CN107993198A - 优化对比度增强的图像去雾方法及系统 - Google Patents
优化对比度增强的图像去雾方法及系统 Download PDFInfo
- Publication number
- CN107993198A CN107993198A CN201711003012.XA CN201711003012A CN107993198A CN 107993198 A CN107993198 A CN 107993198A CN 201711003012 A CN201711003012 A CN 201711003012A CN 107993198 A CN107993198 A CN 107993198A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- msub
- optimization
- reference 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000002834 transmittance Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000005192 partition Methods 0.000 claims abstract description 13
- 239000003595 mist Substances 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000000149 penetrating effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000001027 hydrothermal synthesis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005728 strengthening 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种优化对比度增强的图像去雾方法，包括如下步骤：步骤1、输入有雾图像；步骤2、对所述有雾图像利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值；步骤3、利用优化的对比度计算公式，选取参数，获取最佳大气光透射率图；步骤4、利用导向滤波修正所述大气光透射率图；步骤5、根据所述大气环境光参考值以及修正后的大气光透射率图，通过大气散射模型公式复原图像，输出无雾图像。本发明具有处理速度快、优化对比对，且图像不偏色的技术效果。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种优化对比度增强的图像去雾方法及系统。
背景技术
去雾工作的关键在于估计有雾图像的大气透射率图和估算大气环境光参考值。本发明提出一种优化对比度增强的图像去雾方法。输入有雾图像，利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值。利用优化的对比度计算公式，选取合适的参数，获取最佳大气光透射率图。利用导向滤波修正透射率图，最后利用得到的大气环境光和透射率图，通过大气散射模型公式复原图像，输入无雾图像。本发明能保持去雾的同时，具有不偏色，速度快的特点。
因为大气中雾的透射程度往往与景深有关，在不同的位置，深度越大，雾越浓厚。如今已有很多不同的去雾方法，如基于直方图，基于对比度的和基于饱和度的。另外，利用多副图像或景深信息去雾的方法也已被提出。例如，利用从不同偏振角度拍摄的多副图像进行去雾的方法。在不同天气条件下拍摄同一场景的图片的多对比度去雾方法被提出。基于深度的方法需要输入一些深度信息或利用已知的3D模型。在实际应用中，深度信息和多副雾图往往是不容易得到和利用的。
最近，借助更好的假设和先验知识，单幅图像的去雾工作取得了重大进展。根据无雾图像中的局部对比度比有雾图像的对比度更高的假设，学者提出了一种基于马尔科夫随机场(MRF)的局部对比度最大化的去雾方法。尽管最大化对比度的方法能够实现很好的去雾效果，但同时也会产生一些过饱和的图像。基于最小输入的独立成分分析法(ICA)被用于去雾工作，但是这一方法的处基于深度学习神经网络的图像去雾方法m,AHT T理时间非常长且不能被用于处理雾浓的图片。受暗光物体去除技术的启发，暗通道先验(DCP)在大量针对清晰图像的测试中被发现，即在无雾图像块中，至少有一个颜色通道会包含一些像素且这些像素在该通道里的值非常低。利用暗通道先验，雾的厚度就可以被估计，并可以利用大气散射模型实现去雾。然而，DCP这种方法的去雾效果在天空区域会出现失真且计算量比较大。学者们提出了一些改进的算法去克服这些限制。为了提高去雾质量，Kratz和Nishino等人利用一个阶乘马尔科夫随机场去构建图像模型，以更准确地估计场景辐射。Meng等人提出了一个有效的正则化去雾方法，通过探究图像内部的边缘限制来复原清晰图像。为了提高计算效率，标准中值滤波，双中值滤波，引导联合双边滤波和图像引导滤波被用于替代耗时较多的软抠图步骤。近年来，与雾相关的先验知识已经在机器学习的框架中被利用。Tang将四种与雾有关的图像特征与随机森林相结合，以估计透射率。Zhu等人利用颜色衰减先验，建立了一个线性模型去估计雾图的景深，并用有监督的方法学习模型的参数。尽管去雾领域已经出现了诸多成就，这些先进的方法都被相同雾相关的先验或启发式线索限制——这些方法在处理一些图像时总会显得低效。
有鉴于此，亟需一种优化对比度增强的图像去雾方法。
发明内容
本发明旨在克服现有技术的缺陷，提供一种优化对比度增强的图像去雾方法及系统。
为实现上述目的，本发明采用以下技术方案：提供一种优化对比度增强的图像去雾方法，包括如下步骤：
步骤1、输入有雾图像；
步骤2、对所述有雾图像利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值；
步骤3、利用优化的对比度计算公式，选取参数，获取最佳大气光透射率图；
步骤4、利用导向滤波修正所述大气光透射率图；
步骤5、根据所述大气环境光参考值以及修正后的大气光透射率图，通过大气散射模型公式复原图像，输出无雾图像。
一些实施例中，所述步骤2中，对所述有雾图像利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值，具体包括以下步骤：
步骤21、将所述有雾图像划分为四个矩形区域；
步骤22、为每个子区域进行评分；
步骤23、选择具有最高得分的子区域，并将其继续划分为更小的四个子矩形；
步骤24、重复步骤22-23，直到被选中的区域小于设定阈值；
步骤25、在被选定的区域选择使距离||(Ir(p),Ig(p),Ib(p))-(255,255,255)||最小化的颜色作为大气光的参考值，其中Ir(p)、Ig(p)、Ib(p)表示有雾图像I(p)的三个分量。
一些实施例中，步骤22中，用区域内像素的平均值减去这些像素的标准差，来为每个子区域评分。
一些实施例中，所述深度学习神经网络系统对所述有雾图像进行特征提取，步骤22中，用区域内像素的平均值减去这些像素的标准差，来为每个子区域评分。
一些实施例中，步骤25中，在被选定的区域内使用固定的透射率t，有雾图像与无雾图像之间的关系模型为从而估算出大气光参考值；
其中，J(p)＝(Jr(p),Jg(p),Jb(p))T表示无雾图像,I(p)＝(Ir(p),Ig(p),Ib(p))T表示有雾图像，r、g、b表示位置p处的像素的三个分量；A＝(Ar,Ag,Ab)T是全球大气光；A为大气光参考值；t(p)∈[0,1]是反射光的透射率,由场景点到照相机镜头之间的距离所决定。
一些实施例中，步骤3中，所述优化的对比度计算公式为：
c∈{r,g,b}是颜色通道的索引标签,是Jc(p)的平均值，且p＝1,....,N,N是被选定的区域中像素的数量；
根据有雾图像与无雾图像之间的关系模型,所述优化的对比度计算公式重新定义为：
其中Ic是Ic(p)的平均值，将一个区块B内三个颜色通道上的MSE对比度加总，然后再取负得到对比度：
信息量损失计算公式为：
选取参数，以获取最优透射率图：
E＝Econtrast+λLEloss
其中，λL是用于控制信息损失和对比度之间的一个相对重要性的权重参数。
一些实施例中，最优透射率为0.3。
一些实施例中，步骤5中，大气散射模型公式为：
I(p)＝t(p)J(p)+(1-t(p))A
其中,J(p)＝(Jr(p),Jg(p),Jb(p))T表示无雾图像，I(p)＝(Ir(p),Ig(p),Ib(p))T表示有雾图像，r、g、b表示位置p处像素的三个分量。
为实现上述目的，本发明还采用以下技术方案：提供一种优化对比度增强的图像去雾系统，包括：
输入模块，用于输入有雾图像；
大气环境光参考值估算模块，用于对所述有雾图像利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值；
大气光透射率图计算模块，用于利用优化的对比度计算公式，选取参数，获取最佳大气光透射率图；
引导滤波模块，用于利用导向滤波修正所述大气光透射率图；
图像复原模块，用于根据所述大气环境光参考值以及修正后的大气光透射率图，通过大气散射模型公式复原图像，输出无雾图像。
一些实施例中，大气环境光参考值估算模块对所述有雾图像利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值，具体过程为：
将所述有雾图像划分为四个矩形区域；
为每个子区域进行评分；
选择具有最高得分的子区域，并将其继续划分为更小的四个子矩形；
重复步骤上述过程，直到被选中的区域小于设定阈值；
在被选定的区域选择使距离||(Ir(p),Ig(p),Ib(p))-(255,255,255)||最小化的颜色作为大气光的参考值，其中Ir(p)、Ig(p)、Ib(p)表示有雾图像I(p)的三个分量。
此外，本发明还提供一种计算机程序，用于处理上述的优化对比度增强的图像去雾方法。
本发明的有益效果在于：本发明提出一种利用四叉树子空间划分层次的方法搜索来估算大气环境光参考值，并利用优化的对比度计算公式，通过引导滤波修正透射率图，使本发明提出的优化的对比度图像去雾方法在算法处理速度上有了很大的提高，并且具有很好的对比度，图像不偏色的特点。
附图说明
图1为根据本发明一个实施例利用优化对比度的图像去雾方法的流程图。
图2为本发明一个实施例中基于四叉树子空间划分层次搜索方法示意图。
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，以下结合附图及具体实施例，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用以解释本发明，而不构成对本发明的限制。
请参阅图1，为根据本发明一个实施例利用优化对比度的图像去雾方法的流程图。本发明的优化对比度增强的图像去雾方法具体通过以下步骤来进行图像的去雾：
执行步骤1，输入有雾图像J(p)。
执行步骤2，对有雾图像J(p)利用基于四叉树子空间划分层次搜索方法估算大气光参考值A。请参阅图2，具体地：执行步骤21，将有雾图像划分为四个矩形区域。执行步骤22，为每个子区域进行评分。评分的计算方法为：用区域内像素的平均值减去这些像素的标准差。执行步骤23，选择具有最高得分的子区域，并将其继续划分为更小的四个子矩形。执行步骤24，重复上述这个过程，直到被选中的区域小于某个提前设定阈值，在本发明的一个实施例中，对于一副1024*1024分辨率的有雾图像，设定其阈值为32*32。执行步骤25，在这被选定的区域里，选择使得距离||(Ir(p),Ig(p),Ib(p))-(255,255,255)||最小化的颜色(包含r，g，b三个分量)，来作为大气光的参考值，其中Ir(p)、Ig(p)、Ib(p)表示有雾图像I(p)的三个分量。这样做的意义在于选择那个离纯白色最近的颜色(也就是最亮的颜色)来作为大气光的参考值A。
假设在一个局部的小范围内，场景深度是相同的，也就是说场景内的各点到相机镜头的距离相同，所以在被选定的区域内(例如32×32)就可以使用一个固定的透射率t，因此有雾图像与无雾图像之间的关系模型改写为：
可见，在求得大气光A的估计值之后，希望复原得到的无雾图像J(p)依赖于散射率t。因此，图像去雾问题的基本模型可以表示为：
I(p)＝t(p)J(p)+(1-t(p))A (2)
其中，J(p)＝(Jr(p),Jg(p),Jb(p))T，表示无雾图像；
I(p)＝(Ir(p),Ig(p),Ib(p))T表示观察到的图像(也就是有雾图像)。r、g、b表示位置p处的像素的三个分量。A＝(Ar,Ag,Ab)T是全球大气光，表示周围环境中的大气光参考值。t(p)∈[0,1]是反射光的透射率,由场景点到照相机镜头之间的距离所决定。因为光传播的距离越远，那么通常光就约分散而且越发被削弱。
因此，上述图像去雾问题的基本模型的意思为：本来没有被雾所笼罩的图像J(p)与大气光A按一定比例进行混合后就得到我们最终所观察到的有雾图像I(p)。
执行步骤3，利用优化的对比度计算公式，选取参数，获取最佳大气光透射率图t(p)。
具体地，优化的对比度计算公式为：
其中，c∈{r,g,b}是颜色通道的索引标签,是Jc(p)的平均值，并且p＝1,....,N,N是块中像素的数量。结合上述有雾图像与无雾图像之间的关系模型，也即公式(1)，得到：
其中，Ic是Ic(p)的平均值，本发明通过增强对比度的方法来去雾，将区块B内三个颜色通道上的MSE对比度加总，然后再取负，得到：
信息量损失计算公式：
最后，选取合适的参数，以获取最优透射率图E：
E＝Econtrast+λLEloss (7)
其中，λL是一个权重参数用于控制信息损失和对比度之间的一个相对重要性，经计算得到最优透射率为0.3。
执行步骤4，利用导向滤波修正所述大气光透射率图。导向滤波器是hekaiming于2010年提出的一种滤波器，导向图像可以是输入图像自身或者是另外一个不同的图像。导向滤波器能够向双边滤波器一样保持边缘平滑，但是它在边缘附近有更好的表现。导向滤波器也是更一般地超越平滑的概念：它可以转化导向图的结构为滤波输出，用于很多新的滤波应用像去雾及导向抠图。更多的，导向滤波器自然的有个快速并且不近似线性时间算法，与核的尺寸和像素亮度范围。现在，它是最快的边缘保持滤波器之一。实验显示导向滤波器在很多种计算机视觉及图形学的应用中有很好的作用及效率，包括边缘保持平滑，细节增强，HDR压缩，图像抠图，去雾，级联采样等等。将输入的图像记为p，引导的图像记为l，滤波输出的图像记为q。以k为中心的窗口wk中可以得出以下的线性关系：
ωk为半径是r的方形的窗口，ak，bk为窗口里面的线性因数，在窗口中是固定的值。从上式可以看出，线性的模型在保证了窗口中l具有边缘的时候，q才能产生相对应的边缘，导向滤波的作用在于搜索出来线性因子(ak,bk)的最优化解，使得输入的图像p和输出图像q之间存在插值最小化，在窗口ωk里面代价函数表示为：
因此，可以得到(ak,bk)最优化解的表达式为：
其中，上式中ω为窗口ωk的像素数量，μk为窗口ωk里面l方差和平均值，为窗口p的平均值。点i被包括在许多个窗口里面，由于窗口不一样，ak，bk也不一样，需要先计算i中心窗口里面ak，bk平均值，求出qi值，公式为：
设原始有雾作为引导图像l，初始的透射图像为输入的图像p，优化之后的图像设为q，当l为彩色图像的时候，线性模型改成上式Ii为3乘1的颜色的向量，ak是相对应的3乘1线性因子的向量，qi,bk均为标量，上述几个式子改为：
其中，∑k，U，μk分别为图像l在窗口ωk中3乘3方差矩阵，以及3乘1的颜色向量的平均值。对引导滤波器的核函数来说，它区别高斯滤波器核函数和传统的函数最大不同是凝固了邻域里面的像素均值和方差作为局部估计量，可以跟踪图像的内容自适应调整，输出权重值.下图给出了利用这两种核函数生成的拉普拉斯矩阵的第二个特征向量.对比图如下所示，可以看出高斯核函数无法捕捉图像里面复杂的细节，而引导滤波和核函数可以很好的将复杂的前景与背景分开。
执行步骤5，根据所述大气环境光参考值以及修正后的大气光透射率图，通过大气散射模型I(p)＝t(p)J(p)+(1-t(p))A，来复原图像，输出无雾图像I(p)。
大气散射模型为：
I(p)＝t(p)J(p)+(1-t(p))A (13)
其中，J(p)＝(Jr(p),Jg(p),Jb(p))T表示无雾图像；
I(p)＝(Ir(p),Ig(p),Ib(p))T表示观察到的图像(也就是有雾图像)。r、g、b表示位置p处的像素的三个分量。A＝(Ar,Ag,Ab)T是全球大气光，它表示周围环境中的大气光。t(p)∈[0,1]是反射光的透射率,由场景点到照相机镜头之间的距离所决定。因为光传播的距离越远，那么通常光就约分散而且越发被削弱。所以上面这个公式的意思就是，本来没有被雾所笼罩的图像J与大气光A按一定比例进行混合后就得到最终所观察到的有雾图像。
本发明提出的优化对比度增强的图像去雾方法。输入有雾图像，利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值。利用优化的对比度计算公式，选取合适的参数，获取最佳大气光透射率图。利用导向滤波修正透射率图，最后利用得到的大气环境光和透射率图，通过大气散射模型公式复原图像，输入无雾图像。本发明能保持去雾的同时，具有不偏色，速度快的特点。
另一方面，本发明还提供一种优化对比度增强的图像去雾系统，包括以下模块：
输入模块，用于输入有雾图像。
大气环境光参考值估算模块，用于对所述有雾图像利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值。
大气光透射率图计算模块，用于利用优化的对比度计算公式，选取参数，获取最佳大气光透射率图。
引导滤波模块，用于利用导向滤波修正所述大气光透射率图。
图像复原模块，用于根据所述大气环境光参考值以及修正后的大气光透射率图，通过大气散射模型公式复原图像，输出无雾图像。
本发明的优化对比度增强的图像去雾系统用于处理如前所述的优化对比度增强的图像去雾方法，其处理过程与上述优化对比度增强的图像去雾方法相同，此处不再赘述。
此外，本发明还提供一种计算机程序，用于处理上述的优化对比度增强的图像去雾方法。
本领域内的技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种优化对比度增强的图像去雾方法，其特征在于，包括如下步骤：
步骤1、输入有雾图像；
步骤2、对所述有雾图像利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值；
步骤3、利用优化的对比度计算公式，选取参数，获取最佳大气光透射率图；
步骤4、利用导向滤波修正所述大气光透射率图；
步骤5、根据所述大气环境光参考值以及修正后的大气光透射率图，通过大气散射模型公式复原图像，输出无雾图像。
2.如权利要求1所述的优化对比度增强的图像去雾方法，其特征在于，所述步骤2中，对所述有雾图像利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值，具体包括以下步骤：
步骤21、将所述有雾图像划分为四个矩形区域；
步骤22、为每个子区域进行评分；
步骤23、选择具有最高得分的子区域，并将其继续划分为更小的四个子矩形；
步骤24、重复步骤22-23，直到被选中的区域小于设定阈值；
步骤25、在被选定的区域选择使距离||(Ir(p),Ig(p),Ib(p))-(255,255,255)||最小化的颜色作为大气光的参考值，其中Ir(p)、Ig(p)、Ib(p)表示有雾图像I(p)的三个分量。
3.如权利要求2所述的优化对比度增强的图像去雾方法，其特征在于，步骤22中，用区域内像素的平均值减去这些像素的标准差，来为每个子区域评分。
4.如权利要求2所述的优化对比度增强的图像去雾，其特征在于，步骤25中，在被选定的区域内使用固定的透射率t，有雾图像与无雾图像之间的关系模型为：
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>t</mi>
</mfrac>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
<mo>-</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>A</mi>
</mrow>
从而估算出大气光参考值；
其中，J(p)＝(Jr(p),Jg(p),Jb(p))T表示无雾图像,I(p)＝(Ir(p),Ig(p),Ib(p))T表示有雾图像，r、g、b表示位置p处的像素的三个分量；A＝(Ar,Ag,Ab)T是全球大气光；A为大气光参考值；t(p)∈[0,1]是反射光的透射率,由场景点到照相机镜头之间的距离所决定。
5.如权利要求4所述的优化对比度增强的图像去雾方法，其特征在于，步骤3中，所述优化的对比度计算公式为：
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>J</mi>
<mi>c</mi>
</msub>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>J</mi>
<mo>&OverBar;</mo>
</mover>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>N</mi>
</mfrac>
</mrow>
c∈{r,g,b}是颜色通道的索引标签,是Jc(p)的平均值，且p＝1,....,N,N是被选定的区域中像素的数量；
根据有雾图像与无雾图像之间的关系模型,所述优化的对比度计算公式重新定义为：
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>c</mi>
</msub>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
<mo>-</mo>
<mover>
<msub>
<mi>I</mi>
<mi>c</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<msup>
<mi>t</mi>
<mn>2</mn>
</msup>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
其中Ic是Ic(p)的平均值，将区块B内三个颜色通道上的MSE对比度加总，再取负，得到对比度：
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>n</mi>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<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>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<mi>B</mi>
</mrow>
</munder>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>J</mi>
<mi>c</mi>
</msub>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
<mo>-</mo>
<mover>
<msub>
<mi>J</mi>
<mi>c</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>N</mi>
<mi>B</mi>
</msub>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<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>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<mi>B</mi>
</mrow>
</munder>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>c</mi>
</msub>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<msup>
<mi>t</mi>
<mn>2</mn>
</msup>
<msub>
<mi>N</mi>
<mi>B</mi>
</msub>
</mrow>
</mfrac>
</mrow>
信息量损失计算公式为：
选取参数，以获取最优透射率图：
E＝Econtrast+λLEloss
其中，λL是用于控制信息损失和对比度之间的一个相对重要性的权重参数。
6.如权利要求5所述的优化对比度增强的图像去雾方法，其特征在于，最优透射率为0.3。
7.如权利要求5所述的优化对比度增强的图像去雾方法，其特征在于，步骤5中，大气散射模型公式为：
I(p)＝t(p)J(p)+(1-t(p))A
其中,J(p)＝(Jr(p),Jg(p),Jb(p))T表示无雾图像，I(p)＝(Ir(p),Ig(p),Ib(p))T表示有雾图像，r、g、b表示位置p处像素的三个分量。
8.一种优化对比度增强的图像去雾系统，其特征在于，包括以下模块：
输入模块，用于输入有雾图像；
大气环境光参考值估算模块，用于对所述有雾图像利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值；
大气光透射率图计算模块，用于利用优化的对比度计算公式，选取参数，获取最佳大气光透射率图；
引导滤波模块，用于利用导向滤波修正所述大气光透射率图；
图像复原模块，用于根据所述大气环境光参考值以及修正后的大气光透射率图，通过大气散射模型公式复原图像，输出无雾图像。
9.根据权利要求8所述的优化对比度增强的图像去雾系统，其特征在于，大气环境光参考值估算模块对所述有雾图像利用基于四叉树子空间划分层次搜索方法估算大气环境光参考值，具体过程为：
将所述有雾图像划分为四个矩形区域；
为每个子区域进行评分；
选择具有最高得分的子区域，并将其继续划分为更小的四个子矩形；
重复步骤上述过程，直到被选中的区域小于设定阈值；
在被选定的区域选择使距离||(Ir(p),Ig(p),Ib(p))-(255,255,255)||最小化的颜色作为大气光的参考值，其中Ir(p)、Ig(p)、Ib(p)表示有雾图像I(p)的三个分量。
10.一种计算机程序，其特征在于，用于处理如权利要求1-8任一项所述的优化对比度增强的图像去雾方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711003012.XA CN107993198A (zh) | 2017-10-24 | 2017-10-24 | 优化对比度增强的图像去雾方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711003012.XA CN107993198A (zh) | 2017-10-24 | 2017-10-24 | 优化对比度增强的图像去雾方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107993198A true CN107993198A (zh) | 2018-05-04 |
Family
ID=62031069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711003012.XA Pending CN107993198A (zh) | 2017-10-24 | 2017-10-24 | 优化对比度增强的图像去雾方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107993198A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490821A (zh) * | 2019-08-08 | 2019-11-22 | 中国科学院长春光学精密机械与物理研究所 | 一种有雾遥感图像复原方法 |
| CN110930326A (zh) * | 2019-11-15 | 2020-03-27 | 浙江大华技术股份有限公司 | 图像、视频去雾方法以及相关装置 |
| CN111192210A (zh) * | 2019-12-23 | 2020-05-22 | 杭州当虹科技股份有限公司 | 一种自适应增强的视频去雾方法 |
| CN112767267A (zh) * | 2021-01-11 | 2021-05-07 | 北京航空航天大学 | 基于仿真偏振带雾场景数据集的图像去雾方法 |
-
2017
- 2017-10-24 CN CN201711003012.XA patent/CN107993198A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| JIN-HWAN KIM: ""Optimized contrast enhancement for real-time image and video dehazing"", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490821A (zh) * | 2019-08-08 | 2019-11-22 | 中国科学院长春光学精密机械与物理研究所 | 一种有雾遥感图像复原方法 |
| CN110930326A (zh) * | 2019-11-15 | 2020-03-27 | 浙江大华技术股份有限公司 | 图像、视频去雾方法以及相关装置 |
| CN111192210A (zh) * | 2019-12-23 | 2020-05-22 | 杭州当虹科技股份有限公司 | 一种自适应增强的视频去雾方法 |
| CN112767267A (zh) * | 2021-01-11 | 2021-05-07 | 北京航空航天大学 | 基于仿真偏振带雾场景数据集的图像去雾方法 |
| CN112767267B (zh) * | 2021-01-11 | 2022-09-27 | 北京航空航天大学 | 基于仿真偏振带雾场景数据集的图像去雾方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Robust image and video dehazing with visual artifact suppression via gradient residual minimization | |
| Xiao et al. | Fast image dehazing using guided joint bilateral filter | |
| CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
| Tripathi et al. | Single image fog removal using anisotropic diffusion | |
| CN107993198A (zh) | 优化对比度增强的图像去雾方法及系统 | |
| CN103942758A (zh) | 基于多尺度融合的暗通道先验图像去雾方法 | |
| Gao et al. | Detail preserved single image dehazing algorithm based on airlight refinement | |
| Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
| CN104318524A (zh) | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 | |
| Sun | A new single-image fog removal algorithm based on physical model | |
| CN109118446B (zh) | 一种水下图像复原及去噪方法 | |
| Hou et al. | Underwater image dehazing and denoising via curvature variation regularization | |
| CN107403418A (zh) | 基于通道透射率进行去雾和颜色校正的水下图像增强方法 | |
| CN107798670A (zh) | 一种利用图像引导滤波器的暗原色先验图像去雾方法 | |
| Zhang et al. | Color image enhancement based on local spatial homomorphic filtering and gradient domain variance guided image filtering | |
| Meng et al. | A hybrid algorithm for underwater image restoration based on color correction and image sharpening | |
| Moghimi et al. | A joint adaptive evolutionary model towards optical image contrast enhancement and geometrical reconstruction approach in underwater remote sensing | |
| Fu et al. | An anisotropic Gaussian filtering model for image de-hazing | |
| Zhou et al. | Underwater image enhancement method based on color correction and three-interval histogram stretching | |
| Ke et al. | Single underwater image restoration based on descattering and color correction | |
| Hao et al. | Texture enhanced underwater image restoration via laplacian regularization | |
| Soma et al. | An efficient and contrast-enhanced video de-hazing based on transmission estimation using HSL color model | |
| CN107133964A (zh) | 一种基于Kinect的抠像方法 | |
| Guan et al. | DiffWater: Underwater image enhancement based on conditional denoising diffusion probabilistic model | |
| Ma et al. | A fast video haze removal algorithm via dark channel prior |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |