B (zh) | 一种板式换热器内气泡的目标检测方法 | |
CN115578741A (zh) | 一种基于Mask R-cnn算法和类型分割的扫描文件版面分析方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN110889418A (zh) | 一种气体轮廓识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |