CN108257094A - 基于暗通道的遥感影像薄雾快速去除方法 - Google Patents
基于暗通道的遥感影像薄雾快速去除方法 Download PDFInfo
- Publication number
- CN108257094A CN108257094A CN201611249687.8A CN201611249687A CN108257094A CN 108257094 A CN108257094 A CN 108257094A CN 201611249687 A CN201611249687 A CN 201611249687A CN 108257094 A CN108257094 A CN 108257094A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- image
- dark
- defogging
- 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
- 239000003595 mist Substances 0.000 title claims abstract description 43
- 238000005516 engineering process Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000002834 transmittance Methods 0.000 claims abstract description 35
- 239000004615 ingredient Substances 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 15
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 20
- 238000001914 filtration Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000011084 recovery Methods 0.000 description 4
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization 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
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于暗通道的遥感影像薄雾快速去除方法。该方法包括如下步骤：提升遥感影像的曝光程度；对所述遥感影像的输出图像进行降采样；计算所述遥感影像的透射率的预估值，并在遥感影像中将所述透射率显示出来，得到预估透射率图；对所述预估透射率图进行滤波处理，得到导向滤波图；对所述导向滤波图进行计算，得到精细的透射率图；计算得到去雾后的影像图。本发明所述方法，提高了不同类型遥感影像去雾的普适性；去除人机交互的过程，全自动海量去雾；满足大面幅遥感影像实时处理的技术要求，去雾速度快。
Description
技术领域
本发明涉及卫星影像处理技术领域，具体涉及基于暗通道的遥感影像薄雾快速去除方法。
背景技术
在近代科学研究、工农业生产、气象及天文学等各个领域中，人们越来越多地利用遥感影像中包含的大量信息来认识和判断事物，解决实际问题。遥感影像在各领域应用中的重要性日益增加，但它的获取过程普遍受到雾的影响。雾是一种常见的自然现象，即使是晴朗的天气，由于地面水气的蒸发大气中水分子与各种微小的灰尘、杂质颗粒结合在一起，加之水分子之间的相互粘结，就会形成半径较大的小水滴，凝结成雾。这些形成雾的半径较大的小水滴对可见光的散射作用极其明显，其散射作用随距离的增加成指数增长。
遥感影像都是从上向下观测，成像过程中被摄的目标物体表面发射的光线在大气中受到雾的影响，由于吸收、散射和折射等光学作用而衰减，同时由于散射作用，摄影镜头中会混入大气光。在这两种主要作用和随机大气湍流、传感器噪声等多方面次要作用的影响下，摄像镜头接收到的光线发生了非均匀变化，这就造成遥感影像灰度值的变化。具体表现为灰度动态范围被缩小，像素之间对比度被降低，并且受影响的程度主要与雾的浓度和镜头到物体的距离有关，这就使得遥感影像在各领域中发挥的作用受到限制。
通过一定的图像处理方法，能够在很多被雾影响的，信息量低的遥感影像中获取大量的有用信息，将信息量低的影像转变为有用影像。特征提取、测度分析、目标识别等各种图像处理算法都假定接收到的影像都是源自于物方光线(即不考虑大气光)，这些算法的结果都不可避免的受到有偏的、低对比度的物方光线影响。去雾能够显著增强景物的可见度并纠正由大气光引起的色差，无雾影像更有利于我们的视觉观察，无雾影像更便于目视判读和各种图像处理算法的实现，对遥感影像去雾方法的研究具有重要的现实意义。因此，遥感影像的去雾就显得尤为重要。
目前，应用于遥感影像去雾的方法主要有：一类是基于大气退化物理模型的方法。这种方法从物理模型的角度，对大气的散射作用进行建模分析和图像恢复来达到去雾还原的效果。如1998年英国的两位学者提出的基于三参数大气退化模型的有雾图像处理方法；另一类是基于图像增强的方法，这种方法实质是图像对比度增强问题，如直方图均衡化、小波变换、Retinex理论等。
空间域中的平滑和锐化算法也是图像增强的经典方法，平滑算法可以很好的平滑噪声，但同时往往带来边缘和细节信息的模糊；锐化算法可以很好的增强边缘和细节信息，但同时往往又引起噪声。而且，不同类型的噪声又需要不同的平滑处理方法。这样，要取得良好的效果需要通过人机交互的方式，这种增强方法不满足当前实时处理和自动处理的需要。
频率域中的高通和低通滤波在处理效果和算法特点上和平滑、锐化一样，同时这类方法容易引起振铃效应，这就增加了处理的难度。同态滤波的方法相对于传统的线性变换、非线性变换、直方图均衡化、平滑和锐化方法在算法原理和处理效果上都有巨大的进步。同态滤波的方法认为图像可以分为解照度图像和反射图像，反射图像代表了真实的物方辐射信息。同态滤波近似的认为傅立叶变换的低频部分代表照度图像，傅立叶变换的高频部分代表反射图像。但在实际操作中滤波器的选择成为了难点，因为很难找到一组对各种图像都适用的低通和高通滤波器，这个局限性也影响了同态滤波的应用价值。
基于暗通道先验的单幅图像去雾算法是在2009年被提出的一种简单有效的图像复原方法，该方法建立在一种自然界普遍存在的暗通道先验的基础上。何凯明等人在研究中发现：晴天拍摄的户外图像中总存在一些“暗点”，这些“暗点”至少有一个颜色通道的值很低。当图像受到雾的干扰时，这些原本很低的值由于受到大气散射光的影响而大幅升高。因此，利用这些点就可以估算出拍摄场景中雾的浓度，并利用大气散射模型复原出清晰的无雾影像。但是这种方法只能粗略估算出图像大气光的分布，需要结合软抠图或双边滤波算法对透射率进行优化，因此计算速度和效率比较低下，也无法直接使用到大面幅的遥感影像处理当中。
发明内容
基于此，本发明提供一种基于暗通道的遥感影像薄雾快速去除方法，提高了不同类型遥感影像去雾的普适性；去除人机交互的过程，全自动海量去雾；满足大面幅遥感影像实时处理的技术要求，去雾速度快。
为了实现本发明的目的，本发明采用以下技术方案：
一种基于暗通道的遥感影像薄雾快速去除方法，包括如下步骤：
S1、采用如下公式提升遥感影像的曝光程度：
dm＝max-min；
J(x)＝(I(x)-min)/dm*(2-(I(x)-min)/dm)*255；
其中，max为统计的最大截断像素值，min为统计的最小截断像素值，J(x)为遥感影像的输出图像，I(x)为遥感影像的输入图像；
S2、对所述遥感影像的输出图像进行降采样；
S3、采用如下公式计算所述遥感影像的透射率的预估值，并在遥感影像中将所述透射率显示出来，得到预估透射率图；
其中，J(x)表示无雾的目标遥感影像，I(X)表示需要去雾的遥感影像，表示遥感影像J的透射率的预估值，A表示全球大气光成分，t0表示透射率的设置阈值；
S4、对所述预估透射率图进行滤波处理，得到导向滤波图；
S5、对所述导向滤波图进行计算，得到精细的透射率图；
S6、根据以下公式计算得到去雾后的影像图：其中，J(x)表示无雾的目标遥感影像，I(X)表示需要去雾的遥感影像，A表示全球大气光成分，T表示精细的透射率图。
在其中一些实施例中，在所述步骤S1中，所述遥感影像提升曝光程度后，还判断所述遥感影像是否为植被，若为植被，对以近红外波段按预设比例对所述遥感影像进行绿色增强。
在其中一些实施例中，在所述步骤S1中，采用如下公式判断所述遥感影像是否为植被：NDVI＝(NIR-R)/(NIR+R)，其中，NIR为近红外波段，R为红波段。
在其中一些实施例中，所述步骤S2中，采用最邻近法或求和平均法对所述遥感影像进行降采样。
在其中一些实施例中，所述步骤S2中，对所述遥感影像进行降采样的过程中判断所述遥感影像的黑边区域。
在其中一些实施例中，所述步骤S2中，且若采用最邻近法对所述遥感影像进行降采样，将所述遥感影像的边缘外扩一个像素。
在其中一些实施例中，所述步骤S4中，用所述遥感影像的灰度图做导向图对所述预估透射率图进行滤波处理。
本发明所述基于暗通道的遥感影像薄雾快速去除方法，通过增强曝光度的色彩增强、降采样及恢复处理、基于暗通道的透射率计算方法以及基于导向滤波的透射率平滑方法，最终得到去雾后的遥感影像图，该过程透射率的计算速度和效率比较高，不需要结合其他软件，能够满足大面幅遥感影像实时处理的技术要求，去雾过程计算达到秒级，包括IO的影像去雾也达到分钟级，因此去雾速度快；能够同时处理16bit和8bit影像以及GB级、TB级的正射影像，提高了不同类型遥感影像去雾的普适性，通过暗通道的方法，能够只对影像中云雾地区进行增强，非云雾地区不进行去雾处理；可全自动进行去雾处理，在规定参数的情况下，可去除人机交互的过程，全自动并行的完成海量遥感影像的去雾处理。
附图说明
图1是本发明一较佳实施例所述的基于暗通道的遥感影像薄雾快速去除方法中遥感影像的原图；
图2是图1所述遥感影像经色彩增强后的效果图；
图3是本发明一较佳实施例所述的基于暗通道的遥感影像薄雾快速去除方法中的暗通道影像图；
图4是本发明一较佳实施例所述的基于暗通道的遥感影像薄雾快速去除方法中的透射率图；
图5是本发明一较佳实施例所述的基于暗通道的遥感影像薄雾快速去除方法中的精细的透射率图；
图6是本发明一较佳实施例所述的基于暗通道的遥感影像薄雾快速去除方法中的山地去雾前的影像图；
图7是本发明一较佳实施例所述的基于暗通道的遥感影像薄雾快速去除方法中的山地去雾后的影像图；
图8是本发明一较佳实施例所述的基于暗通道的遥感影像薄雾快速去除方法中的城区去雾前的影像图；
图9是本发明一较佳实施例所述的基于暗通道的遥感影像薄雾快速去除方法中的城区去雾后的影像图；
图10是本发明一较佳实施例所述的基于暗通道的遥感影像薄雾快速去除方法中的云区去雾前的影像图；
图11是本发明一较佳实施例所述的基于暗通道的遥感影像薄雾快速去除方法中的云区去雾后的影像图。
具体实施方式
为了便于理解本发明，下面将对结合附图本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例
本发明所述的基于暗通道的遥感影像薄雾快速去除方法，包括如下步骤：
S1、采用如下公式提升遥感影像的曝光程度：
dm＝max-min；
J(x)＝(I(x)-min)/dm*(2-(I(x)-min)/dm)*255；
其中，max为统计的最大截断像素值，min为统计的最小截断像素值，J(x)为遥感影像的输出图像，I(x)为遥感影像的输入图像；所述遥感影像提升曝光程度后，还判断所述遥感影像是否为植被，若为植被，对以近红外波段按预设比例对所述遥感影像进行绿色增强。采用如下公式判断所述遥感影像是否为植被：NDVI＝(NIR-R)/(NIR+R)，其中，NIR为近红外波段，R为红波段。
S2、对所述遥感影像的输出图像进行降采样；采用最邻近法或求和平均法对所述遥感影像进行降采样。对所述遥感影像进行降采样的过程中还需要判断所述遥感影像的黑边区域。若采用最邻近法对所述遥感影像进行降采样，将所述遥感影像的边缘外扩一个像素。
S3、采用如下公式计算所述遥感影像的透射率的预估值，并在遥感影像中将所述透射率显示出来，得到预估透射率图；
其中，J(x)表示无雾的目标遥感影像，I(X)表示需要去雾的遥感影像，表示遥感影像J的透射率的预估值，A表示全球大气光成分，t0表示透射率的设置阈值；
S4、对所述预估透射率图进行滤波处理，得到导向滤波图；用所述遥感影像的灰度图做导向图对所述预估透射率图进行滤波处理。
S5、对所述导向滤波图进行计算，得到精细的透射率图；本实施例中按照《GuidedImage Filtering》论文中的公式(5)、(6)、(8)编码计算获得精细的透射率图。另外，上述计算需要在[0,1]范围内进行，也就是说导向图和预估的透射率图都必须从[0,255]先映射到[0,1]再进行计算。关于guidedfilter中的半径r值，因为在前面进行最小值后暗通道的图像成一块一块的，为了使透射率图更加精细，建议这个r的取值不小于进行最小值滤波的半径的4倍，本文滤波半径采用15像素；正规化参数eps的取值也有所讲究，他主要是为了防止计算中除以0的错误以及为了使得某些计算结果不至于过大，一般建议取值0.001或者更小，本文eps采用0.001。
S6、根据以下公式计算得到去雾后的影像图：其中，J(x)表示无雾的目标遥感影像，I(X)表示需要去雾的遥感影像，A表示全球大气光成分，T表示精细的透射率图。
以下将举例说明本发明所述的基于暗通道的遥感影像薄雾快速去除方法：
以下将针对GB级卫星遥感影像，提出一种基于暗通道的快速去雾方法，以此解决在中国地区的卫星影像普遍存在薄雾问题，提高影像的可视化程度和降低目视解译的判读难度。本文中涉及计算速度均以以下计算机配置为准，CPU：至强E3-1230v3-3.30GHZ，内存：12G，硬盘：7200转机械硬盘，显卡：未用GPU加速。基本处理流程如下：
一、遥感影像
适用国内外各类卫星遥感影像，国产卫星影像包括GF1、GF2、ZY3等，国外卫星影像包括Planet Labs、worldview、landsat、modis等等，例子说明仅以国产卫星数据为例，其他卫星影像处理方式相同。
GF1：单景24000*20000，16bit，4.5GB，分辨率2m。去雾处理(包括IO)：45s/景；GF2：单景41000*32000，16bit，9.0GB，分辨率0.8m。去雾处理(包括IO)：120s/景；ZY3：单景33000*24000，16bit，5.8GB，分辨率2.1m。去雾处理(包括IO)：60s/景。
卫星数据基本说明：(1)影像分为16bit四波段数据和8bit三波段数据；(2)经过校正的卫星影像存在黑边；(3)面幅较大，为提高速度，需要经过降采样处理同时不影响去雾效果；以下以图1为原图进行举例。
二、色彩增强
对于16bit四波段影像，需要优先处理为像素值为0-255的8bit三波段影像，并且由于卫星影像光照强度较弱需要在一定程度上提高曝光程度，提升曝光程度的公式如下：
dm＝max-min；
J(x)＝(I(x)-min)/dm*(2-(I(x)-min)/dm)*255；
上式中，max为统计的最大截断像素值，min为统计的最小截断像素值，J(x)为遥感影像的输出图像，I(x)为遥感影像的输入图像。
如果需要进行绿色增强，使用植被指数NDVI＝(NIR-R)/(NIR+R),其中，NIR为近红外波段，R为红波段，利用植被指数可以判断是否为植被并以近红外波段的按预设的比例增强。图2为色彩增强后效果，城区和山地有不同程度的雾气效果。
三、降采样
由于卫星遥感影像面幅较大，在计算暗通道和透视率之前需要进行降采样计算，最后在输出的去雾影像的时候进行重采样还原，这种方式极大的提高了遥感影像的暗通道计算效率，并且由于卫星影像的雾气都是呈现为大片区域并存在一定的过渡，所以该方式对于影像的去雾效果也不会有太大的影像，只是在小程度上影响了去雾的精度，经过多次实验，验证了该方式的普适性。降采样方法可以选取最邻近或求和平均，需要注意的是因为遥感影像存在黑边，需要在计算过程中判断黑边区域；如果选用最邻近法，需要边缘外扩一个像素，保证重采样影像在区域上包含原始影像。
四、计算透射率
在何凯明方法中，暗通道需要先去除天空区域，但是在遥感影像中，大部分都是对地观测，不存在该问题，可以直接处理。在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。换言之，该区域光强度的最小值是个很小的数。我们给暗通道一个数学定义，对于任意的输入图像J，其暗通道可以用下式表达：
(1)式中Jc表示彩色图像的每个通道，Ω(x)表示以像素X为中心的一个窗口。式中的意义用代码表达也很简单，首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波，滤波的半径由窗口大小决定，一般有WindowSize＝2*Radius+1；图3为暗通道影像图，亮区域为包含云雾较多的地带，暗区域为较为清晰的地带，由于计算方式采用窗口的最小值，暗通道图会呈现较多的斑点。
计算透射率
暗原色先验理论为：Jdark→0。
首先，在计算机视觉和计算机图形中，下述方程所描述的雾图形成模型被广泛使用：
I(x)＝J(x)t(x)+A(1-t(x)) (2)
(2)式中，I(X)就是我们现在已经有的图像(待去雾的图像)，J(x)是我们要恢复的无雾的图像，A是全球大气光成分，t(x)为透射率。现在的已知条件就是I(X)，要求目标值J(x)，显然，这是个有无数解的方程，因此，就需要一些先验了。
将式(2)稍作处理，变形为下式：
如上所述，上标C表示R/G/B三个通道的意思。
首先假设在每一个窗口内透射率t(x)为常数，定义他为并且A值已经给定，然后对式(3)两边求两次最小值运算，得到下式：
上式中，J是待求的无雾的图像，根据前述的暗原色先验理论有：
因此，可推导出：
把式(6)带入式(4)中，得到：
这就是透射率的预估值。
上述推论中都是假设全球达气光A值时已知的，在实际中，我们可以借助于暗通道图来从有雾图像中获取该值。具体步骤如下：1、从暗通道图中按照亮度的大小取前0.1％的像素。2、在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为A值。到这一步，我们就可以进行无雾图像的恢复了。由式(2)可知：J＝(I-A)/t+A现在I,A,t都已经求得了，因此，完全可以进行J的计算。
当投射图t的值很小时，会导致J的值偏大，从而使得图像整体向白场过度，因此一般可设置一阈值T0，当t值小于T0时，令t＝T0。T0越小去雾效果越大，但是在大部分遥感影像中，存在一定范围的白云、雪地，为了保留云区、雪地的色彩，并且为了各种遥感影像去雾的普适性，因此本文以T0＝0.5为标准计算。
因此，最终的恢复公式如下：
(8)式即为透射率计算公式,其中，J(x)表示无雾的目标遥感影像(目标图像)，I(X)表示需要去雾的遥感影像(原图像)，表示遥感影像J的透射率的预估值，A表示全球大气光成分，t0表示透射率的设置阈值。图4为透射率图。
五、计算导向滤波图
在经过透射率计算后，可以看到透射率图像存在较多的斑点，如果直接反算去雾图像会导致影像呈现块状，因此需要对透射率图进行滤波处理，本文采用导向滤波作为滤波方法，该方法可以直接用采样图像的灰度图做导向图，对于透射率图的滤波有较好的滤波效果和较快的滤波速度。
再按照《Guided Image Filtering》论文中的公式(5)、(6)、(8)编码计算获得精细的透射率图。上述计算需要在[0,1]范围内进行，也就是说导向图和预估的透射率图都必须从[0,255]先映射到[0,1]在进行计算。关于guidedfilter中的半径r值，因为在前面进行最小值后暗通道的图像成一块一块的，为了使透射率图更加精细，建议这个r的取值不小于进行最小值滤波的半径的4倍，本文滤波半径采用15像素；正规化参数eps的取值也有所讲究，他主要是为了防止计算中除以0的错误以及为了使得某些计算结果不至于过大，一般建议取值0.001或者更小，本文eps采用0.001。图5为精细的透射率图。
六、输出去雾图像
根据公式即可恢复去雾后图像，J(x)为去雾后影像图，I(x)为原图影像图(非采样)，A为全球大气光成分，T为经过导向滤波后的透射率图像，本文在计算T时使用双线性方法，保证透射率对于采样前图像的平滑性。图6为山地去雾前的影像图，图7为山地去雾后的影像图。图8为城区去雾前的影像图，图9为城区去雾后的影像图。图10为云区去雾前的影像图，图11为云区去雾后的影像图。
本发明所述基于暗通道的遥感影像薄雾快速去除方法，通过增强曝光度的色彩增强、降采样及恢复处理、基于暗通道的透射率计算方法以及基于导向滤波的透射率平滑方法，最终得到去雾后的遥感影像图，该过程透射率的计算速度和效率比较高，不需要结合其他软件，能够满足大面幅遥感影像实时处理的技术要求，去雾过程计算达到秒级，包括IO的影像去雾也达到分钟级，因此去雾速度快；能够同时处理16bit和8bit影像以及GB级、TB级的正射影像，提高了不同类型遥感影像去雾的普适性，通过暗通道的方法，能够只对影像中云雾地区进行增强，非云雾地区不进行去雾处理；可全自动进行去雾处理，在规定参数的情况下，可去除人机交互的过程，全自动并行的完成海量遥感影像的去雾处理。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于暗通道的遥感影像薄雾快速去除方法，其特征在于，包括如下步骤：
S1、采用如下公式提升遥感影像的曝光程度：
dm＝max-min；
J(x)＝(I(x)-min)/dm*(2-(I(x)-min)/dm)*255；
其中，max为统计的最大截断像素值，min为统计的最小截断像素值，J(x)为遥感影像的输出图像，I(x)为遥感影像的输入图像；
S2、对所述遥感影像的输出图像进行降采样；
S3、采用如下公式计算所述遥感影像的透射率的预估值，并在遥感影像中将所述透射率显示出来，得到预估透射率图；
其中，J(x)表示无雾的目标遥感影像，I(X)表示需要去雾的遥感影像，表示遥感影像J的透射率的预估值，A表示全球大气光成分，t0表示透射率的设置阈值；
S4、对所述预估透射率图进行滤波处理，得到导向滤波图；
S5、对所述导向滤波图进行计算，得到精细的透射率图；
S6、根据以下公式计算得到去雾后的影像图：其中，J(x)表示无雾的目标遥感影像，I(X)表示需要去雾的遥感影像，A表示全球大气光成分，T表示精细的透射率图。
2.根据权利要求1所述的基于暗通道的遥感影像薄雾快速去除方法，其特征在于：在所述步骤S1中，所述遥感影像提升曝光程度后，还判断所述遥感影像是否为植被，若为植被，对以近红外波段按预设比例对所述遥感影像进行绿色增强。
3.根据权利要求2所述的基于暗通道的遥感影像薄雾快速去除方法，其特征在于：在所述步骤S1中，采用如下公式判断所述遥感影像是否为植被：NDVI＝(NIR-R)/(NIR+R)，其中，NIR为近红外波段，R为红波段。
4.根据权利要求2所述的基于暗通道的遥感影像薄雾快速去除方法，其特征在于：所述步骤S2中，采用最邻近法或求和平均法对所述遥感影像进行降采样。
5.根据权利要求1或4所述的基于暗通道的遥感影像薄雾快速去除方法，其特征在于：所述步骤S2中，对所述遥感影像进行降采样的过程中判断所述遥感影像的黑边区域。
6.根据权利要求5所述的基于暗通道的遥感影像薄雾快速去除方法，其特征在于：所述步骤S2中，且若采用最邻近法对所述遥感影像进行降采样，将所述遥感影像的边缘外扩一个像素。
7.根据权利要求1所述的基于暗通道的遥感影像薄雾快速去除方法，其特征在于：所述步骤S4中，用所述遥感影像的灰度图做导向图对所述预估透射率图进行滤波处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611249687.8A CN108257094A (zh) | 2016-12-29 | 2016-12-29 | 基于暗通道的遥感影像薄雾快速去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611249687.8A CN108257094A (zh) | 2016-12-29 | 2016-12-29 | 基于暗通道的遥感影像薄雾快速去除方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108257094A true CN108257094A (zh) | 2018-07-06 |
Family
ID=62721232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611249687.8A Pending CN108257094A (zh) | 2016-12-29 | 2016-12-29 | 基于暗通道的遥感影像薄雾快速去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108257094A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110047045A (zh) * | 2019-04-10 | 2019-07-23 | 新疆大学 | 去除遥感图像中薄云的方法及装置 |
| CN110874823A (zh) * | 2018-09-03 | 2020-03-10 | 中国矿业大学(北京) | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 |
| CN111213179A (zh) * | 2019-03-12 | 2020-05-29 | 深圳市大疆创新科技有限公司 | 一种图像数据处理方法、装置及系统 |
| CN111489299A (zh) * | 2020-02-25 | 2020-08-04 | 天津大学 | 一种多光谱遥感卫星影像的去雾方法 |
| CN112750089A (zh) * | 2020-12-27 | 2021-05-04 | 同济大学 | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 |
| CN113610730A (zh) * | 2021-08-06 | 2021-11-05 | 上海大学 | 一种卫星影像非均匀薄云去除方法及系统 |
| CN113643207A (zh) * | 2021-08-20 | 2021-11-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置及电子设备 |
| CN115496685A (zh) * | 2022-09-21 | 2022-12-20 | 重庆地质矿产研究院 | 一种针对高分二号卫星遥感影像的快速去薄云方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942758A (zh) * | 2014-04-04 | 2014-07-23 | 中国人民解放军国防科学技术大学 | 基于多尺度融合的暗通道先验图像去雾方法 |
| CN105354806A (zh) * | 2015-11-20 | 2016-02-24 | 上海熙菱信息技术有限公司 | 基于暗通道的快速去雾方法及系统 |
| CN105701741A (zh) * | 2015-12-31 | 2016-06-22 | 贵州七十二弯信息科技有限公司 | 酒店安防系统 |
| CN105809641A (zh) * | 2016-03-09 | 2016-07-27 | 北京理工大学 | 一种去雾图像的曝光补偿和边缘增强方法 |
| CN106127715A (zh) * | 2016-08-29 | 2016-11-16 | 程建 | 一种图像去雾方法及系统 |
| CN106251296A (zh) * | 2016-07-06 | 2016-12-21 | 北京元心科技有限公司 | 一种图像去雾方法和系统 |
-
2016
- 2016-12-29 CN CN201611249687.8A patent/CN108257094A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942758A (zh) * | 2014-04-04 | 2014-07-23 | 中国人民解放军国防科学技术大学 | 基于多尺度融合的暗通道先验图像去雾方法 |
| CN105354806A (zh) * | 2015-11-20 | 2016-02-24 | 上海熙菱信息技术有限公司 | 基于暗通道的快速去雾方法及系统 |
| CN105701741A (zh) * | 2015-12-31 | 2016-06-22 | 贵州七十二弯信息科技有限公司 | 酒店安防系统 |
| CN105809641A (zh) * | 2016-03-09 | 2016-07-27 | 北京理工大学 | 一种去雾图像的曝光补偿和边缘增强方法 |
| CN106251296A (zh) * | 2016-07-06 | 2016-12-21 | 北京元心科技有限公司 | 一种图像去雾方法和系统 |
| CN106127715A (zh) * | 2016-08-29 | 2016-11-16 | 程建 | 一种图像去雾方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| HE KAIMING，ET AL: "《Single image haze removal using dark channel prior》", 《2009 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| 夏琴等: "《一种遥感卫星影像的自适应色彩增强算法》", 《测绘科学技术学报》 * |
| 陈书贞等: "《基于改进暗通道和导向滤波的单幅图像去雾算法》", 《自动化学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110874823A (zh) * | 2018-09-03 | 2020-03-10 | 中国矿业大学(北京) | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 |
| CN111213179A (zh) * | 2019-03-12 | 2020-05-29 | 深圳市大疆创新科技有限公司 | 一种图像数据处理方法、装置及系统 |
| CN110047045A (zh) * | 2019-04-10 | 2019-07-23 | 新疆大学 | 去除遥感图像中薄云的方法及装置 |
| CN111489299A (zh) * | 2020-02-25 | 2020-08-04 | 天津大学 | 一种多光谱遥感卫星影像的去雾方法 |
| CN111489299B (zh) * | 2020-02-25 | 2023-06-27 | 天津大学 | 一种多光谱遥感卫星影像的去雾方法 |
| CN112750089A (zh) * | 2020-12-27 | 2021-05-04 | 同济大学 | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 |
| CN113610730A (zh) * | 2021-08-06 | 2021-11-05 | 上海大学 | 一种卫星影像非均匀薄云去除方法及系统 |
| CN113610730B (zh) * | 2021-08-06 | 2023-08-29 | 上海大学 | 一种卫星影像非均匀薄云去除方法及系统 |
| CN113643207A (zh) * | 2021-08-20 | 2021-11-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置及电子设备 |
| CN115496685A (zh) * | 2022-09-21 | 2022-12-20 | 重庆地质矿产研究院 | 一种针对高分二号卫星遥感影像的快速去薄云方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108257094A (zh) | 基于暗通道的遥感影像薄雾快速去除方法 | |
| CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
| CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
| CN108376391B (zh) | 一种智能化红外图像场景增强方法 | |
| 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 | |
| CN103955905B (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 | |
| CN109272455B (zh) | 基于弱监督生成对抗网络的图像去雾方法 | |
| CN105354806B (zh) | 基于暗通道的快速去雾方法及系统 | |
| CN106780392A (zh) | 一种图像融合方法及装置 | |
| CN108765342A (zh) | 一种基于改进暗通道的水下图像复原方法 | |
| CN104050637B (zh) | 基于两次引导滤波的快速图像去雾方法 | |
| CN102750674A (zh) | 基于自适应容差的视频图像去雾方法 | |
| CN112184604B (zh) | 一种基于图像融合的彩色图像增强方法 | |
| Li et al. | Single image haze removal based on haze physical characteristics and adaptive sky region detection | |
| CN103034983B (zh) | 一种基于各向异性滤波的去雾方法 | |
| CN102789635A (zh) | 一种图像增强方法和装置 | |
| CN107578386A (zh) | 一种无人机拍摄图像的优化去雾处理方法 | |
| CN103198459A (zh) | 雾霾图像快速去雾方法 | |
| CN105631823A (zh) | 基于阈值分割优化的暗原色天空区域去雾方法 | |
| CN110097522B (zh) | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 | |
| CN110428389B (zh) | 基于msr理论和曝光融合的微光图像增强方法 | |
| CN106851092A (zh) | 一种红外视频拼接方法和装置 | |
| CN110223240A (zh) | 基于颜色衰减先验的图像去雾方法、系统及存储介质 | |
| CN108154492A (zh) | 一种基于非局部均值滤波的图像去雾霾方法 | |
| CN106558031A (zh) | 一种基于成像模型的彩色眼底图的图像增强方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |