CN108416745A - 一种具有色彩恒常性的图像自适应去雾增强方法 - Google Patents
一种具有色彩恒常性的图像自适应去雾增强方法 Download PDFInfo
- Publication number
- CN108416745A CN108416745A CN201810107159.1A CN201810107159A CN108416745A CN 108416745 A CN108416745 A CN 108416745A CN 201810107159 A CN201810107159 A CN 201810107159A CN 108416745 A CN108416745 A CN 108416745A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- chromosome
- link
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000002146 bilateral effect Effects 0.000 claims abstract description 59
- 238000001914 filtration Methods 0.000 claims abstract description 57
- 238000005286 illumination Methods 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 210000000349 chromosome Anatomy 0.000 claims description 48
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 230000002708 enhancing effect Effects 0.000 claims description 17
- 238000010353 genetic engineering Methods 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000003595 mist Substances 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 210000001726 chromosome structure Anatomy 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 239000000428 dust Substances 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- -1 low illumination Substances 0.000 abstract description 3
- 239000004576 sand Substances 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000011855 chromosome organization 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
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种具有色彩恒常性的图像自适应去雾增强方法,能够在几乎不降低图像分辨率的前提下,对由于沙尘、低照度、云雾等环境因素导致对比度、色彩饱和度以及亮度偏低的多光谱图像进行自适应去雾增强处理,达到图像去雾效果。该具有色彩恒常性的图像自适应去雾增强方法,采用图像适应度估计环节对图像的色彩自然度、色彩丰富度、图像对比度和亮度的综合效果进行评估;基于遗传算法的双边滤波参数集自适应求解环节结合图像适应度估计环节,实现对图像局部区域照度估计卷积函数模板的自适应求解;基于色彩恒常性的图像去雾增强环节采用双边滤波卷积核作为图像亮度通道局部区域照度估计模板,并采用图像亮度通道均值作为图像整体照度估计值。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种图像去雾增强方法。
背景技术
可见光摄像机在飞行航拍过程中,在晨昏、傍晚、云雾以及照度不均等条件下,所拍摄的多光谱图像往往呈现亮度、对比度、清晰度偏低和色彩失真,导致图像模糊不清,为后续图像拼接处理和判读人员识别目标带来一定困难。
Retinex图像增强算法具有高动态范围压缩和颜色高保真等特性。已经发展出单尺度Retinex(SSR)、多尺度Retinex(MSR)、带色彩恢复的多尺度Retinex(MSRCR)等多种方法,Retinex算法可以通过计算像素与其领域像素加权平均的比值来消除照度变化的影像,从而实现对图像的去雾增强处理得到了广泛应用,但在对图像增强时,需要根据图像目标信息特征选取适当大小的高斯模板和权值,以获取更优增强效果,无法做到自适应增强,在批量处理航拍图像时,效率低;同时由于增强参数需要根据经验确定,因此增强图像质量因人而异,稳定性较差;此外,传统的MSR和MSRCR算法采用高斯卷积核作为照度估计模板,但在高斯滤波器在对图像卷积处理时,会丢失大量的边缘和细节信息,往往导致图像分辨率降低,出现边缘模糊等问题,无法生高分辨率航拍影像产品。
基于暗通道先验的图像去雾算法根据彩色图像的各通道分量中的最小值,建立暗通道模型,并依据大气散射模型和暗通道模型计算图像各区域的透射率,根据大气散射模型和透射率,计算得到去雾后的图像。该算法以其合理的原理和较好的综合效果,被广泛应用于彩色图像去雾领域。但该算法在处理与天空类似的均匀场景时,比如雪地、背景墙、大面积水面等,由于这些场景没有明显的暗通道,处理结果容易出现图像偏色状况。此外,该算法在处理均匀背景与非均匀场景交界区域,会出现明显轮廓现象,同时采用暗通道先验算法处理后的图像,整体亮度普遍偏低,还需要进一步的增强处理。
双边滤波作为一种非线性滤波器,在滤除噪声的同时可以很好的图像保留边缘和特征信息,被广泛应用在自拍滤镜和红外图像去噪领域当中,但无法对图像进行增强和去雾处理。
因此,现在急需解决的技术问题就是如何能够对由于沙尘、低照度、云雾等天气造成的退化图像进行自适应去雾增强处理的同时,在恢复图像的真实的色彩信息、提升图像的清晰度的同时,几乎不降低图像的分辨率,并能够避免图像增强导致的色彩自然度和饱和度的失真现象。
发明内容
本发明提供一种具有色彩恒常性的图像自适应去雾增强方法,能够在几乎不降低图像分辨率的前提下,对由于沙尘、低照度、云雾等环境因素导致对比度、色彩饱和度以及亮度偏低的多光谱图像进行自适应去雾增强处理,达到图像去雾效果。
为了实现以上目的,本发明提供以下技术方案:
该具有色彩恒常性的图像自适应去雾增强方法,包括基于遗传算法的双边滤波核参数自适应求解环节、基于色彩恒常性的图像去雾增强环节以及图像适应度估计环节;
所述基于遗传算法的双边滤波核参数自适应求解环节,是将输入的初始双边滤波器窗函数大小N、双边滤波器的空间距离方差σs的偏差Δs、双边滤波器的空间亮度方差σr以及双边滤波处理结果权值ωB进行二进制编码,形成染色体个体;随机生成多个染色体个体构建初始染色体群体,对初始染色体群体进行以选择、交叉、变异为主要算子的遗传操作产生后代染色体群体,即输出参数集,结合所述图像适应度估计环节的反馈实现对双边滤波核参数的自适应求解;
所述基于色彩恒常性的图像去雾增强环节,是将双边滤波核参数自适应求解环节输出的参数集作为小尺度图像环境照度估计卷积模板的输入参数,并将输入图像的均值作为大尺度图像照度估计值,计算得到具有色彩和照度恒常的图像;
所述图像适应度估计环节,是将基于色彩恒常性的图像去雾增强环节输出的图像作为输入,计算图像的亮度、对比度、清晰度、色彩自然度及色彩丰富度,建立综合评判的适应度函数,对图像适应度值进行计算,并将结果反馈给双边滤波核参数自适应求解环节,直至得到最优适应度值,即最优去雾增强图像输出。
基于以上方案,本发明还进一步作了如下具体优化:
所述基于遗传算法的双边滤波核参数自适应求解环节中,染色体个体的二进制编码形式如下:双边滤波器窗函数大小N为0~31,采用长度为5的二进制字符串表示,保存在染色体中的[0~4]字节;双边滤波器的空间距离方差σs取值范围为max(N/4+Δs,0),其中Δs取值为[-3~+3],采用长度为3的二进制字符串表示Δs,保存在染色体中的[5~7]字节;双边滤波器的空间亮度方差σr取值范围为[0.1~12],精度为0.1,采用长度为7的二进制字符串表示空间亮度方差σr,保存在染色体中的[8~14]字节;双边滤波处理结果权值ωB取值范围为[26~90],采用长度为6的二进制字符串表示,保存在染色体中的[15~20]字节;由总计21字节的二进制字符串构成染色体个体。
所述基于遗传算法的双边滤波核参数自适应求解环节中,初始染色体群体的大小为20,其中每个个体都是随机产生的。
所述基于遗传算法的双边滤波核参数自适应求解环节中,以选择、交叉、变异为主要算子的遗传操作具体如下:
①选择运算
选择是遗传操作的基本算子,染色体个体的选择是根据适应度大小进行的,适应度越大则被保留的概率越高;
②交叉运算
设定进行交叉的概率(例如0.6),在配对库中随机产生配对个体组,并依设定的概率决定是否进行交叉操作;设定配对交叉点,完成交叉操作;
③变异运算
设定发生变异的概率(例如0.001),使部分染色体个体发生变异,以维持群体多样性,防止出现未成熟收敛现象,并使遗传操作具有局部的随机搜索能力,当接近最优解时,能够通过变异加速最优解收敛速度。
所述基于色彩恒常性的图像去雾增强环节,具体包括以下步骤:
步骤1:染色体解码
按照染色体个体的二进制编码形式,对染色体进行解码,得到双边滤波器窗函数大小N、双边滤波器的空间距离方差σs的偏差Δs、双边滤波器的空间方差σr、双边滤波处理结果权值ωB;
步骤2:亮度通道双边滤波处理
根据步骤1构建双边滤波卷积核,按照以下公式(1)对多光谱图像亮度通道进行双边滤波处理,作为图像亮度通道的小尺度照度估计结果;
f’(x,y)为输出图像,f(x,y)为输入图像,R为以像素点(x,y)为中心的矩形窗口,B(i,j)为双边滤波核函数,由空域卷积核Ф(i,j)和值域卷积核ψ(i,j)组成;
B(i,j)=ψ(i,j)Ф(i,j)公式(2)
步骤3:亮度通道均值滤波处理
计算图像亮度通道的平均灰度,作为图像大尺度的照度估计结果;
步骤4:图像真实信息的还原处理
按照以下公式(5)输入图像原始亮度信息、步骤2和步骤3得到的小尺度和大尺度照度估计结果、以及步骤1得到的双边滤波处理结果权值ωB,计算还原图像真实信息,即增强去雾后的多光谱图像亮度通道;
R(x,y)=ωB{logf(x,y)-log{f′(x,y)}}+(1-ωB){logf(x,y)-log(Fave)}公式(5)
R(x,y)为增强去雾后的多光谱图像亮度通道,Fave为输入图像的平均灰度值;
步骤5:图像色彩还原
将步骤4解算得到的图像真实信息与原始图像的色度和色调信息由HSI色彩空间重新映射回RGB色彩空间,得到去雾增强后的多光谱图像。
所述图像适应度估计环节,具体包括如下步骤:
步骤1:色彩空间转换
分别将去雾增强后的多光谱图像转换至CIELUV色彩空间和RGB色彩空间;
步骤2:计算图像的平均亮度,对比度和清晰度
按照公式(6)~(8),在RGB色彩空间下对图像的平均亮度AB、平均对比度AC和清晰度DEF进行计算;
对于分辨率为M×N的图像,
步骤3:计算图像色彩质量
按照公式(9)~(14),分别计算图像的色彩自然度和色彩丰富度;
图像的色彩自然度NV表征图像色彩的自然程度;首先,将图像转换至CIELUV色彩空间,保留L通道处于[25,92]范围的像素点,然后根据u’和v’通道值对保留的像素点进行划分,其中u’处于[0.14,0.17]、同时v’处于[0.31,0.47]的像素称为H像素,u’处于[0.15,0.2]、同时v’处于[0.51,0.58]的像素称为M像素,u’处于[0.23,0.27]、同时v’处于[0.5,0.54]的像素称为L像素;其中u’和v’为CIE1976色度坐标;
分别计算和统计三类像素S通道均值和数量Vaver-L,Naver-L;Vaver-M,Naver-M;Vaver-H、Naver-H;
分别计算三类像素的色彩自然度指标,计算公式如下:
图像色彩自然度指标NV计算公式如下:
NV取值范围为[0,100%],其值越高,表示图像颜色自然程度越高;
图像色彩丰富度CV表征图像场景色彩的鲜艳生动程度,采用以下公式(13)计算:
CV=(ω1S+ω2σ)×100% 公式(13)
S为图像的饱和度分量的均值,σ为其标准差,ω1和ω2为设定的权值,CV值越接近100%,图像色彩视觉效果越佳;
图像色彩综合质量QV由图像色彩自然度和色彩丰富度进行综合评价,由以下公式(14)计算:
QV=ωNV+(1-ω)CV 公式(14)
ω为设定的系数,根据彩色图像的自然度和图像饱和度的相对重要程度来设定,QV值越接近100%,表明综合色彩越好;
步骤4:图像综合质量评价
按照以下公式(15),计算图像的适应度值,即完成图像综合质量评价;
α为常数,其值根据不同应用场景作相应的设置。
前述各权重/系数较佳的取值为:ω1=0.06,ω2=0.05,ω=0.8;α取值范围为[0.6,0.9],当需要判读阴影区目标时,α取0.6,当需要判读明亮背景目标时α可取0.9。
本发明的有益效果是:
本发明能够滤除环境光照,实现色彩恒常,恢复物体真实色彩;同时,对于均匀背景及非均匀背景退化图像同样具有良好的自适应去雾效果。此外,对于亮度偏低的退化图像,在去雾的同时还具有良好的亮度增强效果。
本发明设计的基于遗传算法的双边滤波参数集自适应求解环节,结合图像适应度估计算法,可以实现对图像局部区域照度估计卷积函数模板的自适应求解。
本发明考虑到雾霾图像对比度、色度退化的特点,设计的基于色彩恒常性的图像去雾增强环节,采用双边滤波卷积核作为图像亮度通道局部区域照度估计模板,相对于传统的MSRCR算法,在对局部区域照度进行估计时,在图像亮度通道梯度较大区域,具有良好的边缘保持特性,去雾增强处理后,图像分辨率几乎没有损失。此外,采用图像亮度通道均值作为图像整体照度估计值,相对于传统的高斯照度估计算法,在对图像整体亮度进行估计的同时,能够显著降低运算复杂度,并提高运算速度。
本发明设计的图像综合质量评价环节(即适应度估计函数),可以对图像的色彩自然度、色彩丰富度、图像对比度和亮度的综合效果进行评估,经过验证,可以实现对图像色彩质量和图像清晰度进行综合评价,评价结果与人眼视觉评价结果接近。
附图说明
图1为本发明具有色彩恒常性的图像自适应去雾增强方法的模块组成图。
图2为本发明的整体流程图。
图3为染色体个体编码组成结构示意图。
图4为基于遗传算法的双边滤波参数集自适应求解模块(环节)的流程图。
图5为基于色彩恒常性的图像去雾增强模块(环节)的流程图。
图6为图像适应度估计模块(环节)的流程图。
图中符号下标I和O分别对应输入与输出,例如ωBI为输入双边滤波处理结果权值,ωBO为输出双边滤波处理结果权值。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步详述。
如图1、图2所示,本发明的基于色彩恒常性的图像自适应去雾增强方法由双边滤波核参数自适应求解模块、基于色彩恒常性的图像去雾增强模块和图像适应度估计模块组成;
双边滤波核参数自适应求解模块将输入的初始双边滤波器窗函数大小N,双边滤波器的空间距离方差σs的偏差Δs,双边滤波器的空间方差σr,双边滤波处理结果权值ωB进行二进制编码,形成染色体个体,随机生成多个染色体个体构建初始种群,对其进行选择、交叉、变异等遗传操作,结合图像适应度估计模块实现对双边滤波核参数的自适应求解。
基于色彩恒常性的图像去雾增强模块将双边滤波核参数自适应求解模块得到的参数集作为小尺度图像照度估计卷积模板的输入参数,并将输入图像的均值作为大尺度图像照度估计值,计算得到色彩和照度恒常的图像。
图像适应度估计模块将基于色彩恒常性的图像增强模块计算的到图像作为输入,结合图像的对比度,亮度,清晰度,色彩自然度及色彩丰富度计算方法,提出一种能够对图像清晰度,对比度,亮度和图像色彩质量进行综合评判的适应度函数,并用其对图像适应度值进行计算,将结果作为双边滤波核参数自适应求解模块的输入,直至得到最优适应度值,即最优去雾增强图像输出。
其中:
基于遗传算法的双边滤波参数集自适应求解方法,如图3和图4所示,包括如下步骤:
步骤1:染色体编码
双边滤波器窗函数大小N为0~31,因此采用长度为5的二进制字符串表示,保存在染色体中的[0~4]字节;双边滤波器的空间距离方差σs取值范围为max(N/4+Δs,0),Δs取值为[-3~+3],因此采用长度为3的二进制字符串表示Δs,保存在染色体中的[5~7]字节;双边滤波器的空间亮度方差σr取值范围为[0.1~12],精度为0.1,为此采用长度为7的二进制字符串表示空间亮度方差σr,保存在染色体中的[8~14]字节;由于需要采用两种不同尺度的滤波处理,然后加权得到结果,双边滤波处理结果权值ωB取值范围为[26~90],因此采用长度为6的二进制字符串表示双边滤波处理结果权值ωB保存在染色体中的[15~20]字节;由该21字节的二进制字符串构成染色体个体。
例如,双边滤波器窗函数大小N=7,双边滤波器的空间距离方差σs=2的偏差Δs=0,双边滤波器的空间亮度方差σr=1,双边滤波处理结果权值ωB=65%,将其转换为N=7,Δs=0,σr=1*10=10,ωB=65-26=39,因此构成的染色体个体编码为:00111 0000001010 100111。
步骤2:生成初始染色体群体
由于遗传算法是对群体的反复操作,因此需要建立一个初始迭代的群体。本发明选择的群体大小为20,初始群体的每个染色体个体都是随机方法产生的。
步骤3:遗传操作
在初始群体的基础上,通过遗传操作产生后代群体,遗传操作影响着群体的进化过程和效率。选择,交叉,变异是遗传算法的三个主要算子。
①选择运算
选择是遗传算法的基本算子,它是从当前群体中选择出一定数量的优良个体,作为下一代群体繁殖的父代个体,使它们有机会繁殖后代,体现了“适者生存”的自然法则。个体的选择是根据适应度大小进行的,适应度越大则被保留的概率越高。
②交叉运算
交叉运算是产生新个体的操作过程。一般交叉操作要求不要太多破坏优良个体的优良特性,同时能产生一些较好的新的个体模式。交叉的主要内容包括:
在配对库中随机产生配对个体组,并依概率决定是否进行交叉操作。
设定配对交叉点,完成交叉操作。
交叉操作可以保持群体个体多样性,从而扩大了遗传算法的搜索范围,加快了优化算法的收敛速度。本实施例交叉发生的概率选择为0.6。
③变异运算
在生物遗传和生物进化过程中,有时可能因为某些外界因素而发生变异,从而产生新的染色体,表现出新的生物性状。
个体变异主要起两个作用:
维持群体多样性,防止出现未成熟收敛现象,保证算法过程不会产生无法进行的单一群体;使遗传算法具有局部的随机搜索能力,当接近最优解时,可以通过变异加速最优解收敛速度。变异发生的概率一般比较小,但它仍然起着不可忽视的作用。本实施例选择变异的概率为0.001。
基于色彩恒常性的图像去雾增强算法,如图5所示,包括如下步骤:
步骤1:染色体解码。按照如图3所示染色体组织形式,对染色体进行解码,得到双边滤波器窗函数大小N,双边滤波器的空间距离方差σs的偏差Δs,双边滤波器的空间方差σr,双边滤波处理结果权值ωB。
例如,染色体个体为:00111 000 0001010 100111,对其以进行解码得到,双边滤波器窗函数大小N=7,双边滤波器的空间距离方差σs=N/4=2(向上取整),σs的偏差Δs=0,双边滤波器的空间方差σr=1/10=0.1,双边滤波处理结果权值ωB=39+26=65(即65%,式中26为ωB最小取值)。
步骤2:亮度通道双边滤波处理。根据步骤1构建双边滤波卷积核,按照公式1~4对多光谱图像亮度通道进行双边滤波处理,作为图像亮度通道的小尺度照度估计结果。
f’(x,y)为输出图像,f(x,y)为输入图像,R为以像素点(x,y)为中心的矩形窗口,B(i,j)为双边滤波核函数,由空域卷积核Ф(i,j)和值域卷积核ψ(i,j)组成。
B(i,j)=ψ(i,j)Ф(i,j)公式2
步骤3:亮度通道均值滤波处理。计算图像亮度通道的平均灰度,作为图像大尺度的照度估计结果。
步骤4:图像真实信息的还原处理。按照公式4输入图像原始亮度信息和步骤2和步骤3得到的小尺度和大尺度照度估计值,以及步骤1得到的双边滤波处理结果权值ωB,计算还原图像真实信息,由于去除了照度的影响,因此图像具有色彩恒常性,由于大气散射等造成的退化图像可以得到还原。
R(x,y)=ωB{logf(x,y)-log{f′(x,y)}}+(1-ωB){logf(x,y)-log(Fave)} 公式5
R(x,y)为去雾增强后的图像,Fave为输入图像的平均灰度值
步骤5:图像色彩还原。将步骤4解算得到的图像真实信息与原始图像的色度和色调信息由HSI色彩空间重新映射回RGB色彩空间,得到去雾增强后的多光谱图像。
图像综合质量评价方法,即图像适应度估计,如图6所示,具体包括如下步骤:
步骤1:色彩空间转换。分别将多光谱图像转换至CIELUV色彩空间和RGB色彩空间。
步骤2:计算图像的平均亮度,对比度和清晰度。按照公式6~8,在RGB色彩空间下对图像的平均亮度,平均对比度和清晰度进行计算。
平均亮度
图像对比度AC可以反应图像灰度层次的丰富程度。图像对比度越高,表明图像动态范围越高,质量越好,图像对比度计算公式如下所示。
图像对比度AC可以反应图像灰度层次的丰富程度。图像对比度越高,表明图像动态范围越高,质量越好
图像清晰度DEF是描述获取图像信息的容易程度,本发明采用一种用点锐度方法来计算图像清晰度的算法。对于分辨率为M×N的图像,其清晰度指数为:
步骤3:计算图像色彩质量。按照公式8和公式9,分别计算图像的色彩自然度和色彩丰富度。并按照公式9~14计算图像的色彩质量。
图像色彩自然度NV表征图像色彩的自然程度。首先,将图像转换至CIELUV空间,保留L通道;处于[25,92],S通道大于0.1的像素点,然后根据H通道值对其划分,位于[21,68]的像素称为L像素,位于[90,133]的像素称为M像素,位于区间[175,255]的像素称为H像素。
分别计算和统计三类像素S通道均值和数量Vaver-L,Naver-L;Vaver-M,Naver-M;Vaver-H、Naver-H。
分别计算三类像素的色彩自然度指标,计算公式如下:
图像色彩自然度指标NV计算公式如下:
NV取值范围为[0,100%],其值越高,表示图像颜色自然程度越高。
图像色彩丰富度CV可以表征图像场景色彩的鲜艳生动程度,可以用以下公式计算:
CV=(ω1S+ω2σ)×100% 公式13
S为图像的饱和度分量的均值,σ为其标准差,ω1和ω2为权值,通常取ω1=0.06,ω2=0.05,当CV值在越接近100%,图像色彩视觉效果越佳。
图像色彩综合质量QV可以由图像色彩自然度和色彩丰富度进行综合评价,可以由以下公式计算:
QV=ωNV+(1-ω)CV 公式14
式中通常人们对于彩色图像的自然度比图像饱和度要求更高,因此ω取0.8。QV值越接近100%,其综合色彩越好。
步骤4:图像适应度估计,即图像综合质量评价。按照公式15,计算图像的适应度值α=0.75。完成图像适应度值估计,即对图像清晰度和图像色彩综合质量进行综合评价。
α为常数,值根据不同应用场景可以设置为[0.6,0.9],当需要判读阴影区目标时,α可取0.6,当需要判读明亮背景目标时α可取0.9。
Claims (7)
1.一种具有色彩恒常性的图像自适应去雾增强方法,其特征在于:包括基于遗传算法的双边滤波核参数自适应求解环节、基于色彩恒常性的图像去雾增强环节以及图像适应度估计环节;
所述基于遗传算法的双边滤波核参数自适应求解环节,是将输入的初始双边滤波器窗函数大小N、双边滤波器的空间距离方差σs的偏差Δs、双边滤波器的空间亮度方差σr以及双边滤波处理结果权值ωB进行二进制编码,形成染色体个体;随机生成多个染色体个体构建初始染色体群体,对初始染色体群体进行以选择、交叉、变异为主要算子的遗传操作产生后代染色体群体,即输出参数集,结合所述图像适应度估计环节的反馈实现对双边滤波核参数的自适应求解;
所述基于色彩恒常性的图像去雾增强环节,是将双边滤波核参数自适应求解环节输出的参数集作为小尺度图像环境照度估计卷积模板的输入参数,并将输入图像的均值作为大尺度图像照度估计值,计算得到具有色彩和照度恒常的图像;
所述图像适应度估计环节,是将基于色彩恒常性的图像去雾增强环节输出的图像作为输入,计算图像的亮度、对比度、清晰度、色彩自然度及色彩丰富度,建立综合评判的适应度函数,对图像适应度值进行计算,并将结果反馈给双边滤波核参数自适应求解环节,直至得到最优适应度值,即最优去雾增强图像输出。
2.根据权利要求1所述的具有色彩恒常性的图像自适应去雾增强方法,其特征在于,所述基于遗传算法的双边滤波核参数自适应求解环节中,染色体个体的二进制编码形式如下:
双边滤波器窗函数大小N为0~31,采用长度为5的二进制字符串表示,保存在染色体中的[0~4]字节;双边滤波器的空间距离方差σs取值范围为max(N/4+Δs,0),其中Δs取值为[-3~+3],采用长度为3的二进制字符串表示Δs,保存在染色体中的[5~7]字节;双边滤波器的空间亮度方差σr取值范围为[0.1~12],精度为0.1,采用长度为7的二进制字符串表示空间亮度方差σr,保存在染色体中的[8~14]字节;双边滤波处理结果权值ωB取值范围为[26~90],采用长度为6的二进制字符串表示,保存在染色体中的[15~20]字节;由总计21字节的二进制字符串构成染色体个体。
3.根据权利要求1所述的具有色彩恒常性的图像自适应去雾增强方法,其特征在于:所述基于遗传算法的双边滤波核参数自适应求解环节中,初始染色体群体的大小为20,其中每个个体都是随机产生的。
4.根据权利要求1所述的具有色彩恒常性的图像自适应去雾增强方法,其特征在于:所述基于遗传算法的双边滤波核参数自适应求解环节中,以选择、交叉、变异为主要算子的遗传操作具体如下:
①选择运算
选择是遗传操作的基本算子,染色体个体的选择是根据适应度大小进行的,适应度越大则被保留的概率越高;
②交叉运算
设定进行交叉的概率,在配对库中随机产生配对个体组,并依设定的概率决定是否进行交叉操作;设定配对交叉点,完成交叉操作;
③变异运算
设定发生变异的概率,使部分染色体个体发生变异,以维持群体多样性,防止出现未成熟收敛现象,并使遗传操作具有局部的随机搜索能力,当接近最优解时,能够通过变异加速最优解收敛速度。
5.根据权利要求1所述的具有色彩恒常性的图像自适应去雾增强方法,其特征在于:所述基于色彩恒常性的图像去雾增强环节,具体包括以下步骤:
步骤1:染色体解码
按照染色体个体的二进制编码形式,对染色体进行解码,得到双边滤波器窗函数大小N、双边滤波器的空间距离方差σs的偏差Δs、双边滤波器的空间方差σr、双边滤波处理结果权值ωB;
步骤2:亮度通道双边滤波处理
根据步骤1构建双边滤波卷积核,按照以下公式(1)对多光谱图像亮度通道进行双边滤波处理,作为图像亮度通道的小尺度照度估计结果;
f’(x,y)为输出图像,f(x,y)为输入图像,R为以像素点(x,y)为中心的矩形窗口,B(i,j)为双边滤波核函数,由空域卷积核Ф(i,j)和值域卷积核ψ(i,j)组成;
B(i,j)=ψ(i,j)Ф(i,j) 公式(2)
步骤3:亮度通道均值滤波处理
计算图像亮度通道的平均灰度,作为图像大尺度的照度估计结果;
步骤4:图像真实信息的还原处理
按照以下公式(5)输入图像原始亮度信息、步骤2和步骤3得到的小尺度和大尺度照度估计结果、以及步骤1得到的双边滤波处理结果权值ωB,计算还原图像真实信息,即增强去雾后的多光谱图像亮度通道;
R(x,y)=ωB{logf(x,y)-log{f′(x,y)}}+(1-ωB){logf(x,y)-log(Fave)} 公式(5)
R(x,y)为增强去雾后的多光谱图像亮度通道,Fave为输入图像的平均灰度值;
步骤5:图像色彩还原
将步骤4解算得到的图像真实信息与原始图像的色度和色调信息由HSI色彩空间重新映射回RGB色彩空间,得到去雾增强后的多光谱图像。
6.根据权利要求1所述的具有色彩恒常性的图像自适应去雾增强方法,其特征在于:所述图像适应度估计环节,具体包括如下步骤:
步骤1:色彩空间转换
分别将去雾增强后的多光谱图像转换至CIELUV色彩空间和RGB色彩空间;
步骤2:计算图像的平均亮度,对比度和清晰度
按照公式(6)~(8),在RGB色彩空间下对图像的平均亮度AB、平均对比度AC和清晰度DEF进行计算;
对于分辨率为M×N的图像,
步骤3:计算图像色彩质量
按照公式(9)~(14),分别计算图像的色彩自然度和色彩丰富度;
图像的色彩自然度NV表征图像色彩的自然程度;首先,将图像转换至CIELUV色彩空间,保留L通道处于[25,92]范围的像素点,然后根据u’和v’通道值对保留的像素点进行划分,其中u’处于[0.14,0.17]、同时v’处于[0.31,0.47]的像素称为H像素,u’处于[0.15,0.2]、同时v’处于[0.51,0.58]的像素称为M像素,u’处于[0.23,0.27]、同时v’处于[0.5,0.54]的像素称为L像素;其中u’和v’为CIE1976色度坐标;
分别计算和统计三类像素S通道均值和数量Vaver‐L,Naver‐L;Vaver‐M,Naver‐M;Vaver‐H、Naver‐H;
分别计算三类像素的色彩自然度指标,计算公式如下:
图像色彩自然度指标NV计算公式如下:
NV取值范围为[0,100%],其值越高,表示图像颜色自然程度越高;
图像色彩丰富度CV表征图像场景色彩的鲜艳生动程度,采用以下公式(13)计算:
CV=(ω1S+ω2σ)×100% 公式(13)
S为图像的饱和度分量的均值,σ为其标准差,ω1和ω2为设定的权值,CV值越接近100%,图像色彩视觉效果越佳;
图像色彩综合质量QV由图像色彩自然度和色彩丰富度进行综合评价,由以下公式(14)计算:
QV=ωNV+(1-ω)CV 公式(14)
ω为设定的系数,根据彩色图像的自然度和图像饱和度的相对重要程度来设定,QV值越接近100%,表明综合色彩越好;
步骤4:图像综合质量评价
按照以下公式(15),计算图像的适应度值,即完成图像综合质量评价;
α为常数,其值根据不同应用场景作相应的设置。
7.根据权利要求6所述的具有色彩恒常性的图像自适应去雾增强方法,其特征在于:取ω1=0.06,ω2=0.05,ω=0.8;α取值范围为[0.6,0.9],当需要判读阴影区目标时,α取0.6,当需要判读明亮背景目标时α可取0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810107159.1A CN108416745B (zh) | 2018-02-02 | 2018-02-02 | 一种具有色彩恒常性的图像自适应去雾增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810107159.1A CN108416745B (zh) | 2018-02-02 | 2018-02-02 | 一种具有色彩恒常性的图像自适应去雾增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416745A true CN108416745A (zh) | 2018-08-17 |
CN108416745B CN108416745B (zh) | 2020-06-26 |
Family
ID=63127530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810107159.1A Active CN108416745B (zh) | 2018-02-02 | 2018-02-02 | 一种具有色彩恒常性的图像自适应去雾增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416745B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175967A (zh) * | 2019-06-05 | 2019-08-27 | 海南大学 | 图像去雾处理方法、系统、计算机设备和存储介质 |
CN110276715A (zh) * | 2019-05-14 | 2019-09-24 | 北京邮电大学 | 一种图像去夜方法和装置 |
CN110298800A (zh) * | 2019-06-26 | 2019-10-01 | 长安大学 | 一种交通图像去雾综合评价方法 |
CN111626203A (zh) * | 2020-05-27 | 2020-09-04 | 北京伟杰东博信息科技有限公司 | 一种基于机器学习的铁路异物识别方法及系统 |
CN112215767A (zh) * | 2020-09-28 | 2021-01-12 | 电子科技大学 | 一种抗块效应的图像视频增强方法 |
CN113034387A (zh) * | 2021-03-05 | 2021-06-25 | 成都国科微电子有限公司 | 一种图像去噪方法、装置、设备及介质 |
WO2021190674A1 (zh) * | 2020-03-24 | 2021-09-30 | 吉林求是光谱数据科技有限公司 | 一种可实现彩色成像的多光谱成像芯片及彩色成像方法 |
CN114757854A (zh) * | 2022-06-15 | 2022-07-15 | 深圳市安星数字系统有限公司 | 基于多光谱分析的夜视图像质量提升方法、装置、设备 |
CN116110053A (zh) * | 2023-04-13 | 2023-05-12 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6212304B1 (en) * | 1998-07-06 | 2001-04-03 | Intel Corp. | Method and apparatus for imaging processing |
CN1507604A (zh) * | 2001-05-02 | 2004-06-23 | 图像增强方法和设备 | |
US6834125B2 (en) * | 2001-06-25 | 2004-12-21 | Science And Technology Corp. | Method of improving a digital image as a function of its dynamic range |
CN102306384A (zh) * | 2011-08-26 | 2012-01-04 | 华南理工大学 | 一种基于单幅图像的颜色恒常性处理方法 |
CN104123706A (zh) * | 2014-08-11 | 2014-10-29 | 徐州工程学院 | 一种基于自适应免疫遗传算法的图像增强方法 |
CN105931206A (zh) * | 2016-05-10 | 2016-09-07 | 深圳市和天创科技有限公司 | 一种颜色恒常的彩色图像清晰度增强方法 |
CN107507157A (zh) * | 2017-09-29 | 2017-12-22 | 徐州工程学院 | 一种改进的图像增强方法 |
-
2018
- 2018-02-02 CN CN201810107159.1A patent/CN108416745B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6212304B1 (en) * | 1998-07-06 | 2001-04-03 | Intel Corp. | Method and apparatus for imaging processing |
CN1507604A (zh) * | 2001-05-02 | 2004-06-23 | 图像增强方法和设备 | |
US6834125B2 (en) * | 2001-06-25 | 2004-12-21 | Science And Technology Corp. | Method of improving a digital image as a function of its dynamic range |
CN102306384A (zh) * | 2011-08-26 | 2012-01-04 | 华南理工大学 | 一种基于单幅图像的颜色恒常性处理方法 |
CN104123706A (zh) * | 2014-08-11 | 2014-10-29 | 徐州工程学院 | 一种基于自适应免疫遗传算法的图像增强方法 |
CN105931206A (zh) * | 2016-05-10 | 2016-09-07 | 深圳市和天创科技有限公司 | 一种颜色恒常的彩色图像清晰度增强方法 |
CN107507157A (zh) * | 2017-09-29 | 2017-12-22 | 徐州工程学院 | 一种改进的图像增强方法 |
Non-Patent Citations (6)
Title |
---|
MING-RONG WANG ET AL: "《2015 International Conference on Automation, Mechanical Control and Computational Engineering》", 31 January 2015 * |
SUN WEI ET AL: "《2013 Third International Conference on Intelligent System Design and Engineering Applications》", 7 February 2013 * |
XIAOQIANG JI ET AL: ""An optimization algorithm of image defogging based on Retinex"", 《APPLIED MECHANICS AND MATERIALS》 * |
吴伟玉: ""基于局部双边滤波的实时Retinex图像增强"", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
朱静: ""色彩恒常性理论及其在图像增强中应用研究"", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
芮义斌 等: ""基于色彩恒常理论的图像去雾技术"", 《南京理工大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276715A (zh) * | 2019-05-14 | 2019-09-24 | 北京邮电大学 | 一种图像去夜方法和装置 |
CN110175967A (zh) * | 2019-06-05 | 2019-08-27 | 海南大学 | 图像去雾处理方法、系统、计算机设备和存储介质 |
CN110298800A (zh) * | 2019-06-26 | 2019-10-01 | 长安大学 | 一种交通图像去雾综合评价方法 |
WO2021190674A1 (zh) * | 2020-03-24 | 2021-09-30 | 吉林求是光谱数据科技有限公司 | 一种可实现彩色成像的多光谱成像芯片及彩色成像方法 |
CN111626203A (zh) * | 2020-05-27 | 2020-09-04 | 北京伟杰东博信息科技有限公司 | 一种基于机器学习的铁路异物识别方法及系统 |
CN112215767A (zh) * | 2020-09-28 | 2021-01-12 | 电子科技大学 | 一种抗块效应的图像视频增强方法 |
CN113034387A (zh) * | 2021-03-05 | 2021-06-25 | 成都国科微电子有限公司 | 一种图像去噪方法、装置、设备及介质 |
CN113034387B (zh) * | 2021-03-05 | 2023-07-14 | 成都国科微电子有限公司 | 一种图像去噪方法、装置、设备及介质 |
CN114757854A (zh) * | 2022-06-15 | 2022-07-15 | 深圳市安星数字系统有限公司 | 基于多光谱分析的夜视图像质量提升方法、装置、设备 |
CN114757854B (zh) * | 2022-06-15 | 2022-09-02 | 深圳市安星数字系统有限公司 | 基于多光谱分析的夜视图像质量提升方法、装置、设备 |
CN116110053A (zh) * | 2023-04-13 | 2023-05-12 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
CN116110053B (zh) * | 2023-04-13 | 2023-07-21 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108416745B (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416745A (zh) | 一种具有色彩恒常性的图像自适应去雾增强方法 | |
CN112288658B (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
CN110889813B (zh) | 基于红外信息的低光图像增强方法 | |
CN103593830B (zh) | 一种低照度视频图像增强方法 | |
CN110555465B (zh) | 一种基于cnn与多特征融合的天气图像识别方法 | |
CN107767353A (zh) | 一种基于清晰度评价的自适应图像去雾方法 | |
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 | |
CN106097279B (zh) | 一种高动态图像增强方法 | |
CN115223004A (zh) | 基于改进的多尺度融合生成对抗网络图像增强方法 | |
CN105825479B (zh) | 一种环境光下的图像增强方法 | |
CN113129391B (zh) | 基于多曝光图像特征分布权重的多曝光融合方法 | |
CN106485674A (zh) | 一种基于融合技术的弱光图像增强方法 | |
Li et al. | An adaptive enhancement method for low illumination color images | |
CN109919859A (zh) | 一种户外场景图像去雾增强方法、计算设备及其存储介质 | |
CN108648160B (zh) | 一种水下海参图像去雾增强方法及系统 | |
CN107169942B (zh) | 一种基于鱼类视网膜机制的水下图像增强方法 | |
CN117611501A (zh) | 一种低照度图像增强方法、装置、设备及可读存储介质 | |
CN117746806B (zh) | mini LED背光模组的驱动方法、装置、设备及存储介质 | |
Qian et al. | CIASM-Net: a novel convolutional neural network for dehazing image | |
CN113256533B (zh) | 基于msrcr的自适应低照度图像增强方法及系统 | |
CN117974459A (zh) | 一种融合物理模型和先验的低照度图像增强方法 | |
Song et al. | Adaptive retinex algorithm based on genetic algorithm and human visual system | |
CN107451977A (zh) | 一种图像去雾方法及其系统 | |
CN108564535A (zh) | 一种基于深度学习的图像去雾方法 | |
Nie et al. | Image Defogging Based on Joint Contrast Enhancement and Multi-scale Fusion |
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 |