CN108280809A - 一种基于大气散射物理模型的有雾图像天空区域估计方法 - Google Patents
一种基于大气散射物理模型的有雾图像天空区域估计方法 Download PDFInfo
- Publication number
- CN108280809A CN108280809A CN201711424697.5A CN201711424697A CN108280809A CN 108280809 A CN108280809 A CN 108280809A CN 201711424697 A CN201711424697 A CN 201711424697A CN 108280809 A CN108280809 A CN 108280809A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- channel
- value
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000002834 transmittance Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 241000023320 Luma <angiosperm> Species 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 abstract 2
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000003475 lamination Methods 0.000 abstract 1
- 239000003595 mist Substances 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明涉及有雾图像增强和复原的多媒体技术领域,特别是涉及有雾图像的天空区域检测。本发明的目的在于提供一种基于大气散射物理模型的有雾图像天空区域估计方法,是一种全新的基于大气散射物理模型的有雾图像天空区域估计方法。它适用于有雾图像增强和复原技术中。本发明采用了概率来表示像素为天空像素的可能性,可以使得天空区域和非天空区域平滑过渡,使去雾图像没有明显的分层现象。它由基于暗通道的高亮区域检测和基于图像梯度的平坦区域检测两个模块组成。本发明能以较低的计算量有效且精准的估计出天空区域,在有雾图像的增强和复原领域有较大的应用价值。
Description
技术领域
本发明涉及有雾图像增强和复原的多媒体技术领域,特别是涉及有雾图像的天空区域检测。
背景技术
随着有雾图像增强和复原技术的发展,天空区域检测的方法越来越重要。而目前的天空区域检测的方法大多繁琐且准确度不高,用于有雾图像增强和复原时会增加较大的计算量,难以满足高效的有雾图像增强和复原的要求。
在雾天环境下,机场关闭、船舶停运、道路封锁、测绘卫星拍摄的图像质量低下、视频监控系统不能正常工作,给人们的生产生活和科学研究带来了重大的损失。近年来,自动驾驶、智能交通技术的研发成为一大热门方向,摄像监控设备和传感器所获得的图像的清晰度是决定此类技术稳定性和可靠性的重要因素。然而在这些环境中,天空区域占了图像的很大一部分,这些区域对有雾图像的增强和复原造成很大的影响,会导致得到的去雾图像有偏色、去雾不完全等问题。因此一个高效的天空区域检测的方法在有雾图像复原上的应用不可缺少,具有非常好的使用前景。
发明内容
本发明的目的在于提供一种基于大气散射物理模型的有雾图像天空区域估计方法。
本发明解决其技术问题采用的技术方案如下:
一种基于大气散射物理模型的有雾图像天空区域估计方法,
1)将输入的长为H,宽为W的有雾图像I由RGB颜色空间转换为Lab颜色空间[1],并通过以下公式计算Gamma校正的参数γ:
其中,表示图像I所有像素的L通道平均值;
接着通过以下公式对图像I进行Gamma校正,得到图像I′:
其中,IL(p)、Ia(p)和Ib(p)分别表示图像I中像素p的明度通道L、色彩通道a和色彩通道b通道三通道值,I′L(p)、I′a(p)和I′b(p)分别表示图像I′中像素p的明度通道L、色彩通道a和色彩通道b通道三通道值,γ为参数;
接着将图像I′由Lab颜色模型转换为RGB颜色模型(具体转换方法为已知技术,(美)卜纳特(William K.Pratt)著;邓鲁华等译.数字图像处理[M].机械工业出版社,2005.ISBN 7-111-15587-4.P46-47.);
2)对图像I′计算暗通道,其公式如下:
其中,min()表示求最小值的函数,DI′表示图像I′的暗通道图像中的像素p的值,Ω(p)表示以像素p为中心的一个3×3窗口的像素集合,q表示以像素p为中心的一个3×3窗口内的一个像素,I′c表示图像I′的c通道,c属于红色通道r,绿色通道g和蓝色通道b三通道;
将暗通道图DI′中全部暗通道值按从大到小的顺序排序,得到序列On,其中n=1,2,3,...,H×W,通过以下公式计算大气光值A:
其中,round()表示四舍五入取整的函数,H和W表示图像I′的长和宽,On为暗通道值按从大到小排列的序列;
3)计算图像I′的暗通道图像I′Gray,其公式如下:
I′Gray(p)=0.2989×I′r(p)+0.5870×I′r(p)+0.1140×I′b(p),
其中,I′r(p)、I′g(p)和I′b(p)分别表示图像I′中像素p在红色通道r,绿色通道g和蓝色通道b上的值,I′Gray(p)表示灰度化图像中像素p的灰度值;
接着,对灰度图I′Gray(p)进行高斯滤波得到图像B,高斯滤波的窗口大小为36×36,标准差为6;
再求图像B的暗通道图像:
其中,min()表示求最小值的函数,DB(p)表示图像I′的暗通道图像中的像素p的值,Ω(p)表示以像素p为中心的一个3×3窗口的像素集合,q表示以像素p为中心的一个3×3窗口内的一个像素,Bc表示图像B的c通道,c属于红色通道r,绿色通道g和蓝色通道b三通道;
然后,通过暗通道图像DB(p)中的像素最大值求得图像B中最小的透射率值t;
此处的ω=0.95,A为已求得的大气光值,max()表示求最大值的函数,DB(p)表示图像B的暗通道图像中的像素p的值;
4)根据环境大气光值A和最小透射率值t对输入图像I进行如下增强处理:
其中,I(p)表示有雾图像中的像素p的值,J(p)表示期望得到的图像中的像素p的值,t为透射率值,A为环境大气光值;
通过上述公式得到的图像J中只有亮度相对高(由于每幅图像的亮度情况不同,所以我们这里采用亮度相对高的说法,本领域技术人员常用的)的像素的rgb三通道值不为0,其他的亮度相对低的像素rgb三通道值全部为0。对得到的J(p)进行灰度化得到JGray(p),其公式如下:
JGray(p)=0.2989×Jr(p)+0.5870×Jg(p)+0.1140×Jb(p),
其中,Jr(p)、Jg(p)和Jb(p)表示图像J(p)中像素p在红色通道r,绿色通道g和蓝色通道b上的值,JGray(p)表示灰度化图像中像素p的值;
接着对灰度图像JGray进行二值化处理,得到一张高亮区域的标记图像L,其公式如下:
其中,JGray(p)表示灰度图像JGray(p)中像素p的值,L(p)表示像素p是否是高亮区域中的像素,L(p)=1表示像素p是高亮区域中的像素,反之L(p)=0表示像素p不是高亮区域中的像素;
5)对图像I′的红色通道r,绿色通道g和蓝色通道b三通道分别用Sobel梯度算子计算梯度:
其中,Gc(p)表示图像I′中像素p的c通道的梯度,和分别表示图像I′的c通道的x和y方向梯度,c属于红色通道r,绿色通道g和蓝色通道b三通道;
再通过以下公式,求得梯度幅值图:
其中,G(p)为图像I′的梯度幅值图中像素p的值,Gc(p)表示像素p的c通道的梯度,c属于红色通道r,绿色通道g和蓝色通道b三通道;
接着,对G(p)按从大到小排序,取第μ个值设为Gmax:
μ=round(H×W×0.1),
其中,round()表示四舍五入取整的函数,H和W表示图像I′的长和宽;
对G(p)进行截断并归一化,其公式如下:
其中,G′(p)表示截断并归一化后的G(p)中像素p的值,G(p)为图像I′的梯度赋值图中像素p的值,Gmax为截断参数;
接着将G′(p)通过下述公式求得梯度打分值F(p);
其中,G′(p)表示截断并归一化后的G(p)中像素p的值,F(p)表示像素p的梯度打分值;
将梯度打分图F(p)和高亮区域标记图L(p)相乘,得到天空区域概率图SW:
SW(p)=F(p)×L(p),
其中,F(p)表示图像I中的像素p的梯度打分值,L(p)表示像素p是否是高亮区域中的像素,L(p)=1表示像素p是高亮区域中的像素,反之L(p)=0表示像素p不是高亮区域中的像素;
6)最后,剔除噪音;首先将天空区域概率图SW转化为二值图SW′,其公式如下:
其中,SW(p)代表天空概率图上p像素的概率值;
对二值图SW′进行连通区域检测,如果取值为1的像素八邻域内有同样的取值为1的像素则判断两者连通,据此获得最大的连通区域;将小于40个像素的连通区域中的像素值改为0,得到SWL,并记录下这些点,在天空区域概率图SW中,将这些像素逐个赋值,使它等于八邻域中大于0的最小值;再将SWL中取值为1的部分用0代替,取值为0的部分用1代替得到SWR,对SWR进行连通区域检测,记录下小于600个像素的连通区域中的像素,并在天空区域概率图SW中,将这些像素赋值为0;
以此得出最终的天空区域概率图SW,其最大值为1,即100%为天空。
本发明具有的有益的效果是:本发明是一种全新的基于大气散射物理模型的有雾图像天空区域估计方法。它适用于有雾图像增强和复原技术中。本发明采用了概率来表示像素为天空像素的可能性,可以使得天空区域和非天空区域平滑过渡,使去雾图像没有明显的分层现象。它由基于暗通道的高亮区域检测和基于图像梯度的平坦区域检测两个模块组成。本发明能以较低的计算量有效且精准的估计出天空区域,在有雾图像的增强和复原领域有较大的应用价值。
具体实施方式
在实现有雾图像的增强和复原过程中,直接使用本方法即可。
1.一种基于大气散射物理模型的有雾图像天空区域估计方法,其特征在于:
1)将输入的长为H,宽为W的有雾图像I由RGB颜色空间转换为Lab颜色空间[1],并通过以下公式计算Gamma校正的参数γ:
其中,表示图像I所有像素的L通道平均值;
接着通过以下公式对图像I进行Gamma校正,得到图像I′:
其中,IL(p)、Ia(p)和Ib(p)分别表示图像I中像素p的明度通道L、色彩通道a和色彩通道b通道三通道值,I′L(p)、I′a(p)和I′b(p)分别表示图像I′中像素p的明度通道L、色彩通道a和色彩通道b通道三通道值,γ为参数;
接着,图像I′由Lab颜色模型转换为RGB颜色模型[1];
2)对图像I′计算暗通道,其公式如下:
其中,min()表示求最小值的函数,DI′表示图像I′的暗通道图像中的像素p的值,Ω(p)表示以像素p为中心的一个3×3窗口的像素集合,q表示以像素p为中心的一个3×3窗口内的一个像素,I′c表示图像I′的c通道,c属于红色通道r,绿色通道g和蓝色通道b三通道;
将暗通道图DI′中全部暗通道值按从大到小的顺序排序,得到序列On,其中n=1,2,3,...,H×W,通过以下公式计算大气光值A:
其中,round()表示四舍五入取整的函数,H和W表示图像I′的长和宽,On为暗通道值按从大到小排列的序列;
3)计算图像I′的暗通道图像I′Gray,其公式如下:
I′Gray(p)=0.2989×I′r(p)+0.5870×I′r(p)+0.1140×I′b(p),
其中,I′r(p)、I′g(p)和I′b(p)分别表示图像I′中像素p在红色通道r,绿色通道g和蓝色通道b上的值,I′Gray(p)表示灰度化图像中像素p的灰度值;
接着,对灰度图I′Gray(p)进行高斯滤波得到图像B,高斯滤波的窗口大小为36×36,标准差为6;
再求图像B的暗通道图像:
其中,min()表示求最小值的函数,DB(p)表示图像I′的暗通道图像中的像素p的值,Ω(p)表示以像素p为中心的一个3×3窗口的像素集合,q表示以像素p为中心的一个3×3窗口内的一个像素,Bc表示图像B的c通道,c属于红色通道r,绿色通道g和蓝色通道b三通道;
然后,通过暗通道图像DB(p)中的像素最大值求得图像B中最小的透射率值t;
此处的ω=0.95,A为已求得的大气光值,max()表示求最大值的函数,DB(p)表示图像B的暗通道图像中的像素p的值;
4)根据环境大气光值A和最小透射率值t对输入图像I进行如下增强处理:
其中,I(p)表示有雾图像中的像素p的值,J(p)表示期望得到的图像中的像素p的值,t为透射率值,A为环境大气光值;
通过上述公式得到的图像J中只有亮度相对高的像素的rgb三通道值不为0,其他的亮度相对低的像素rgb三通道值全部为0。由于每幅图像的亮度情况不同,所以我们这里采用亮度相对高的说法;
对得到的J(p)进行灰度化得到JGray(p),其公式如下:
JGray(p)=0.2989×Jr(p)+0.5870×Jg(p)+0.1140×Jb(p),
其中,Jr(p)、Jg(p)和Jb(p)表示图像J(p)中像素p在红色通道r,绿色通道g和蓝色通道b上的值,JGray(p)表示灰度化图像中像素p的值;
接着对灰度图像JGray进行二值化处理,得到一张高亮区域的标记图像L,其公式如下:
其中,JGray(p)表示灰度图像JGray(p)中像素p的值,L(p)表示像素p是否是高亮区域中的像素,L(p)=1表示像素p是高亮区域中的像素,反之L(p)=0表示像素p不是高亮区域中的像素;
5)对图像I′的红色通道r,绿色通道g和蓝色通道b三通道分别用Sobel梯度算子计算梯度:
其中,Gc(p)表示图像I′中像素p的c通道的梯度,和分别表示图像I′的c通道的x和y方向梯度,c属于红色通道r,绿色通道g和蓝色通道b三通道;
再通过以下公式,求得梯度幅值图:
其中,G(p)为图像I′的梯度幅值图中像素p的值,Gc(p)表示像素p的c通道的梯度,c属于红色通道r,绿色通道g和蓝色通道b三通道;
接着,对G(p)按从大到小排序,取第μ个值设为Gmax:
μ=round(H×W×0.1),
其中,round()表示四舍五入取整的函数,H和W表示图像I′的长和宽;
对G(p)进行截断并归一化,其公式如下:
其中,G′(p)表示截断并归一化后的G(p)中像素p的值,G(p)为图像I′的梯度赋值图中像素p的值,Gmax为截断参数;
接着将G′(p)通过下述公式求得梯度打分值F(p);
其中,G′(p)表示截断并归一化后的G(p)中像素p的值,F(p)表示像素p的梯度打分值;
将梯度打分图F(p)和高亮区域标记图L(p)相乘,得到天空区域概率图SW:
SW(p)=F(p)×L(p),
其中,F(p)表示图像I中的像素p的梯度打分值,L(p)表示像素p是否是高亮区域中的像素,L(p)=1表示像素p是高亮区域中的像素,反之L(p)=0表示像素p不是高亮区域中的像素;
6)最后,剔除噪音;首先将天空区域概率图SW转化为二值图SW′,其公式如下:
其中,SW(p)代表天空概率图上p像素的概率值;
对二值图SW′进行连通区域检测,如果取值为1的像素八邻域内有同样的取值为1的像素则判断两者连通,据此获得最大的连通区域;将小于40个像素的连通区域中的像素值改为0,得到SWL,并记录下这些点,在天空区域概率图SW中,将这些像素逐个赋值,使它等于八邻域中大于0的最小值;再将SWL中取值为1的部分用0代替,取值为0的部分用1代替得到SWR,对SWR进行连通区域检测,记录下小于600个像素的连通区域中的像素,并在天空区域概率图SW中,将这些像素赋值为0;
以此得出最终的天空区域概率图SW,其最大值为1,即100%为天空。
Claims (1)
1.一种基于大气散射物理模型的有雾图像天空区域估计方法,其特征在于:
1)将输入的长为H,宽为W的有雾图像I由RGB颜色空间转换为Lab颜色空间[1],并通过以下公式计算Gamma校正的参数γ:
其中,表示图像I所有像素的L通道平均值;
接着通过以下公式对图像I进行Gamma校正,得到图像I′:
其中,IL(p)、Ia(p)和Ib(p)分别表示图像I中像素p的明度通道L、色彩通道a和色彩通道b通道三通道值,I′L(p)、I′a(p)和I′b(p)分别表示图像I′中像素p的明度通道L、色彩通道a和色彩通道b通道三通道值,γ为参数;
接着,图像I′由Lab颜色模型转换为RGB颜色模型;
2)对图像I′计算暗通道,其公式如下:
其中,min()表示求最小值的函数,DI′表示图像I′的暗通道图像中的像素p的值,Ω(p)表示以像素p为中心的一个3×3窗口的像素集合,q表示以像素p为中心的一个3×3窗口内的一个像素,I′c表示图像I′的c通道,c属于红色通道r,绿色通道g和蓝色通道b三通道;
将暗通道图DI′中全部暗通道值按从大到小的顺序排序,得到序列On,其中n=1,2,3,...,H×W,通过以下公式计算大气光值A:
其中,round()表示四舍五入取整的函数,H和W表示图像I′的长和宽,On为暗通道值按从大到小排列的序列;
3)计算图像I′的暗通道图像I′Gray,其公式如下:
I′Gray(p)=0.2989×I′r(p)+0.5870×I′r(p)+0.1140×I′b(p),
其中,I′r(p)、I′g(p)和I′b(p)分别表示图像I′中像素p在红色通道r,绿色通道g和蓝色通道b上的值,I′Gray(p)表示灰度化图像中像素p的灰度值;
接着,对灰度图I′Gray(p)进行高斯滤波得到图像B,高斯滤波的窗口大小为36×36,标准差为6;
再求图像B的暗通道图像:
其中,min()表示求最小值的函数,DB(p)表示图像I′的暗通道图像中的像素p的值,Ω(p)表示以像素p为中心的一个3×3窗口的像素集合,q表示以像素p为中心的一个3×3窗口内的一个像素,Bc表示图像B的c通道,c属于红色通道r,绿色通道g和蓝色通道b三通道;
然后,通过暗通道图像DB(p)中的像素最大值求得图像B中最小的透射率值t;
此处的ω=0.95,A为已求得的大气光值,max()表示求最大值的函数,DB(p)表示图像B的暗通道图像中的像素p的值;
4)根据环境大气光值A和最小透射率值t对输入图像I进行如下增强处理:
其中,I(p)表示有雾图像中的像素p的值,J(p)表示期望得到的图像中的像素p的值,t为透射率值,A为环境大气光值;
通过上述公式得到的图像J中只有亮度相对高的像素的rgb三通道值不为0,其他的亮度相对低的像素rgb三通道值全部为0。由于每幅图像的亮度情况不同,所以我们这里采用亮度相对高的说法;
对得到的J(p)进行灰度化得到JGray(p),其公式如下:
JGray(p)=0.2989×Jr(p)+0.5870×Jg(p)+0.1140×Jb(p),
其中,Jr(p)、Jg(p)和Jb(p)表示图像J(p)中像素p在红色通道r,绿色通道g和蓝色通道b上的值,JGray(p)表示灰度化图像中像素p的值;
接着对灰度图像JGray进行二值化处理,得到一张高亮区域的标记图像L,其公式如下:
其中,JGray(p)表示灰度图像JGray(p)中像素p的值,L(p)表示像素p是否是高亮区域中的像素,L(p)=1表示像素p是高亮区域中的像素,反之L(p)=0表示像素p不是高亮区域中的像素;
5)对图像I′的红色通道r,绿色通道g和蓝色通道b三通道分别用Sobel梯度算子计算梯度:
其中,Gc(p)表示图像I′中像素p的c通道的梯度,和分别表示图像I′的c通道的x和y方向梯度,c属于红色通道r,绿色通道g和蓝色通道b三通道;
再通过以下公式,求得梯度幅值图:
其中,G(p)为图像I′的梯度幅值图中像素p的值,Gc(p)表示像素p的c通道的梯度,c属于红色通道r,绿色通道g和蓝色通道b三通道;
接着,对G(p)按从大到小排序,取第μ个值设为Gmax:
μ=round(H×W×0.1),
其中,round()表示四舍五入取整的函数,H和W表示图像I′的长和宽;
对G(p)进行截断并归一化,其公式如下:
其中,G′(p)表示截断并归一化后的G(p)中像素p的值,G(p)为图像I′的梯度赋值图中像素p的值,Gmax为截断参数;
接着将G′(p)通过下述公式求得梯度打分值F(p);
其中,G′(p)表示截断并归一化后的G(p)中像素p的值,F(p)表示像素p的梯度打分值;
将梯度打分图F(p)和高亮区域标记图L(p)相乘,得到天空区域概率图SW:
SW(p)=F(p)×L(p),
其中,F(p)表示图像I中的像素p的梯度打分值,L(p)表示像素p是否是高亮区域中的像素,L(p)=1表示像素p是高亮区域中的像素,反之L(p)=0表示像素p不是高亮区域中的像素;
6)最后,剔除噪音;首先将天空区域概率图SW转化为二值图SW′,其公式如下:
其中,SW(p)代表天空概率图上p像素的概率值;
对二值图SW′进行连通区域检测,如果取值为1的像素八邻域内有同样的取值为1的像素则判断两者连通,据此获得最大的连通区域;将小于40个像素的连通区域中的像素值改为0,得到SWL,并记录下这些点,在天空区域概率图SW中,将这些像素逐个赋值,使它等于八邻域中大于0的最小值;再将SWL中取值为1的部分用0代替,取值为0的部分用1代替得到SWR,对SWR进行连通区域检测,记录下小于600个像素的连通区域中的像素,并在天空区域概率图SW中,将这些像素赋值为0;
以此得出最终的天空区域概率图SW,其最大值为1,即100%为天空。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711424697.5A CN108280809B (zh) | 2017-12-26 | 2017-12-26 | 一种基于大气散射物理模型的有雾图像天空区域估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711424697.5A CN108280809B (zh) | 2017-12-26 | 2017-12-26 | 一种基于大气散射物理模型的有雾图像天空区域估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108280809A true CN108280809A (zh) | 2018-07-13 |
CN108280809B CN108280809B (zh) | 2021-07-30 |
Family
ID=62802257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711424697.5A Active CN108280809B (zh) | 2017-12-26 | 2017-12-26 | 一种基于大气散射物理模型的有雾图像天空区域估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280809B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782407A (zh) * | 2019-10-15 | 2020-02-11 | 北京理工大学 | 一种基于天空区域概率分割的单幅图像去雾方法 |
CN113554658A (zh) * | 2020-04-23 | 2021-10-26 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411774A (zh) * | 2011-08-08 | 2012-04-11 | 安防科技(中国)有限公司 | 一种基于单幅图像去雾的处理方法、装置及系统 |
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 |
CN104794688A (zh) * | 2015-03-12 | 2015-07-22 | 北京航空航天大学 | 基于深度信息分离天空区域的单幅图像去雾方法及装置 |
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 |
CN104933680A (zh) * | 2015-03-13 | 2015-09-23 | 哈尔滨工程大学 | 一种智能的无人艇视觉系统视频快速海雾去除方法 |
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 |
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 |
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 |
-
2017
- 2017-12-26 CN CN201711424697.5A patent/CN108280809B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411774A (zh) * | 2011-08-08 | 2012-04-11 | 安防科技(中国)有限公司 | 一种基于单幅图像去雾的处理方法、装置及系统 |
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 |
CN104794688A (zh) * | 2015-03-12 | 2015-07-22 | 北京航空航天大学 | 基于深度信息分离天空区域的单幅图像去雾方法及装置 |
CN104933680A (zh) * | 2015-03-13 | 2015-09-23 | 哈尔滨工程大学 | 一种智能的无人艇视觉系统视频快速海雾去除方法 |
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 |
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 |
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 |
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 |
Non-Patent Citations (3)
Title |
---|
XIPAN LU等: "《Single image dehazing based on multiple scattering model》", 《2014 IEEE INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING, COMMUNICATIONS AND COMPUTING (ICSPCC)》 * |
沈逸云等: "《结合天空检测与纹理平滑的图像去雾》", 《中国图象图形学报》 * |
沈逸云等: "《鲁棒图像去雾的大气光校正与透射率优化算法》", 《计算机辅助设计与图形学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782407A (zh) * | 2019-10-15 | 2020-02-11 | 北京理工大学 | 一种基于天空区域概率分割的单幅图像去雾方法 |
CN110782407B (zh) * | 2019-10-15 | 2021-10-19 | 北京理工大学 | 一种基于天空区域概率分割的单幅图像去雾方法 |
CN113554658A (zh) * | 2020-04-23 | 2021-10-26 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108280809B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
US10290081B2 (en) | System for image dehazing by modifying lower bound of transmittance and method therefor | |
CN107301624B (zh) | 基于区域划分及浓雾预处理的卷积神经网络去雾方法 | |
US8111943B2 (en) | Smart image enhancement process | |
CN111429370A (zh) | 一种煤矿井下的图像增强方法、系统及计算机存储介质 | |
CN109993804A (zh) | 一种基于条件生成对抗网络的道路场景去雾方法 | |
CN104966054B (zh) | 无人机可见光图像中的弱小目标检测方法 | |
CN102194220B (zh) | 一种基于锐化强度与灰度分布结合的图像增强方法 | |
CN108280809B (zh) | 一种基于大气散射物理模型的有雾图像天空区域估计方法 | |
CN104504722A (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN111815528A (zh) | 基于卷积模型和特征融合的恶劣天气图像分类增强方法 | |
CN106600580A (zh) | 一种基于霍夫变换的电力线异常识别方法及其系统 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN102118547A (zh) | 图像加权滤波的方法 | |
CN106203439A (zh) | 基于标志物多特征融合的无人机自动寻的着陆方法 | |
CN103778605A (zh) | 一种雾天图像增强方法 | |
CN104657972A (zh) | 一种图像块的模糊度判断方法及系统 | |
CN107437241B (zh) | 一种结合边缘检测的暗通道图像去雾方法 | |
CN103559486A (zh) | 一种视频检测地板正反面的方法 | |
CN115294486B (zh) | 一种基于无人机和人工智能的违章垃圾识别和判定方法 | |
CN106846260A (zh) | 一种计算机中视频去雾方法 | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
Tang et al. | Sky-preserved image dehazing and enhancement for outdoor scenes | |
KR101521269B1 (ko) | 영상에서 눈 또는 비를 검출하는 방법 |
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 |