CN107358585B - 基于分数阶微分及暗原色先验的雾天图像增强方法 - Google Patents

基于分数阶微分及暗原色先验的雾天图像增强方法 Download PDF

Info

Publication number
CN107358585B
CN107358585B CN201710520898.9A CN201710520898A CN107358585B CN 107358585 B CN107358585 B CN 107358585B CN 201710520898 A CN201710520898 A CN 201710520898A CN 107358585 B CN107358585 B CN 107358585B
Authority
CN
China
Prior art keywords
image
mask
order differential
fractional order
value
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
Application number
CN201710520898.9A
Other languages
English (en)
Other versions
CN107358585A (zh
Inventor
赵凤群
雷思佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN201710520898.9A priority Critical patent/CN107358585B/zh
Publication of CN107358585A publication Critical patent/CN107358585A/zh
Application granted granted Critical
Publication of CN107358585B publication Critical patent/CN107358585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/73—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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

Abstract

基于分数阶微分及暗原色先验的雾天图像增强方法，包括以下步骤：步骤1，输入雾天图像I，对I进行暗原色先验及Retinex算法处理，得到初步去雾图像J(x,y)；步骤2，将J(x,y)分割为前景区域J1(x,y)和背景区域J2(x,y)；步骤3，分别计算出J1(x,y)对应的最优分数阶微分阶数值v1和J2(x,y)对应的最优分数阶微分阶数值v2；步骤4，确定掩模系数和掩模大小，构造分数阶微分算子掩模w(s,t)；步骤5，分别将步骤3得到的分数阶微分阶数值v1和分数阶微分阶数值v2带入w(s,t)，得到w1(s,t)和w2(s,t)，将w1(s,t)和J1(x,y)的像素点进行卷积运算，将w2(s,t)和J2(x,y)的像素点进行卷积运算；步骤6，输出I经图像增强后的图像。本发明解决了现有技术中存在的用分数阶微分阶数单一的分数阶微分算法对雾天图像进行增强，去雾效果不佳的问题。

Description

基于分数阶微分及暗原色先验的雾天图像增强方法
技术领域
本发明属于图像处理技术领域，涉及一种基于分数阶微分及暗原色先验的雾天图像增强方法。
背景技术
图像增强是重要的图像预处理技术之一，图像增强能够提高图像质量，改善图像的视觉效果，以便进行后续深层次处理，比如图像分割、边缘提取以及模式识别等均为图像增强手段。通常由于受太阳光照或光源的影响，成像设备获取的图像对比度低，清晰度不高，图像局部的细节纹理信息不明显，为各种图像的深层次处理带来困难。特别是在能见度较低的状况下，监控设备很难捕捉到高质量的图像，获取的图像很模糊，并且整体色彩偏暗，人们很难从该类图像中获取到关键的信息。因此，对恶劣天气条件下的获取到的图像进行增强显得尤其重要。
分数阶微分是整数阶微分的衍生，与整数阶微分相比，分数阶微分可以增强信号中的中高频信息，同时非线性地保留信号的低频信息，因此，应用分数阶微分进行图像增强会使图像边缘明显突出、纹理更加清晰，而平滑区域信息得以保留。目前分数阶微分图像增强主要是从
Figure GDA0002463732700000011
-Letnikov和Riemann-Liouville定义出发，构造分数阶微分算子模板与图像进行作用完成图像增强。一些学者根据G-L和R-L定义提出了六种分数阶微分的差分近似，分别建立了基于分数阶微分的图像增强算子，且均取得了不错的图像增强效果(PuY,Wang W,Zhou J,et al.Fractional differential approach to detectingtextural features of digital image and its fractional differential filterimplementation[J].2008,51(9):1319-1339.)，但是由于图像局部特性的不同，以及图像内部结构存在多样性，对图像用单一的分数阶微分阶数进行同等强度的增强通常达不到满意的处理效果。大量的实验表明，仅使用分数阶微分的图像增强对纹理图像作用较明显，而对于雾天图像，由于它没有考虑到不同区域的景深特征，大多数情况下无法得到较好的去雾效果。Land基于人脑视觉成像的特征，提出了Retinex理论，Jobon等人为了弥补单尺度Retinex(SSR)算法的不足，提出带色彩的多尺度Retinex增强算法(MSRCR)，虽然在突出细节的同时得到较好的颜色保真度，且在色彩恢复能力上改善了单尺度Retinex算法的不足，但是在颜色变化较大区域的边缘部分，多尺度的滤波可能会导致严重的光晕现象。因此对于颜色和场景复杂的雾天图像，仅仅用Retinex的方法很难达到满意的图像增强效果；基于暗原色先验及Retinex的图像增强是一种基于大气散射物理模型的方法(Morel J M,PetroA B,Sbert C.A PDE Formalization of Retinex Theory.[J].IEEE Transactions onImage Processing A Publication of the IEEE Signal Processing Society,2010,19(11):2825-2837)，这类方法能够利用先验知识，具有内在的优越性，但图像处理过程中容易失去较多细节信息。此外，学者们还提出自适应分数阶微分的复合双边滤波算法进行图像增强(胡伏原,姒绍辉,张艳宁,等.自适应分数阶微分的复合双边滤波算法[J].中国图象图形学报,2013,18(10):1237-1246.)，达到了一定的去雾效果，但是图像对比度增加不是很明显。
发明内容
本发明的目的是提供一种基于分数阶微分及暗原色先验的雾天图像增强方法，解决了现有技术中存在的用分数阶微分阶数单一的分数阶微分算法对雾天图像进行增强，去雾效果不佳的问题。
本发明所采用的技术方案是，基于分数阶微分及暗原色先验的雾天图像增强方法，包括以下步骤：
步骤1，输入雾天图像I，对I进行暗原色先验及Retinex算法处理，得到初步去雾图像J(x,y)；
步骤2，选取最佳分割阈值，将初步去雾图像J(x,y)分割为前景区域J1(x,y)和背景区域J2(x,y)；
步骤3，分别计算出前景区域J1(x,y)对应的最优分数阶微分阶数值v1和背景区域J2(x,y)对应的最优分数阶微分阶数值v2；
步骤4，确定掩模系数和掩模大小，构造分数阶微分算子掩模w(s,t)；
步骤5，分别将步骤3得到的分数阶微分阶数值v1和分数阶微分阶数值v2带入w(s,t)，得到掩模w1(s,t)和掩模w2(s,t)，将掩模w1(s,t)和前景区域J1(x,y)的像素点进行卷积运算，将掩模w2(s,t)和背景区域J2(x,y)的像素点进行卷积运算；
步骤6，输出I经图像增强后的图像。
步骤1的具体步骤为：
步骤1.1，输入雾天图像I，将I从RGB颜色空间转换到YCbcr颜色空间，并提取I的亮度分量图像Y(x,y)，(x,y)表示图像中像素点的位置；
步骤1.2，采用单尺度Retinex算法，计算反射图像R(x,y)：
L(x,y)＝F(x,y)*Y(x,y) (1)
其中，F(x,y)为高斯滤波器，
Figure GDA0002463732700000031
δ代表高斯核，“*”表示卷积运算符，L(x,y)代表入射图像；
r(x,y)＝logY(x,y)-logL(x,y) (2)
将r(x,y)从对数域转换到实数域，得到反射图像R(x,y)；
步骤1.3，计算I的场景透射率的近似值
Figure GDA0002463732700000041
将I的场景透射率近似定义为
Figure GDA0002463732700000042
将t(x,y)从实数域转化到对数域，得到I的场景透射率的近似值
Figure GDA0002463732700000043
Figure GDA0002463732700000044
步骤1.4，计算I在c通道的大气光近似值Ac：
Figure GDA0002463732700000045
其中，r,g,b为图像的三个颜色通道，c为I中r,g,b的某一个颜色通道，Ω(x)表示以(x,y)为中心的局部区域，Ic(x,y)表示I中r,g,b的某一个颜色通道图像；
步骤1.5，分别计算r,g,b三个颜色通道初步去雾后的图像Jc(x,y)：
Figure GDA0002463732700000046
步骤1.6，将r,g,b三个颜色通道的Jc(x,y)组合为RGB空间上的初步去雾图像J(x,y)。
步骤2的具体步骤为：
步骤2.1，设定分割阈值为t，用t将初步去雾图像J(x,y)的像素点分成两个区域：区域A和区域B，区域A由灰度值在[0,t]之间的像素点组成，区域B由灰度值在[t+1,255]之间的像素点组成；
步骤2.2，分别计算区域A的平均灰度uA和区域B的平均灰度uB：
Figure GDA0002463732700000047
Figure GDA0002463732700000051
其中，i为灰度值，i＝0,1,2,...,255，pi为灰度值为i的像素点出现的概率，pi＝ni/N，ni为灰度值为i的像素点的数量，N为J(x,y)中所有像素点的数量；w0为灰度值在[0,t]之间的像素点在J(x,y)中占的比例，
Figure GDA0002463732700000052
w1为灰度值在[t+1,255]之间的像素点在J(x,y)中占的比例，
Figure GDA0002463732700000053
步骤2.3，计算区域A和区域B的方差：σ2＝w0(uA-uT)2+w1(uB-uT)2，其中uT表示J(x,y)的总平均灰度，
Figure GDA0002463732700000054
步骤2.4，将σ2最大时对应的t值作为最佳分割阈值，用最佳分割阈值将J(x,y)分割为前景区域J1(x,y)和背景区域J2(x,y)。
步骤3的具体步骤为：
步骤3.1，建立函数
Figure GDA0002463732700000055
其中，
Figure GDA0002463732700000056
为Ji(x,y)经过v阶分数阶微分增强后的区域；
Figure GDA0002463732700000057
为
Figure GDA0002463732700000058
中灰度值达到255的像素点的集合，
Figure GDA0002463732700000059
Figure GDA00024637327000000510
为集合
Figure GDA00024637327000000511
中元素的个数；Fi(ui)为分段函数，Fi(ui)定义如下：
Figure GDA00024637327000000512
其中，ui为
Figure GDA00024637327000000513
中像素点的平均灰度；
步骤3.2，求解
Figure GDA00024637327000000514
分别得到前景区域J1(x,y)对应的最优分数阶微分阶数值v1和背景区域J2(x,y)对应的最优分数阶微分阶数值v2。
步骤4具体为：
设函数f(x)在区间[0,T]上连续，[0,T]代表自变量x的取值范围，将区间[0,T]作M等份，节点为xm＝T-mh,m＝0,1,2,…,M，m为节点序号，步长为h，则
Figure GDA0002463732700000061
已知f(x)具有二阶精度的Riesz分数阶导数近似计算公式为：
Figure GDA0002463732700000062
其中，
Figure GDA0002463732700000063
k＝0,±1,±2,…,±∞，
Figure GDA0002463732700000064
为Riesz分数阶导数计算公式的系数，v为微分阶数，Γ为Gamma函数，O(h2)为二阶收敛阶，由式(9)得到：
Figure GDA0002463732700000065
其中，
Figure GDA0002463732700000066
对二维数字图像f(x,y)，令h＝1，取式(10)的前四项系数ω0,ω1,ω2,ω3作为分数阶微分算子的初步掩模系数，记为：
Figure GDA0002463732700000067
Figure GDA0002463732700000068
在x轴正负方向、y轴正负方向、左右对角线方向共8个方向构成具有各向同性的分数阶微分算子掩模；
引入强度因子g，g∈(0,1)，设置掩模中心系数为
Figure GDA0002463732700000069
令掩模非中心系数为bi＝gai,i＝1,2,3，b0、b1、b2、b3为掩模系数，确定分数阶微分算子掩模大小为7×7，分数阶微分算子掩模在x,y坐标轴上的半径大小a、b均为3，由掩模系数和掩模半径构造分数阶微分算子掩模w(s,t)，(s,t)代表每个掩模系数的位置。
步骤5具体为：
将步骤3得到的分数阶微分阶数值v1带入w(s,t)的掩模系数中，得到掩模w1(s,t)，将w1(s,t)和J1(x,y)中的像素点进行卷积运算，获得增强后的像素点区域
Figure GDA0002463732700000071
将步骤3得到的分数阶微分阶数值v2带入w(s,t)的掩模系数中，得到掩模w2(s,t)，将w2(s,t)和J2(x,y)中的像素点进行卷积运算，获得增强后的像素点区域
Figure GDA0002463732700000072
本发明的有益效果是，基于分数阶微分及暗原色先验的雾天图像增强方法，首先对雾天图像进行暗原色先验及Retinex算法处理，雾天图像清晰度不高，该处理一方面达到去雾的效果，一方面为之后计算更准确的图像分割阈值做了铺垫；再选择最佳阈值进行图像分割，用不同的分数阶阶数进行增强，避免了阶数选取的单一性，基于Riesz分数阶微分具有二阶精度的近似计算公式，在分数阶微分阶数的选择上，根据图像像素值的不同特征实现了阶数选择的自适应性，构造了一种新的高精度7×7分数阶微分算子掩模，相对于大小为3×3与5×5的分数阶微分算子掩模，大小为7×7的掩模具有更好的增强效果，本发明相对于已有的雾天图像增强算法而言，同时实现了雾天图像的去雾和增强，并且从而提高了雾天图像的增强效果。
附图说明
图1是本发明的流程图；
图2是7×7大小的分数阶微分算子掩模的示意图；
图3是原始的加油站雾天图像；
图4是图3的图像分割效果图；
图5是图3经暗原色先验及Retinex算法处理后的效果图；
图6是图3经自适应分数阶微分的复合双边滤波算法处理后的效果图；
图7是图3经Tiansi算子5×5大小的掩模处理后的效果图；
图8是图3经本发明的方法处理后的效果图；
图9是原始的公路雾天图像；
图10是图9的图像分割效果图；
图11是图9经暗原色先验及Retinex算法处理后的效果图；
图12是图9经自适应分数阶微分的复合双边滤波算法处理后的效果图；
图13是图9经Tiansi算子5×5大小的掩模处理后的效果图；
图14是图9经本发明的方法处理后的效果图；
图15是原始的城市雾天图像；
图16是图15的图像分割效果图；
图17是图15经暗原色先验及Retinex算法处理后的效果图；
图18是图15经自适应分数阶微分的复合双边滤波算法处理后的效果图；
图19是图15经Tiansi算子5×5大小的掩模处理后的效果图；
图20是图15经本发明的方法处理后的效果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，基于分数阶微分及暗原色先验的雾天图像增强方法，包括以下步骤：
步骤1，输入雾天图像I，对I进行暗原色先验及Retinex算法处理，得到初步去雾图像J(x,y)；
步骤1.1，输入雾天图像I，将I从RGB颜色空间转换到YCbcr颜色空间，Y代表YCbcr颜色空间的亮度分量，Cb代表YCbcr颜色空间的蓝色分量，Cr代表YCbcr颜色空间的红色分量，并提取I的亮度分量图像Y(x,y)，(x,y)表示图像中像素点的位置；
步骤1.2，采用单尺度Retinex算法，计算反射图像R(x,y)：
L(x,y)＝F(x,y)*Y(x,y) (1)
其中，F(x,y)为高斯滤波器，
Figure GDA0002463732700000091
δ代表高斯核，“*”表示卷积运算符，L(x,y)代表入射图像；
r(x,y)＝logY(x,y)-logL(x,y) (2)
将r(x,y)从对数域转换到实数域，得到反射图像R(x,y)；
步骤1.3，计算I的场景透射率的近似值
Figure GDA0002463732700000092
将I的场景透射率近似定义为
Figure GDA0002463732700000093
将t(x,y)从实数域转化到对数域，得到I的场景透射率的近似值
Figure GDA0002463732700000094
Figure GDA0002463732700000095
步骤1.4，计算I在c通道的大气光近似值Ac：
Figure GDA0002463732700000096
其中，r,g,b为图像的三个颜色通道，c为I中r,g,b的某一个颜色通道，Ω(x)表示以(x,y)为中心的局部区域，Ic(x,y)表示I中r,g,b的某一个颜色通道图像；
步骤1.5，分别计算r,g,b三个颜色通道初步去雾后的图像Jc(x,y)：
Figure GDA0002463732700000097
步骤1.6，将r,g,b三个颜色通道的Jc(x,y)组合为RGB空间上的初步去雾图像J(x,y)。
步骤2，选取最佳分割阈值，将初步去雾图像J(x,y)分割为前景区域J1(x,y)和背景区域J2(x,y)；
步骤2.1，设定分割阈值为t，用t将初步去雾图像J(x,y)的像素点分成两个区域：区域A和区域B，区域A由灰度值在[0,t]之间的像素点组成，区域B由灰度值在[t+1,255]之间的像素点组成；
步骤2.2，分别计算区域A的平均灰度uA和区域B的平均灰度uB：
Figure GDA0002463732700000101
Figure GDA0002463732700000102
其中，i为灰度值，i＝0,1,2,...,255，pi为灰度值为i的像素点出现的概率，pi＝ni/N，ni为灰度值为i的像素点的数量，N为J(x,y)中所有像素点的数量；w0为灰度值在[0,t]之间的像素点在J(x,y)中占的比例，
Figure GDA0002463732700000103
w1为灰度值在[t+1,255]之间的像素点在J(x,y)中占的比例，
Figure GDA0002463732700000104
步骤2.3，计算区域A和区域B的方差：σ2＝w0(uA-uT)2+w1(uB-uT)2，其中uT表示J(x,y)的总平均灰度，
Figure GDA0002463732700000105
步骤2.4，将σ2最大时对应的t值作为最佳分割阈值，用最佳分割阈值将J(x,y)分割为前景区域J1(x,y)和背景区域J2(x,y)。
步骤3，分别计算出前景区域J1(x,y)对应的最优分数阶微分阶数值v1和背景区域J2(x,y)对应的最优分数阶微分阶数值v2；
步骤3.1，建立函数
Figure GDA0002463732700000106
其中，i＝1时，Ji(x,y)为前景区域，i＝2时，Ji(x,y)为背景区域；v为分数阶微分阶数，
Figure GDA0002463732700000111
为Ji(x,y)经过v阶分数阶微分增强后的区域；
Figure GDA0002463732700000112
为
Figure GDA0002463732700000113
中灰度值达到255的像素点的集合，
Figure GDA0002463732700000114
为集合
Figure GDA0002463732700000115
中元素的个数；Fi(ui)为分段函数，Fi(ui)定义如下：
Figure GDA0002463732700000116
其中，ui为
Figure GDA0002463732700000117
中像素点的平均灰度；
步骤3.2，求解
Figure GDA0002463732700000118
分别得到前景区域J1(x,y)对应的最优分数阶微分阶数值v1和背景区域J2(x,y)对应的最优分数阶微分阶数值v2。
步骤4，确定掩模系数和掩模大小，构造分数阶微分算子掩模w(s,t)；
步骤4具体为：
设函数f(x)在区间[0,T]上连续，[0,T]代表自变量x的取值范围，将区间[0,T]作M等份，节点为xm＝T-mh,m＝0,1,2,…,M，m为节点序号，步长为h，则
Figure GDA0002463732700000119
已知f(x)具有二阶精度的Riesz分数阶导数近似计算公式为：
Figure GDA00024637327000001110
其中，
Figure GDA00024637327000001111
k＝0,±1,±2,…,±∞，
Figure GDA00024637327000001112
为Riesz分数阶导数计算公式的系数，v为微分阶数，Γ为Gamma函数，O(h2)为二阶收敛阶，由式(9)得到：
Figure GDA00024637327000001113
其中，
Figure GDA0002463732700000121
对二维数字图像f(x,y)，令h＝1，取式(10)的前四项系数ω0,ω1,ω2,ω3作为分数阶微分算子的初步掩模系数，记为：
Figure GDA0002463732700000122
Figure GDA0002463732700000123
在x轴正负方向、y轴正负方向、左右对角线方向共8个方向构成具有各向同性的分数阶微分算子掩模；
如图2所示，为了达到更好的纹理增强效果，考虑到每一个像素的作用，则模板中的每一个像素权值都不应该为0，引入强度因子g，g∈(0,1)，调节了周围像素点对目标像素点的贡献力度，即增加中心像素点的作用，减少周围像素点的作用，这就意味着随着距离的增加，中心像素点与其他像素点之间的相关性降低了；设置掩模中心系数为
Figure GDA0002463732700000124
令掩模非中心系数为bi＝gai,i＝1,2,3，b0、b1、b2、b3为掩模系数，确定分数阶微分算子掩模大小为7×7，分数阶微分算子掩模在x,y坐标轴上的半径大小a、b均为3，把半径相等的位置看做是同一层，由掩模系数和掩模半径构造分数阶微分算子掩模w(s,t)，(s,t)代表每个掩模系数的位置。
步骤5，分别将步骤3得到的分数阶微分阶数值v1和分数阶微分阶数值v2带入w(s,t)，得到掩模w1(s,t)和掩模w2(s,t)，将掩模w1(s,t)和前景区域J1(x,y)的像素点进行卷积运算，将掩模w2(s,t)对背景区域J2(x,y)的像素点进行卷积运算；
步骤5具体为：
将步骤3得到的分数阶微分阶数值v1带入w(s,t)的掩模系数中，得到掩模w1(s,t)，将w1(s,t)和J1(x,y)中的像素点进行卷积运算，获得增强后的像素点区域
Figure GDA0002463732700000131
将步骤3得到的分数阶微分阶数值v2带入w(s,t)的掩模系数中，得到掩模w2(s,t)，将w2(s,t)和J2(x,y)中的像素点进行卷积运算，获得增强后的像素点区域
Figure GDA0002463732700000132
步骤6，输出I经图像增强后的图像。
为了检验本发明的算法对雾天图像增强的有效性，我们分别选取Tiansi算子(记为方法A)、暗原色先验及Retinex算法(记为方法B)以及自适应分数阶微分的复合双边滤波算法(记为方法C)对三幅雾天降质交通图像(加油站雾天图像、公路雾天图像、城市雾天图像)进行图像增强以及效果对比，对加油站雾天图像用各算法的处理的过程及效果图如图3至图8所示，对公路雾天图像用各算法的处理的过程及效果图如图9至图14所示，对城市雾天图像用各算法的处理的过程及效果图如图15至图20所示；图3，图9，图15是三幅雾天交通图像，由于有雾的原因，路面的可视度较低，道路两旁的房屋建筑，树木和交通标志都模糊不清；图5，图11，图17是暗原色先验及Retinex算法处理图3的效果图，可以看出，处理之后的图像看起来有些模糊，失去了较多细节信息，整体色彩偏暗，增强效果不明显；图7，图13，图19是v＝0.4时，用Tiansi算子增强过的图像，路面的清晰度有所增加，但是对于雾天图像来说，去雾效果并没有得到改善；图8，图14，图20是自适应分数阶微分的复合双边滤波算法在HSV空间上当δd＝3,δr＝0.4时的处理结果，可以看出，虽然图像中的整体亮度有所增加，但是图像对比度增加不是很明显；图8，图14，图20是采用本发明的方法进行图像增强的结果，不仅整体亮度增强，而且边缘和纹理细节都有明显地增强。因此可以得出，采用本发明的方法进行去雾的效果明显优于其他算法的效果。
为了客观评价本文算法的有效性，表1列出了实验中三幅图像采用不同的图像增强方法处理得到的图像的信息熵和平均梯度。
表1
Figure GDA0002463732700000141
由表1中的数据得知，对于加油站雾天图像、公路雾天图像、城市雾天图像，采用本发明的方法处理后的图像的信息熵和平均梯度不仅高于原始图像，且都高于其他算法处理后的图像,平均梯度即图像的清晰度，反映图像细节对比的表达能力。它的值越大，表明图像的纹理细节越清晰。信息熵是图像纹理丰富程度的度量，它的值越大，表明图像所含的信息内容越丰富。说明本发明的方法处理后的图像质量更高。
通过上述方式，本发明基于分数阶微分及暗原色先验的雾天图像增强方法，首先对雾天图像进行暗原色先验及Retinex算法处理，雾天图像清晰度不高，该处理一方面达到去雾的效果，一方面为之后计算更准确的图像分割阈值做了铺垫；再选择最佳阈值进行图像分割，用不同的分数阶阶数进行增强，避免了阶数选取的单一性，基于Riesz分数阶微分具有二阶精度的近似计算公式，在分数阶微分阶数的选择上，根据图像像素值的不同特征实现了阶数选择的自适应性，构造了一种新的高精度7×7分数阶微分算子掩模，相对于大小为3×3与5×5的分数阶微分算子掩模，大小为7×7的掩模具有更好的增强效果，本发明相对于已有的雾天图像增强算法而言，同时实现了雾天图像的去雾和增强，并且从而提高了雾天图像的增强效果。解决了现有技术中存在的用分数阶微分阶数单一的分数阶微分算法对雾天图像进行增强，去雾效果不佳的问题。

Claims (6)

1.基于分数阶微分及暗原色先验的雾天图像增强方法，其特征在于，包括以下步骤：
步骤1，输入雾天图像I，对I进行暗原色先验及Retinex算法处理，得到初步去雾图像J(x,y)；
步骤2，选取最佳分割阈值，将所述初步去雾图像J(x,y)分割为前景区域J1(x,y)和背景区域J2(x,y)；
步骤3，分别计算出所述前景区域J1(x,y)对应的最优分数阶微分阶数值v1和所述背景区域J2(x,y)对应的最优分数阶微分阶数值v2；
步骤4，确定掩模系数和掩模大小，构造分数阶微分算子掩模w(s,t)；
步骤5，分别将所述步骤3得到的分数阶微分阶数值v1和分数阶微分阶数值v2带入w(s,t)，得到掩模w1(s,t)和掩模w2(s,t)，将掩模w1(s,t)和前景区域J1(x,y)的像素点进行卷积运算，将掩模w2(s,t)和背景区域J2(x,y)的像素点进行卷积运算；
步骤6，输出I经图像增强后的图像。
2.根据权利要求1所述的基于分数阶微分及暗原色先验的雾天图像增强方法，其特征在于，所述步骤1的具体步骤为：
步骤1.1，输入雾天图像I，将I从RGB颜色空间转换到YCbcr颜色空间，并提取I的亮度分量图像Y(x,y)，(x,y)表示图像中像素点的位置；
步骤1.2，采用单尺度Retinex算法，计算反射图像R(x,y)：
L(x,y)＝F(x,y)*Y(x,y) (1)
其中，F(x,y)为高斯滤波器，
Figure FDA0002463732690000021
δ代表高斯核，“*”表示卷积运算符，L(x,y)代表入射图像；
r(x,y)＝logY(x,y)-logL(x,y) (2)
将r(x,y)从对数域转换到实数域，得到反射图像R(x,y)；
步骤1.3，计算I的场景透射率的近似值
Figure FDA0002463732690000022
将I的场景透射率近似定义为
Figure FDA0002463732690000023
将t(x,y)从实数域转化到对数域，得到I的场景透射率的近似值
Figure FDA0002463732690000024
Figure FDA0002463732690000025
步骤1.4，计算I在c通道的大气光近似值Ac：
Figure FDA0002463732690000026
其中，r,g,b为图像的三个颜色通道，c为I中r,g,b的某一个颜色通道，Ω(x)表示以(x,y)为中心的局部区域，Ic(x,y)表示I中r,g,b的某一个颜色通道图像；
步骤1.5，分别计算r,g,b三个颜色通道初步去雾后的图像Jc(x,y)：
Figure FDA0002463732690000027
步骤1.6，将r,g,b三个颜色通道的Jc(x,y)组合为RGB空间上的初步去雾图像J(x,y)。
3.根据权利要求2所述的基于分数阶微分及暗原色先验的雾天图像增强方法，其特征在于，所述步骤2的具体步骤为：
步骤2.1，设定分割阈值为t，用t将初步去雾图像J(x,y)的像素点分成两个区域：区域A和区域B，区域A由灰度值在[0,t]之间的像素点组成，区域B由灰度值在[t+1,255]之间的像素点组成；
步骤2.2，分别计算区域A的平均灰度uA和区域B的平均灰度uB：
Figure FDA0002463732690000031
Figure FDA0002463732690000032
其中，i为灰度值，i＝0,1,2,...,255，pi为灰度值为i的像素点出现的概率，pi＝ni/N，ni为灰度值为i的像素点的数量，N为J(x,y)中所有像素点的数量；w0为灰度值在[0,t]之间的像素点在J(x,y)中占的比例，
Figure FDA0002463732690000033
w1为灰度值在[t+1,255]之间的像素点在J(x,y)中占的比例，
Figure FDA0002463732690000034
步骤2.3，计算区域A和区域B的方差：σ2＝w0(uA-uT)2+w1(uB-uT)2，其中uT表示J(x,y)的总平均灰度，
Figure FDA0002463732690000035
步骤2.4，将σ2最大时对应的t值作为最佳分割阈值，用最佳分割阈值将J(x,y)分割为前景区域J1(x,y)和背景区域J2(x,y)。
4.根据权利要求3所述的基于分数阶微分及暗原色先验的雾天图像增强方法，其特征在于，所述步骤3的具体步骤为：
步骤3.1，建立函数
Figure FDA0002463732690000036
其中，
Figure FDA0002463732690000037
为Ji(x,y)经过v阶分数阶微分增强后的区域；
Figure FDA0002463732690000038
为
Figure FDA0002463732690000039
中灰度值达到255的像素点的集合，
Figure FDA00024637326900000310
Figure FDA00024637326900000311
为集合
Figure FDA00024637326900000312
中元素的个数；Fi(ui)为分段函数，Fi(ui)定义如下：
Figure FDA0002463732690000041
其中，ui为
Figure FDA0002463732690000042
中像素点的平均灰度；
步骤3.2，求解
Figure FDA0002463732690000043
分别得到前景区域J1(x,y)对应的最优分数阶微分阶数值v1和背景区域J2(x,y)对应的最优分数阶微分阶数值v2。
5.根据权利要求4所述的基于分数阶微分及暗原色先验的雾天图像增强方法，其特征在于，所述步骤4具体为：
设函数f(x)在区间[0,T]上连续，[0,T]代表自变量x的取值范围，将区间[0,T]作M等份，节点为xm＝T-mh,m＝0,1,2,…,M，m为节点序号，步长为h，则
Figure FDA0002463732690000044
已知f(x)具有二阶精度的Riesz分数阶导数近似计算公式为：
Figure FDA0002463732690000045
其中，
Figure FDA0002463732690000046
Figure FDA0002463732690000047
为Riesz分数阶导数计算公式的系数，v为微分阶数，Γ为Gamma函数，O(h2)为二阶收敛，由式(9)得到：
Figure FDA0002463732690000048
其中，
Figure FDA0002463732690000049
对二维数字图像f(x,y)，令h＝1，取式(10)的前四项系数ω0,ω1,ω2,ω3作为分数阶微分算子的初步掩模系数，记为：
Figure FDA00024637326900000410
Figure FDA0002463732690000051
在x轴正负方向、y轴正负方向、左右对角线方向共8个方向构成具有各向同性的分数阶微分算子掩模；
引入强度因子g，g∈(0,1)，设置掩模中心系数为
Figure FDA0002463732690000052
令掩模非中心系数为bi＝gai,i＝1,2,3，b0、b1、b2、b3为掩模系数，确定分数阶微分算子掩模大小为7×7，分数阶微分算子掩模在x,y坐标轴上的半径大小a、b均为3，由掩模系数和掩模半径构造分数阶微分算子掩模w(s,t)，(s,t)代表每个掩模系数的位置。
6.根据权利要求5所述的基于分数阶微分及暗原色先验的雾天图像增强方法，其特征在于，所述步骤5具体为：
将步骤3得到的分数阶微分阶数值v1带入w(s,t)的掩模系数中，得到掩模w1(s,t)，将w1(s,t)和J1(x,y)中像素点进行卷积运算，获得增强后的像素点区域
Figure FDA0002463732690000053
将步骤3得到的分数阶微分阶数值v2带入w(s,t)的掩模系数中，得到掩模w2(s,t)，将w2(s,t)和J2(x,y)中的像素点进行卷积运算，获得增强后的像素点区域
Figure FDA0002463732690000054
CN201710520898.9A 2017-06-30 2017-06-30 基于分数阶微分及暗原色先验的雾天图像增强方法 Active CN107358585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710520898.9A CN107358585B (zh) 2017-06-30 2017-06-30 基于分数阶微分及暗原色先验的雾天图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710520898.9A CN107358585B (zh) 2017-06-30 2017-06-30 基于分数阶微分及暗原色先验的雾天图像增强方法

Publications (2)

Publication Number Publication Date
CN107358585A CN107358585A (zh) 2017-11-17
CN107358585B true CN107358585B (zh) 2020-08-18

Family

ID=60274087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710520898.9A Active CN107358585B (zh) 2017-06-30 2017-06-30 基于分数阶微分及暗原色先验的雾天图像增强方法

Country Status (1)

Country Link
CN (1) CN107358585B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564548B (zh) * 2018-04-19 2022-06-24 南京信息工程大学 一种自适应的非整数步长分数阶微分图像纹理增强方法
CN108665431A (zh) * 2018-05-16 2018-10-16 南京信息工程大学 基于k-均值聚类的分数阶图像纹理增强方法
CN109002777B (zh) * 2018-06-29 2021-03-30 电子科技大学 一种面向复杂场景的红外小目标检测方法
CN109035249B (zh) * 2018-09-10 2021-08-24 东北大学 一种基于图像处理的管道故障并行全局阈值检测方法
CN109447912B (zh) * 2018-10-18 2022-04-19 广东欧谱曼迪科技有限公司 一种荧光导航内窥镜系统的荧光图像自适应增强及降噪方法
CN109615590B (zh) * 2018-11-14 2023-07-25 江苏科技大学 基于模糊算法与分数阶微分算法的声呐图像增强方法
CN110197465B (zh) * 2019-05-28 2023-09-12 深圳供电规划设计院有限公司 一种有雾图像增强方法
CN113155747B (zh) * 2021-01-15 2022-12-06 西安科技大学 一种构建分数阶微分光谱指数及其监测小麦条锈病的方法
CN112929308B (zh) * 2021-01-22 2022-05-17 西安电子科技大学 基于最大相关熵和分数阶常模盲均衡的信道畸变消除方法
CN114565523A (zh) * 2022-02-18 2022-05-31 成都飞机工业（集团）有限责任公司 一种基于分数阶导数的航拍图像数据增强方法
CN116560847B (zh) * 2023-05-19 2023-10-27 北京百度网讯科技有限公司 任务处理方法、装置、电子设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262778A (zh) * 2011-08-24 2011-11-30 重庆大学 基于改进的分数阶微分掩模的图像增强方法
CN102800051A (zh) * 2012-03-28 2012-11-28 中南大学 基于分数阶微分的自适应浮选泡沫图像增强方法
CN106097274A (zh) * 2016-06-20 2016-11-09 陕西理工学院 一种自适应分数阶微分图像增强算法
WO2017053323A1 (en) * 2015-09-21 2017-03-30 Rambus Inc. Fractional-readout oversampled image sensor
CN106600564A (zh) * 2016-12-23 2017-04-26 潘敏 一种新型图像增强方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262778A (zh) * 2011-08-24 2011-11-30 重庆大学 基于改进的分数阶微分掩模的图像增强方法
CN102800051A (zh) * 2012-03-28 2012-11-28 中南大学 基于分数阶微分的自适应浮选泡沫图像增强方法
WO2017053323A1 (en) * 2015-09-21 2017-03-30 Rambus Inc. Fractional-readout oversampled image sensor
CN106097274A (zh) * 2016-06-20 2016-11-09 陕西理工学院 一种自适应分数阶微分图像增强算法
CN106600564A (zh) * 2016-12-23 2017-04-26 潘敏 一种新型图像增强方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《结合分数阶微分和暗原色先验及Retinex的去雾算法》;马荣贵;《华南理工大学学报（自然科学版）》;20160930;第16-23页 *

Also Published As

Publication number Publication date
CN107358585A (zh) 2017-11-17

Similar Documents

Publication Publication Date Title
CN107358585B (zh) 基于分数阶微分及暗原色先验的雾天图像增强方法
Wang et al. Single image dehazing based on the physical model and MSRCR algorithm
CN106846263B (zh) 基于融合通道且对天空免疫的图像去雾方法
Yu et al. Fast single image fog removal using edge-preserving smoothing
Jiang et al. Image dehazing using adaptive bi-channel priors on superpixels
Tripathi et al. Single image fog removal using bilateral filter
CN110175964A (zh) 一种基于拉普拉斯金字塔的Retinex图像增强方法
Wang et al. A fast single-image dehazing method based on a physical model and gray projection
Gao et al. Sand-dust image restoration based on reversing the blue channel prior
Wang et al. Variational single nighttime image haze removal with a gray haze-line prior
CN111861896A (zh) 一种面向uuv的水下图像色彩补偿与恢复方法
Pan et al. De-scattering and edge-enhancement algorithms for underwater image restoration
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
CN111598814B (zh) 基于极端散射通道的单图像去雾方法
CN106846258A (zh) 一种基于加权最小平方滤波的单幅图像去雾方法
Yu et al. Image and video dehazing using view-based cluster segmentation
Tang et al. A local flatness based variational approach to retinex
Gao et al. Single fog image restoration with multi-focus image fusion
CN108711160A (zh) 一种基于hsi增强性模型的目标分割方法
CN108765337B (zh) 一种基于暗原色先验与非局部mtv模型的单幅彩色图像去雾处理方法
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
Wen et al. A survey of image dehazing algorithm based on retinex theory
Zhen et al. Single Image Defogging Algorithm based on Dark Channel Priority.
CN110349113B (zh) 一种基于暗原色先验改进的自适应图像去雾方法
CN104754320B (zh) 一种3d‑jnd阈值计算方法

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