CN108416815A - 大气光值的测定方法、设备及计算机可读存储介质 - Google Patents
大气光值的测定方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108416815A CN108416815A CN201810179327.8A CN201810179327A CN108416815A CN 108416815 A CN108416815 A CN 108416815A CN 201810179327 A CN201810179327 A CN 201810179327A CN 108416815 A CN108416815 A CN 108416815A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sample point
- value
- straight line
- image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种大气光值的测定方法及计算机可读存储介质。该方法包括:1)将有雾RGB彩色图像转化为索引模式图像,对调色板矩阵以数据矩阵在各色阶上出现次数的归一化值为权重向量计算加权调色板矩阵;2)以所述加权调色板矩阵的各个行向量作为样本点组成样本点集合,利用增加斜率为正先验筛选的随机抽样一致算法确定加权调色板矩阵在RG、GB、BR三个二维子空间的直线的参数,计算各样本点的总置信度;3)选择总置信度最大且各元素值都大于样本点集合的列方向均值向量对应维度的元素值的样本点为筛选结果,将该样本点的元素值作为所述有雾RGB彩色图像的大气光值。本发明的方法能够较为准确地测定有雾RGB彩色图像的大气光值。
Description
技术领域
本发明涉及一种大气光值的测定方法、设备及计算机可读存储介质,尤其是一种有雾RGB彩色图像大气光值的测定方法、设备及计算机可读存储介质。
背景技术
雾天条件下,空气中存在大量颗粒悬浮物(雨滴、灰尘等),光线会受到这些悬浮物的影响,发生光线的吸收和散射,造成传感器获得的图像出现对比度下降、颜色失真等现象,进而减少图像所能提供的信息。信息量的缺失为日常工作生活带来了不便,限制和直接影响视频监控、遥感导航等信息系统效用的发挥,降低后续图像分析方法的稳定性。随着计算机视觉应用的日益广泛和计算机技术发展与成熟,图像去雾技术逐渐受到了全世界研究人员的关注。图像去雾技术是通过一定的方法和手段,去除天气因素对图像质量的影响,恢复出有效的图像细节信息,并获得效果较好的高质量图像的过程。目前主要分为基于非物理模型的图像增强方法和基于模型的图像复原方法。
基于物理模型的图像去雾方法通常建立图像退化模型:
I=JT+A(1-T)
其中,I和J为输入有雾图像和去雾图像,A称为大气光(air light),T称为传输图(transmission map)。对于RGB彩色图像,A是一个三元向量,各元素分别为R、G、B颜色通道的大气光值。相关方法一般将去雾问题转化为已知I(x),分别测定A、T,进而获得T或其近似值的过程大气光A的测定是重要的处理步骤。对于RGB彩色图像,A的各元素分别与图像R、G、B分量相对应,值域为[0,1]。
关于单幅图像大气光A测定的方法主要包括以下三类:(1)直接取值方法,如直接取有雾图像中最亮的点、纯白色点或者将其作为后续处理的初始值;(2)局部假设方法,认为局部具有不变传输图和表面反射率的图像块对或者像素值相似的图像块对具有相同的大气光;(3)全局假设方法,认为有雾图像的像素点在RGB颜色空间中分布在一条直线上,该直线称为雾线(Haze line)或颜色线(Color line),因而将大气光测定转化为直线拟合问题。直接取值方法直接假设最亮点或者纯白色点会影响图像中近似颜色物体的去雾效果;局部假设方法由于要全局寻找满足条件的图像块,相对计算量比较较大,且十分耗时。全局假设方法既能够克服前两类的缺点,又能够保持相对更高的准确率。
现有的全局假设方法是测定R、G、B彩色空间中的一点,该点在图像像素拟合的直线上,且距离坐标原点距离最远(最亮)。例如,假设有雾图像像素在R、G、B彩色图像空间呈一条直线分布,大气光向量坐标在直线最远处。首先在图像R、G、B分量最大值与最小值之间先等间隔采集候选点,然后转化到极坐标空间,计算候选点与图像索引模式下调色板矩阵的离散Radon变换,对变换叠加取极值为测定结果。又如,假设有雾图像块各像素在R、G、B彩色空间呈异面直线(称为颜色线)分布,存在一条通过坐标原点的直线与所有异面直线相交,并提出共线图像块的特征,包括非负坐标、高特征值、主成份(PCA)矩阵秩为1、不含边缘、不通过原点等,通过筛选的方式先计算大气光的方向,再确定模值。这些方法对有雾图像像素颜色的分布虽然都进行了直线建模,但在计算中,两者都直接将极值点作为最终测定成果,容易受到图像噪点的干扰。在上述方法中,有些需要对所有图像各点、所有候选点、各角度的组合逐一分析;有些方法需要对每个图像块分别进行条件判定以确定大气光的方向,还需要对大气光的模值独立优化求解,因而处理效率较低。
CN106355560A公开了一种有雾图像中大气光值的提取方法,对输入图像任意像素三通道进行最小值滤波,并获取水平和垂直投影最大区域像素的平均值作为测定结果。该方法计算效率高,但是采用最小滤波,遵循暗通道先验(Dark Channel Prior)假设。当场景物体和大气光十分接近时,暗通道先验是无效的,不能很好地处理图像中的大面积灰白色区域,因而得到大气光测定结果误差偏大。CN106934779A公开了一种有雾图像中大气光值的提取方法,对输入的彩色图像中任意像素三通道进行最小值滤波,对滤波结果进行形态学滤波和天空区域粗定位。根据天空区域计算大气光值,能够一定程度抵消暗通道先验假设的不足,但是该方法限定应用场合,不能适用于水下图像等不包含天空的图像或天空区域亮度低于非天空区域的图像。
发明内容
有鉴于此,本发明的一个目的在于一种有雾RGB彩色图像大气光值的测定方法,其能够较为准确地测定有雾RGB彩色图像的大气光值。本发明的另一个目的在于提供一种有雾RGB彩色图像大气光值的测定设备及一种计算机可读存储介质,其能够实现上述方法,并较为准确地测定有雾RGB彩色图像的大气光值。对于有雾RGB彩色图像,本发明能够更为准确地刻画大气光的分布特性,增强对图像噪点负面影响的抵抗能力,优化处理流程与方式,从而在更短的处理时间内提供更为贴近实际的大气光测定结果。
根据本发明的一个方面,提供一种有雾RGB彩色图像大气光值的测定方法,包括如下步骤:
1)将有雾RGB彩色图像转化为索引模式图像,所述索引模式图像包含数据矩阵和调色板矩阵,对所述调色板矩阵以所述数据矩阵在各色阶上出现次数的归一化值为权重向量,计算加权调色板矩阵;
2)以所述加权调色板矩阵的各个行向量作为样本点组成样本点集合,利用增加斜率为正先验筛选的随机抽样一致算法确定所述加权调色板矩阵在RG、GB、BR三个二维子空间的直线的参数,计算所述样本点集合中各样本点的总置信度;
3)计算所述样本点集合的列方向均值向量,然后比较所述样本点集合中各样本点的总置信度大小关系以及各样本点的各元素值与所述样本点集合的列方向均值向量对应维度的元素值的大小关系,选择总置信度最大且各元素值都大于所述样本点集合的列方向均值向量对应维度的元素值的样本点为筛选结果,将该样本点的元素值作为所述有雾RGB彩色图像的大气光值。
根据本发明的方法,优选地,在步骤2)中,所述样本点集合的维数为3。
根据本发明的方法,优选地,在步骤2)中,利用增加斜率为正先验筛选的随机抽样一致算法确定所述加权调色板矩阵在RG、GB、BR三个二维子空间的直线的参数包括:在所述有雾RGB彩色图像的RG、GB和BR三个二维子空间,采用随机抽样一致算法拟合基于所述样本点集合的三条直线,获得三条直线的参数,并计算三条直线的斜率;如果三条直线的斜率均大于零,则将所述三条直线的参数作为总置信度的计算依据。
根据本发明的方法,优选地,在步骤2)中,如果某个样本点三个维度中有任意一维的元素值小于所述样本点集合的列方向均值向量对应维度的元素值,则将该样本点丢弃。
根据本发明的方法,优选地,在步骤2)中,将所述样本点集合的各样本点在RG、GB和BR三个二维子空间的置信度之和作为各样本点的总置信度。
根据本发明的方法,优选地,在步骤1)中,将有雾RGB彩色图像转化为索引模式图像Is,所述索引模式图像Is包含数据矩阵和调色板矩阵;数据矩阵为D,大小为m×n;调色板矩阵为M,大小为p×3,分别表示为:
其中,p为将有雾RGB彩色图像转化为索引模式图像Is时设置的色阶数量;
将数据矩阵D在各色阶上出现次数的归一化值作为权重向量W:
其中,wp计算公式为:
其中,dij为数据矩阵D的第i行第j列元素值,Bool(dij)为数据矩阵各元素与色阶之间是否相等的二值判定函数;对于第p色阶,Bool(dij)的计算公式为:
计算加权调色板矩阵M′:
m′p为行向量,大小为1×3,公式为:
其中,和为调色板矩阵M的行向量mp的三个元素。
根据本发明的方法,优选地,在步骤2)中,将加权调色板矩阵M′作为具有p个点的样本点集合,每个样本点与行向量m′p对应,分别取加权调色板矩阵M′的第1维和第2维、第2维和第3维、第3维和第1维坐标,形成与有雾RGB彩色图像在RG、GB和BR三个二维子空间的二维投影矩阵Si,i=12,23,31,大小为p×2,
分别计算p个样本点在RG、GB、BR三个二维子空间的置信度C12,C23,C31和总置信度CA;对于Si,i=12,23,31,置信度按照如下步骤计算:
2.1)迭代确定直线的参数:将增加斜率为正先验筛选的随机抽样一致性算法RANSAC用于对二维投影矩阵Si的直线测定;
2.1.1)定义迭代次数变量l,并初始化l=1;
2.1.2)计算二维投影矩阵Si第l次迭代直线的参数
从二维投影矩阵Si中以均匀分布概率随机选择两行和作为两个样本点,其中,1≤u≤p,1≤v≤p,与分别为的两个元素,与为的两个元素;计算和的均值向量Mu,大小为1×2,如下式:
去均值,计算矩阵Qi,如下式:
其中,表示二维投影矩阵Si的第p行,包含两个元素,表示为
计算Hi×Qi的特征向量V和特征值D,满足Hi×Qi×V=V×D,其中,
其中,Hi表示Qi的转置矩阵;D为大小为2×2的对角矩阵;
计算直线的参数如下式:
2.1.3)计算直线参数对应的斜率kl:
如果kl<0,则返回步骤2.1.2),开始重新随机选择两行和作为两个样本点,并计算kl;否则,计算二维投影矩阵Si各样本点到由确定的第l次迭代的直线的距离向量
的计算公式为:
2.1.4)计算第l次迭代所确定的直线的参数对应的排名值和第l次迭代满足预先人工设定的容忍标准差σ的一致集合元素数量
其中,为各元素是否小于σ的二值判定函数;对于的第k个元素的计算公式为:
2.1.5)判定是否停止迭代,输出Si各个样本点到作为总置信度计算依据的直线的参数代表的直线的距离终值Ri:
如果l=1,则然后l←l+1,表示l值自增1,并转至步骤2.1.2);
如果l>1,且l≤Kmax,Kmax为预先设定的最大迭代次数, 则l←l+1,并转至步骤2.1.2);
如果l>1,且l≤Kmax,则并停止迭代计算,并转至步骤2.2);
如果l>1,且l≤Kmax,不同时满足和则l←l+1,并转至步骤2.1.2);
如果l>Kmax,则停止迭代计算,并转至步骤2.2);
2.2)计算置信度:计算各样本点对应的二维子空间置信度Ci和总置信度CA,i=12,23,31,大小为p×1,公式为:
根据本发明的方法,优选地,步骤3)包括如下具体步骤:
3.1)将总置信度CA和调色板矩阵M按照行方向拼接形成比较矩阵,大小为p×4,
其中,Lp表示矩阵L的第p行向量,大小为1×4,
3.2)计算索引模式图像Is的调色板矩阵M的列方向均值向量Mean=[μ1,μ2,μ3],大小为1×3,μ1,μ2和μ3的计算公式为:
其中,为调色板矩阵M第i行mi的三个元素;
3.3)确定大气光值向量A,步骤如下:
3.3.1)定义比较变量s,并初始化s=1,其中,分别表示矩阵L的第1行向量的第二、第三、第四个元素;
3.3.2)如果满足s=p,则结束比较处理;否则s←s+1,表示s值自增1;
3.3.3)如果和同时满足,则转至步骤3.3.2);如果和不同时满足,直接转至步骤3.3.2);其中,分别表示矩阵L的第s行向量的第二、第三、第四个元素。
根据本发明的另一个方面,提供一种计算机可读存储介质,其上存储有计算机指令,计算机的处理器执行所述计算机指令时实现如上所述任一项方法中的步骤。根据本发明的再一个方面,提供一种有雾RGB彩色图像大气光值的测定设备,其包括处理器和存储器,所述处理器与所述存储器通信连接;其中,所述存储器存储有计算机指令,所述处理器运行所述计算机指令时执行如上所述任一项方法中的步骤。
传统的基于直线假设的测定方法对自然图像的设定较为理想;实际情况下,直线假设是统计性的,奇异点和噪点的存在会影响大气光的测定结果。传统的测定方法复杂度相对较高,处理时间长,难以满足图像快速处理的需求。本发明的大气光值测定方法基于加权子空间测定和统计先验筛选,对直线假设进行了调整。因此,本发明能够较为准确地测定单幅RGB彩色有雾图像的大气光值。与其他局部和全局方法相比,误差更小,在相同计算环境下,具有更快的单幅图像处理速度。在实际测试图像上的实验结果证实了本发明方法的有效性。
附图说明
图1为本发明的一种有雾RGB彩色图像的大气光值的测定方法的流程图。
图2为本发明的一种有雾RGB彩色图像的大气光值的测定方法中计算直线斜率应为正的示意图。
图3为本发明的一种有雾RGB彩色图像的大气光值的测定方法中增加斜率为正先验筛选的随机抽样一致算法的具体流程图。
图4为使用本发明大气光值测定方法和经典传输图计算方法后得到的图像去雾效果图。图4a-1~图4a-4分别表示教堂、玉米地、南瓜地、天鹅四幅有雾图像;图4b-1~图4b-4分别表示使用本发明大气光测定值和经典传输图计算方法获得的去雾结果图。
图5为本发明的一种有雾图像处理中针对图像进行子空间直线确定结果。图5-1~图5-3分别表示RG、GB、BR三个子空间的直线确定结果。
具体实施方式
下面结合具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
本发明大气光值的测定方法基于加权子空间测定和统计先验筛选。本发明的方法对直线假设进行了调整,假设有雾RGB彩色图像的大气光测定值应同时满足:(1)其在RG、GB、BR正交子空间的各投影点,距离图像各子空间投影主方向的距离最小;(2)大气光R、G、B通道大气光值应大于图像在各通道分量的均值。由此,本发明的方法包括直线测定和置信度筛选等处理步骤。这样可以较为准确地测定单幅彩色有雾图像的大气光值。
在本发明中,下采样也可以称为亚采样,RANSAC为Random Sample Consensus的缩写,在本领域具有通常的含义。
在本领域通常做以下假设:有雾RGB彩色图像的像素点在R、G、B颜色空间中分布在一条直线上,因而将大气光测定转化为直线拟合问题。以下对本发明的方法进行详细描述。
本发明的有雾RGB彩色图像大气光值的测定方法包括如下步骤:
1)将有雾RGB彩色图像转化为索引模式图像,例如将有雾RGB彩色图像下采样并转化为索引模式图像;所述索引模式图像包含数据矩阵和调色板矩阵,将所述调色板矩阵以所述数据矩阵在各色阶上出现次数的归一化值为权重向量计算加权调色板矩阵;
2)以所述加权调色板矩阵的各个行向量作为样本点组成样本点集合,利用增加斜率为正先验筛选的随机抽样一致算法确定所述加权调色板矩阵在RG、GB、BR三个二维子空间的直线的参数,计算所述样本点集合的各样本点的总置信度;
3)计算所述样本点集合的列方向均值向量,然后逐一比较所述样本点集合中各样本点的总置信度大小关系以及各样本点的各元素值与所述样本点集合的列方向均值向量对应维度的元素值的大小关系,选择总置信度最大且各元素值都大于所述样本点集合的列方向均值向量对应维度的元素值的样本点为筛选结果,将该样本点的元素值作为所述有雾RGB彩色图像的大气光值。
在本发明中,所述的有雾RGB彩色图像可以为单幅图像或其他形式的图像。步骤1)之前还可以包括判定有雾RGB彩色图像格式的步骤,如果有雾彩色图像格式不是RGB颜色模式,则将其需要转换为RGB颜色模式。
在本发明的步骤1)中,将有雾RGB彩色图像转化为索引模式图像Is。例如,将有雾RGB彩色图像任选地下采样,例如等比例下采样;然后将下采样处理后的RGB图像转化为索引模式图像Is。索引模式图像Is包括数据矩阵D和调色板矩阵M。在本发明中,下采样的缩小比例可以选择为1~4;优选地,缩小比例为1~2;更优选地,为了取得较为准确的确定结果,缩小比例为1。根据本发明的一个实施方式,可以采用文献(高效逆色表计算“EfficientInverse Color Map Computation",Spencer W.Thomas,Graphics Gems II,AcademicPress:Boston.1991)中的方法进行索引模式图像Is的计算。
索引模式图像Is的数据矩阵为D,大小为m×n,表示为:
索引模式图像Is的调色板矩阵为M,大小为p×3,表示为:
其中,p为将有雾RGB彩色图像转化为索引模式图像Is时设置的色阶数量。在本发明中,色阶数量p(也可以称之为量化阶数、颜色数目)可以为250~3000;优选地,色阶数量p为500~1500;更优选地,将色阶数量p设为500。
将数据矩阵D在各色阶上出现次数的归一化值作为权重向量W:
其中,权重向量W的某一元素wp的计算公式为:
其中,dij为数据矩阵D的第i行第j列元素值,Bool(dij)为数据矩阵各元素与色阶之间是否相等的二值判定函数;对于第p色阶,Bool(dij)的计算公式为:
计算加权调色板矩阵M′:
m′p为行向量,大小为1×3,公式为:
其中,和为调色板矩阵M的行向量mp的三个元素。
在本发明的步骤2)中,对于RGB彩色图像,样本点集合的维数为3;子空间为RG、GB、BR三个二维子空间,样本点在三个子空间的维度为2;在RG、GB、BR三个二维子空间分别确定直线的参数,并以点到直线的距离为基准计算各二维子空间样本点的置信度,然后求和,得到样本点的总置信度。根据本发明的一个实施方式,利用增加斜率为正先验筛选的随机抽样一致算法确定所述加权调色板矩阵在RG、GB、BR三个二维子空间的直线的参数包括:在所述有雾RGB彩色图像的RG、GB和BR三个二维子空间,采用随机抽样一致算法拟合基于所述样本点集合的三条直线,获得三条直线的参数,并计算三条直线的斜率;如果三条直线的斜率均大于零,则将所述三条直线的参数作为总置信度计算依据。根据本发明的另一个实施方式,如果某个样本点三个维度中有任意一维的元素值小于所述样本点集合的列方向均值向量对应维度的元素值,则将该样本点丢弃。在某些实施方案中,将所述样本点集合的各样本点RG、GB和BR三个二维子空间置信度之和作为各样本点的总置信度。
在本发明的步骤2)中,S12,S23,S31从加权调色板矩阵M′中获得,将M′看作样本点集合,每个样本点与行向量m′p对应,则共有p个点。也就是说,将加权调色板矩阵M′作为具有p个点的样本点集合,每个样本点与行向量m′p对应,分别取加权调色板矩阵M′的第1维和第2维、第2维和第3维、第3维和第1维坐标,形成与有雾RGB彩色图像在RG、GB和BR三个二维子空间的二维投影矩阵Si,i=12,23,31,大小为p×2。S12、S23、S31分别表示如下:
分别计算p个样本点在RG、GB、BR三个二维子空间的置信度C12,C23,C31和总置信度CA。利用增加斜率为正先验筛选的随机抽样一致算法RANSAC测定子空间直线参数,处理对象为二维投影矩阵Si,i=12,23,31。
在本发明的步骤2)中,按照如下步骤计算置信度:
2.1)迭代确定直线的参数:将增加斜率为正先验筛选的随机抽样一致性算法RANSAC用于对二维投影矩阵Si的直线测定。随机抽样一致性算法RANSAC方法可以采用文献(随机样本一致:一种模型拟合模式及其在图像分析和自动绘图中的应用,“Random SampleConsensus:A Paradigm for Model Fitting with Applications to Image Analysisand Automated Cartography”,M.A.Fischler and R.C.Bolles,Communications of theACM,1981:24,381-395)中的步骤进行实现。如图2所示,针对公式I=JT+A(1-T)确定的图像去雾退化模型,大气光A,有雾图像I,去雾图像J共面,大气光A幅度最大,有雾图像I和去雾图像J幅度小,则A-I和A-J斜率应为正。本发明增加斜率为正先验的RANSAC方法如图3所示。本发明随机取两行向量计算直线参数后,通过直线斜率的正负判断该直线的有效性,如果斜率为负,则与模型先验不符,重新随机取两行向量进行直线参数计算,不进行后续参数检测、排名、标志位和参数的更新计算,简化了计算流程,减少了因随机抽样产生“猜测错误”直线并持续进行迭代比较造成的时间浪费,降低了因奇异点分布等原因致使错误直线参数输出的可能性。本发明的增加斜率为正先验的RANSAC方法具体包括如下步骤:
2.1.1)定义迭代次数变量l,并初始化l=1;初始化容忍标准差σ和最大迭代次数Kmax。在本发明中,容忍标准差σ可以为0.005~0.03;优选地,容忍标准差σ为0.005~0.015;更优选地,将容忍标准差σ设为0.01。最大迭代次数Kmax可以为1000~5000;优选地,最大迭代次数Kmax为2000~3000;更优选地,将最大迭代次数Kmax设为3000。
2.1.2)计算二维投影矩阵Si第l次迭代直线的参数
从二维投影矩阵Si中以均匀分布概率随机选择两行和作为两个样本点,其中,1≤u≤p,1≤v≤p,与分别为的两个元素,与为的两个元素;计算和的均值向量Mu,大小为1×2,如下式:
去均值,计算矩阵Qi,如下式:
其中,表示二维投影矩阵Si的第p行,包含两个元素,表示为
计算Hi×Qi的特征向量V和特征值D,满足Hi×Qi×V=V×D,其中,
其中,Hi表示Qi的转置矩阵;D为大小为2×2的对角矩阵;
计算直线的参数如下式:
2.1.3)计算直线参数对应的斜率kl:
如果kl<0,则返回步骤2.1.2),开始重新随机选择两行和作为两个样本点,并计算kl;否则,计算二维投影矩阵Si各样本点到由确定的第l次迭代的直线的距离向量
的计算公式为:
2.1.4)计算第l次迭代所确定的直线的参数对应的排名值和第l次迭代满足预先人工设定的容忍标准差σ的一致集合元素数量
其中,为各元素是否小于σ的二值判定函数;对于的第k个元素的计算公式为:
2.1.5)判定是否停止迭代,输出Si各个样本点到作为总置信度计算依据的直线的参数代表的直线的距离终值Ri:
如果l=1,则然后l←l+1,表示l值自增1,并转至步骤2.1.2);
如果l>1,且l≤Kmax,Kmax为预先设定的最大迭代次数, 则l←l+1,并转至步骤2.1.2);
如果l>1,且l≤Kmax,则并停止迭代计算,并转至步骤2.2);
如果l>1,且l≤Kmax,不同时满足和则l←l+1,并转至步骤2.1.2);
如果l>Kmax,则停止迭代计算,并转至步骤2.2)。
2.2)计算置信度:计算各样本点对应的二维子空间置信度Ci和总置信度CA,i=12,23,31,大小为p×1,公式为:
在本发明的步骤3)包括形成比较矩阵步骤、计算列方向均值向量步骤和计算大气光值向量步骤。具体如下:
3.1)为了提高计算效率,将总置信度CA和调色板矩阵M按照行方向拼接形成比较矩阵,大小为p×4,
其中,Lp表示矩阵L的第p行向量,大小为1×4,Lp的各列元素可以根据矩阵L确定。
3.2)计算索引模式图像Is的调色板矩阵M的列方向均值向量Mean=[μ1,μ2,μ3],大小为1×3,μ1,μ2和μ3的计算公式为:
其中,为调色板矩阵M第i行mi的三个元素。
3.3)确定大气光值向量A,步骤如下:
3.3.1)定义比较变量s,并初始化s=1,其中,分别表示矩阵L的第1行向量的第二、第三、第四个元素;
3.3.2)如果满足s=p,则结束比较处理;否则s←s+1,表示s值自增1;
3.3.3)如果和同时满足,则转至步骤3.3.2);如果和不同时满足,直接转至步骤3.3.2);其中,分别表示矩阵L的第s行向量的第二、第三、第四个元素。
在步骤3.3)中,对矩阵L第一列的各行元素进行比较,并对矩阵L第二、第三、第四列元素与Mean的元素μ1,μ2,μ3之间进行比较。根据比较结果,如果不能同时满足和则重新进行运算;如果同时满足和则作为有雾RGB彩色图像的大气光值输出。
采用上述循环比较方式可以选取出总置信度最大且样本点各元素值都大于均值向量对应元素值的样本点。
根据本发明的另一个方面,提供一种有雾RGB彩色图像的处理方法,其包括如下步骤:
(1)采用上述大气光值的测定方法获得大气光值A;
(2)通过公式I=JT+A(1-T)进行图像去雾处理;其中,I和J为输入有雾图像和去雾图像,A称为大气光值,T为传输图。
根据本发明的再一个方面,提供一种计算机可读存储介质,其上存储有计算机指令,当计算机的处理器执行所述计算机指令时,可实现本发明的上述部分或全部处理步骤。本发明的计算机可读存储介质可选用市面上已有的类型和品牌,可采用非易失性或易失性存储介质、云储存等,对它们的功能和工作原理在此不再赘述。
根据本发明的又一个方面,提供一种有雾RGB彩色图像大气光测定设备,所述设备包括处理器和存储器,所述存储器中存储有计算机指令,当所述处理器执行所述计算机指令时,执行本发明上述方法的上述部分或全部处理步骤。所述的处理器和存储器可以采用现有的那些,例如常规处理器、服务器、云处理器,以及非易失性或易失性存储介质、云储存等,对它们的功能和工作原理在此不再进行赘述。
实施例1
1)获取有雾RGB彩色图像,将有雾RGB彩色图像转化为索引模式图像,将色阶数量p设为500,将缩小比例为1,即不进行下采样,按照公式(1)~(3)以索引模式图像的数据矩阵直方图统计向量为权重计算加权调色板矩阵;
2)以加权调色板矩阵各行向量为样本点,形成样本点集合,按照公式(4)~(13),利用增加斜率为正先验筛选的随机抽样一致算法测定子空间直线参数,按照公式(14)~(15)获得各样本点作为大气光值的总置信度;容忍标准差σ设为0.01,最大迭代次数Kmax设为3000;
3)按照公式(16)~(18),计算样本点集合的列方向均值向量,筛选总置信度最大且样本点各元素值都大于列方向均值向量对应元素值的样本点值作为有雾RGB彩色图像的大气光值。
实施例2
根据实施例1的大气光值,利用I=JT+A(1-T)计算传输图(I和J为输入有雾图像和去雾图像,A称为大气光值,T为传输图),并获得图像去雾结果,参见图4。在本实施例中,采用的传输图计算方法来自于文献:He等,IEEE模式分析与机器智能学报(TPAMI),第33卷第12期,第2341-2353页,2011年(He,K.et al.,IEEE Transactions on Pattern Analysisand Machine Intelligence,33(12):2341-2353,2011)。
表1给出了实施例1(本发明)与三种传统大气光计算方法对四幅测试图像(图4a-1~图4a-4)的大气光测定误差的比较,精确至0.0001像素。误差值越小,表示效果越好。大气光误差按照下式计算:
其中,和分别为大气光测定值和实际值的第i分量值。可以看到,本发明实施例的方法取得了更小的误差,准确性更高。
表1
A1 | A2 | A3 | 本发明 | |
教堂 | 0.0179 | 0.5660 | 0.1258 | 0.0042 |
玉米地 | 0.0839 | 0.2873 | 0.0807 | 0.0347 |
南瓜地 | 0.0951 | 0.3241 | 0.1195 | 0.0449 |
天鹅 | 0.2137 | 0.3904 | 0.1318 | 0.0662 |
平均值 | 0.1090 | 0.3720 | 0.1680 | 0.0380 |
表2给出了实施例1(本发明)与三种传统大气光计算方法对四幅测试图像(图4a-1~图4a-4)的大气光测定处理时间的比较,精确至0.001秒。测试环境为Intel(R)Core(TM)i7-4790 CPU@3.60Ghz,4.00GB内存。时间越小,表示处理效率越高。由表2可以看出,本发明的方法所使用的处理时间更短,效率更高。
表2
A1 | A2 | A3 | 本发明 | |
教堂 | 324.539 | 91.857 | 27.519 | 5.276 |
玉米地 | 48.878 | 27.799 | 3.089 | 1.841 |
南瓜地 | 43.431 | 20.951 | 3.760 | 1.966 |
天鹅 | 52.619 | 26.333 | 4.040 | 1.997 |
A1参考如下文献:Bahat等,计算摄影学IEEE国际会议(ICCP),第1-9页,2016年(Bahat,Y.,et al.,2016IEEE International Conference on ComputationalPhotography(ICCP),1-9,2016)。
A2参考如下文献:Fattal等,ACM图形学学报(TOG),第34卷第13期,第1-14页,2014年(Fattal,R.,et al.,ACM Transactions on Graphics(TOG),34(13):1-14,2014)。
A3参考如下文献:He等,IEEE模式分析与机器智能学报(TPAMI),第33卷第12期,第2341-2353页,2011年(He,K.et al.,IEEE Transactions on Pattern Analysis andMachine Intelligence,33(12):2341-2353,2011)。
实施例3
本实施例给出本发明提出的增加斜率为正先验筛选的随机抽样一致算法测定子空间直线参数的过程与结果。图5a-1~图5a-3分别给出了测试图像“玉米地”(图4a-2)的RG、GB、BR三个子空间的直线确定结果。
在各子空间确定直线时,首先读入例如有雾RGB彩色图像“玉米地”,并按照步骤1)获得加权调色板矩阵,然后取调色板矩阵的RG、GB、BR投影矩阵,按照步骤2)对于二维投影矩阵Si(i=12,23,31)的处理方法进行直线参数的确定。
本实施例计算过程中涉及的相关参数设置:有雾RGB彩色图像“玉米地”色阶数量p设为500,因而三个二维投影矩阵S12,S23,S31的大小为500×2。按照公式(4)~(13)迭代计算直线参数时,容忍标准差σ设为0.01,最大迭代次数Kmax设为3000。
本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员可以想到的任何变形、改进、替换均落入本发明的范围。
Claims (10)
1.一种有雾RGB彩色图像大气光值的测定方法,其特征在于,该方法包括如下步骤:
1)将有雾RGB彩色图像转化为索引模式图像,所述索引模式图像包含数据矩阵和调色板矩阵,对所述调色板矩阵以所述数据矩阵在各色阶上出现次数的归一化值为权重向量,计算加权调色板矩阵;
2)以所述加权调色板矩阵的各个行向量作为样本点组成样本点集合,利用增加斜率为正先验筛选的随机抽样一致算法确定所述加权调色板矩阵在RG、GB、BR三个二维子空间的直线的参数,计算所述样本点集合中各样本点的总置信度;
3)计算所述样本点集合的列方向均值向量,然后比较所述样本点集合中各样本点的总置信度大小关系以及各样本点的各元素值与所述样本点集合的列方向均值向量对应维度的元素值的大小关系,选择总置信度最大且各元素值都大于所述样本点集合的列方向均值向量对应维度的元素值的样本点为筛选结果,将该样本点的元素值作为所述有雾RGB彩色图像的大气光值。
2.根据权利要求1所述的方法,其特征在于,在步骤2)中,所述样本点集合的维数为3。
3.根据权利要求1所述的方法,其特征在于,在步骤2)中,利用增加斜率为正先验筛选的随机抽样一致算法确定所述加权调色板矩阵在RG、GB、BR三个二维子空间的直线的参数,包括:在所述有雾RGB彩色图像的RG、GB和BR三个二维子空间,采用随机抽样一致算法拟合基于所述样本点集合的三条直线,获得三条直线的参数,并计算三条直线的斜率;如果三条直线的斜率均大于零,则将所述三条直线的参数作为总置信度计算依据。
4.根据权利要求3所述的方法,其特征在于,在步骤2)中,如果某个样本点三个维度中有任意一维的元素值小于所述样本点集合的列方向均值向量对应维度的元素值,则将该样本点丢弃。
5.根据权利要求3所述的方法,其特征在于,在步骤2)中,将所述样本点集合的各样本点在RG、GB和BR三个二维子空间的置信度之和作为各样本点的总置信度。
6.根据权利要求1所述的方法,其特征在于,在步骤1)中,将有雾RGB彩色图像转化为索引模式图像Is,所述索引模式图像Is包含数据矩阵和调色板矩阵;数据矩阵为D,大小为m×n;调色板矩阵为M,大小为p×3,分别表示为:
其中,p为将有雾RGB彩色图像转化为索引模式图像Is时设置的色阶数量;
将数据矩阵D在各色阶上出现次数的归一化值作为权重向量W:
其中,wp计算公式为:
其中,dij为数据矩阵D的第i行第j列元素值,Bool(dij)为数据矩阵各元素与色阶之间是否相等的二值判定函数;对于第p色阶,Bool(dij)的计算公式为:
计算加权调色板矩阵M′:
m′p为行向量,大小为1×3,公式为:
其中,和为调色板矩阵M的行向量mp的三个元素。
7.根据权利要求6所述的方法,其特征在于,在步骤2)中,将加权调色板矩阵M′作为具有p个点的样本点集合,每个样本点与行向量m′p对应,分别取加权调色板矩阵M′的第1维和第2维、第2维和第3维、第3维和第1维坐标,形成与有雾RGB彩色图像在RG、GB和BR三个二维子空间的二维投影矩阵Si,i=12,23,31,大小为p×2,
分别计算p个样本点在RG、GB、BR三个二维子空间的置信度C12,C23,C31和总置信度CA;对于Si,i=12,23,31,置信度按照如下步骤计算:
2.1)迭代确定直线的参数:将增加斜率为正先验筛选的随机抽样一致性算法RANSAC用于对二维投影矩阵Si的直线测定;
2.1.1)定义迭代次数变量l,并初始化l=1;
2.1.2)计算二维投影矩阵Si第l次迭代直线的参数
从二维投影矩阵Si中以均匀分布概率随机选择两行和作为两个样本点,其中,1≤u≤p,1≤v≤p,与分别为的两个元素,与为的两个元素;计算和的均值向量Mu,大小为1×2,如下式:
去均值,计算矩阵Qi,如下式:
其中,表示二维投影矩阵Si的第p行,包含两个元素,表示为
计算Hi×Qi的特征向量V和特征值D,满足Hi×Qi×V=V×D,其中,
其中,Hi表示Qi的转置矩阵;D为大小为2×2的对角矩阵;
计算直线的参数如下式:
通过参数和确定二维投影矩阵Si第l次迭代的直线;
2.1.3)计算直线参数对应的斜率kl:
如果kl<0,则返回步骤2.1.2),开始重新随机选择两行和作为两个样本点,并计算kl;否则,由确定的第l次迭代的直线的距离向量计算二维投影矩阵Si各样本点到由 确定的第l次迭代的直线的距离向量
的计算公式为:
2.1.4)计算二维投影矩阵Si第l次迭代所确定的直线的排名值和第l次迭代满足预先人工设定的容忍标准差σ的一致集合元素数量
其中,为各元素是否小于σ的二值判定函数;对于的第k个元素 的计算公式为:
2.1.5)判定是否停止迭代,输出Si各个样本点到作为总置信度计算依据的直线的参数代表的直线的距离终值Ri:
如果l=1,则然后l←l+1,表示l值自增1,并转至步骤2.1.2);
如果l>1,且l≤Kmax,Kmax为预先设定的最大迭代次数,ri l>ri l-1,则l←l+1,并转至步骤2.1.2);
如果l>1,且l≤Kmax,则并停止迭代计算,并转至步骤2.2);
如果l>1,且l≤Kmax,不同时满足ri l>ri l-1和则l←l+1,并转至步骤2.1.2);
如果l>Kmax,则停止迭代计算,并转至步骤2.2);
2.2)计算置信度:计算各样本点对应的二维子空间置信度Ci和总置信度CA,i=12,23,31,大小为p×1,公式为:
8.根据权利要求7所述的方法,其特征在于,步骤3)包括如下具体步骤:
3.1)将总置信度CA和调色板矩阵M按照行方向拼接形成比较矩阵,大小为p×4,
其中,Lp表示矩阵L的第p行向量,大小为1×4,
3.2)计算索引模式图像Is的调色板矩阵M的列方向均值向量Mean=[μ1,μ2,μ3],大小为1×3,μ1,μ2和μ3的计算公式为:
其中,为调色板矩阵M第i行mi的三个元素;
3.3)确定大气光值向量A,步骤如下:
3.3.1)定义比较变量s,并初始化s=1,其中,分别表示矩阵L的第1行向量的第二、第三、第四个元素;
3.3.2)如果满足s=p,则结束比较处理;否则s←s+1,表示s值自增1;
3.3.3)如果和同时满足,则转至步骤3.3.2);如果和不同时满足,则直接转至步骤3.3.2);其中,分别表示矩阵L的第s行向量的第二、第三、第四个元素。
9.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,计算机的处理器执行所述计算机指令时实现如权利要求1~8中任一项所述的方法中的步骤。
10.一种有雾RGB彩色图像大气光值的测定设备,其特征在于,其包括处理器和存储器,所述处理器与所述存储器通信连接;其中,所述存储器存储有计算机指令,所述处理器运行所述计算机指令时执行权利要求1~8中任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179327.8A CN108416815B (zh) | 2018-03-05 | 2018-03-05 | 大气光值的测定方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179327.8A CN108416815B (zh) | 2018-03-05 | 2018-03-05 | 大气光值的测定方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416815A true CN108416815A (zh) | 2018-08-17 |
CN108416815B CN108416815B (zh) | 2020-05-15 |
Family
ID=63130103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810179327.8A Active CN108416815B (zh) | 2018-03-05 | 2018-03-05 | 大气光值的测定方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416815B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986119A (zh) * | 2020-09-01 | 2020-11-24 | 安徽萤瞳科技有限公司 | 暗通道图像亮度值干扰滤除方法及海雾图像海雾去除方法 |
CN112184868A (zh) * | 2020-09-29 | 2021-01-05 | 中国船舶重工集团公司第七二四研究所 | 一种被动雷达频率分布统计信息的三维显示方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110188775A1 (en) * | 2010-02-01 | 2011-08-04 | Microsoft Corporation | Single Image Haze Removal Using Dark Channel Priors |
CN103198459A (zh) * | 2013-04-10 | 2013-07-10 | 成都国腾电子技术股份有限公司 | 雾霾图像快速去雾方法 |
CN103226816A (zh) * | 2013-04-10 | 2013-07-31 | 成都国腾电子技术股份有限公司 | 基于快速高斯滤波的雾霾图像介质传输率估算与优化方法 |
US20150279003A1 (en) * | 2014-03-28 | 2015-10-01 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and medium |
CN107408247A (zh) * | 2015-03-11 | 2017-11-28 | 脸谱公司 | 使用消息和支付队列来促进支付的发送、接收和更新 |
-
2018
- 2018-03-05 CN CN201810179327.8A patent/CN108416815B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110188775A1 (en) * | 2010-02-01 | 2011-08-04 | Microsoft Corporation | Single Image Haze Removal Using Dark Channel Priors |
CN103198459A (zh) * | 2013-04-10 | 2013-07-10 | 成都国腾电子技术股份有限公司 | 雾霾图像快速去雾方法 |
CN103226816A (zh) * | 2013-04-10 | 2013-07-31 | 成都国腾电子技术股份有限公司 | 基于快速高斯滤波的雾霾图像介质传输率估算与优化方法 |
US20150279003A1 (en) * | 2014-03-28 | 2015-10-01 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and medium |
CN107408247A (zh) * | 2015-03-11 | 2017-11-28 | 脸谱公司 | 使用消息和支付队列来促进支付的发送、接收和更新 |
Non-Patent Citations (3)
Title |
---|
DANA BERMAN: "Air-light estimation using haze-lines", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL PHOTOGRAPHY (ICCP)》 * |
刘春辉 等: "基于大气光鲁棒估计的无人机图像去雾方法", 《北京航空航天大学学报》 * |
程 炜 等: "图像去雾中的大气光强度自适应恢复算法研究", 《计算技术与自动化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986119A (zh) * | 2020-09-01 | 2020-11-24 | 安徽萤瞳科技有限公司 | 暗通道图像亮度值干扰滤除方法及海雾图像海雾去除方法 |
CN111986119B (zh) * | 2020-09-01 | 2023-11-28 | 安徽萤瞳科技有限公司 | 暗通道图像亮度值干扰滤除方法及海雾图像海雾去除方法 |
CN112184868A (zh) * | 2020-09-29 | 2021-01-05 | 中国船舶重工集团公司第七二四研究所 | 一种被动雷达频率分布统计信息的三维显示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108416815B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310862B (zh) | 复杂环境下基于图像增强的深度神经网络车牌定位方法 | |
CN111145174B (zh) | 基于图像语义特征进行点云筛选的3d目标检测方法 | |
CN108615226B (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
CN104217404A (zh) | 雾霾天视频图像清晰化处理方法及其装置 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
CN110675340A (zh) | 一种基于改进的非局部先验的单幅图像去雾方法及介质 | |
CN109635634A (zh) | 一种基于随机线性插值的行人再识别数据增强方法 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN114943893B (zh) | 一种土地覆盖分类的特征增强方法 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN115641767A (zh) | 无人艇感知实验平台装置 | |
CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
CN115272691A (zh) | 一种钢筋绑扎状态检测模型的训练方法、识别方法及设备 | |
CN108416815A (zh) | 大气光值的测定方法、设备及计算机可读存储介质 | |
CN115115863A (zh) | 水面多尺度目标检测方法、装置及系统和存储介质 | |
CN109766896B (zh) | 一种相似度度量方法、装置、设备和存储介质 | |
CN110796716A (zh) | 一种基于多重残差网络和正则化迁移学习的图像着色方法 | |
CN115439738A (zh) | 一种基于自监督协同重构的水下目标检测方法 | |
CN114463628A (zh) | 一种基于阈值约束的深度学习遥感影像船舰目标识别方法 | |
CN114663683A (zh) | 一种基于空间特征自监督的水下目标检测方法 | |
CN113947723A (zh) | 基于尺寸平衡fcos的高分辨率遥感场景目标检测方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100013 Room 601, Anxin building, 4, nine, Hepingli, Dongcheng District, Beijing. Patentee after: Communication and information center of emergency management department Address before: 100013 Room 601, Anxin building, 4, nine, Hepingli, Dongcheng District, Beijing. Patentee before: COMMUNICATION & INFORMATION CENTER OF STATE ADMINISTRATION OF WORK SAFETY |