CN107451966A - 一种采用灰度图引导滤波实现的实时视频去雾方法 - Google Patents
一种采用灰度图引导滤波实现的实时视频去雾方法 Download PDFInfo
- Publication number
- CN107451966A CN107451966A CN201710613064.2A CN201710613064A CN107451966A CN 107451966 A CN107451966 A CN 107451966A CN 201710613064 A CN201710613064 A CN 201710613064A CN 107451966 A CN107451966 A CN 107451966A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- gray
- munder
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000003595 mist Substances 0.000 claims abstract description 13
- 238000009792 diffusion process Methods 0.000 claims abstract description 10
- 238000013459 approach Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000002834 transmittance Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000012876 topography Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 15
- 239000002932 luster Substances 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
Classifications
-
- G06T5/73—
-
- 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
- G06T2207/10016—Video; Image sequence
Abstract
本发明公开了一种采用灰度图引导滤波的实时视频去雾方法,包括:视频流中获取图像;原图像转化成灰度图像;灰度图像进行引导滤波;对原图进行下采样,获得小图;根据暗原色定义公式求出小图的暗原色图像;使用四叉树法找到浓雾区域或天空区域;利用改进的大气光散射模型复原图像,输出雾天视频。本发明的优点在于:复原出的图像,去雾效果彻底,色彩鲜艳明丽,不会像暗原色理论去雾算法出现天空区域彩色失真,景深变化大地方出现白边现象等问题,对于小雾、中雾和大雾都有着非常好的去雾效果,而且计算量少,处理速度快且稳定。
Description
技术领域
本发明涉及视频处理技术领域,特别涉及一种采用灰度图引导滤波的实时视频去雾方法。
背景技术
在雾霾天气条件下,由于大气中的悬浮颗粒对光线的散射作用,使得拍摄的视频对比度与能见度降低,严重影响了户外图像采集系统的正常工作。因此,对雾霾天气下拍摄到的视频进行实时的去雾处理,提高视频质量是十分有意义的。
近年来国内外学者主要对单幅图像的去雾进行研究,并在该领域取得较大的突破。目前,对于雾天图像处理方法主要划分成两大类:基于图像增强去雾算法和基于物理模型的图像复原去雾算法。图像增强的典型方法如基于Retinex理论的去雾算法,该类算法能有效增加对比度,突出细节,能在一定程度上去雾和提高雾天图像的视觉效果,但由于没有考虑到图像的退化问题,还原图像信息能力有限,容易导致图像部分信息丢失,没能从根本上去雾且处理后的图像容易出现灰度化,再者其算法复杂度高,达不到实时性要求。另一类是基于物理模型图像复原典型的方法例如暗原色先验去雾算法,暗原色先验去雾算法中假设大气散射模型中的大气光为定值,通过暗原色先验理论求透射率图来复原雾天图像,对于一般的户外雾天图像可以取得较好的去雾效果但算法复杂度高达不到视频实时处理的要求,而且去雾后图像的天空区域容易出现过饱和,彩色失真,图像整体偏暗等问题。国内外学者提出了诸多去雾算法,但大多数仅适用于单幅图像的去雾,目前实时视频去雾的研究成果总体来说还是比较少的,而且现有的方法大多数在运算速度和去雾效果上还是无法让人满意,无法兼顾处理速度和去雾效果。
发明内容
本发明针对现有技术的缺陷,提供了一种采用灰度图引导滤波的实时视频去雾方法,能有效的解决上述现有技术存在的问题。
为了实现以上发明目的,本发明采取的技术方案如下:
一种采用灰度图引导滤波的实时视频去雾方法,包括以下步骤:
步骤一:在雾霾天气下的视频流中获取图像image_src;
步骤二:将原图像转化成灰度图像image_gray;
步骤三:以灰度图像image_gray作为引导图像使用引导滤波算法对灰度图像image_gray进行引导滤波得到图像image_guided;
步骤四:采用图像下采样技术对原图image_src进行下采样,获得小图image_src_mini;
步骤五:根据暗原色定义公式求出小图image_src_mini的暗原色图像image_dark;
步骤六:在小图image_src_mini上,使用四叉树法快速找到浓雾区域或天空区域;
步骤七:采用何凯明的暗原色先验理论计算出步骤六找到的浓雾区域或天空区域的平均透射率T_transmittance;
步骤八:将步骤三得到的图像image_guided以及步骤七得到透射率T_transmittance带入改进的大气光散射模型方程反向求解即可获得去雾图像image_dehazed,并输出到视频流中去。
进一步地,所述步骤三中的引导滤波算法为:
在该算法中,设输入图像为J,引导图像为I,滤波输出图像为q,该模型假设在以中心像素为k的领域窗口ωk存在如下线性关系:
其中ωk是以半径为r的方形窗口,ak和bk是窗口ωk中的线性系数;系数ak和bk可通过求取p和q的最小化差值确定,即:
使E(ak,bk)达到最小;其中ε为调节参数,其目的是为了防止ak取值过大;线性回归求解式(5)得:
其中μk和分别是I在ωk的均值和方差;|ω|为ωk中的像素个数,是输入图像p在ωk中的均值;
由于每个像素点会包含在多个领域窗口ωk中,在不同ωk中计算得到的qi也不同,故需要对qi进行平均处理,通过计算所有窗口中的ak和bk,滤波输出如下:
其中
进一步地,所述步骤五中的暗原色定义公式为:
式中,Jc为J的一个颜色通道,Ω(x)为以x为中心的一个局部区域。
进一步地,所述步骤六中四叉树法为,首先对暗原色图像image_dark进行四等分分割,之所以使用暗原色图是为了避免局部图像在某通道存在极大值时引起对透射率的错误估计;天空区域或雾气浓度区域的平均值较大,但同时为了避免图中较大白色物体影响,还需要计算标准差,如果区域中有较大白色物体则标准差较大,如果是天空区域或雾气浓度均匀区域则标准差较小,故可以用区域的均值减去标准差的差值来准确确定浓雾区域,差值最大的区域即为浓雾区域或天空区域,公式可表示为:
D(i)=A(i)-S(i)
式中:i为其中某一区域,i=1,2,3,4;A(i)和S(i)分别为该区域的平均值和标准差;D(i)平均值与标准差之间的差值;
为了提高准确率,取D(i)值最大块继续四等分分割,如此重复迭代,直到图像的块大小小于给定阀值,将该图像块作为浓雾区域或天空区域。
进一步地,所述步骤七中的何凯明的暗原色理论求透射率公式为:
其中,x为局部区域Ω(x)的一个像素点,IC(x)表示这一个像素点的RGB三个颜色通道的值Ac为RGB三个通道的大气光值,计算大气光Ac的方法为:在步骤六得到的浓雾区域或天空区域中取亮度值前0.1%的像素,并将这些像素位置保存,然后从含雾的小图image_src_mini中像素点,求出这些像素点在RGB三个通道的中值,作为大气光A的值。
进一步地,所述步骤八中改进的大气光散射模型公式为:
式中,x为像素点在图像中的位置,I(x)为雾天图像,J(x)为无雾图像,t为透射率,A(x)为大气光强度。
与现有技术相比本发明的优点在于:
使用引导滤波后的灰度图作为大气光强度估计;利用四叉树法和暗原色先验理论计算出浓雾区域或天空区域的平均透射率,再对大气光散射模型进行改进,利用改进后的大气光散射模型复原图像,复原出的图像,去雾效果彻底,色彩鲜艳明丽,不会像暗原色理论去雾算法出现天空区域彩色失真,景深变化大地方出现白边现象等问题,对于小雾、中雾和大雾都有着非常好的去雾效果,而且计算量少,处理速度快且稳定,对于大小为605x 340视频,平均每帧处理时间为32ms,已达到视频实时处理的速度要求。
附图说明
图1为本发明实施例的流程图;
图2是本发明实施例中与传统的暗原色先验理论去雾算法的对比图;
图3是本发明实施例中对雾天无人机航拍视频去雾效果截图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明做进一步详细说明。
如图1所示,一种采用灰度图引导滤波的实时视频去雾方法,使用引导滤波后的灰度图作为大气光强度估计;利用四叉树法和暗原色先验理论计算出浓雾区域或天空区域的平均透射率,再对大气光散射模型进行改进,利用改进后的大气光散射模型复原图像,复原出的图像;本方法可应用于交通摄像头监控的去雾处理,无人机雾天航拍的实时视频处理和车辆无人驾驶的识别摄像头的去雾处理等领域。
具体的步骤如下:
步骤一:获取雾霾天气下视频图像:利用视频采集设备,获取要处理的雾霾天气下的视频图像;在Visual Studio2008平台上使用C++和OpenCV编写去雾程序;从视频采集设备的视频流中获取图像image_src;
步骤二:调用OpenCV函数库的RGB转灰度图命令将原图像转化成灰度图像image_gray;
步骤三:以灰度图像image_gray作为引导图像使用引导滤波算法对灰度图像image_gray进行引导滤波得到图像image_guided;其中对引导滤波进行盒式处理,可以写出时间复杂度与窗口大小无关的算法,实现这种算法的关键思想是盒式滤波(box-filter),本发明使用C++并借助OpenCV实现这一算法,OpenCV的boxFilter函数恰好满足这个要求。其表达式为:其中ωk是以半径为r的方形窗口,ak和bk是窗口ωk中的线性系数,其表达式为:
步骤四:采用图像下采样技术对原图image_src进行下采样,获得小图image_src_mini;
步骤五:根据暗原色定义公式式中,Jc为J的一个颜色通道,Ω(x)为以x为中心的一个局部区域。求出小图image_src_mini的暗原色图像image_dark;
步骤六:在小图image_src_mini上,使用四叉树法快速找到浓雾区域或天空区域H;首先对暗原色图像image_dark进行四等分分割,根据公式D(i)=A(i)-S(i)式中,i为其中某一区域,i=1,2,3,4;A(i)和S(i)分别为该区域的平均值和标准差;D(i)平均值与标准差之间的差值。计算四个等分区域的D(i),取D(i)值最大块继续四等分分割,如此重复迭代,直到图像的块大小小于给定阀值,将该图像块作为浓雾区域或天空区域。
步骤七:采用暗原色先验理论计算出步骤八找到的浓雾区域或天空区域的平均透射率T_transmittance;暗原色理论求透射率公式为,
其中,x为局部区域Ω(x)的一个像素点,IC(x)表示这一个像素点的RGB三个颜色通道的值AC为RGB三个通道的大气光值,计算大气光AC的方法为,在步骤八得到的浓雾区域或天空区域H中取亮度值前0.1%的像素,并将这些像素位置保存,然后从含雾的小图image_src_mini中像素点,求出这些像素点在RGB三个通道的中值,作为大气光A的值。
步骤八:将步骤五得到的图像image_guided以及步骤九得到透射率T_transmittance带入改进的大气光散射模型方程式中,x为像素点在图像中的位置,I(x)为雾天图像,J(x)为无雾图像,t为透射率,A(x)为大气光强度。反向求解即可获得去雾图像image_dehazed,并输出到视频流中去。
本发明算法结果均在CPU为Intel i5-3337U@1.8GHz内存为4GB的PC机上运行所得,操作系统为Win7家庭版,开发语言为C++和OpenCV,开发平台为Visual Studio 2010。
如图2所示,(a)(d)(g)为原始雾霾天气下的图像,我们分别使用已有的传统暗原色先验理论去雾算法和本发明提出的基于灰度图引导滤波和暗原色透射率估计的去雾方法对图像进行去雾处理,其中传统暗原色先验理论去雾算法优化透射率图时采用引导滤波进行精细化。传统暗原色先验理论去雾算法去雾处理效果如图(b)(e)(h)所示,本发明提出去雾算法去雾处理效果如图(c)(f)(i)所示,从图(e)和图(h)看出,暗原色先验去雾算法处理效果不佳,在景深变化较大出会出现白边现象,天空区域处理效果最差,出现了彩色失真问题,而且处理后图像整体偏暗,视觉效果不佳。而本发明处理的图(c)和图(f),去雾效果明显,不存在白边现象,对于天空区域也不会有彩色失真等问题,处理后图像的色彩还原度高,色彩鲜艳明亮,视觉效果好。对于图g的大雾霾情况,传统的暗原色先验去雾算法的去雾效果就不理想了,而本发明提出的算法依然可以取得比较好的去雾效果,还原出了许多被雾霾掩盖的细节信息。
如图3所示,视频实时处理要求每帧处理时间小于42ms,雾天无人机航拍视频的大小为605x 340,平均每帧处理时间为32ms,,已达到视频实时处理的速度要求。视频中的小雾、中雾和大雾的场景都有着非常好的去雾效果,色彩鲜艳明亮,视觉效果好。总的来说,本发明算法是适用于实时视频处理的。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种采用灰度图引导滤波的实时视频去雾方法,其特征在于包括以下步骤:
步骤一:在雾霾天气下的视频流中获取图像image_src;
步骤二:将原图像转化成灰度图像image_gray;
步骤三:以灰度图像image_gray作为引导图像使用引导滤波算法对灰度图像image_gray进行引导滤波得到图像image_guided;
步骤四:采用图像下采样技术对原图image_src进行下采样,获得小图image_src_mini;
步骤五:根据暗原色定义公式求出小图image_src_mini的暗原色图像image_dark;
步骤六:在小图image_src_mini上,使用四叉树法快速找到浓雾区域或天空区域H;
步骤七:采用何凯明的暗原色先验理论计算出步骤六找到的浓雾区域或天空区域的平均透射率T_transmittance;
步骤八:将步骤三得到的图像image_guided以及步骤七得到透射率T_transmittance带入改进的大气光散射模型方程反向求解即可获得去雾图像image_dehazed,并输出到视频流中去。
2.根据权利要求1所述的一种采用灰度图引导滤波的实时视频去雾方法,其特征在于:所述步骤三中的引导滤波算法为:
在该算法中,设输入图像为J,引导图像为I,滤波输出图像为q,该模型假设在以中心像素为k的领域窗口ωk存在如下线性关系:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中ωk是以半径为r的方形窗口,ak和bk是窗口ωk中的线性系数;系数ak和bk可通过求取p和q的最小化差值确定,即:
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>j</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msubsup>
<mi>&epsiv;a</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
使E(ak,bk)达到最小;其中ε为调节参数,其目的是为了防止ak取值过大;线性回归求解式(5)得:
<mrow>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<msub>
<mi>j</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mover>
<msub>
<mi>j</mi>
<mi>k</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mover>
<msub>
<mi>j</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
</mrow>
其中μk和分别是I在ωk的均值和方差;|ω|为ωk中的像素个数,是输入图像p在ωk中的均值;
由于每个像素点会包含在多个领域窗口ωk中,在不同ωk中计算得到的qi也不同,故需要对qi进行平均处理,通过计算所有窗口中的ak和bk,滤波输出如下:
<mrow>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>:</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mover>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
其中
3.根据权利要求2所述的一种采用灰度图引导滤波的实时视频去雾方法,其特征在于:所述步骤五中的暗原色定义公式为:
<mrow>
<msup>
<mi>J</mi>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>r</mi>
<mi>k</mi>
</mrow>
</msup>
<mo>=</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>r</mi>
<mo>,</mo>
<mi>g</mi>
<mo>,</mo>
<mi>b</mi>
<mo>}</mo>
</mrow>
</munder>
<msup>
<mi>J</mi>
<mi>c</mi>
</msup>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
式中,Jc为J的一个颜色通道,Ω(x)为以x为中心的一个局部区域。
4.根据权利要求3所述的一种采用灰度图引导滤波的实时视频去雾方法,其特征在于:所述步骤六中四叉树法为,首先对暗原色图像image_dark进行四等分分割,之所以使用暗原色图是为了避免局部图像在某通道存在极大值时引起对透射率的错误估计;天空区域或雾气浓度区域的平均值较大,但同时为了避免图中较大白色物体影响,还需要计算标准差,如果区域中有较大白色物体则标准差较大,如果是天空区域或雾气浓度均匀区域则标准差较小,故可以用区域的均值减去标准差的差值来准确确定浓雾区域,差值最大的区域即为浓雾区域或天空区域,公式可表示为:
D(i)=A(i)-S(i)
式中:i为其中某一区域,i=1,2,3,4;A(i)和S(i)分别为该区域的平均值和标准差;D(i)平均值与标准差之间的差值;
为了提高准确率,取D(i)值最大块继续四等分分割,如此重复迭代,直到图像的块大小小于给定阀值,将该图像块作为浓雾区域或天空区域。
5.根据权利要求4所述的一种采用灰度图引导滤波的实时视频去雾方法,其特征在于:所述步骤七中的何凯明的暗原色理论求透射率公式为:
<mrow>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>C</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>r</mi>
<mo>,</mo>
<mi>g</mi>
<mo>,</mo>
<mi>b</mi>
<mo>}</mo>
</mrow>
</munder>
<mfrac>
<mrow>
<msup>
<mi>I</mi>
<mi>C</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mi>A</mi>
<mi>C</mi>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,x为局部区域Ω(x)的一个像素点,IC(x)表示这一个像素点的RGB三个颜色通道的值Ac为RGB三个通道的大气光值,计算大气光Ac的方法为:在步骤六得到的浓雾区域或天空区域H中取亮度值前0.1%的像素,并将这些像素位置保存,然后从含雾的小图image_src_mini中像素点,求出这些像素点在RGB三个通道的中值,作为大气光A的值。
6.根据权利要求5所述的一种采用灰度图引导滤波的实时视频去雾方法,其特征在于:所述步骤八中改进的大气光散射模型公式为:
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>t</mi>
</mfrac>
<mo>+</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,x为像素点在图像中的位置,I(x)为雾天图像,J(x)为无雾图像,t为透射率,A(x)为大气光强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710613064.2A CN107451966B (zh) | 2017-07-25 | 2017-07-25 | 一种采用灰度图引导滤波实现的实时视频去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710613064.2A CN107451966B (zh) | 2017-07-25 | 2017-07-25 | 一种采用灰度图引导滤波实现的实时视频去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451966A true CN107451966A (zh) | 2017-12-08 |
CN107451966B CN107451966B (zh) | 2021-05-11 |
Family
ID=60488165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710613064.2A Active CN107451966B (zh) | 2017-07-25 | 2017-07-25 | 一种采用灰度图引导滤波实现的实时视频去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451966B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862672A (zh) * | 2017-12-20 | 2018-03-30 | 上海富瀚微电子股份有限公司 | 图像去雾的方法及装置 |
CN108093175A (zh) * | 2017-12-25 | 2018-05-29 | 北京航空航天大学 | 一种实时高清视频自适应去雾方法及装置 |
CN108765310A (zh) * | 2018-04-26 | 2018-11-06 | 长安大学 | 基于多尺度窗口的自适应透射率修复图像去雾方法 |
CN108898562A (zh) * | 2018-06-22 | 2018-11-27 | 大连海事大学 | 一种基于深度学习的移动设备图像去雾方法 |
CN109345479A (zh) * | 2018-09-28 | 2019-02-15 | 中国电子科技集团公司信息科学研究院 | 一种视频监控数据的实时预处理方法及存储介质 |
CN109636735A (zh) * | 2018-11-02 | 2019-04-16 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于时空一致性约束的快速视频去雾方法 |
CN109934780A (zh) * | 2019-02-21 | 2019-06-25 | 北京以萨技术股份有限公司 | 一种基于暗原色先验的道路监控视频去雾方法 |
CN110278346A (zh) * | 2018-03-15 | 2019-09-24 | 财团法人交大思源基金会 | 视频除雾处理装置及方法 |
CN110929722A (zh) * | 2019-11-04 | 2020-03-27 | 浙江农林大学 | 一种基于树木整体图像的树木检测方法 |
CN112215306A (zh) * | 2020-11-18 | 2021-01-12 | 同济大学 | 一种基于单目视觉与毫米波雷达融合的目标检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080021181A (ko) * | 2006-08-28 | 2008-03-07 | 계명대학교 산학협력단 | 영상 데이터 처리 방법 및 그에 따른 시스템 |
CN102831590A (zh) * | 2012-08-30 | 2012-12-19 | 李勃 | 基于波谱特性的透射率-暗原色先验去雾增强方法 |
CN103761720A (zh) * | 2013-12-13 | 2014-04-30 | 中国科学院深圳先进技术研究院 | 图像去雾方法以图像去雾装置 |
US20150016749A1 (en) * | 2013-07-12 | 2015-01-15 | National Central University | Image interpolation method and image interpolation device and image apparatus using the same |
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 |
CN105046666A (zh) * | 2015-07-24 | 2015-11-11 | 中国科学技术大学 | 一种基于暗原色先验的交通视频实时去雾的方法 |
CN105931220A (zh) * | 2016-04-13 | 2016-09-07 | 南京邮电大学 | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 |
CN106251301A (zh) * | 2016-07-26 | 2016-12-21 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
CN106600560A (zh) * | 2016-12-22 | 2017-04-26 | 福州大学 | 一种适用于行车记录仪的图像去雾方法 |
-
2017
- 2017-07-25 CN CN201710613064.2A patent/CN107451966B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080021181A (ko) * | 2006-08-28 | 2008-03-07 | 계명대학교 산학협력단 | 영상 데이터 처리 방법 및 그에 따른 시스템 |
CN102831590A (zh) * | 2012-08-30 | 2012-12-19 | 李勃 | 基于波谱特性的透射率-暗原色先验去雾增强方法 |
US20150016749A1 (en) * | 2013-07-12 | 2015-01-15 | National Central University | Image interpolation method and image interpolation device and image apparatus using the same |
CN103761720A (zh) * | 2013-12-13 | 2014-04-30 | 中国科学院深圳先进技术研究院 | 图像去雾方法以图像去雾装置 |
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 |
CN105046666A (zh) * | 2015-07-24 | 2015-11-11 | 中国科学技术大学 | 一种基于暗原色先验的交通视频实时去雾的方法 |
CN105931220A (zh) * | 2016-04-13 | 2016-09-07 | 南京邮电大学 | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 |
CN106251301A (zh) * | 2016-07-26 | 2016-12-21 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
CN106600560A (zh) * | 2016-12-22 | 2017-04-26 | 福州大学 | 一种适用于行车记录仪的图像去雾方法 |
Non-Patent Citations (3)
Title |
---|
LI YAN-YAN.ET.: "The Defogging Algorithm for the Vehicle Video Image Based on Extinction Coefficient", 《SENSORS & TRANSDUCERS》 * |
YANHAI WU.ET.: "A Quick Study of a Single Image Defogging Algorithm", 《2ND WORKSHOP ON ADVANCED RESEARCH AND TECHNOLOGY IN INDUSTRY APPLICATIONS (WARTIA 2016)》 * |
陶海威等: "基于暗通道先验的图像去雾算法改进研究", 《软件导刊》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862672A (zh) * | 2017-12-20 | 2018-03-30 | 上海富瀚微电子股份有限公司 | 图像去雾的方法及装置 |
CN108093175A (zh) * | 2017-12-25 | 2018-05-29 | 北京航空航天大学 | 一种实时高清视频自适应去雾方法及装置 |
CN110278346A (zh) * | 2018-03-15 | 2019-09-24 | 财团法人交大思源基金会 | 视频除雾处理装置及方法 |
CN108765310A (zh) * | 2018-04-26 | 2018-11-06 | 长安大学 | 基于多尺度窗口的自适应透射率修复图像去雾方法 |
CN108765310B (zh) * | 2018-04-26 | 2022-05-13 | 西安汇智信息科技有限公司 | 基于多尺度窗口的自适应透射率修复图像去雾方法 |
CN108898562B (zh) * | 2018-06-22 | 2022-04-12 | 大连海事大学 | 一种基于深度学习的移动设备图像去雾方法 |
CN108898562A (zh) * | 2018-06-22 | 2018-11-27 | 大连海事大学 | 一种基于深度学习的移动设备图像去雾方法 |
CN109345479A (zh) * | 2018-09-28 | 2019-02-15 | 中国电子科技集团公司信息科学研究院 | 一种视频监控数据的实时预处理方法及存储介质 |
CN109345479B (zh) * | 2018-09-28 | 2021-04-06 | 中国电子科技集团公司信息科学研究院 | 一种视频监控数据的实时预处理方法及存储介质 |
CN109636735A (zh) * | 2018-11-02 | 2019-04-16 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于时空一致性约束的快速视频去雾方法 |
CN109636735B (zh) * | 2018-11-02 | 2023-03-10 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于时空一致性约束的快速视频去雾方法 |
CN109934780A (zh) * | 2019-02-21 | 2019-06-25 | 北京以萨技术股份有限公司 | 一种基于暗原色先验的道路监控视频去雾方法 |
CN110929722A (zh) * | 2019-11-04 | 2020-03-27 | 浙江农林大学 | 一种基于树木整体图像的树木检测方法 |
CN112215306A (zh) * | 2020-11-18 | 2021-01-12 | 同济大学 | 一种基于单目视觉与毫米波雷达融合的目标检测方法 |
CN112215306B (zh) * | 2020-11-18 | 2023-03-31 | 同济大学 | 一种基于单目视觉与毫米波雷达融合的目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107451966B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451966A (zh) | 一种采用灰度图引导滤波实现的实时视频去雾方法 | |
US11145035B2 (en) | Method for rapidly dehazing underground pipeline image based on dark channel prior | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN103218778B (zh) | 一种图像和视频的处理方法及装置 | |
KR101448164B1 (ko) | 파라미터 최적화를 이용한 영상의 안개 제거 방법 | |
CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
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 | |
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 | |
CN104252698B (zh) | 一种基于半逆法的快速单幅图像去雾算法 | |
CN104794697B (zh) | 一种基于暗原色先验的图像去雾方法 | |
CN109255759B (zh) | 基于天空分割和透射率自适应修正的图像去雾方法 | |
CN104036466B (zh) | 一种视频去雾方法与系统 | |
CN106846263A (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
CN107767354A (zh) | 一种基于暗原色先验的图像去雾算法 | |
CN106251301A (zh) | 一种基于暗原色先验的单幅图像去雾方法 | |
CN103955905A (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 | |
CN105959510B (zh) | 一种视频快速去雾方法 | |
CN106940882A (zh) | 一种符合人眼视觉特性的变电站视频图像清晰化方法 | |
CN105913390B (zh) | 一种图像去雾方法及系统 | |
CN106886985A (zh) | 一种减小色偏的自适应低照度图像增强方法 | |
CN103985091A (zh) | 基于亮度暗先验与双边滤波的单幅图像去雾方法 | |
CN106780380A (zh) | 一种图像去雾方法及系统 | |
CN103198459A (zh) | 雾霾图像快速去雾方法 | |
CN104166968A (zh) | 一种图像去雾的方法、装置及移动终端 | |
CN108022225A (zh) | 基于快速导向滤波改进的暗通道先验图像去雾算法 |
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 |