CN107038691A - 基于云检测辅助的暗原色遥感影像去雾方法 - Google Patents
基于云检测辅助的暗原色遥感影像去雾方法 Download PDFInfo
- Publication number
- CN107038691A CN107038691A CN201710237638.0A CN201710237638A CN107038691A CN 107038691 A CN107038691 A CN 107038691A CN 201710237638 A CN201710237638 A CN 201710237638A CN 107038691 A CN107038691 A CN 107038691A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- cloud
- dark primary
- sensing 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 9
- 230000035699 permeability Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000000889 atomisation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000003595 mist Substances 0.000 abstract description 33
- 230000008030 elimination Effects 0.000 abstract description 14
- 238000003379 elimination reaction Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000002262 irrigation Effects 0.000 abstract 1
- 238000003973 irrigation Methods 0.000 abstract 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 7
- 239000000203 mixture Substances 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- VOYADQIFGGIKAT-UHFFFAOYSA-N 1,3-dibutyl-4-hydroxy-2,6-dioxopyrimidine-5-carboximidamide Chemical compound CCCCn1c(O)c(C(N)=N)c(=O)n(CCCC)c1=O VOYADQIFGGIKAT-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20024—Filtering details
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云检测辅助的暗原色遥感影像去雾方法,其技术方案要点是其特征在于,包括以下步骤:步骤一、进行遥感影像自适应云检测;步骤二、暗原色遥感影像去雾,本发明首先通过自适应云检测技术,将云覆盖区域检测出来,在排除云区覆盖的区域的前提条件下,运用暗原色先验条件的去雾算法进行去雾处理,经过大量实验,该技术大大提高了遥感影像去雾的效果,从而对提升现有环境条件下雾霾影像的应用价值有着重要的意义,达到了提高了去雾图像清晰度的技术效果。
Description
技术领域
本发明涉及暗原色遥感影像去雾领域,特别涉及一种基于云检测辅助的暗原色遥感影像去雾方法。
背景技术
遥感影像都是从上向下观测,成像过程中被摄的目标物体表面发射的光线在大气中受到雾的影响,由于吸收和散射、折射等光学作用而衰减,同时由于散射作用,摄影镜头中会混入大气光。在这两种主要作用和随机大气湍流、传感器噪声等多方面次要作用的影响下,摄像镜头接收到的光线发生了非均匀变化,这就造成遥感影像灰度值的变化。具体表现为灰度动态范围被缩小,像素之间对比度被降低,并且受影响的程度主要与雾的浓度和镜头到物体的距离有关,这就使得遥感影像在各领域中发挥的作用受到限制。从以上看出,遥感影像衰减问题的主要原因是大气中浑浊的媒介,如云、雾都因大气吸收或散射造成遥感影像衰减。
现有技术解决遥感影像衰减问题一般采用最为流行的基于暗原色的单一图像去雾方法,该方法公式中包含大气光A和透过率T(X),当天空中有云的情况下,云的特征值会把大气光A、透过率T(X)这两个参数值拉向偏高,如果不进行云检测,直接去计算,算出来的透射率T(X)和大气光值A都是有问题的。
发明内容
本发明的目的是提供一种基于云检测辅助的暗原色遥感影像去雾方法,解决了现有技术对雾天降质图像进行清晰化处理时,由于没有考虑云特征值对于大气光A、透过率T(X)的影响,而直接进行计算,致使所计算出的大气光A、透过率T(X)值不准确、最终影响去雾效果的问题。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于云检测辅助的暗原色遥感影像去雾方法,其特征在于,包括以下步骤:
步骤一、进行遥感影像自适应云检测;
步骤二、暗原色遥感影像去雾。
较佳的,所述步骤一的暗原色遥感影像去雾初始化具体包括以下过程:
①对光学遥感影像进行特征统计分析;
②进行云区特征识别及特征提取。
较佳的,所述过程①对光学遥感影像进行特征统计分析的方法为:
⑴获取云区光学遥感影像的多个波段;
⑵分别获取云区特征值值域区间(2)和地物特征值值域区间(1);
⑶统计当前所有波段的云区特征值值域区间(2),从而统计出有云影像区。
较佳的,所述过程②进行云区特征识别及特征提取方法为:
⑴运用均值漂移算法进行云区分割;
⑵运用相似性聚类算法细化粗分结果;
⑶获得影像云区覆盖范围。
较佳的,所述步骤二暗原色遥感影像去雾包括以下过程:
①利用暗原色先验粗估计介质透射率;
②借助图像引导滤波算法对介质透射图像进行细化;
③基于大气散射模型复原得到无雾图像。
较佳的,所述过程①利用暗原色先验粗估计介质透射率,具体包括以下过程:
⑴获取一副雾化影像的每个像素;
⑵在各个颜色区间上取最小值;
⑶在局部范围内取最小值;
⑷得到的单谱段影像就是原始影像的暗原色影像;
⑸通过暗原色影像反算出透射率估计值。
较佳的,所述过程②借助图像引导滤波算法对介质透射图像进行细化,具体包括以下过程:
⑴根据输入图形与引导图像计算局部窗口范围内二者的线性关系;
⑵利用最小二乘法思想计算满足代价函数最小值;
⑶利用计算出来的最小值逐像素对输入影像做滤波处理。
较佳的,所述过程③基于大气散射模型复原得到无雾图像,具体包括以下过程:
⑴获取滤波后的透射图像及大气散射模型;
⑵复原出无雾影像。
综上所述,本发明具有以下效果:
1、本发明首先通过自适应云检测技术,将云覆盖区域检测出来,在排除云区覆盖的区域的前提条件下,运用暗原色先验条件的去雾算法进行去雾处理,经过大量实验,该技术大大提高了遥感影像去雾的效果,从而对提升现有环境条件下雾霾影像的应用价值有着重要的意义。
2、本发明将云检测技术和去雾技术相结合,解决了现有技术采用单一去雾技术不能解决的云区特征值造成降低去雾效果的新的技术问题,达到了大幅度提高去雾图像清晰度的效果,因此,本发明和现有技术相比,具有突出的实质性进步和显著效果。
附图说明
图1为本发明遥感影像云特征值示意图;
图2为本发明自适应云检测示意图。
图中,1、地物特征值值域区间;2、云区特征值值域区间。
具体实施方式
本发明基于云检测辅助的暗原色遥感影像去雾方法的设计原理如下:
1、所谓遥感影像就是航空相片或卫星相片,从另一种角度看:凡是记录各种地物电磁波大小的相片,都称为遥感影像;被地物记录的电磁波就是光电磁波,遥感影像记录电磁波的方法就是像素值。各种地物接受光照时对光的反射不同,也即对电磁波的反射不同,对光的反射强度大,像素值就高,对光的反射强度小,像素质就低。如果是白云的话,像素值就高,如果是黑色东西的话,像素值就低;实验数据证明,一般云区的像素特征值区间与地物的像素特征值区间存在较大差异,云区中DN值(像素亮度值)在各个波段的都集中于较高的值域区间,而地物DN值会在某个波段取较低值,由此得到总结:遥感影像就是通过像素值识别天空和地面一切物质的一种手段。
2、要对雾天降质化图像进行清晰化处理,必须考虑图像退化的原因,建立物理模型。目前,在计算机视觉领域被广泛使用的是大气散射模型,也称作雾图模型。该模型将一个像素点的色彩和强度看作由雾或阴霾的大气光产生的色彩和强度、和晴天被观察的场景点的色彩和强度的线性组合,如以下公式:
I(x)=t(x)J(x)+(1-t(x))A (1)。
当天空中有云时,云区将公式中的透过率t(x)、大气光A的像素值拉向偏高而影响去雾图像的效果,因此,去雾之前,必须先对云区进行检测。
基于以上原理,本发明提出一种基于云检测辅助的暗原色遥感影像去雾方法,该方法概括为:首先通过自适应云检测技术,将云覆盖区域检测出来;然后,在云区以外的其它的区域运用暗原色先验条件的去雾算法进行去雾处理,具体包括以下步骤:
步骤一、进行遥感影像自适应云检测;
所述的自适应检测就是不用调整算法参数,它会根据具体情况,自行调整的方法;所述的云检测就是对云的特征值(像素值)进行检测,云的特征值需要综合考虑,不仅包括像素值特征,还包括均值特征、聚类特征等等。其中,像素特征值需要采用统计方法,而均值特征需要采用均值飘逸算法、聚类特征采用相似性聚类算法,具体方法如下:
①对光学遥感影像进行特征统计分析,具体方法为:
⑴获取云区光学遥感影像的多个波段;
遥感影像记录了多个波段的电磁波、由多个波段电磁波对应的像素值组成。所述波段是根据波长进行分类的,波长来自电磁波的传播特性,分为超长波、长波、中波、短波、超短波等若干波段。遥感影像的多个波段一般指十几个或者二十几个波段,波段越多,说明传感器光谱分辨率越高,意味着测得的地表物体在某个波段处的光谱响应更准确,数据信息更丰富。
本发明获取遥感影像多个波段的目的在于对每个波段的灰度直方图进行分析以便最后统计各个波段的特征值,统计结果作为云特征值综合分析考虑的因素之一。
⑵分别获取云区特征值值域区间2和地物特征值值域区间1;
实验数据证明,一般云区的像素特征值区间与地物的像素特征值区间存在较大差异,云区中 DN值(像素亮度值)在各个波段的都集中于较高的值域区间,而地物DN值会在某个波段取较低值。实验结果如图1所示,为遥感影像某个波段的云区特征值示意图,图中横坐标代表灰度范围,纵坐标值为像素值,图中的横线为分割线,分割线的像素值为200,根据实验数据得知,分割线以上为云区特征值值域区间2,分隔线以下为地物特征值值域区间1。
⑶统计当前所有波段的云区特征值值域区间2,从而统计出有云影像区;
图1所示为遥感影像中多个波段其中一个波段的灰度直方图,但是,单凭一个波段的灰度直方图还不能确定遥感影像的有云影像区域,这是因为一副遥感影像是由十几个、甚至二十几个波段的像素值组成的,因此,本步骤中需要将各个波段云特征区间的像素值全部进行统计。
②进行云区特征识别及特征提取;
在以上过程①里面分⑴、⑵、⑶三个步骤对有云特征值之一像素值进行了统计分析,统计出了有云影响区,但云的特征值需要综合考虑,不仅包括像素值特征,还包括均值特征、聚类特征等等,因此,在下面的过程②里还要对均值特征、聚类特征进行特征的识别和提取。
⑴运用均值漂移算法进行云区分割;
均值漂移算法可以看作是从多个随机中心点向着密度最大的方向移动,最终得到多个最大密度中心。
如图2所示,采用均值漂移法最终得到图f所示的多个最大密度中心其中一个密度中心:以黑色圆点为中心的最大密度中心。图a到图e显示了中间过程。图a显示了随机初始中心,该中心有一个半径为一定长度的圆,运用均值漂移法后求解得到一个向量,该向量使得圆心一直往数据集密度最大的方向移动,也就是每次迭代的时候,都是找到圆里面点的平均位置作为新的圆心位置,直到满足某个条件不再迭代,这时候的圆心也就是最大密度中心,该最大密度中心如图2中的图f显示。
⑵运用相似性聚类算法细化粗分结果;
以上在过程①和过程②的步骤⑴内容中,提供了综合分析云特征值所需要的像素特征和均值特征,在以下过程②的步骤⑵中,要提供综合分析云特征值的聚类特征,所采用的方法是相似性聚类算法。
所谓相似性聚类法就是把给定的一个对象集合进行分组,成为由类似对象组成的多个类的过程,方法是根据对象间的相似程度而归于一个类别,而对象是否归于同一类,要看他们的相似程度如何,当它们之间的相似度大于某一值时,则归于同一类,否则,两对象分属不同的类。
③获得遥感影像云区范围;
以上过程①的方法中找出了云区的像素特征,过程②的方法中找出了均值特征和聚类特征,在本过程③的方法中,要对以上三个特征进行综合分析,在综合分析的基础上确定影像云区范围。
步骤二、暗原色遥感影像去雾;
以上步骤一的方法中解决了通过自适应云检测技术,将云覆盖区域检测出来的技术问题,由于云区覆盖的区域其去雾效果会受到影响,所以,去雾之前必须考虑如何避开云区,或者说本发明方法对于云区覆盖的区域不进行去雾处理,而对云区以外的区域才进行去雾处理。步骤二所提供的去雾方法即是对云区以外的区域进行暗原色遥感影像去雾的方法,具体包括以下过程:
1、利用暗原色先验粗估计介质透射率;
暗原色先验理论是一种对无雾图像的统计规律,即在一副户天空外晴朗无雾图像的任意小块中,总有至少一个像素点,它的一个颜色通道具有很低的强度值,称之为暗原色,无雾图像的暗原色用公式表示为:该公式的含义将在后面介绍。以下利用以上暗原色先验理论粗估计介质透射率,以下过程①的i、ii、iii、iv四个步骤、过程②的⑴、⑵、⑶、⑷、⑸、⑹六个步骤都是求解公式(1)中透射率t(x)的中间过程:
①建立雾图的物理模型;
在雾霾天气条件下,大气散射对户外图像的对比度和颜色保真度影响严重,致使图像的许多特征被覆盖,景物的可辨识程度大大降低,目前比较流行的去雾处理方法是基于图像退化原因和大气散射规律建立图像退化模型,按照特定需要突出图像中的某些信息,同时削弱和去除某些不需要的信息。基于这种思想,建立了以下大气散射模型,也称之为雾图模型。
I(x)=t(x)J(x)+(1-t(x))A (1);
i、模型参数说明:公式中,I是输入图像(观测到的)光强度,t指光线透射率,A是大气光成分,J是无雾时景物的光线强度。
ii、模型的意义:该模型对雾天降质图像的原因进行了物理模型的描述,公式右边的第一项称作直接衰减项,描述的是景物光线在透射媒介中经过衰减后的部分;右式第二项则是大气光成分,大气光的衰减又是由光线透射率t引起的。
iii、去雾的目的:就是由模型中已知的I回复J;
iv、解题思路:由于公式中t、J、A都是未知数、方程的个数少于未知量的个数,需增加约束条件来求解。暗原色先验理论即是其中的一种约束,也就是采用暗原色先验理论求得公式 (1)中的未知数t、A,这样公式(1)就得到三个已知数,四个参数有三个已知,最终可以得到第四个未知数J。
②、借助暗原色先验粗估计介质透射率;
⑴获取一副雾化影像的每个像素;
由于每个像素的I、J、A在其各自的R、G、B三通道不同的通道透射率是不同的,不能混在一起计算,所以,要采用单通道方法计算透射率,具体方法是将公式(1)的I、J、A分别取单通道值:IC、JC、AC;
⑵在各个颜色区间上取最小值;
⑶在局部范围内取最小值;
对以上步骤⑵、⑶解释如下:
i、透射率的估算要基于暗原色定义:
其中JC代表某个像素的J的R、G、B三个通道其中一个颜色通道强度,我们可以把整个图像想象成由无数个局部区域的图像组成,BN代表图像的第N个局部区域,Jdark称为J的暗原色;第一个最小值是计算一副图像中第N个局部区域中所有像素的像素最小值,然后,对这个最小值像素再次取最小值这个第2次取最小值的原理是:由于每个像素都有R、G、B三个颜色通道,每个通道的最小像素值是不同的,因此,需要从这三个颜色通道中的最小值中再次选出最小值,用公式表示就是:
ii、为了将以上暗原色先验原理带入公式(1)中,需要对公式(1)作以下适当变形,使其等式两边的带雾图像和去雾图像两次取最小值,首先在各个颜色区间上取最小值,再在局部范围内取最小值。如以下公式(3)所示。
⑷得到的单谱段影像就是原始影像的暗原色影像
式中:
为带雾图像的暗原色影像;
为去雾图像的暗原色影像;
根据实验得出,以上去雾图像的暗原色而以上含雾图像的暗原色值因为是带雾图像,则增大很多。
⑸对公式(3)两边进行归一处理;
公式(3)两边同除以AC得到以下公式:
⑹通过暗原色影像反算出透射率估计值。
i、根据公式(2)推倒出公式(5):
ii、将公式(5)带入公式(4),得到以下计算透射率的公式:
在公式(6)中,为含雾图像的暗原色图;实际应用中,考虑到远处景物的视觉朦胧感和用户对去雾图像中场景深度的要求,式(6)引入系数ω(0<ω≤1),这样可以得到自适应的透射率的求取公式(7):
上式中的IC为已知条件,大气光成分AC的计算方法是:先取Jdark中亮度最大的0.1%像素,然后取这些像素对应在雾原图强度I中的最大值作为AC的值。
2、借助图像引导滤波算法对介质透射图像进行细化。
在以上过程1里面,完成了对公式(1)透射率t(x)的求解,但是该透射率t(x)是一个初始透射率,它假设图像的相邻区域的透射率是相同的,这就会出现一个问题:当相邻区域中包含远景和近景的交界处时,由于使用相同的透射率,就会在交界处的透射图像中出现白边、毛刺或方块。
这里,引入一个新的概念:透射图像。所述透射图像是一个中间过程图像,既不属于带雾图像I,也不属于去雾图像J。所述的透射图像既是当公式(1)的输入图像是带雾图像时,根据公式(7)的初始透射率和已知大气光A、以及暗原色先验理论得到的J,但这个 J由于其输入图像I不是经过过滤的图像,而是原始的带雾图像,因此,我们把这一步得到的J称为透射图像,解决透射图像在边缘处出现白边、毛刺、方块问题的方法是对透射图像进行过滤优化,通过引导滤波的方法改变透射图像在边界处的暗原色,以实现提前把边界区域可能出现的白边、毛刺、方块的因素在透射图像中去除掉,也就是对透射图像进行过滤,再将过滤后的图像重新作为公式(1)的输入图像I,当输入图像I为过滤后的图像时,根据公式(1)、公式(7)、和已知大气光A、以及暗原色先验理论得到的J才是去雾图像。
引导滤波是一种局部线性图像滤波器,其在实现平滑滤波的同时还能具有良好的边缘保持性;其算法过程是根据输入图像I(透射图像)与引导图像(去雾图像)计算局部窗口范围内二者的线性关系;为使滤波后的影像与引导图像的差异性最小,需要利用最小二乘思想计算满足代价函数最小值,利用计算出来的最小值逐像素对输入影像(透射图像)做滤波处理。
具体包括以下过程:
⑴根据输入图像(透射图像)与引导图像(去雾图像)计算局部窗口范围内二者的线性关系;对初始透射图像进行优化的方法是建立一个输入图像(透射图像)与引导图像(去雾影像) 之间的线性关系式,这个线性关系式要找出一个它们之间误差的最小值,最终实现输入图像 (透射图像)的透射图效果趋近于引导图像(去雾影像)。
⑵利用最小二乘法思想计算满足代价函数最小值;
然而,实际运算中,实现输入图像(透射图像)趋近于引导图像(去雾图像)的误差值有多个,误差值越小,输入图像I(透射图像)就越加趋近于引导图像(去雾图像)。使用最小二乘法就可以得到线性关系中多个误差值的最小值,使总的拟合误差达到最小,用最小二乘法除了计算比较方便外,得到的估计量还具有优越特性。
⑶利用计算出来的最小值逐像素对输入影像做滤波处理
通过以上过程⑴、⑵求出了输入影像I(透射图像)趋近于引导图像(去雾影像)J的误差值的最小值,利用计算出来的最小值逐像素对输入图像(透射图像)做滤波处理。
3、基于大气散射模型复原得到无雾图像;
⑴获取滤波后的透射图像I及大气散射模型;
I(x)=t(x)J(x)+(1-t(x))A (1)
以上滤波后的公式(1)中,I为滤波后消除了各项杂质、毛刺、和边缘效应的输入图像,与中间过程图像(透射图像)不同,与原始带雾图像I也不相同的,t(x)为通过公式(7)得到的初始透射率,A已知,三个未知数t、J、A中,已知两个,此时可以求得去雾图像J,详见以下过程(2)
⑵复原出无雾影像;
由于以上公式(1)中的t(x)接近0时,公式(1)中的t(x)J(x)也接近于零,这样,公式(1)则无法恢复J,所以,要给t(x)设定一个下限t0,使得t(x)J(x)不为零值,此外,最后得到的t(x) 应该是从t0到t(x)之间的最大值,用max(t(x),t0)来表示。
i、将公式(1)稍微作以下变形,各项同除以t(x)得到公式(8):
ii、将公式(8)整理后,最终得到无雾图像:
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (8)
1.一种基于云检测辅助的暗原色遥感影像去雾方法,其特征在于,包括以下步骤:
步骤一、进行遥感影像自适应云检测;
步骤二、暗原色遥感影像去雾。
2.根据权利要求1所述的一种基于云检测辅助的暗原色遥感影像去雾方法,其特征在于,所述步骤一的暗原色遥感影像去雾初始化具体包括以下过程:
①对光学遥感影像进行特征统计分析;
②进行云区特征识别及特征提取。
3.根据权利要求2所述的一种基于云检测辅助的暗原色遥感影像去雾方法,其特征在于,所述过程①对光学遥感影像进行特征统计分析的方法为:
⑴获取云区光学遥感影像的多个波段;
⑵分别获取云区特征值值域区间(2)和地物特征值值域区间(1);
⑶统计当前所有波段的云区特征值值域区间(2),从而统计出有云影像区。
4.根据权利要求2所述的一种基于云检测辅助的暗原色遥感影像去雾方法,其特征在于,所述过程②进行云区特征识别及特征提取方法为:
⑴运用均值漂移算法进行云区分割;
⑵运用相似性聚类算法细化粗分结果;
⑶获得影像云区覆盖范围。
5.根据权利要求1所述的一种基于云检测辅助的暗原色遥感影像去雾方法,其特征在于,所述步骤二暗原色遥感影像去雾包括以下过程:
① 利用暗原色先验粗估计介质透射率;
② 借助图像引导滤波算法对介质透射率像进行细化;
③ 基于大气散射模型复原得到无雾图像。
6.根据权利要求5所述的一种基于云检测辅助的暗原色遥感影像去雾方法,其特征在于,所述过程①利用暗原色先验粗估计介质透射率,具体包括以下过程:
⑴获取一副雾化影像的每个像素;
⑵在各个颜色区间上取最小值;
⑶在局部范围内取最小值;
⑷得到的单谱段影像就是原始影像的暗原色影像;
⑸通过暗原色影像反算出透射率估计值。
7.根据权利要求5所述的一种基于云检测辅助的暗原色遥感影像去雾方法,其特征在于,所述过程②借助图像引导滤波算法对介质透射图像进行细化,具体包括以下过程:
⑴根据输入图形与引导图像计算局部窗口范围内二者的线性关系;
⑵利用最小二乘法思想计算满足代价函数最小值;
⑶利用计算出来的最小值逐像素对输入影像做滤波处理。
8.根据权利要求5所述的一种基于云检测辅助的暗原色遥感影像去雾方法,其特征在于,所述过程③基于大气散射模型复原得到无雾图像,具体包括以下过程:
⑴获取滤波后的透射图像及大气散射模型;
⑵复原出无雾影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710237638.0A CN107038691A (zh) | 2017-04-12 | 2017-04-12 | 基于云检测辅助的暗原色遥感影像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710237638.0A CN107038691A (zh) | 2017-04-12 | 2017-04-12 | 基于云检测辅助的暗原色遥感影像去雾方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107038691A true CN107038691A (zh) | 2017-08-11 |
Family
ID=59535327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710237638.0A Pending CN107038691A (zh) | 2017-04-12 | 2017-04-12 | 基于云检测辅助的暗原色遥感影像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038691A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191405A (zh) * | 2018-09-15 | 2019-01-11 | 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 |
CN110322419A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 一种遥感图像去雾方法及系统 |
CN110660026A (zh) * | 2019-08-08 | 2020-01-07 | 西安电子科技大学 | 一种基于Retinex理论和高饱和度先验的图像去雾方法 |
CN111539891A (zh) * | 2020-04-27 | 2020-08-14 | 高小翎 | 单张遥感图像的波段自适应除雾优化处理方法 |
CN112750089A (zh) * | 2020-12-27 | 2021-05-04 | 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 |
CN112785521A (zh) * | 2021-01-19 | 2021-05-11 | 澜途集思生态科技集团有限公司 | 一种雾霾条件下的遥感影像处理方法 |
CN113610730A (zh) * | 2021-08-06 | 2021-11-05 | 上海大学 | 一种卫星影像非均匀薄云去除方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968760A (zh) * | 2011-08-30 | 2013-03-13 | 富士通株式会社 | 图像去雾方法和系统 |
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 |
CN103903273A (zh) * | 2014-04-17 | 2014-07-02 | 北京邮电大学 | 一种基于手机终端的pm2.5等级快速评价系统 |
CN104794697A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 一种基于暗原色先验的图像去雾方法 |
CN104867121A (zh) * | 2015-06-08 | 2015-08-26 | 武汉理工大学 | 基于暗原色先验和Retinex理论的图像快速去雾法 |
CN105205793A (zh) * | 2015-09-23 | 2015-12-30 | 成都融创智谷科技有限公司 | 一种基于暗原色先验的图像去雾方法 |
CN106157267A (zh) * | 2016-07-12 | 2016-11-23 | 中国科学技术大学 | 一种基于暗通道先验的图像去雾透射率优化方法 |
-
2017
- 2017-04-12 CN CN201710237638.0A patent/CN107038691A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968760A (zh) * | 2011-08-30 | 2013-03-13 | 富士通株式会社 | 图像去雾方法和系统 |
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 |
CN103903273A (zh) * | 2014-04-17 | 2014-07-02 | 北京邮电大学 | 一种基于手机终端的pm2.5等级快速评价系统 |
CN104794697A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 一种基于暗原色先验的图像去雾方法 |
CN104867121A (zh) * | 2015-06-08 | 2015-08-26 | 武汉理工大学 | 基于暗原色先验和Retinex理论的图像快速去雾法 |
CN105205793A (zh) * | 2015-09-23 | 2015-12-30 | 成都融创智谷科技有限公司 | 一种基于暗原色先验的图像去雾方法 |
CN106157267A (zh) * | 2016-07-12 | 2016-11-23 | 中国科学技术大学 | 一种基于暗通道先验的图像去雾透射率优化方法 |
Non-Patent Citations (1)
Title |
---|
吴金亮: "国产高分多光谱数据的自动云检测", 《计算机与网络》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191405A (zh) * | 2018-09-15 | 2019-01-11 | 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 |
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 |
CN110322419A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 一种遥感图像去雾方法及系统 |
CN110322419B (zh) * | 2019-07-11 | 2022-10-21 | 广东工业大学 | 一种遥感图像去雾方法及系统 |
CN110660026A (zh) * | 2019-08-08 | 2020-01-07 | 西安电子科技大学 | 一种基于Retinex理论和高饱和度先验的图像去雾方法 |
CN110660026B (zh) * | 2019-08-08 | 2023-04-18 | 西安电子科技大学 | 一种基于Retinex理论和高饱和度先验的图像去雾方法 |
CN111539891A (zh) * | 2020-04-27 | 2020-08-14 | 高小翎 | 单张遥感图像的波段自适应除雾优化处理方法 |
CN112750089A (zh) * | 2020-12-27 | 2021-05-04 | 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 |
CN112785521A (zh) * | 2021-01-19 | 2021-05-11 | 澜途集思生态科技集团有限公司 | 一种雾霾条件下的遥感影像处理方法 |
CN113610730A (zh) * | 2021-08-06 | 2021-11-05 | 上海大学 | 一种卫星影像非均匀薄云去除方法及系统 |
CN113610730B (zh) * | 2021-08-06 | 2023-08-29 | 上海大学 | 一种卫星影像非均匀薄云去除方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038691A (zh) | 基于云检测辅助的暗原色遥感影像去雾方法 | |
CN101901473B (zh) | 单帧图像自适应去雾增强方法 | |
US9361670B2 (en) | Method and system for image haze removal based on hybrid dark channel prior | |
CN107103591B (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
TWI501194B (zh) | 基於費雪線性判別的雙暗通道先驗的影像能見度修復方法及其影像處理裝置 | |
CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
CN103198459B (zh) | 雾霾图像快速去雾方法 | |
CN106204509B (zh) | 基于区域特性的红外与可见光图像融合方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN104318524A (zh) | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 | |
CN103034983B (zh) | 一种基于各向异性滤波的去雾方法 | |
CN107301624A (zh) | 基于区域划分及浓雾预处理的卷积神经网络去雾算法 | |
CN106686280A (zh) | 影像修补系统及其方法 | |
CN105447825A (zh) | 图像去雾方法及其系统 | |
CN113298810A (zh) | 结合图像增强和深度卷积神经网络的道线检测方法 | |
CN108564597A (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN103578083A (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
CN107636724A (zh) | 影像的波长自适应去雾装置及方法 | |
CN105701783A (zh) | 一种基于环境光模型的单幅图像去雾方法及装置 | |
Banerjee et al. | Nighttime image-dehazing: a review and quantitative benchmarking | |
CN109118450A (zh) | 一种沙尘天气条件下的低质图像增强方法 | |
CN106780390A (zh) | 基于边缘分类加权融合的单幅图像去雾方法 | |
Kumar et al. | Enhancing scene perception using a multispectral fusion of visible–near‐infrared image pair | |
CN106780362A (zh) | 基于双色反射模型与双边滤波的道路视频去雾方法 | |
Jiwani et al. | Single image fog removal using depth estimation based on blur estimation |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170811 |