CN107993214B - 一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统 - Google Patents
一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统 Download PDFInfo
- Publication number
- CN107993214B CN107993214B CN201711420967.5A CN201711420967A CN107993214B CN 107993214 B CN107993214 B CN 107993214B CN 201711420967 A CN201711420967 A CN 201711420967A CN 107993214 B CN107993214 B CN 107993214B
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- image
- colour cast
- bound
- 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
Links
- 238000004383 yellowing Methods 0.000 title claims abstract description 15
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 30
- 230000001839 systemic circulation Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000004087 circulation Effects 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000000205 computational method Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 14
- 230000000149 penetrating effect Effects 0.000 abstract description 5
- 239000003086 colorant Substances 0.000 abstract description 2
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 239000003595 mist Substances 0.000 description 5
- 125000001475 halogen functional group Chemical group 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 206010049669 Dyscalculia Diseases 0.000 description 1
- 241001062009 Indigofera Species 0.000 description 1
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 229910017604 nitric acid Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T2207/10004—Still image; Photographic image
-
- 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
Abstract
本发明涉及一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统,包括:分析估计器、均衡化校正器;其中,分析估计器包括以下模块:色偏估计器、上下界保边滤波估计;均衡化校正器完成色偏修正、上下界估计值和裕量常数均衡化校正器。首先,针对受黄色雾霾影响的成像图像,构建去黄色雾霾的色偏估计器;然后,建立上下界支撑估计计算模型,提出双向迭代保边滤波器,利用双向迭代保边滤波器在线计算出的上界面估计和下界面估计,解算上下界支撑曲面;接着,利用图像各点对应的色偏估计器输出以及上下界估计值和裕量常数的调节系数,均衡化校正各通道亮度,对图像序列在线增强;本发明具有抗黄色雾霾能力强的特点,且同时具备图像去雾和图像增强双重效果,在线处理后的图像通透清晰、色彩鲜亮自然、还原度高,同时达到亮度均衡和抑制光晕效果,目标突出显著。
Description
技术领域
本发明涉及一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统,属于图像处理技术领域。
背景技术
图像增强指的是一种利用数字图像处理手段,对降质图像进行信息恢复,并挖掘潜在人眼感知不明显的信息,对有用信息进行突显增强的处理方法。随着计算机技术的发展和嵌入式硬件的应用,在现今不断发展的物联网应用领域,在线图像增强的需求量大大提升;另外针对我国特有的天气环境特点,在城市和工业化城镇或周边普遍存在,在这种场景下的去雾霾图像处理也是现今研究的重点;对于强雾霾和特殊气象情况下形成的黄色雾霾,图像增强处理对黄色雾霾图像的恢复处理也存在挑战。雾是由大量悬浮在近地面空气中的微小水滴或冰晶组成的气溶胶系统,灰霾(烟雾)是指空气中的灰尘、硫酸、硝酸、有机碳氢化合物等粒子造成的大气混浊。雾霾对大气中不同波段的光传导有不同程度的阻碍衰减作用,在可见光波段,雾霾对近蓝光波段的衰减程度要高于近红光波段,因此在日常生活中我们看到当雾霾严重时,观察到的景物泛黄。这对可见光的数字成像带来了不同程度的色偏,当观测景物较远,反射光程较长,在能量在空气中衰减越大,同时近蓝光衰减程度高于近红光,由此可以构建出雾霾对数字成像影响的光照模型。
在这一模型中,首先需要解决黄色色偏问题,这个问题的本质是近蓝色波段上衰减引起,需要校正蓝色通道相对于红色、绿色通道的颜色偏差比例。因此问题的解决首先需要估计黄色雾霾图像的色偏。现有的处理图像色偏的方法有图像白平衡方法,具体手段有灰度世界法、白点检测法、色温补偿法。灰度世界法假设若图像是在经典光源下拍摄的,其均值就应该等于灰色;若这幅图是在非经典光源下拍摄的,那么均值就会大于或者小于灰色值,而该均值对于灰色的偏离程度则反映了未知光源相对于已知光源的特性。白点检测法基于图像中存在白点或白色区域的假设,根据白色区域的色偏在色彩变换空间下进行修正,但对于雾霾情况常会误将景物最远部分检测为白点,导致色偏误检。色温补偿法是假设图像在特定的常见场景下拍摄的,比如日光、阴天、阴影、室内、钨丝灯、白炽灯、荧光灯、闪光灯等等,对每种场景预设特定的色温补偿参数在变换域下对图像颜色进行修正,但对于雾霾由于成因和浓度不确定,该方法通常不涵盖。这几种方法都没有针对雾霾这种光传导特性做出专门的处理,处理后的图像存在或多或少的失真,影响进一步的增强处理。
其次,要解决去雾霾增强方法上存在几点挑战,一方面要计算简单实时性高,二要模型具有去雾和增强的双层功效,三要适应于连续视频图像的序列化处理。现有的领先处理方法比如He等提出的暗通道基算法、Retinex基算法。暗通道(Dark Channel)去雾方法以及他的一系列改进升级方法,该类方法对雾有较好的去除效果,但是对于黄色雾霾在天空区域的处理上还原能力不足,参数计算困难,很难得到实时连续的处理效果;本发明对天空处理有通用性,参数计算简单、实时性强。基于局部直方图的增强方法,处理出来的图像存在光晕效应,会导致视觉效果不佳,另外局部统计计算量大,不适合于高分辨率图像的实时处理;本发明解决了光晕问题和计算量大的难题,可用于高分辨率实时处理中。基于Retinex基的增强算法以及他的改进算法,对于远近降质程度不一致的雾霾彩色图像,难以较好的自适应恢复,会造成局部颜色的失真,色彩缺少艳丽感;本发明解决了局部色彩失真的问题,视觉感受通透艳丽。
发明内容
本发明的技术解决问题是:针对有雾霾图像中有效信息降质的情况,提出一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统,能够达到图像去雾增强的效果,使图像变得像无雾情况下一样清晰通透,使人感官舒适看到细节。
本发明技术解决方案:一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统,包括:分析估计器、均衡化校正器;所述分析估计器包括色偏估计器、上下界保边滤波估计器;均衡化校正器完成色偏修正、上下界估计值和裕量常数均衡化校正;
色偏估计器,针对受黄色雾霾影响的输入图像,构建去黄色雾霾的色偏估计模型,对黄色雾霾进行色偏估计,得到黄色雾霾的色偏修正估计值;
上下界保边滤波估计器,对输入图像分别计算上界值和下界值的双向迭代保边滤波,得到上支撑曲面和下支撑曲面,作为上下界保边滤波估计值;
均衡化校正器,根据色偏估计器的估计值和上下界保边滤波估计器得到的估计值对图像进行均衡化的校正,得到校正后的估计值,此估计值为无雾增强后的图像;完成在线抗黄色雾霾色偏自修正的上下界支撑图像增强。
详细步骤如下:
第一步,针对受黄色雾霾影响的成像图像,构建去黄色雾霾的色偏估计器;
第二步,建立上下界支撑估计计算模型,提出双向迭代保边滤波器,利用双向迭代保边滤波器在线计算出的上界面估计和下界面估计,解算上下界支撑曲面;
第三步,利用图像各点对应的上下界估计值和裕量常数以及色偏估计器输出的调节系数,均衡化各通道亮度,得到无雾增强后的图像。
本发明与现有技术相比的优点在于:
(1)本发明针对一类黄色雾霾情况下数字图像去雾恢复和增强问题,采用黄色雾霾估计并进行修正,进而利用双向迭代滤波器估计上下界支撑曲面,利用上下界曲面对图像进行去雾霾增强处理,实现对输入雾霾图像的在线增强。对比现有去雾霾增强方法,解决了黄色雾霾下处理后图像严重偏色问题,解决了现有单一的去雾方法没有增强效果的问题,改善了连续视频图像去雾霾增强稳定和实时的问题,综合提高了图像增强方法的工程应用价值。
(2)本发明提出了独创的双向迭代保边滤波器和上下界支撑曲面方法黄色雾霾下图像增强的方法,相比现有的方法,本发明增强后的效果视觉更为通透、色彩更为艳丽,目标显著清晰更易辨识;
(3)本发明中使用的独创的双向迭代保边滤波器解决了以往方法中存在的光晕问题,有效抑制光晕效应;
(4)同时具备去雾霾和增强的双重特性,兼备宽动态、光照非均匀校正等特性,而计算过程一次处理,不需要分步输出,方法计算复杂度低远低于现有同类方法,可在线实时实现。
附图说明
图1为本发明系统组成框图;
图2为本发明的上下界保边滤波估计器实现流程图;
图3为本发明色偏修正、上下界估计值和裕量常数均衡化校正器;
图4本发明中上下界支撑曲面估计和均衡拉伸效果图,其中(a)原始有雾图像,(b)上界支撑面估计值,(c)下界支撑面估计值,(d)去雾霾增强输出;
图5为图4中垂直方面中心一列像素做上下界支撑面估计值二维示意图;
图6为本发明方法处理图像输入和输出对比图,(a)含黄色雾霾原始输入图像,(b)去雾霾增强输出结果。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1所示,本发明系统包括:分析估计器、校正增强器;所述分析估计器包括色偏估计器、上下界保边滤波估计器,分别估计雾霾对图像的色偏影响以及对图像局部灰度分布的影响;均衡化校正器完成色偏修正、上下界估计值和裕量常数均衡化校正,分别实现对雾霾图像稳定的色偏的修正和局部灰度对比度、细节的提升以及对去雾后图像亮度分布的均衡。
针对受黄色雾霾影响的成像图像,构建去黄色雾霾的色偏估计模型。构建方法如下:首先累计中心区域内的R、G、B通道的亮度的幂次方值,R表示红色,G表示绿色,B表示蓝色,中心区域为图像长宽各四分之三所包含的范围;累计值分别为SR,SG,SB,其中SR为红色通道的亮度幂次方的累计值,SG为绿色通道的亮度幂次方的累计值,SB为蓝色通道的亮度幂次方的累计值,累计值的计算方法为:
其中,IR、IG、IB分别表示输入图像的红色、绿色和蓝色通道的亮度,M为图像的高,N为图像的宽,k为幂次;在应用中k幂次值可取2或3,或根据实际情况自适应选取。在红绿蓝三分量中,高亮部分的比例作为色偏量重要的参考依据进行线性修正。这里幂次加权为对自身亮度加权,权重为自身亮度,当幂次越高,自身加权比重越大,对图像中高亮成分的关注度越高。在实际应用中,应该考虑计算量和效果之间的权衡,当取2时,统计计算量适中,仅一次乘法,高亮部分具有较高的权重;当取3时,统计计算量中的乘法增加到两次,对系统计算负担相比提高,但对高亮部分的自权重进一步提升,高亮区域对色偏影响越大,对后续的修正效果越好。其他变量值亦可选取,均能起到加权估色偏的作用。
然后,假定有雾霾的图像区域呈现偏黄,即红色和绿色通道的高亮区域高于蓝色通道的高亮区域,当这种情况下SR,SG高于SB的值;以SB的值为基准,计算SB/SR和SB/SG的比值作为黄色雾霾的色偏修正估计值。
接着,如图2所示,建立上下界支撑估计计算模型,利用双向迭代保边滤波器在线计算出的上界面估计和下界面估计,解算上下界支撑曲面;
首先计算估计图像中的上界,使用双向迭代滤波器计算图像I的保边平滑后的结果,定义为R,其中R=BRF(I);然后取R和I中的对应像素的较大值,记作RU,其中:
RU(i,j)=取大值(R(i,j),I(i,j))
对RU做双向迭代滤波,得到上界BU
BU=BRF(RU)
接着取R和I中的对应像素的较小值,记作RL,其中:
RL(i,j)=取小值(R(i,j),I(i,j))
对RL做双向迭代滤波,得到下界BL
BL=BRF(RL)
设定裕量常数矩阵λ*E,E为全一矩阵,λ为裕量常数,定义图像像素值范围为0到255的整数;计算上界支撑曲面为BU+E构成的面SU;计算下界为支撑曲面为BL-E构成的面SL。
其中双向迭代保边滤波器记作BRF(I),其中I为输入图像,计算步骤为:
(1)启动垂直方向大循环,逐行计算第1行到第N行,令每一行的第一个中间量F1(1,j)像素值等于输入图像I(1,j)第一个像素值,其中,j为列计数的值;
(2)内嵌正向循环执行,每一行的第1个像素到第M-1个像素逐个递增计算中间量F1(i+1,j)的值,其中i为行计数的值,j为列计数的值,F1(i+1,j)=α*I(i+1,j)+(1-α)*F1(i,j);
(3)内嵌反向循环执行,每一行的第M个像素到第2个像素逐个递减计算中间量F1(i-1,j)的值,其中i为行计数的值,j为列计数的值,计算F1(i-1,j)=α*I(i-1,j)+(1-α)*F1(i,j);
(4)结束垂直方向大循环;启动水平方向大循环,逐列计算第1列到第M列,令每一列的第一个中间量F1(i,1)像素值等于输入图像I(i,1)第一个像素值,其中,i为行计数的值;
(5)内嵌正向循环执行,每一列的第1个像素到第N-1个像素逐个递增计算中间量F1(i,j+1)的值,其中i为行计数的值,j为列计数的值,F1(i,j+1)=α*I(i,j+1)+(1-α)*F1(i,j);
(6)内嵌反向循环执行,每一列的第N个像素到第2个像素逐个递减计算中间量F1(i,j-1)的值,其中i为行计数的值,j为列计数的值,F1(i,j-1)=α*I(i,j-1)+(1-α)*F1(i,j);
(7)结束水平方向大循环,得到第一级对输入图像I滤波结果中间量F1;
(8)启动水平方向大循环,逐列计算第1列到第M列,令每一行的第一个新的中间量F2(1,j)像素值等于输入图像I(1,j)第一个像素值,其中,j为列计数的值F2(1,j)=I(1,j);
(9)内嵌正向循环执行,每一行的第1个像素到第M-1个像素逐个递增计算中间量F2(i+1,j)的值,其中i为行计数的值,j为列计数的值,β=λ*exp(μ*abs(F1(i+1,j)-F1(i,j))),F2(i+1,j)=β*I(i+1,j)+(1-β)*F2(i,j);
(10)内嵌反向循环执行,每一行的第M个像素到第2个像素逐个递减计算中间量F1(i-1,j)的值,其中i为行计数的值,j为列计数的值,计算β=λ*exp(μ*abs(F1(i,j)-F1(i-1,j))),F2(i-1,j)=β*I(i-1,j)+(1-β)*F2(i,j);
(11)结束垂直方向大循环,启动水平方向大循环,逐列计算第1列到第M列,令每一列的第一个中间量F2(i,1)像素值等于输入图像I(i,1)第一个像素值,其中,i为行计数的值;
(12)内嵌正向循环执行,每一列的第1个像素到第N-1个像素逐个递增计算中间量F1(i,j+1)的值,其中i为行计数的值,j为列计数的值,计算β=λ*exp(μ*abs(F1(i,j+1)-F1(i,j))),F2(i,j+1)=β*I(i,j+1)+(1-β)*F2(i,j);
(13)内嵌反向循环执行,每一列的第N个像素到第2个像素逐个递减计算中间量F1(i,j-1)的值,其中i为行计数的值,j为列计数的值,计算β=λ*exp(μ*abs(F1(i,j)-F1(i,j-1))),F2(i,j-1)=β*I(i,j-1)+(1-β)*F2(i,j);
(14)结束水平方向大循环,得到第二级对对输入图像I滤波结果中间量结果F2;
(15)最终输出BRF(I)=F2;
其中α和λ和μ为调节滤波平滑和保边力度的系数,取值范围0<α<1,λ和μ以满足实际要求为宜。
如图4所示,(b)(c)展示了利用双向迭代保边滤波器在线计算出的上下界支撑估计结果。上界支撑面类似“帐篷”一样覆盖了大多数三通道亮度极大点,并对平坦区域留有包络裕度,可以避免拉伸力度过猛;下界支撑面类似“地毯”,承载了大多数三通道亮度的极小点,对亮度突变的边缘也有很好跟随表示;“帐篷”和“地毯”包夹的区域进行均衡拉伸,可以得到增强后的图像输出。为详细体现上下界支撑的特性,用二维散点图表示图5中一列。从计算复杂度上,该方法是一种线性时间复杂度的计算方法,具有运算量小速度快的特点,特变适用于实时性要求高的图像保边滤波和其他相关领域,相比现有的引导滤波、双边滤波、三遍滤波方法,具有更快速更简单的计算,满足工程应用的要求。
利用上述得到图像各点对应的色偏估计器输出的调节系数以及上下界估计值和裕量常数,均衡化各通道亮度,如图3所示;首先分别处理图像的红绿蓝三色通道,红色通道各像素亮度值乘以SB/SR色偏修正值,绿色通道各像素亮度值乘以SB/SG色偏修正值;色彩修正后的图像红绿蓝分量分别取最小值计算下界支撑曲面,取最大值计算上界支撑曲面;色彩修正后的三通道各个像素值减去下界支撑曲面对应值,除以上界支撑曲面与下界支撑曲面的差,得到根据上下界支撑拉伸后的图像;拉伸后得到的新的图像直方图95%的灰阶范围上限值和下限值均衡化至0到255,对均衡化后的图像做平均,得到平均值,各像素值减去平均值再加128,截取图像值为0到255之间的整数,得到无雾增强后的输出图像。
处理前后的实际效果图如图6所示。图6中,由于受到雾霾影响,直方图表现出来蓝色分量高亮度成分低于红色分量和绿色分量,导致图像整体偏黄色;处理后的图像,三色通道在高亮部分明显趋于均衡,整体图像上由近及远无蒙雾感,效果通透清晰,图像中的细节得到了显著增强,辨识力提升。
Claims (5)
1.一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统,其特征在于:包括分析估计器、均衡化校正器;所述分析估计器包括色偏估计器、上下界保边滤波估计器;均衡化校正器完成色偏修正、上下界估计值和裕量常数均衡化校正;
色偏估计器,针对受黄色雾霾影响的输入图像,构建去黄色雾霾的色偏估计模型,对黄色雾霾进行色偏估计,得到黄色雾霾的色偏修正估计值;
上下界保边滤波估计器,对输入图像分别计算上界值和下界值的双向迭代保边滤波,得到上支撑曲面和下支撑曲面,作为上下界保边滤波估计值;
均衡化校正器,根据色偏估计器的估计值和上下界保边滤波估计器得到的估计值对图像进行均衡化的校正,得到校正后的估计值,此校正后的估计值为无雾增强后的图像;完成在线抗黄色雾霾色偏自修正的上下界支撑图像增强。
2.根据权利要求1所述的一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统,其特征在于:所述色偏估计器中,构建去黄色雾霾的色偏估计模型,对黄色雾霾进行色偏估计的方法如下:
(1)首先累计输入图像中心区域内的R、G、B通道的亮度的幂次方值,R表示红色,G表示绿色,B表示蓝色,中心区域为图像长宽各四分之三所包含的范围;累计值分别为SR,SG,SB,其中SR为红色通道的亮度幂次方的累计值,SG为绿色通道的亮度幂次方的累计值,SB为蓝色通道的亮度幂次方的累计值,累计值的计算方法为:
其中,IR、IG、IB分别表示输入图像的红色、绿色和蓝色通道的亮度,M为图像的高,N为图像的宽,k为幂次;在应用中k幂次值可取2或3,或根据实际情况自适应选取;
(2)然后,设定有雾霾的图像区域呈现偏黄,即红色和绿色通道的高亮区域高于蓝色通道的高亮区域,当这种情况下SR,SG高于SB的值;以SB的值为基准,计算SB/SR和SB/SG的比值,作为黄色雾霾的色偏修正估计值。
3.根据权利要求1所述的一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统,其特征在于:所述上下界保边滤波估计器中,利用双向迭代保边滤波器在线计算出的上界面估计和下界面估计,解算上下界支撑曲面的具体过程如下:
(1)首先计算估计输入图像I中的上界,使用双向迭代滤波器BRF(I)计算输入图像I的保边平滑后的结果为R;
(2)然后取R和I中的对应像素的较大值,记作RU,其中:
RU(i,j)=取大值(R(i,j),I(i,j))
对RU做双向迭代滤波,得到上界BU
BU=BRF(RU)
(3)取R和I中的对应像素的较小值,记作RL,其中:
RL(i,j)=取小值(R(i,j),I(i,j))
(4)对RL做双向迭代滤波,得到下界BL
BL=BRF(RL)
设定裕量常数矩阵λ*E,E为全一矩阵,λ为裕量常数,定义图像像素值范围为0到255的整数;
(5)计算上界支撑曲面为BU+E构成的面SU,计算下界为支撑曲面为BL-E构成的面SL。
4.根据权利要求3所述的一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统,其特征在于:所述双向迭代保边滤波器BRF(I)计算步骤为:
(1)启动垂直方向大循环,逐行计算第1行到第N行,令每一行的第一个中间量F1(1,j)像素值等于输入图像I(1,j)第一个像素值,其中,j为列计数的值;
(2)内嵌正向循环执行,每一行的第1个像素到第M-1个像素逐个递增计算中间量F1(i+1,j)的值,其中i为行计数的值,j为列计数的值,F1(i+1,j)=α*I(i+1,j)+(1-α)*F1(i,j);
(3)内嵌反向循环执行,每一行的第M个像素到第2个像素逐个递减计算中间量F1(i-1,j)的值,其中i为行计数的值,j为列计数的值,计算F1(i-1,j)=α*I(i-1,j)+(1-α)*F1(i,j);
(4)结束垂直方向大循环;启动水平方向大循环,逐列计算第1列到第M列,令每一列的第一个中间量F1(i,1)像素值等于输入图像I(i,1)第一个像素值,其中,i为行计数的值;
(5)内嵌正向循环执行,每一列的第1个像素到第N-1个像素逐个递增计算中间量F1(i,j+1)的值,其中i为行计数的值,j为列计数的值,F1(i,j+1)=α*I(i,j+1)+(1-α)*F1(i,j);
(6)内嵌反向循环执行,每一列的第N个像素到第2个像素逐个递减计算中间量F1(i,j-1)的值,其中i为行计数的值,j为列计数的值,F1(i,j-1)=α*I(i,j-1)+(1-α)*F1(i,j);
(7)结束水平方向大循环,得到第一级对输入图像I滤波结果中间量F1;
(8)启动水平方向大循环,逐列计算第1列到第M列,令每一行的第一个新的中间量F2(1,j)像素值等于输入图像I(1,j)第一个像素值,其中,j为列计数的值F2(1,j)=I(1,j);
(9)内嵌正向循环执行,每一行的第1个像素到第M-1个像素逐个递增计算中间量F2(i+1,j)的值,其中i为行计数的值,j为列计数的值,β=λ*exp(μ*abs(F1(i+1,j)-F1(i,j))),F2(i+1,j)=β*I(i+1,j)+(1-β)*F2(i,j);
(10)内嵌反向循环执行,每一行的第M个像素到第2个像素逐个递减计算中间量F1(i-1,j)的值,其中i为行计数的值,j为列计数的值,计算β=λ*exp(μ*abs(F1(i,j)-F1(i-1,j))),F2(i-1,j)=β*I(i-1,j)+(1-β)*F2(i,j);
(11)结束垂直方向大循环,启动水平方向大循环,逐列计算第1列到第M列,令每一列的第一个中间量F2(i,1)像素值等于输入图像I(i,1)第一个像素值,其中,i为行计数的值;
(12)内嵌正向循环执行,每一列的第1个像素到第N-1个像素逐个递增计算中间量F1(i,j+1)的值,其中i为行计数的值,j为列计数的值,计算β=λ*exp(μ*abs(F1(i,j+1)-F1(i,j))),F2(i,j+1)=β*I(i,j+1)+(1-β)*F2(i,j);
(13)内嵌反向循环执行,每一列的第N个像素到第2个像素逐个递减计算中间量F1(i,j-1)的值,其中i为行计数的值,j为列计数的值,计算β=λ*exp(μ*abs(F1(i,j)-F1(i,j-1))),F2(i,j-1)=β*I(i,j-1)+(1-β)*F2(i,j);
(14)结束水平方向大循环,得到第二级对对输入图像I滤波结果中间量结果F2;
(15)最终输出F2即为BRF(I);
其中α和λ和μ为调节滤波平滑和保边力度的系数,其中0<α<1。
5.根据权利要求1所述的一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统,其特征在于:所述均衡化校正器具体实现如下:
(1)首先分别处理图像的红绿蓝三色通道,红色通道各像素亮度值乘以SB/SR色偏修正值,绿色通道各像素亮度值乘以SB/SG色偏修正值;其中SR为红色通道的亮度幂次方的累计值,SG为绿色通道的亮度幂次方的累计值,SB为蓝色通道的亮度幂次方的累计值;
(2)色彩修正后的图像红绿蓝分量分别取最小值计算下界支撑曲面,取最大值计算上界支撑曲面;
(3)色彩修正后的三通道各个像素值减去下界支撑曲面对应值,除以上界支撑曲面与下界支撑曲面的差,得到根据上下界支撑拉伸后的图像;
(4)拉伸后得到的图像直方图95%的灰阶范围上限值和下限值均衡化至0到255,对均衡化后的图像做平均,得到平均值,各像素值减去平均值再加128,截取图像值为0到255之间的整数,得到无雾增强后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711420967.5A CN107993214B (zh) | 2017-12-25 | 2017-12-25 | 一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711420967.5A CN107993214B (zh) | 2017-12-25 | 2017-12-25 | 一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107993214A CN107993214A (zh) | 2018-05-04 |
CN107993214B true CN107993214B (zh) | 2018-10-12 |
Family
ID=62042718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711420967.5A Active CN107993214B (zh) | 2017-12-25 | 2017-12-25 | 一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107993214B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110996173B (zh) * | 2019-12-18 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104796683A (zh) * | 2014-01-22 | 2015-07-22 | 中兴通讯股份有限公司 | 一种校准图像色彩的方法和系统 |
CN105574830A (zh) * | 2016-02-04 | 2016-05-11 | 沈阳工业大学 | 极端天气条件下低质图像增强方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663694A (zh) * | 2012-03-30 | 2012-09-12 | 大连理工大学 | 一种基于暗原色通道先验的雾效数字滤镜方法 |
CN102750674B (zh) * | 2012-04-26 | 2014-06-18 | 长春理工大学 | 基于自适应容差的视频图像去雾方法 |
CN102968767A (zh) * | 2012-11-26 | 2013-03-13 | 中国科学院长春光学精密机械与物理研究所 | 带有白平衡校正的雾天降质图像实时复原方法 |
CN103489166A (zh) * | 2013-10-12 | 2014-01-01 | 大连理工大学 | 一种基于双边滤波的单幅图像去雾方法 |
CN104217404B (zh) * | 2014-08-27 | 2017-06-20 | 华南农业大学 | 雾霾天视频图像清晰化处理方法及其装置 |
CN105184758B (zh) * | 2015-09-16 | 2017-11-17 | 宁夏大学 | 一种图像去雾增强的方法 |
CN106530246B (zh) * | 2016-10-28 | 2019-04-16 | 大连理工大学 | 基于暗通道与非局部先验的图像去雾方法及系统 |
CN107133926A (zh) * | 2017-04-13 | 2017-09-05 | 中原智慧城市设计研究院有限公司 | 一种基于暗原色先验的图像去雾方法 |
CN106886985B (zh) * | 2017-04-25 | 2019-10-08 | 哈尔滨工业大学 | 一种减小色偏的自适应低照度图像增强方法 |
-
2017
- 2017-12-25 CN CN201711420967.5A patent/CN107993214B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104796683A (zh) * | 2014-01-22 | 2015-07-22 | 中兴通讯股份有限公司 | 一种校准图像色彩的方法和系统 |
CN105574830A (zh) * | 2016-02-04 | 2016-05-11 | 沈阳工业大学 | 极端天气条件下低质图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107993214A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
CN110047051B (zh) | 一种非均匀照明彩色图像增强方法 | |
Lee et al. | Adaptive multiscale retinex for image contrast enhancement | |
CN107767354B (zh) | 一种基于暗原色先验的图像去雾算法 | |
CN109979401B (zh) | 驱动方法、驱动装置、显示设备和计算机可读介质 | |
CN103295194B (zh) | 亮度可控与细节保持的色调映射方法 | |
CN103714520B (zh) | 基于fpga实现数字视频图像增强系统及其方法 | |
CN103854259B (zh) | 图像处理设备以及处理图像的方法 | |
CN106897981A (zh) | 一种基于引导滤波的低照度图像增强方法 | |
WO2017049703A1 (zh) | 图像对比度增强方法 | |
CN103353982A (zh) | 一种基于直方图均衡化的色调映射方法 | |
CN110706172B (zh) | 基于自适应混沌粒子群优化的低照度彩色图像增强方法 | |
CN108022223B (zh) | 一种基于对数映射函数分块处理融合的色调映射方法 | |
CN109801233B (zh) | 一种适用于真彩色遥感图像的增强方法 | |
CN111292257A (zh) | 一种基于Retinex的暗视觉环境下图像增强方法 | |
CN110473152B (zh) | 基于改进Retinex算法的图像增强方法 | |
CN110675351B (zh) | 一种基于全局亮度自适应均衡化的海上图像处理方法 | |
CN109658343B (zh) | 结合颜色转换和自适应曝光的水下图像增强方法 | |
CN115223004A (zh) | 基于改进的多尺度融合生成对抗网络图像增强方法 | |
CN107169942B (zh) | 一种基于鱼类视网膜机制的水下图像增强方法 | |
CN112991222A (zh) | 图像雾霾去除处理方法、系统、计算机设备、终端及应用 | |
CN110009574B (zh) | 一种低动态范围图像逆向生成高动态范围图像的方法 | |
CN107993214B (zh) | 一种在线抗黄色雾霾色偏自修正的上下界支撑图像增强系统 | |
CN112862721B (zh) | 基于暗通道与Retinex的地下管道图像去雾方法 | |
CN115035011A (zh) | 一种融合策略下自适应RetinexNet的低照度图像增强方法 |
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 |