CN108492259A - 一种图像处理方法及图像处理系统 - Google Patents

一种图像处理方法及图像处理系统 Download PDF

Info

Publication number
CN108492259A
CN108492259A CN201810106485.0A CN201810106485A CN108492259A CN 108492259 A CN108492259 A CN 108492259A CN 201810106485 A CN201810106485 A CN 201810106485A CN 108492259 A CN108492259 A CN 108492259A
Authority
CN
China
Prior art keywords
image
input picture
module
image processing
region
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.)
Withdrawn
Application number
CN201810106485.0A
Other languages
English (en)
Inventor
林建良
黃毓文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MediaTek Inc
Original Assignee
MediaTek Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by MediaTek Inc filed Critical MediaTek Inc
Publication of CN108492259A publication Critical patent/CN108492259A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种图像处理方法，其用于图像处理系统。该图像处理方法包括：(a)计算输入图像的图像亮度分布；(b)对该输入图像执行大气光估计；(c)根据该步骤(a)的结果，对该输入图像执行传输估计以生成传输估计参数；以及(d)根据由该步骤(b)所生成的结果和该传输估计参数，恢复该输入图像的情景辐射亮度。对该输入图像的仅部分像素所对应的数据执行步骤(a)‑步骤(c)中的至少一个。本发明还提供对应的系统。本发明可以用更少的数据计算量消除模糊。

Description

一种图像处理方法及图像处理系统
技术领域
本发明的所公开实施例涉及图像处理，且更具体而言，涉及一种图像处理方法及图像处理系统。
背景技术
大气中诸如颗粒或微小水滴的混浊介质通常会使得图像的质量降低，特别是在室外情景中。雾霾、雾和烟雾这类现象是由于大气吸收和散射造成的。在这种情景中，图像可能会损失颜色对比度或者颜色保真度，使得图像可能会损失图像细节，且具有较差的图像质量。
因此，图像去模糊(de-hazing)方法被发展以解决这些问题。但是，传统的图像去模糊方法通常需要较高的数据计算量，这样图像去模糊的处理时间总是比较长。
发明内容
因此，本发明的一个目标在于，提供一种图像处理方法及图像处理系统，可以用更少的数据计算量消除模糊。
本发明的另一个目标在于，提供一种图像处理方法及图像处理系统，可以更有效地消除模糊。
根据本发明的一实施例，提供了一种图像处理方法，其用于图像处理系统。该图像处理方法包括：(a)计算输入图像的图像亮度分布；(b)对该输入图像执行大气光估计；(c)根据该步骤(a)的结果，对该输入图像执行传输估计以生成传输估计参数；以及(d)根据由该步骤(b)所生成的结果和该传输估计参数，恢复该输入图像的情景辐射亮度。对该输入图像的仅部分像素所对应的数据执行步骤(a)-步骤(c)中的至少一个。
根据本发明的另一实施例，提供了一种图像处理系统，其包括图像亮度计算模块、大气光估计模式、传输估计模块和情景恢复模块。图像亮度计算模块计算输入图像的图像亮度分布。大气光估计模式对该输入图像执行大气光估计。传输估计模块根据该图像亮度计算模块对该输入图像的结果，对该输入图像执行传输估计以生成传输估计参数。情景恢复模块根据由该大气光估计模块所生成的结果和该传输估计参数，恢复该输入图像的情景辐射亮度。该图像亮度计算模块、该大气光估计模块和该传输估计模块中的至少一个对该输入图像的仅部分像素所对应的数据执行相应的操作。
鉴于上述实施例，图像中的模糊可以基于更少的数据计算量被消除。并且，图像可以被分成不同区域，使得用于消除模块的步骤可以更有效。
在阅读以下对各图及图式中所例示的优选实施例的详细说明之后，本发明的这些及其它目标无疑将对所属领域的技术人员显而易见。
附图说明
图1是例示根据本发明一实施例的图像处理方法的流程图。
图2A、图2B、图3A、图3B、图4A和图4B是例示图1所示图像处理方法的操作的示意图。
图5是例示使用图像引导滤波来提取传输估计参数的示意图。
图6和图7是例示根据本发明实施例的处理输入图像的仅部分像素所对应的数据的示意图。
图8是例示根据本发明一实施例的图像处理系统的结构示意图。
具体实施方式
在下文中，提供了几种实施例以用于解释本发明的概念。可以理解的是，下文中所示出的装置、系统或者模块可以由硬件(例如，电路)，或者具有软件的硬件(例如具有程序的处理器)来实现。此外，至少一个程序可以被记录在计算机可读记录介质中，例如硬盘或者存储器，并且，如果这个程序被执行，则下面的方法可以被执行。
图1是例示根据本发明一实施例的图像处理方法的流程图。如图1所示，图像处理方法包括如下步骤：
步骤101：
计算输入图像的图像亮度(image intensity)分布。
步骤103：
对输入图像执行大气光(atmospheric light)估计。
步骤105：
根据步骤101的结果，对输入图像执行传输估计，以生成传输估计参数。
步骤107：
提取传输估计参数。
步骤109：
根据步骤103和步骤105的结果，恢复输入图像的情景辐射亮度(sceneradiance)。
在一个实施例中，对输入图像的仅部分像素所对应的数据执行步骤101-步骤107中的至少一个。此外，在一个实施例中，应用图像处理方法来去模糊输入图像，但是不限于此。每个步骤的细节将在下文中进行描述。在一个实施例中，对输入图像的仅部分像素所对应的数据执行步骤101-步骤107中的一个步骤，并对输入图像的所有像素所对应的数据执行步骤101-步骤107中的其他步骤。
本发明提供几个示例来解释如图1所示的每个步骤。请注意，下面的示例不意味着限制本发明的范围。其他方法可以被应用以实现如图1所示的步骤。同时，图2A中模糊的输入图像I_h1被提供用于解释本发明的实施方式，并且图2B中没有模糊的输入图像I_h2被提供用于解释本发明的实施方式。图2A中的点表示模糊度。也就是说，图像上的点越多，模糊度越高。例如，输入图像I_h1的上部分的模糊度高于输入图像I_h1的下部分的模糊度。
在包括模糊的输入图像中，输入图像可以表示为下面的等式(1)。
I(x)＝J(x)t(x)+A(1-t(x)) 等式(1)
I(x)为所观察的图像亮度(即输入图像I_h的强度)，J(x)为情景辐射亮度(即没有模糊的干净的输入图像)，A(1-t(x))为大气光，t(x)为传输参数。传输参数t(x)可以是0与1之间的值，且描述到达摄像机的光的比例。因此，模糊消除的目标是从I(x)中恢复A(x)、J(x)和t(x)。
如果输入图像的图像部分是干净的，且不包括模糊，则这个图像部分当然具有较低图像亮度的至少一个像素，例如，较低图像亮度为阴影、彩色物体/彩色表面或者暗物体/暗表面。例如，图2B中的输入图像I_h2不包括模糊，且包括陆地图像209，并且，因此，像素P_1具有较低图像亮度。将理解的是，具有较低图像亮度的像素意味着暗像素(dark pixel)。相反，如果输入图像的图像部分包括模糊，则这个图像部分中的所有像素可具有较高图像亮度。例如，如图2A所示的输入图像I_h1中的所有像素具有较高图像亮度。因此，图像亮度分布可以表示输入图像的模糊度。
在一个实施例中，基于暗原色先验理论(Dark Channel Prior)，计算图像亮度分布，其可以表示为下面的等式(2)：
JC为输入图像J的颜色通道(即像素)，Ω(x)为以x为中心的处理窗口。Jdark，称为输入图像J的暗通道，为窗口中的最暗像素。例如，暗通道Jdark为以像素x为中心的窗口Ω(x)的最暗像素。因此，如果输入图像J没有模糊，则暗通道Jdark通常较低。相反，如果输入图像J有模糊，则暗通道Jdark通常较高。
图3A和图3B是例示根据图2A中的输入图像I_h1和图2B中的输入图像I_h2所生成的暗原色先验理论的示意图。
如图3B所示，由于陆地图像209上没有分布模糊，用于陆地图像209的暗通道较低。相反，由于山图像205上分布一些模糊，用于图3A中的山图像205的暗通道的图像亮度仍然较低，但高于陆地图像209的暗通道的图像亮度。根据同样的规则，由于其上分布较多模糊，图3A中的太阳图像201和天空图像203均具有具有更高图像亮度的暗通道。
在获得图像亮度分布之后，可以执行图1中的步骤103，以估计大气光。在一个实施例中，选择前N％个最亮像素。这些像素总是处于输入图像的模糊区域。N可以为任何预设值。在一个实施例中，在一个实施例中，N可以被设置成“0.1”。随后，在N％个像素中，选择输入图像中具有最高强度的像素作为估计的大气光。
在完成大气光估计之后，可以执行图1中的步骤105，以估计上述的传输参数t(x)。在一个实施例中，基于上述暗原色先验理论，执行传输估计，并且这个操作在下面进行详细说明。
如果上述等式(1)由大气光来归一化处理，可以获得如下等式(3)：
由于分别对每个R像素、G像素、B像素执行传输估计，将表示用于整个图像的估计的大气光的标记A变成AC，其意味着用于R像素、G像素和B像素中一个的估计的大气光。随后，如果以最小操作(即最小处理窗口和最小组分)的方式执行传输估计，则基于等式(3)可以得到如下等式(4)：
如上所述，如果输入图像没有模糊，则暗通道近似为0。因此，如果假设输入图像没有模糊，则为0。因此，可以用如下等式(5)来表示传输估计。
基于等式(1)，情景辐射亮度J(x)可以被表示成如下等式(6)：
具体地，等式(1)说明I(x)＝J(x)t(x)+A(1-t(x))，因此可以相应地得到等式I(x)-A(1-t(x))＝J(x)t(x)。随后，基于等式I(x)-A(1-t(x))＝J(x)t(x)可以相应地得到等式(6)，其意味着用于恢复情景辐射亮度的等式。
在一个实施例中，传输函数t(x)被限制为下限，其意味着少量的模糊被保留在非常密集的模糊区域。
如上所述，可以使用如图1所示的步骤，但不限于此，以消除输入图像的模糊。图1中步骤的结果如图4A所示，模糊被消除，从而获得图4A中的干净的输入图像I_c1。同样地，图2B中的输入图像I_h2由上述步骤来处理，以消除模糊，从而获得图4B中的干净的输入图像I_c2。但是，图2B中的输入图像I_h2原本没有模糊，因此，输入图像I_h2的内容与干净的输入图像I_c2的内容相同。
在一个实施例中，进一步提取传输估计参数。可以使用各种方法来提取传输估计参数。在一个示例中，通过图像引导滤波，提取传输估计参数。
图5是例示使用图像引导滤波来提取传输估计参数的示意图。如图5所示，图像引导滤波在输入图像I上执行保边平滑(edge-preserving smoothing)，并使用引导图像G1的内容来影响滤波。引导图像GI可以是输入图像I本身、输入图像I的不同版本或者完全不同的图像。图像引导图像滤波为相邻操作，与其他滤波操作相似，但是在计算输入图像OI中的输出像素的值时，其考虑了引导图像GI中相应的空间相邻中的区域的统计特性。此处省略了其他各种具体的等式。同时，在另一示例中，提取传输估计参数提取可以通过软抠图(soft matting)来实现。
在一个实施例中，根据输入图像的亮度信息，将输入图像分成各种不同类型的图像区域。也对不同类型的图像区域执行用于不同级别(level)的步骤101-步骤105。以图2为例，具有模糊的输入图像I_h可以被分成对应于天空图像203的天空区域、对应于山图像205的山区域、对应于湖图像207的湖区域和对应于陆地图像209的陆地区域。随后，对不同类型的图像区域执行用于不同级别的步骤101-步骤105。此处的术语“级别”可以表示不同参数或者不同时间。可以使用很多方法以将图像分成不同的图像区域。在一个实施例中，基于亮度信息，例如平均亮度、最大亮度或者最小亮度，但不限于此，可以将图像分成不同的图像区域。在一个实施例中，使用梯度映射(gradient map)和区域生长(region growing)的图像切割方法被应用以分类图像区域。
这种方法可以总结为：根据输入图像的亮度信息，将输入图像分成至少一个第一类型的图像区域和至少一个第二类型的图像区域；对第一类型的图像区域执行用于第一级别的步骤101-步骤105中的至少一个；以及对第二类型的图像区域执行用于第二级别的步骤101-步骤105中的至少一个。
在一个实施例中，步骤101-步骤107中至少一个被应用到输入图像的仅部分像素所对应的数据。可以随机选择，或者根据预设规则，例如向下采样，来选择步骤101-步骤107所操作的像素。
在一个实施例中，步骤101-步骤107中仅一个被应用到输入图像的仅部分像素所对应的数据。在本实施例中，在被应用到输入图像的仅部分像素所对应的数据的步骤之后，可以执行相应的向上采样。例如，如果步骤101被应用到输入图像的仅部分像素，在步骤101-步骤107中的任何一个之后，可以执行向上采样步骤。
在另一实施例中，步骤101-步骤107中多个被应用到输入图像的仅部分像素所对应的数据。被应用到输入图像的仅部分像素所对应的数据的这些步骤可以是连续的或者非连续的。例如，连续的步骤101和步骤103被应用到输入图像的仅部分像素所对应的数据。又例如，非连续的步骤103和步骤107被应用到输入图像的仅部分像素所对应的数据。在本实施例中，在被应用到输入图像的仅部分像素所对应的数据的这些步骤之后，可以执行相应的向上采样步骤。例如，如果步骤101和步骤103被应用到输入图像的仅部分像素所对应的数据，则在步骤103-步骤107中的任何一个之后，可以执行向上采样步骤。
可以使用各种方法来执行上述的操作“处理输入图像的仅部分像素所对应的数据”。图6是例示根据本发明实施例的处理输入图像的仅部分像素所对应的数据的示意图。如图6所示，输入图像600被分成多个处理区域。但是，例如，仅处理区域R_1、处理区域R_2和处理区域R_3这三个处理区域被示出和标记。分别对处理区域R_1中的目标像素DP_1、处理区域R_2中的目标像素DP_2和处理区域R_3中的目标像素DP_3执行步骤101-步骤107中的至少一个。术语“目标像素”意味着图1中步骤101-步骤107中的至少一个所操作的像素。例如，在一个实施例中，分别对处理区域R_1中的目标像素DP_1、处理区域R_2中的目标像素DP_2和处理区域R_3中的目标像素DP_3仅执行步骤101，其意味着逐步计算用于目标像素DP_1、目标像素DP_2和目标像素DP_3的图像亮度分布。
在一个实施例中，如图6所示，目标像素DP_1、目标像素DP_2和目标像素DP_3中的每一个与处理区域R_1、处理区域R_2和处理区域R_3中的每一个之间的关系保持相同(即为固定的)。例如，处理区域R_1中的第一像素、处理区域R_2中的第一像素和处理区域R_3中的第一像素被作为目标像素DP_1、目标像素DP_2和目标像素DP_3。具体地，在第一步骤中，对处理区域R_1中的目标像素DP_1执行步骤101-步骤107中的至少一个。随后，对处理区域R_2中的目标像素DP_2执行步骤101-步骤107中的至少一个。随后，对处理区域R_3中的目标像素DP_3执行步骤101-步骤107中的至少一个。因此，由于不是对所有像素均执行步骤101-步骤107中的所有步骤，如图6所示的方法可以降低数据计算量。
在一个实施例中，同时处理目标像素DP_1、目标像素DP_2和目标像素DP_3所对应的数据，而不是逐步处理。例如，在一个实施例中，仅对处理区域R_1中的目标像素DP_1、处理区域R_2中的目标像素DP_2和处理区域R_3中的目标像素DP_3执行步骤101。首先获取用于目标像素DP_1、目标像素DP_2和目标像素DP_3的数据的地址。随后，根据所获得的地址，同时计算用于目标像素DP_1、目标像素DP_2和目标像素DP_3的图像亮度分布。
但是，如图7所示，目标像素DP_1、目标像素DP_2和目标像素DP_3中每个的位置与对应的处理区域R_1、处理区域R_2和处理区域R_3之间的关系可以不同，其可以被随机选择。
图8是例示根据本发明一实施例的图像处理系统的结构示意图。如图8所示，图像处理系统800包括用于执行图1中步骤101的图像亮度计算模块801、用于执行图1中步骤103的大气光估计模块803、用于执行图1中步骤105的传输估计模块805、用于执行图1中步骤107的提取模块807以及用于执行图1中步骤109的情景辐射亮度恢复模块809。在一个实施例中，提取模块807被移除。此外，在另一实施例中，图像处理系统800还包括用于将输入图像分成至少一个第一类型的图像区域的分类模块(此处未示出)。图像处理系统800的其他细节可以基于上述实施例而被获得，因此，为了简洁，此处省略。
图像亮度计算模块801、大气光估计模块803、传输估计模块805和提取模块807中的至少一个对输入图像的仅部分像素所对应的数据执行相应的操作。“相应的操作”表示模块执行相应的操作。例如，图像亮度计算模块的相应操作为“计算图像亮度分布”。
如上述的说明，图8中的这些模块可以由硬件(例如，电路)或者具有软件的硬件(例如，具有程序的处理器)来实现。图8中示出的这些模块也可以被组合成更少的模块或者被分成更多的模块。
鉴于上述实施例，基于更少的数据计算量，可以消除图像中的模糊，也可以将图像分成不同的区域，使得消除模糊的步骤可以更有效。
所属领域的技术人员易知，可在保持本发明的教示内容的同时对装置及方法作出诸多修改及变动。因此，以上公开内容应被视为仅受随附权利要求书的范围的限制。

Claims (22)

1.一种图像处理方法，其特征在于，用于图像处理系统，该方法包括：
(a)计算输入图像的图像亮度分布；
(b)对该输入图像执行大气光估计；
(c)根据该步骤(a)的结果，对该输入图像执行传输估计以生成传输估计参数；以及
(d)根据由该步骤(b)所生成的结果和该传输估计参数，恢复该输入图像的情景辐射亮度；
其中对该输入图像的仅部分像素所对应的数据执行步骤(a)-步骤(c)中的至少一个。
2.如权利要求1中所述的图像处理方法，其特征在于，
该输入图像被分成多个处理区域；
分别在该多个处理区域中的每一个中对至少一个目标像素执行步骤(a)-步骤(c)中的至少一个。
3.如权利要求2中所述的图像处理方法，其特征在于，每个目标像素的位置与相应的处理区域之间的关系是固定的。
4.如权利要求2中所述的图像处理方法，其特征在于，每个目标像素的位置与相应的处理区域之间的关系是随机的。
5.如权利要求1中所述的图像处理方法，其特征在于，通过计算用于该输入图像的暗原色先验理论，该步骤(a)计算该图像亮度分布。
6.如权利要求1中所述的图像处理方法，其特征在于，还包括：
根据该输入图像的亮度信息，将该输入图像分成至少一个第一类型图像区域和至少一个第二类型图像区域；
对该第一类型图像区域执行用于第一级别的步骤(a)-步骤(c)中的至少一个；以及
对该第二类型图像区域执行用于第二级别的步骤(a)-步骤(c)中的至少一个。
7.如权利要求1中所述的图像处理方法，其特征在于，
对该输入图像的仅部分像素所对应的数据执行该步骤(a)、该步骤(b)和该步骤(c)中的一个步骤，并对该输入图像的所有像素执行该步骤(a)、该步骤(b)和该步骤(c)中的其他步骤。
8.如权利要求1中所述的图像处理方法，其特征在于，对该输入图像的仅部分像素所对应的数据执行该步骤(a)、该步骤(b)和该步骤(c)中的至少两个步骤。
9.如权利要求8中所述的图像处理方法，其特征在于，对该输入图像的仅部分像素所对应的数据所执行的该步骤(a)、该步骤(b)和该步骤(c)中的该至少两个步骤是连续的。
10.如权利要求8中所述的图像处理方法，其特征在于，对该输入图像的仅部分像素所对应的数据所执行的该步骤(a)、该步骤(b)和该步骤(c)中的该至少两个步骤相互之间是非连续的。
11.如权利要求1中所述的图像处理方法，其特征在于，步骤(d)还包括：
提取该传输估计参数，其中对该输入图像的仅部分像素所对应的数据执行该步骤(d)。
12.一种图像处理系统，其特征在于，包括：
图像亮度计算模块，用于计算输入图像的图像亮度分布；
大气光估计模块，用于对该输入图像执行大气光估计；
传输估计模块，用于根据该图像亮度计算模块对该输入图像的结果，对该输入图像执行传输估计以生成传输估计参数；以及
情景辐射亮度恢复模块，用于根据由该大气光估计模块所生成的结果和该传输估计参数，恢复该输入图像的情景辐射亮度；
其中该图像亮度计算模块、该大气光估计模块和该传输估计模块中的至少一个对该输入图像的仅部分像素所对应的数据执行相应的操作。
13.如权利要求12中所述的图像处理系统，其特征在于，
该输入图像被分成多个处理区域；
该图像亮度计算模块、该大气光估计模块和该传输估计模块中的至少一个分别在该多个处理区域中的每一个中对至少一个目标像素执行相应的操作。
14.如权利要求13中所述的图像处理系统，其特征在于，每个目标像素的位置与相应的处理区域之间的关系是固定的。
15.如权利要求13中所述的图像处理系统，其特征在于，每个目标像素的位置与相应的处理区域之间的关系是随机的。
16.如权利要求12中所述的图像处理系统，其特征在于，通过计算用于该输入图像的暗原色先验理论，该图像亮度计算模块计算该图像亮度分布。
17.如权利要求12中所述的图像处理系统，其特征在于，还包括：
分类模块，用于根据该输入图像的亮度信息，将该输入图像分成至少一个第一类型图像区域和至少一个第二类型图像区域；
其中，该图像亮度计算模块、该大气光估计模块和该传输估计模块中的至少一个对该第一类型图像区域执行第一级别的相应的操作；以及
其中，该图像亮度计算模块、该大气光估计模块和该传输估计模块中的至少一个对该第二类型图像区域执行第二级别的相应的操作。
18.如权利要求12中所述的图像处理系统，其特征在于，
该图像亮度计算模块、该大气光估计模块和该传输估计模块中的一个对该输入图像的仅部分像素所对应的数据执行相应的操作，并该图像亮度计算模块、该大气光估计模块和该传输估计模块中的其他模块对该输入图像的所有像素执行相应的操作。
19.如权利要求12中所述的图像处理系统，其特征在于，该图像亮度计算模块、该大气光估计模块和该传输估计模块中的至少两个对该输入图像的仅部分像素所对应的数据执行相应的操作。
20.如权利要求19中所述的图像处理系统，其特征在于，该图像亮度计算模块、该大气光估计模块和该传输估计模块中的至少两个连续地对该输入图像的仅部分像素所对应的数据执行相应的操作。
21.如权利要求19中所述的图像处理系统，其特征在于，该图像亮度计算模块、该大气光估计模块和该传输估计模块中的至少两个非连续性地对该输入图像的仅部分像素所对应的数据执行相应的操作。
22.如权利要求12中所述的图像处理系统，其特征在于，还包括：
提取模块，用于提取该传输估计参数，其中该提取模块仅对该输入图像的仅部分像素所对应的数据执行相应的操作。
CN201810106485.0A 2017-02-06 2018-02-02 一种图像处理方法及图像处理系统 Withdrawn CN108492259A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/424,899 US10528842B2 (en) 2017-02-06 2017-02-06 Image processing method and image processing system
US15/424,899 2017-02-06

Publications (1)

Publication Number Publication Date
CN108492259A true CN108492259A (zh) 2018-09-04

Family

ID=63037252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810106485.0A Withdrawn CN108492259A (zh) 2017-02-06 2018-02-02 一种图像处理方法及图像处理系统

Country Status (3)

Country Link
US (1) US10528842B2 (zh)
CN (1) CN108492259A (zh)
TW (1) TW201830330A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345479A (zh) * 2018-09-28 2019-02-15 中国电子科技集团公司信息科学研究院 一种视频监控数据的实时预处理方法及存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017048927A1 (en) * 2015-09-18 2017-03-23 The Regents Of The University Of California Cameras and depth estimation of images acquired in a distorting medium
US10528842B2 (en) * 2017-02-06 2020-01-07 Mediatek Inc. Image processing method and image processing system
TWI674804B (zh) * 2018-03-15 2019-10-11 國立交通大學 視訊除霧處理裝置及方法
CN109255804A (zh) * 2018-08-10 2019-01-22 重庆大数据研究院有限公司 一种雾霾浓度估计方法
KR102575126B1 (ko) * 2018-12-26 2023-09-05 주식회사 엘엑스세미콘 영상 처리 장치 및 그 방법
CN113840123B (zh) * 2020-06-24 2024-05-31 上海赫千电子科技有限公司 一种车载图像的图像处理装置、汽车
CN113344802A (zh) * 2021-04-19 2021-09-03 大连海事大学 一种基于自适应的大气光融合的水下图像复原方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102170574A (zh) * 2011-05-23 2011-08-31 北京工业大学 一种实时视频去雾处理系统
CN102930514A (zh) * 2012-09-27 2013-02-13 西安电子科技大学 基于大气物理散射模型的快速图像去雾方法
US20130241810A1 (en) * 2012-03-19 2013-09-19 Japan Display West Inc. Image processing apparatus and image processing method
US20140055595A1 (en) * 2012-08-24 2014-02-27 Canon Kabushiki Kaisha Image restoration method, image restoration apparatus, and image-pickup apparatus
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
US20140177960A1 (en) * 2012-12-24 2014-06-26 Korea University Research And Business Foundation Apparatus and method of processing image
CN104091310A (zh) * 2014-06-24 2014-10-08 三星电子（中国）研发中心 一种图像去雾方法和装置
US9129399B2 (en) * 2013-03-11 2015-09-08 Adobe Systems Incorporated Optical flow with nearest neighbor field fusion
CN104899844A (zh) * 2015-06-30 2015-09-09 北京奇艺世纪科技有限公司 一种图像去雾方法及装置
US20160196637A1 (en) * 2015-01-06 2016-07-07 The Regents Of The University Of California Raw sensor image and video de-hazing and atmospheric light analysis methods and systems
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
CN106257540A (zh) * 2015-06-15 2016-12-28 联发科技股份有限公司 提供虚拟光的方法及其处理系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20170178297A1 (en) * 2014-02-19 2017-06-22 Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. Method and system for dehazing natural images using color-lines
US20150324662A1 (en) * 2014-05-08 2015-11-12 Tandent Vision Science, Inc. Method for identifying color-based vectors for analysis of frames of a video
SG11201708080VA (en) * 2015-03-30 2017-10-30 Agency Science Tech & Res Method and device for image haze removal
EP3261328B1 (en) * 2016-06-03 2021-10-13 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and computer-readable storage medium
US10140690B2 (en) * 2017-02-03 2018-11-27 Harman International Industries, Incorporated System and method for image presentation by a vehicle driver assist module
US10528842B2 (en) * 2017-02-06 2020-01-07 Mediatek Inc. Image processing method and image processing system

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102170574A (zh) * 2011-05-23 2011-08-31 北京工业大学 一种实时视频去雾处理系统
US20130241810A1 (en) * 2012-03-19 2013-09-19 Japan Display West Inc. Image processing apparatus and image processing method
US20140055595A1 (en) * 2012-08-24 2014-02-27 Canon Kabushiki Kaisha Image restoration method, image restoration apparatus, and image-pickup apparatus
CN102930514A (zh) * 2012-09-27 2013-02-13 西安电子科技大学 基于大气物理散射模型的快速图像去雾方法
US20140177960A1 (en) * 2012-12-24 2014-06-26 Korea University Research And Business Foundation Apparatus and method of processing image
US9129399B2 (en) * 2013-03-11 2015-09-08 Adobe Systems Incorporated Optical flow with nearest neighbor field fusion
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
CN104091310A (zh) * 2014-06-24 2014-10-08 三星电子（中国）研发中心 一种图像去雾方法和装置
US20160196637A1 (en) * 2015-01-06 2016-07-07 The Regents Of The University Of California Raw sensor image and video de-hazing and atmospheric light analysis methods and systems
CN106257540A (zh) * 2015-06-15 2016-12-28 联发科技股份有限公司 提供虚拟光的方法及其处理系统
CN104899844A (zh) * 2015-06-30 2015-09-09 北京奇艺世纪科技有限公司 一种图像去雾方法及装置
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345479A (zh) * 2018-09-28 2019-02-15 中国电子科技集团公司信息科学研究院 一种视频监控数据的实时预处理方法及存储介质
CN109345479B (zh) * 2018-09-28 2021-04-06 中国电子科技集团公司信息科学研究院 一种视频监控数据的实时预处理方法及存储介质

Also Published As

Publication number Publication date
US10528842B2 (en) 2020-01-07
US20180225545A1 (en) 2018-08-09
TW201830330A (zh) 2018-08-16

Similar Documents

Publication Publication Date Title
CN108492259A (zh) 一种图像处理方法及图像处理系统
CN107527332B (zh) 基于改进Retinex的低照度图像色彩保持增强方法
US9361670B2 (en) Method and system for image haze removal based on hybrid dark channel prior
Tang et al. Investigating haze-relevant features in a learning framework for image dehazing
US9842382B2 (en) Method and device for removing haze in single image
US9197789B2 (en) Method and system for removal of fog, mist, or haze from images and videos
WO2016206087A1 (zh) 一种低照度图像处理方法和装置
Shiau et al. Weighted haze removal method with halo prevention
CN102750674A (zh) 基于自适应容差的视频图像去雾方法
CN102768760A (zh) 一种基于图像纹理的图像快速去雾方法
Fang et al. Single image dehazing and denoising with variational method
Ren et al. Deep video dehazing
CN106657948A (zh) 低照度Bayer图像的增强方法及增强装置
Li et al. Contrast enhancement based single image dehazing via TV-L 1 minimization
CN109345479B (zh) 一种视频监控数据的实时预处理方法及存储介质
Gadnayak et al. A survey on image dehazing methods
CN112907467B (zh) 彩虹纹去除方法、装置及电子设备
Lai et al. Single image dehazing with optimal transmission map
US10497100B2 (en) Image cancellation from video
CN111028184B (zh) 一种图像增强方法及系统
Mutaqin et al. Increase dehazing process using fast guided filter on the dark channel prior
CN107862670A (zh) 一种针对红外成像电串扰的图像复原方法
CN103065288A (zh) 图像去雾方法及装置
Gautam et al. An advanced visibility restoration technique for underwater images
Im et al. Single image-based spatially adaptive dynamic range extension using combined color-channels transmission map

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20180904