CN107103591A - 一种基于图像雾霾浓度估计的单幅图像去雾方法 - Google Patents
一种基于图像雾霾浓度估计的单幅图像去雾方法 Download PDFInfo
- Publication number
- CN107103591A CN107103591A CN201710190219.6A CN201710190219A CN107103591A CN 107103591 A CN107103591 A CN 107103591A CN 201710190219 A CN201710190219 A CN 201710190219A CN 107103591 A CN107103591 A CN 107103591A
- Authority
- CN
- China
- Prior art keywords
- value
- image
- haze
- haze image
- localized mass
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007789 sealing Methods 0.000 title claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims description 32
- 238000010606 normalization Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003760 hair shine Effects 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012549 training 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
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图像雾霾浓度估计的单幅图像去雾方法,包括以下几个步骤:步骤1:输入雾霾图像;步骤2:将输入图像从RGB空间变换到HSV空间,划分SV通道图像,计算局部块特征向量;步骤3:以图像雾霾浓度最低为目标计算雾霾图像的初始最优大气传输值;步骤4:采用引导滤波器细化最优大气传输值;步骤5:将细化后的最优大气传输值、大气光照估测值以及雾霾图像中每个像素的亮度值计算得到清晰图像。通过将图像去雾转化为雾霾浓度最小化的优化问题,准确的确定大气传输值,从而实现尽可能去除雾霾,避免了在饱和区域产生严重的光晕现象与图像噪声。不仅能有效的去除雾霾,同时能抑制光晕现象与图像噪声的产生,适用于不同的复杂天气。
Description
技术领域
本发明属于图像处理领域,特别涉及一种基于图像雾霾浓度估计的的单幅图像去雾方法。
背景技术
雾霾天图像降质主要是因为大气中的分子,水汽及悬浮的大量颗粒组成的气溶胶对光线形成严重的吸收、散射和反射作用,造成大气能见度降低,加上大气湍流的影响,致使可见光成像系统的图像色彩将会变暗、对比度降低,严重影响了成像系统的使用。因此,分析雾霾成因,研究去雾技术,提高雾霾气象条件下的图像能见度具有重要意义。
其中,基于物理模型的去雾复原方法由于利用了景深信息,能最大限度地恢复清晰图像而得到广泛的研究。基于物理模型的去雾复原方法首先依据大气中图像退化的物理机制建立光学退化模型,然后利用退化模型通过逆过程对低质图像来恢复清晰图像,常用的Koschmieder大气模型数学表达为:
I(x)=L(x)e-βd(x)+A(1-e-βd(x))
式中,I(x)表示雾霾图像,向量x为像素坐标,A表示大气光值(天空亮度),L(x)为场景照度,d为场景景深,β为大气散射系数。常将t(x)=e-βd(x)称作大气传输图,其中L(x)e-βd(x)为直接衰减项,表示物体表面反射光经大气粒子散射作用之后进入成像系统的部分,它随光线传播距离的增加成指数衰减。A(1-e-βd(x))为环境光干扰项,它随着光线传播距离的增大而增强。求解该模型估算出参数L(x)就可以得到视觉清晰的图像。由于该模型包含3个未知参数:A,t与L,从本质上讲,这是一个多个未知数方程的病态反问题。
近年基于某些数据假设的物理模型复原方法取得了很大的进展,这些方法大多基于数据假设构造目标函数的约束方程,使用最优化方法求解模型参数,取得了良好的去雾效果。如Fattal假设图像局部区域的反照率为常向量,利用独立成分分析来估计该反照率,但当独立成分变化不显著或颜色信息不足将导致统计估计不可靠。Tan假设局部区域的环境光为常数,利用最大化复原图像的局部对比度来达到去雾的目的;但该方法的缺点在于复原后的图像颜色常常过于饱和。Tarel等人在基于大气模型基础上,将经典的场景深度估计转化为大气面纱以及天空亮度估计,避免难求的场景深度图,给出了单幅图像复原算法,但是该算法在景深大的地方边缘轮廓及景物特征都比较模糊,同时也可能导致边缘晕环效应。Kratz等人假设场景反照率和景深是统计独立的,用正则概率先验对它们建模,通过求解一个最大后验概率估计问题,联合估计出场景反照率和景深。该算法需根据特定图像选取景深先验模型,且根据经验给定先验模型中的参数。Nishino等人借助单幅雾天图像的统计结构特征,提出一种Bayesian概率方法来联合估计场景的反射率与景深。He等人假设在无雾图像上至少一个颜色通道的局部区域内场景反照率趋于0(称为暗原色先验,DCP),使用最小值滤波对介质传播图进行粗估计,通过精细化抠图处理,能达到很好的去雾效果。朱等人则提出一种颜色衰减先验(CAP)来实现去雾。然而当存在天空、灰白色物体或浓雾等情况下,某些区域暗通道先验假设并不成立,从而导致大气透射图估计不准确,进而导致恢复的结果出现严重的光晕与噪声放大现象,并且复原后图像偏暗、色彩饱和。Cai等人训练一种端到端的深度网络(DehazeNet)来直接传输图实现雾霾的去除;Choi等人集合13个图像特征,提出了一种雾霾图像浓度的估计方法(FADE)取得了很好的结果,并进而提出一种基于图像融合的去雾算法(DEFADE)。但由于需要计算较多图像特征,计算量较大。
发明内容
本发明提出了一种基于图像雾霾浓度估计的单幅图像去雾方法,其目的在于,克服现有技术中的去雾方法适应性差,先验假设容易在天空等饱和区域失效,容易产生光晕与噪声放大现象等问题。
一种基于图像雾霾浓度估计的的单幅图像去雾方法,包括以下几个步骤:
步骤1:输入雾霾图像I,并获取雾霾图像的暗通道图像Idark,并采用暗原色先验方法获取雾霾图像的大气光照估测值Ac,c={R,G,B};
暗通道图像中每个像素的暗通道值为Idark(x),其中,x、y分别表示图像中两个像素,Ω(x)为以像素x的坐标为中心,大小为r×r的局部区域,r为设定的局部区域半径,c为颜色通道且c∈{r,g,b},Ic(y)为雾霾图像中像素p2处c通道的亮度值;
步骤2:将输入的雾霾图像从RGB空间变换到HSV空间,将HSV空间中的SV通道图像分割成大小为r×r的局部块Ω,并计算每个局部块Ω与任意大气传输值关联的特征向量;
每个局部块的特征向量包括色调方差σ、韦伯对比度均值w以及饱和度均值
步骤3:利用清晰图像MVG模型(μ1,∑1)和雾霾图像MVG模型(μ2,∑2)的特征向量分别与输入的雾霾图像的局部块的归一化特征向量之间关系,获得与任意大气传输值关联输入的雾霾图像的雾霾浓度;
其中,μ1和μ2分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量均值,∑1和∑2分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量的方差;
步骤4:令步骤3获得的与任意大气传输值t关联输入的雾霾图像的雾霾浓度取得最小值,得到对应的初始最优大气传输值;
将图像去雾转化为雾霾浓度最小化的优化问题;
步骤5:采用引导滤波器细化最优大气传输值t(x),得到细化后的最优大气传输值t1(x);
步骤6:将步骤5得到的细化后的最优大气传输值t1、大气光照估测值Ac以及雾霾图像中每个像素的亮度值Ic(x)按以下公式计算,得到清晰图像L:
Ic(x)=Lc(x)t1(x)+Ac(1-t1(x)),c=R,G,B
其中,Lc(x)为清晰图像L的c通道像素x的灰度值。
进一步地,所述与任意大气传输值关联输入的雾霾图像的雾霾浓度按照以下公式计算:
其中,b表示中间向量B的所有元素之和,且ci表示特征调节参数,i=1,2,3,A(i,j)表示中间矩阵A中的元素,
L1和L2分别是∑1和∑2的分解矩阵,满足
max_f,min_f分别表示特征f较大的前0.1%个特征值的均值,以及特征值较小的0.1%特征值的均值,f包括色调方差σ、韦伯对比度均值w以及饱和度均值
ki为特征归一化参数,i=1,2,3;
s(x)表示局部块Ω中像素x的饱和度值;A表示雾霾图像中的大气光值,vA表示大气光值A在HSV颜色空间的亮度通道值,v(x)表示输入雾霾图像中像素x处的亮度通道值;
Δv(x)表示局部块Ω中像素x的亮度对比度,Δv(x)=|v(x)-vb(x)|,vb(x)为局部块Ω中像素x的背景亮度,由v(x)通过一个低通滤波器获得,即:vb(x)=LF(v(x)),LF为低通滤波器;
是局部块中Ω的所有像素的亮度通道值的平均值,N为局部块中像素数目=r×r。
进一步地,所述与任意大气传输值关联输入的雾霾图像的雾霾浓度按照以下公式计算:
其中,J0表示雾霾图像去雾后图像的亮度期望值。
进一步地,所述清晰图像MVG模型(μ1,∑1)和雾霾图像MVG模型(μ2,∑2)的构建过程如下:
首先,获取大量无雾霾的自然图像,随机从自然图像中提取大小为r×r的局部块;
其次,对提取出的局部块,利用随机生成的传输值t和大气散射模型合成雾霾图像块,构建模型数据集;
传输值t的取值范围为[0.01,1];
接着,从模型数据集中选择传输值满足设定条件的雾霾图像块,并计算每个雾霾图像块的归一化特征向量
最后,对满足设定条件的雾霾图像块的归一化特征向量,采用多元变量的最大概率估计的方法,进行图像块的特征模型估计;
构建清晰图像MVG模型(μ1,∑1)时,从模型数据集中选取传输值大于0.95的雾霾图像块;
构建雾霾图像MVG模型(μ2,∑2)时,从模型数据集中选取传输值小于0.5的雾霾图像块。
进一步地,所述雾霾图像的大气光照c通道的估测值Ac是将暗通道图像中每个像素的暗通道值从大到小顺序排列,取暗通道值较大的前n个像素的颜色均值;
其中,n=0.1%×M,M为雾霾图像的像素总数。
进一步地,所述对每个局部块的特征向量进行归一化处理是指:
σn=k1×(σ-min_σ)
wn=k3×(w-min_w)。
进一步地,所述每个局部块的色调方差σI、亮度对比度均值w、以及亮度均值
其中,μrg,μyb,σrg,σyb分别为图像在局部块Ω中的RG色差图像与RGB色差图像的像素均值与方差;
RG色差图像为rg=R-G,RGB色差图像为yb=0.5(R-G)+B。
进一步地,所述局部块Ω的大小r×r的取值范围为7×7~19×19。
进一步地,所述雾霾图像去雾后图像的亮度期望值J0的取值范围为[120,vA]。
有益效果
本发明提出了一种基于图像雾霾浓度估计的单幅图像去雾方法,包括以下几个步骤:步骤1:输入雾霾图像,并获取雾霾图像的暗通道图像,并采用暗原色先验方法估测雾霾图像的大气光照值;步骤2:将输入图像从RGB空间变换到HSV空间,然后对每个像素,以其为中心选取局部区域,计算色调方差、亮度对比度均值以及亮度均值;步骤3:以图像雾霾浓度最低为目标计算雾霾图像的初始最优大气传输值;步骤4:采用引导滤波器细化,得到细化后的最优大气传输值;步骤5:将步骤4得到的细化后的最优大气传输值、大气光照估测值以及雾霾图像中每个像素的亮度值计算得到清晰图像。该方法通过采用自适应计算,得到雾霾图像中每个像素的精准的局部雾霾敏感特征构建雾霾浓度感知方法,从而将图像去雾转化为雾霾浓度最小化的优化问题,进而准确的确定大气传输值,从而实现尽可能去除雾霾,并避免了在饱和区域产生严重的光晕现象与图像噪声。该方法不仅能有效的去除雾霾,同时能抑制光晕现象与图像噪声的产生,适用于不同的复杂天气。同时具有计算速度快的优点。
附图说明
图1为本发明所述方法的流程图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图1所示,一种基于图像雾霾浓度估计的的单幅图像去雾方法,包括以下几个步骤:
步骤1:输入雾霾图像I,并获取雾霾图像的暗通道图像Idark,并采用暗原色先验方法获取雾霾图像的大气光照估测值Ac,c={R,G,B};
暗通道图像中每个像素的暗通道值为Idark(x),其中,x、y分别表示图像中两个像素,Ω(x)为以像素x的坐标为中心,大小为r×r的局部区域,r为设定的局部区域半径,c为颜色通道且c∈{r,g,b},Ic(y)为雾霾图像中像素p2处c通道的亮度值;
所述雾霾图像的大气光照c通道的估测值Ac是将暗通道图像中每个像素的暗通道值从大到小顺序排列,取暗通道值较大的前n个像素的颜色均值;
其中,n=0.1%×M,M为雾霾图像的像素总数。
步骤2:将输入的雾霾图像从RGB空间变换到HSV空间,将HSV空间中的SV通道图像分割成大小为r×r的局部块Ω,并计算每个局部块Ω与任意大气传输值关联的特征向量;
每个局部块的特征向量包括色调方差σ、韦伯对比度均值w以及饱和度均值
所述每个局部块的色调方差σI、亮度对比度均值w、以及亮度均值具体计算公式如下:
其中,μrg,μyb,σrg,σyb分别为图像在局部块Ω中的RG色差图像与RGB色差图像的像素均值与方差;
RG色差图像为rg=R-G,RGB色差图像为yb=0.5(R-G)+B。
给定任意传输值与输入雾霾图像特征,则去雾后图像J的特征向量具有如下关系:
所述局部块Ω的大小r×r的取值范围为7×7~19×19。
步骤3:利用清晰图像MVG模型(μ1,∑1)和雾霾图像MVG模型(μ2,∑2)的特征向量分别与输入的雾霾图像的局部块的归一化特征向量之间关系,获得与任意大气传输值关联输入的雾霾图像的雾霾浓度;
所述对每个局部块的特征向量进行归一化处理是指:
σn=k1×(σ-min_σ)
wn=k3×(w-min_w)
其中,μ1和μ2分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量均值,∑1和∑2分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量的方差;
所述清晰图像MVG模型(μ1,∑1)和雾霾图像MVG模型(μ2,∑2)的构建过程如下:
首先,获取大量无雾霾的自然图像,随机从自然图像中提取大小为r×r的局部块;
其次,对提取出的局部块,利用随机生成的传输值t和大气散射模型合成雾霾图像块,构建模型数据集;
传输值t的取值范围为[0.01,1];
接着,从模型数据集中选择传输值满足设定条件的雾霾图像块,并计算每个雾霾图像块的归一化特征向量
最后,对满足设定条件的雾霾图像块的归一化特征向量,采用多元变量的最大概率估计的方法,进行图像块的特征模型估计;
构建清晰图像MVG模型(μ1,∑1)时,从模型数据集中选取传输值大于0.95的雾霾图像块;
构建雾霾图像MVG模型(μ2,∑2)时,从模型数据集中选取传输值小于0.5的雾霾图像块。
步骤4:令步骤3获得的与任意大气传输值t关联输入的雾霾图像的雾霾浓度取得最小值,得到对应的初始最优大气传输值;
将图像去雾转化为雾霾浓度最小化的优化问题;
所述与任意大气传输值关联输入的雾霾图像的雾霾浓度按照以下公式计算:
其中,b表示中间向量B的所有元素之和,且ci表示特征调节参数,i=1,2,3,A(i,j)表示中间矩阵A中的元素,
L1和L2分别是∑1和∑2的分解矩阵,满足
max_f,min_f分别表示特征f较大的前0.1%个特征值的均值,以及特征值较小的0.1%特征值的均值,f包括色调方差σ、韦伯对比度均值w以及饱和度均值
ki为特征归一化参数,i=1,2,3;
s(x)表示局部块Ω中像素x的饱和度值;A表示雾霾图像中的大气光值,vA表示大气光值A在HSV颜色空间的亮度通道值,v(x)表示输入雾霾图像中像素x处的亮度通道值;
Δv(x)表示局部块Ω中像素x的亮度对比度,Δv(x)=|v(x)-vb(x)|,vb(x)为局部块Ω中像素x的背景亮度,由v(x)通过一个低通滤波器获得,即:vb(x)=LF(v(x)),LF为低通滤波器;
是局部块中Ω的所有像素的亮度通道值的平均值,N为局部块中像素数目=r×r。
对输入的雾霾图像的雾霾浓度求导,求得输入的雾霾图像的雾霾浓度最小时对应的初始最优大气传输值。
在求解初始最优大气值时,也可采用对以下公式求导获得:
所述与任意大气传输值关联输入的雾霾图像的雾霾浓度按照以下公式计算:
其中,J0表示雾霾图像去雾后图像的亮度期望值,J0的取值范围为[120,vA]。
步骤5:采用引导滤波器细化初始最优大气传输值t(x),得到细化后的最优大气传输值t1(x);
步骤6:将步骤5得到的细化后的最优大气传输值t1、大气光照估测值Ac以及雾霾图像中每个像素的亮度值Ic(x)按以下公式计算,得到清晰图像L:
Ic(x)=Lc(x)t1(x)+Ac(1-t1(x)),c=R,G,B
其中,Lc(x)为清晰图像L的c通道像素x的灰度值。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于图像雾霾浓度估计的单幅图像去雾方法,其特征在于,包括以下几个步骤:
步骤1:输入雾霾图像I,并获取雾霾图像的暗通道图像Idark,并采用暗原色先验方法获取雾霾图像的大气光照估测值Ac,c={R,G,B};
步骤2:将输入的雾霾图像从RGB空间变换到HSV空间,将HSV空间中的SV通道图像分割成大小为r×r的局部块Ω,并计算每个局部块Ω与任意大气传输值关联的特征向量;
每个局部块的特征向量包括色调方差σ、韦伯对比度均值w以及饱和度均值
步骤3:利用清晰图像MVG模型(μ1,∑1)和雾霾图像MVG模型(μ2,∑2)的特征向量分别与输入的雾霾图像的局部块的归一化特征向量之间关系,获得与任意大气传输值关联输入的雾霾图像的雾霾浓度;
其中,μ1和μ2分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量均值,∑1和∑2分别表示清晰图像MVG模型和雾霾图像MVG模型的所有局部块特征向量的方差;
步骤4:令步骤3获得的与任意大气传输值t关联输入的雾霾图像的雾霾浓度取得最小值,得到对应的初始最优大气传输值;
步骤5:采用引导滤波器细化最优大气传输值t(x),得到细化后的最优大气传输值t1(x);
步骤6:将步骤5得到的细化后的最优大气传输值t1、大气光照估测值Ac以及雾霾图像中每个像素的亮度值Ic(x)按以下公式计算,得到清晰图像L:
Ic(x)=Lc(x)t1(x)+Ac(1-t1(x)),c=R,G,B
其中,Lc(x)为清晰图像L的c通道像素x的灰度值。
2.根据权利要求1所述的方法,其特征在于,所述与任意大气传输值关联输入的雾霾图像的雾霾浓度按照以下公式计算:
其中,b表示中间向量B的所有元素之和,且ci表示特征调节参数,i=1,2,3,A(i,j)表示中间矩阵A中的元素,
L1和L2分别是∑1和∑2的分解矩阵,满足
max_f,min_f分别表示特征f较大的前0.1%个特征值的均值,以及特征值较小的0.1%特征值的均值,f包括色调方差σ、韦伯对比度均值w以及饱和度均值
ki为特征归一化参数,i=1,2,3;
s(x)表示局部块Ω中像素x的饱和度值;A表示雾霾图像中的大气光值,vA表示大气光值A在HSV颜色空间的亮度通道值,v(x)表示输入雾霾图像中像素x处的亮度通道值;
Δv(x)表示局部块Ω中像素x的亮度对比度,Δv(x)=|v(x)-vb(x)|,vb(x)为局部块Ω中像素x的背景亮度,由v(x)通过一个低通滤波器获得,即:vb(x)=LF(v(x)),LF为低通滤波器;
是局部块Ω中所有像素的亮度通道值的平均值,N为局部块中像素数目=r×r。
3.根据权利要求1所述的方法,其特征在于,所述与任意大气传输值关联输入的雾霾图像的雾霾浓度按照以下公式计算:
其中,J0表示雾霾图像去雾后图像的亮度期望值;
b表示中间向量B的所有元素之和,且ci表示特征调节参数,i=1,2,3,A(i,j)表示中间矩阵A中的元素,
L1和L2分别是∑1和∑2的分解矩阵,满足
max_f,min_f分别表示特征f较大的前0.1%个特征值的均值,以及特征值较小的0.1%特征值的均值,f包括色调方差σ、韦伯对比度均值w以及饱和度均值
ki为特征归一化参数,i=1,2,3;
s(x)表示局部块Ω中像素x的饱和度值;A表示雾霾图像中的大气光值,vA表示大气光值A在HSV颜色空间的亮度通道值,
v(x)表示输入雾霾图像中像素x处的亮度通道值;
Δv(x)表示局部块Ω中像素x的亮度对比度,Δv(x)=|v(x)-vb(x)|,vb(x)为局部块Ω中像素x的背景亮度,由v(x)通过一个低通滤波器获得,即:vb(x)=LF(v(x)),LF为低通滤波器;
是局部块中Ω的所有像素的亮度通道值的平均值,N为局部块中像素数目=r×r。
4.根据权利要求2或3所述的方法,其特征在于,所述清晰图像MVG模型(μ1,∑1)和雾霾图像MVG模型(μ2,∑2)的构建过程如下:
首先,获取大量无雾霾的自然图像,随机从自然图像中提取大小为r×r的局部块;
其次,对提取出的局部块,利用随机生成的传输值t和大气散射模型合成雾霾图像块,构建模型数据集;
传输值t的取值范围为[0.01,1];
接着,从模型数据集中选择传输值满足设定条件的雾霾图像块,并计算每个雾霾图像块的归一化特征向量
最后,对满足设定条件的雾霾图像块的归一化特征向量,采用多元变量的最大概率估计的方法,进行图像块的特征模型估计;
构建清晰图像MVG模型(μ1,∑1)时,从模型数据集中选取传输值大于0.95的雾霾图像块;
构建雾霾图像MVG模型(μ2,∑2)时,从模型数据集中选取传输值小于0.5的雾霾图像块。
5.根据权利要求4所述的方法,其特征在于,所述雾霾图像的大气光照c通道的估测值Ac是将暗通道图像中每个像素的暗通道值从大到小顺序排列,取暗通道值较大的前n个像素的颜色均值;
其中,n=0.1%×M,M为雾霾图像的像素总数。
6.根据权利要求5所述的方法,其特征在于,所述对每个局部块的特征向量进行归一化处理是指:
σn=k1×(σ-min_σ)
wn=k3×(w-min_w)。
7.根据权利要求6所述的方法,其特征在于,所述每个局部块的色调方差σI、亮度对比度均值w、以及亮度均值
其中,μrg,μyb,σrg,σyb分别为图像在局部块Ω中的RG色差图像与RGB色差图像的像素均值与方差;
RG色差图像为rg=R-G,RGB色差图像为yb=0.5(R-G)+B。
8.根据权利要求7所述的方法,其特征在于,所述局部块Ω的大小r×r的取值范围为7×7~19×19。
9.根据权利要求3所述的方法,其特征在于,所述雾霾图像去雾后图像的亮度期望值J0的取值范围为[120,vA]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710190219.6A CN107103591B (zh) | 2017-03-27 | 2017-03-27 | 一种基于图像雾霾浓度估计的单幅图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710190219.6A CN107103591B (zh) | 2017-03-27 | 2017-03-27 | 一种基于图像雾霾浓度估计的单幅图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107103591A true CN107103591A (zh) | 2017-08-29 |
CN107103591B CN107103591B (zh) | 2020-01-07 |
Family
ID=59676015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710190219.6A Active CN107103591B (zh) | 2017-03-27 | 2017-03-27 | 一种基于图像雾霾浓度估计的单幅图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107103591B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705262A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于混合先验学习模型的去雾方法 |
CN107749052A (zh) * | 2017-10-24 | 2018-03-02 | 中国科学院长春光学精密机械与物理研究所 | 基于深度学习神经网络的图像去雾方法及系统 |
CN108389175A (zh) * | 2018-04-26 | 2018-08-10 | 长安大学 | 融合变差函数和颜色衰减先验的图像去雾方法 |
CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
CN109255804A (zh) * | 2018-08-10 | 2019-01-22 | 重庆大数据研究院有限公司 | 一种雾霾浓度估计方法 |
CN109325918A (zh) * | 2018-07-26 | 2019-02-12 | 京东方科技集团股份有限公司 | 一种图像处理的方法、装置及计算机存储介质 |
CN109345477A (zh) * | 2018-09-26 | 2019-02-15 | 四川长虹电器股份有限公司 | 一种基于深度卷积神经网络的快速图像去雾霾系统 |
CN109389132A (zh) * | 2018-09-28 | 2019-02-26 | 深圳大学 | 一种基于图像的雾浓度检测预警方法及系统 |
CN110084761A (zh) * | 2019-04-24 | 2019-08-02 | 深圳南山供电局 | 一种基于灰色关联度引导滤波的图像去雾算法 |
CN110211096A (zh) * | 2019-04-30 | 2019-09-06 | 安徽四创电子股份有限公司 | 一种雾霾图像的检测方法 |
CN111640070A (zh) * | 2020-04-24 | 2020-09-08 | 同济大学 | 大气退化现象中的图像仿真方法 |
CN111738064A (zh) * | 2020-05-11 | 2020-10-02 | 南京邮电大学 | 一种雾霾图像的雾浓度识别方法 |
CN112150386A (zh) * | 2020-09-29 | 2020-12-29 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN114636648A (zh) * | 2022-01-25 | 2022-06-17 | 中国北方车辆研究所 | 一种基于目标检测反馈的雾浓度估计方法 |
CN117994165A (zh) * | 2024-04-02 | 2024-05-07 | 湖南亿盛科技有限公司 | 一种基于大数据的智慧校园管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063853A (zh) * | 2014-07-07 | 2014-09-24 | 南京通用电器有限公司 | 一种基于暗通道技术的提高交通视频图像清晰度方法 |
CN104182943A (zh) * | 2014-08-27 | 2014-12-03 | 湖南大学 | 一种融合人眼视觉特性的单幅图像去雾方法 |
CN104217404A (zh) * | 2014-08-27 | 2014-12-17 | 华南农业大学 | 雾霾天视频图像清晰化处理方法及其装置 |
CN104881879A (zh) * | 2015-06-15 | 2015-09-02 | 北京航空航天大学 | 一种基于暗通道先验的遥感图像雾霾仿真方法 |
CN105701785A (zh) * | 2016-02-17 | 2016-06-22 | 天津大学 | 基于天空区域划分加权tv透射率优化的图像雾霾去除方法 |
US9466097B2 (en) * | 2014-06-20 | 2016-10-11 | Hyundai Motor Company | Apparatus and method for removing fog in image |
CN106204491A (zh) * | 2016-07-12 | 2016-12-07 | 中国科学技术大学 | 一种基于暗通道先验的自适应图像去雾方法 |
-
2017
- 2017-03-27 CN CN201710190219.6A patent/CN107103591B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9466097B2 (en) * | 2014-06-20 | 2016-10-11 | Hyundai Motor Company | Apparatus and method for removing fog in image |
CN104063853A (zh) * | 2014-07-07 | 2014-09-24 | 南京通用电器有限公司 | 一种基于暗通道技术的提高交通视频图像清晰度方法 |
CN104182943A (zh) * | 2014-08-27 | 2014-12-03 | 湖南大学 | 一种融合人眼视觉特性的单幅图像去雾方法 |
CN104217404A (zh) * | 2014-08-27 | 2014-12-17 | 华南农业大学 | 雾霾天视频图像清晰化处理方法及其装置 |
CN104881879A (zh) * | 2015-06-15 | 2015-09-02 | 北京航空航天大学 | 一种基于暗通道先验的遥感图像雾霾仿真方法 |
CN105701785A (zh) * | 2016-02-17 | 2016-06-22 | 天津大学 | 基于天空区域划分加权tv透射率优化的图像雾霾去除方法 |
CN106204491A (zh) * | 2016-07-12 | 2016-12-07 | 中国科学技术大学 | 一种基于暗通道先验的自适应图像去雾方法 |
Non-Patent Citations (2)
Title |
---|
K. PANETTA ET AL.: "No reference color image contrast and quality measures", 《IEEE TRANSACTIONS ON CONSUMER ELECTRONICS》 * |
王建新: "基于HSI空间的单幅图像去雾算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705262A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于混合先验学习模型的去雾方法 |
CN107749052A (zh) * | 2017-10-24 | 2018-03-02 | 中国科学院长春光学精密机械与物理研究所 | 基于深度学习神经网络的图像去雾方法及系统 |
CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
CN108389175B (zh) * | 2018-04-26 | 2021-05-18 | 长安大学 | 融合变差函数和颜色衰减先验的图像去雾方法 |
CN108389175A (zh) * | 2018-04-26 | 2018-08-10 | 长安大学 | 融合变差函数和颜色衰减先验的图像去雾方法 |
CN109325918A (zh) * | 2018-07-26 | 2019-02-12 | 京东方科技集团股份有限公司 | 一种图像处理的方法、装置及计算机存储介质 |
CN109325918B (zh) * | 2018-07-26 | 2022-05-13 | 京东方科技集团股份有限公司 | 一种图像处理的方法、装置及计算机存储介质 |
CN109255804A (zh) * | 2018-08-10 | 2019-01-22 | 重庆大数据研究院有限公司 | 一种雾霾浓度估计方法 |
CN109345477A (zh) * | 2018-09-26 | 2019-02-15 | 四川长虹电器股份有限公司 | 一种基于深度卷积神经网络的快速图像去雾霾系统 |
CN109389132A (zh) * | 2018-09-28 | 2019-02-26 | 深圳大学 | 一种基于图像的雾浓度检测预警方法及系统 |
CN110084761A (zh) * | 2019-04-24 | 2019-08-02 | 深圳南山供电局 | 一种基于灰色关联度引导滤波的图像去雾算法 |
CN110084761B (zh) * | 2019-04-24 | 2023-05-23 | 深圳供电局有限公司 | 一种基于灰色关联度引导滤波的图像去雾方法 |
CN110211096A (zh) * | 2019-04-30 | 2019-09-06 | 安徽四创电子股份有限公司 | 一种雾霾图像的检测方法 |
CN111640070A (zh) * | 2020-04-24 | 2020-09-08 | 同济大学 | 大气退化现象中的图像仿真方法 |
CN111738064A (zh) * | 2020-05-11 | 2020-10-02 | 南京邮电大学 | 一种雾霾图像的雾浓度识别方法 |
CN112150386A (zh) * | 2020-09-29 | 2020-12-29 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN112150386B (zh) * | 2020-09-29 | 2023-03-21 | 西安工程大学 | 基于对比度均值的sar图像相干斑非局部平均抑制方法 |
CN114636648A (zh) * | 2022-01-25 | 2022-06-17 | 中国北方车辆研究所 | 一种基于目标检测反馈的雾浓度估计方法 |
CN117994165A (zh) * | 2024-04-02 | 2024-05-07 | 湖南亿盛科技有限公司 | 一种基于大数据的智慧校园管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107103591B (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103591A (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
CN104253930B (zh) | 一种实时视频去雾方法 | |
CN106296612B (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 | |
CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
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 | |
CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
CN111292258B (zh) | 一种基于暗通道和亮通道先验的图像去雾方法 | |
CN106530257A (zh) | 一种基于暗通道先验模型的遥感图像去雾方法 | |
CN109255759A (zh) | 基于天空分割和透射率自适应修正的图像去雾方法 | |
CN104867121B (zh) | 基于暗原色先验和Retinex理论的图像快速去雾法 | |
CN104182943B (zh) | 一种融合人眼视觉特性的单幅图像去雾方法 | |
CN109087254B (zh) | 无人机航拍图像雾霾天空和白色区域自适应处理方法 | |
CN106875351A (zh) | 一种面向大面积天空区域图像的去雾方法 | |
CN104252698A (zh) | 一种基于半逆法的快速单幅图像去雾算法 | |
CN106548461A (zh) | 图像去雾方法 | |
CN107093173A (zh) | 一种图像雾霾浓度的估计方法 | |
CN105913390B (zh) | 一种图像去雾方法及系统 | |
CN112200746B (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
CN105447825A (zh) | 图像去雾方法及其系统 | |
CN108717686A (zh) | 一种基于暗通道先验的实时视频去雾方法 | |
CN109118450B (zh) | 一种沙尘天气条件下的低质图像增强方法 | |
CN104766286A (zh) | 基于无人驾驶汽车的图像去雾装置及去雾方法 | |
CN107977941B (zh) | 一种明亮区域色彩保真及对比度增强的图像去雾方法 |
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 |