CN108596849A - 一种基于天空区域分割的单幅图像去雾方法 - Google Patents
一种基于天空区域分割的单幅图像去雾方法 Download PDFInfo
- Publication number
- CN108596849A CN108596849A CN201810368124.3A CN201810368124A CN108596849A CN 108596849 A CN108596849 A CN 108596849A CN 201810368124 A CN201810368124 A CN 201810368124A CN 108596849 A CN108596849 A CN 108596849A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- sky areas
- value
- point
- 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 67
- 230000011218 segmentation Effects 0.000 title claims abstract description 36
- 230000000007 visual effect Effects 0.000 claims abstract description 38
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000005540 biological transmission Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 125000001475 halogen functional group Chemical group 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 2
- 239000012466 permeate Substances 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000029052 metamorphosis Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012546 transfer 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06T7/13—Edge detection
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于天空区域分割的单幅图像去雾方法,解决了传统暗通道去雾算法对天空区域不适应而产生负面视觉效果的缺点。综合利用图像中的视觉特征,采用一种简单线性迭代聚类和边缘检测相结合的方法准确分割出图像中的天空区域。在此基础上,依据平均饱和度先验对非天空区域进行独立透射率估计,并对天空区域进行独立的视觉效果增强处理,从而克服了对天空区域进行传统去雾处理引起的过增强、色偏等负面效应。最后,针对去雾后图像偏暗的缺点,提出了一种基于导向滤波器的Retinex方法进行增强,进一步提升了去雾处理后图像的视觉效果。
Description
技术领域
本发明涉及一种基于天空区域分割的单幅图像去雾方法,属于图像处理技术领域。
背景技术
在雾霾天气下所拍摄的图像/视频,受制于大气中混浊的媒介(如水溶胶、雾气、霾等)对光的吸收、散射以及折射等影响,使得光学传感器的成像精确性降低,进而直接导致图像可视性减弱,如对比度模糊,色彩迁移,动态范围缩小。鉴于计算机视觉系统中图像理解、目标识别、目标跟踪等领域的很多应用都是基于输入图像或视频是在理想天气条件下拍摄为前提,故图像的清晰度对后续判读、分析、识别以及计量结果的准确性会产生一定的影响。因此,研究快速图像去雾算法越来越受到广大研究人员的关注。
近年来,单幅图像去雾得到了很多学者的关注,这些方法通过采用单幅图像中包含的先验信息或提出一些合理的假设,实现图像去雾,He等人通过对大量户外无雾图像的观察,提出了暗通道先验去雾算法,取得了良好的效果,但是仍有缺陷。该方法在对透射率进行细化时采用的软抠图算法复杂度较高,难以实现图像的实时去雾;由于天空区域不满足暗通道先验,复原图像在天空区域容易出现噪声和色彩失真;此外,通过暗通道去雾以后的图像色彩偏暗,降低了部分视觉效果。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于天空区域分割的单幅图像去雾的方法,解决暗通道去雾算法对天空区域不适用和去雾后图像亮度偏暗的缺点。
为了实现上述目标,本发明采用如下的技术方案:
一种基于天空区域分割的单幅图像去雾方法,其特征是,包括如下步骤:
步骤1)获取雾天图像I(x,y);
步骤2)根据图像的多视觉特征,对图像进行分割预处理;所述多视觉特征包括位置信息、亮度信息、饱和度信息和视觉显著度信息;
步骤3)根据步骤2)引入的视觉特征,每个特征都从不同的角度反映了天空区域的特点,将所有特征进行特征融合,融合为一个特征向量,作为超像素的最终特征Ci=[Li,Fi,Si,Xi]T,这里的Li是空间位置,Fi是亮度特征,Si是饱和度特征,Xi是视觉显著度特征;
步骤4)用SLIC超像素处理的思想对采集到的原始图像进行分割预处理,得到若干超像素;
步骤5)对于步骤4)得到的初步分割结果,用边缘检测的方法把图像分割为天空区域和非天空区域;
步骤6)在步骤5)中提取出的天空区域内,进行全局大气光估计;在天空区域的暗通道图中找到亮度最强的前0.1%的像素,并在其中选择具有最高像素强度的像素,将其定义为全局大气光;
步骤7)对于步骤5)提取出的非天空区域,采用一种平均饱和度先验的透射率估计方式;对于天空区域的透射率则认定为1;
结合天空区域和非天空区域的透射率,得到雾天图像的透射图;
利用导向滤波器对透射图进行平滑处理来消除透射率突变而产生的光晕效应;
将估计所得的各点透射率和全局大气光代入大气散射模型,恢复出相应的清晰图像;
步骤8)针对去雾以后图像偏暗的特点,采用一种采用导向滤波器的Retinex方法对图像进行增强:先将去雾以后的图像从RGB空间转换到HSV空间,使颜色分量和亮度分量分离,在处理过程中只对亮度分量进行增强;
步骤9)在亮度通道V对输入图像进行入射分量的提取:采用导向滤波器对输入图像进行处理,估计出入射分量和光照分量,根据Retinex理论,可计算出反射分量,即增强后的清晰图像;
步骤10)将图像从HSV空间转换回RGB空间,输出最后的彩色图像。
前述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤3)的具体步骤如下:
各个特征的相似度度量标准如下:
位置空间的距离式中xk是种子像素点横坐标,yk是种子像素点纵坐标,xi是种子像素点邻近距离的一定范围内各个相邻像素点的横坐标,yi是种子像素点邻近距离的一定范围内各个相邻像素点的纵坐标;
亮度相似度度量dF=|Ik-Ii|,式中Ik是种子像素点的亮度特征值,Ii是种子相邻像素点的亮度特征值,I=(r+g+b)/3,其中r,g,b分别为红,绿,蓝三个颜色通道的像素值;
饱和度相似度度量dS=|Sk-Si|,式中Sk是种子像素点的饱和度特征值,Si是种子相邻像素点的饱和度特征值,S=[Max(r,g,b)-Min(r,g,b)]/Max(r,g,b);
视觉显著度相似度度量dX=|Xk-Xi|,式中Xk是种子像素点的视觉显著度特征值,Xi是种子邻像素点的视觉显著度特征值;
最后像素点的总的相似度为P=dL+dF+dS+dX,根据相似度描述判断图像局部特征的相似性
前述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述视觉显著度特征值采用Achanta.R等人提出的基于Lab颜色模型的视觉显著性模型数学模型,X(x,y)=||Iμ-ILab(x,y)||,其中Iμ表示L,a,b颜色模型中L,a,b三个通道的平均值,ILab表示图像L,a,b颜色通道经过高斯滤波以后的对应值;
在计算得到dL,dF,dS,dX后,均进行归一化到[0,1]之间。
前述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤4)中的具体步骤如下:
41)初始化种子点:假设原图像有P个像素点,超像素预期分割个数为SP,由计算出每个超像素的初始大小为G×G,且每个种子点之间的距离近似为G;
42)在种子点的n×n邻域内重新选择种子点,n依据经验值选择;
43)在每个聚类中心周围2G×2G的像素点区域内进行聚类,不断的迭代直至误差收敛或者迭代次数大于一定次数。
前述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤42)的具体方式为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方。
前述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤5)中采用colorgrad的方法,直接在RGB空间检测,具体步骤如下:
在梯度方向上获取边缘信息,根据梯度的定义,对于多变量函数f(x,y),定义i,j为x,y方向上的单位矢量,则f(x,y)的梯度为:
假设梯度方向与X轴的角度是θ,f(x,y)的梯度大小为:
对于RGB颜色空间的彩色图像,将f(x,y)扩展到三维空间为f(R(x,y),G(x,y),B(x,y));
定义r,g,b为RGB颜色空间的R,G,B三个方向上的单位矢量,对于图像I的每个像素(x,y),将r,g,b结合起来,得
用gxx,gyy和gxy分别代表内积,有 计算出梯度值为
进行二值化以得到纠正过的二进制边缘图像E,在二进制边缘图像里边,1代表边缘;在E里边用一个适应性的区域Ω来检测边缘,若区域Ω里的像素都满足条件则这些像素可以被认为是天空区域的一部分,其中It是强度分量的阈值,区域Ω的大小l=max(3,max(h×ξ,w×ξ)),其中h,w是P的高度和宽度,ξ是区域尺寸调节系数。
前述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述阈值It=0.65×Imax+0.35×Imin,Imax和Imin分别是I的最大值和最小值。
前述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤6)中暗通道定义为其中Jc是任意图像J的一个颜色通道,Ω(x)是中心在x的一个局部块,minc∈{r,g,b}是对每个像素取最小值,miny∈Ω(x)是最小值滤波。
前述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤7)提出的采用平均饱和度先验的透射率估计方法,具体步骤如下:
依据大气散射模型I(x,y)=J(x,y)·t(x,y)+A·(1-t(x,y)),其中I(x,y)表示所采集到的雾天降质图像,J(x,y)为清晰图像,t(x,y)表示透射率,描述了光线在大气介质中的衰减程度,A是全局大气光。清晰图像J(x,y)表示为一个只与透射率t(x,y)有关的函数ψ(t(x,y)):
清晰图像J(x,y)的邻域平均饱和度表示为一个仅与透射率t(x,y)有关的函数ζ(ψ(t(x,y))),JR、JG、JB分别对应图像J的R通道、G通道、B通道:
依据平均饱和度先验知识,即清晰图像J(x,y)的平均饱和度为“0.106”,计算出符合平均饱和度先验的各像素透射率t(x,y),具体过程如下:
假设图像在一定的局部邻域范围内的透射率是恒定的,构建透射率的优化模型如下:利用黄金分割法进行求解,便可得到各像素的透射率。
前述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤9)采用基于导向滤波器的Retinex方法增强图像的具体步骤如下:
91)根据Retinex图像增强理论,即人眼所看到的图像S(x,y)由入射分量L(x,y)和反射分量R(x,y)组成,表示为S(x,y)=L(x,y)×R(x,y);
92)把亮度通道值Jv(x,y)作为输入,则输出图像q在窗口中心位于k,半径为z的方框ωk内是引导图像Jv(x,y)的线性变换qi是方框ωk内任意一点i处的输出图像的值,Ji表示引导图像Jv(x,y)在方框ωk内任意一点i处的值,ak,bk在方框ωk内是恒定的常数;
93)通过求解方程的最优解得出其中μk是J在窗口ωk中的均值,是J在窗口ωk的方差,|w|是窗口ωk中像素的数量,是待滤波图像p在窗口ωk内的均值,即pi表示待滤波图像p在窗口内任意点i处的值,ε是规整化因子,可防止ak取值过大,本发明中取ε=10-3;
94)具体求某一点的输出值时,将所有包含该点的线性函数值平均其中
95)用导向滤波方法估计出光照分量L=Guidefilter(Jv,z,ε),根据Retinex理论S(x,y)=L(x,y)×R(x,y),得出反射分量R(x,y),即增强后的图像。
本发明所达到的有益效果:1)本发明基于对大量图像的观察,总结出天空区域的视觉特征,并根据天空区域的位置信息,亮度信息,饱和度信息,视觉显著度信息进行信息融合,采用SLIC超像素处理的思想对采集到的原始图像进行分割预处理,得到若干超像素;再提取梯度信息,用边缘检测的方法准确分割出天空区域,对天空区域和非天空区域分别估计其透射率,解决了He算法不适用于天空区域的缺点;2)针对提取出的非天空区域,采用一种平均饱和度先验的透射率估计方式;而对于天空区域的透射率则认定为1。透射率估计为消除透射率突变而产生的“光晕”效应,利用导向滤波器对透射图进行平滑处理。本发明采用的结合天空区域识别的透射率估计方法更具有普适性,针对天空识别结果修正以后的投射率估计方法能够使得去雾以后天空区域更加自然平滑,没有明显失真。不存在天空区域的图像,对比度大大提升,在景深较大的地方能够恢复出更多的细节3)针对去雾后图像整体偏暗的缺点,采用一种基于导向滤波的改进Retinex算法对图像进行增强,在保持色彩恒常性,增强对比度,抑制光晕现象等方面都有很好的效果,使得去雾后图像的视觉效果更佳。
附图说明
图1是本发明的框架原理图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
一种基于天空区域分割的单幅图像去雾的方法,其特征是,包括如下步骤:
步骤1)获取雾天图像I(x,y);
步骤2)根据图像的多视觉特征,对图像进行分割预处理。本发明主要考虑图像的位置信息,亮度特征,饱和度特征,视觉显著度特征对采集到的图像进行特征提取。
这里引入超像素的特征信息,本发明提出充分考虑超像素中所有像素的特征信息,主要包括位置信息,亮度信息,饱和度信息,视觉显著度信息。位置信息:通过对大量包含天空的有雾图像的观察,不难发现天空区域一般位于图像上方,因此位置特征为分割天空区域和非天空区域提供重要信息;亮度信息:通过观察天空场景样本发现,在室外有雾场景中,天空区域一般亮度较高,可以将亮度信息作为分割的依据。饱和度信息:观察采集的样本可知,尽管不同时间天空形态变化多种多样,但是天空区域颜色分布相对集中。相反,非天空区域颜色分布分散,因此天空区域饱和度低,可以作为分割天空区域和非天空区域的特征之一。视觉显著度:视觉显著度是描述图像中不同位置空间或者视觉对象对人眼产生的视觉刺激程度。天空区域具有较弱的视觉显著度,为我们分割天空区域提供有用信息。
步骤3)根据步骤2)引入的视觉特征,每个特征都从不同的角度反映了天空区域的特点,把这些特征做简单的特征融合,即将四种特征融合为一个特征向量,作为超像素的最终特征Ci=[Li,Fi,Si,Xi]T,这里的Li是空间位置,Fi是亮度特征,Si是饱和度特征,Xi是视觉显著度特征。
图像的多视觉特征做特征融合具体步骤如下:
各个特征的相似度度量标准如下:
位置空间的距离式中xk,yk是种子像素点横坐标和纵坐标,xi,yi是种子像素点邻近距离的一定范围内各个相邻像素点的横坐标和纵坐标。
亮度相似度度量dF=|Ik-Ii|,式中Ik,Ii分别是种子像素点和相邻像素点的亮度特征值,I=(r+g+b)/3,其中r,g,b分别为红,绿,蓝三个颜色通道的像素值。
饱和度相似度度量dS=|Sk-Si|,式中Sk,Si分别是种子像素点和相邻像素点的饱和度特征值,S=[Max(r,g,b)-Min(r,g,b)]/Max(r,g,b),其中r,g,b分别为红,绿,蓝三个颜色通道的像素值。
视觉显著度度量dX=|Xk-Xi|,式中Xk,Xi分别是种子像素点和相邻像素点的视觉显著度特征值,这里的视觉显著度特征值采用Achanta.R等提出的基于Lab颜色模型的视觉显著性模型数学模型,X(x,y)=||Iμ-ILab(x,y)||,其中Iμ表示L,a,b颜色模型L,a,b三个通道的平均值,ILab表示图像L,a,b颜色通道经过高斯滤波以后的对应值。
最后像素点的总的相似度为P=dL+dF+dS+dX,实际操作中,dL,dF,dS,dX都被归一化在[0,1]之间,根据相似度描述判断图像局部特征的相似性
步骤4)用SLIC(simple linear iterative clustering)超像素处理的思想对采集到的原始图像进行分割预处理,得到若干超像素。
步骤4)中用SLIC(simple linear iterative clustering)超像素处理的思想进行超像素分割,实施步骤如下:
4.1)初始化种子点:假设原图像有P个像素点,超像素预期分割个数为SP,由可以计算出每个超像素的初始大小为G×G,且每个种子点之间的距离近似为G。
4.2)在种子点的n×n邻域内重新选择种子点(一般取n=3)。具体方法为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上,以免影响后续聚类效果,同时为每个种子分配单独的标签。
4.3)在每个聚类中心周围2G×2G的像素点区域内进行聚类,不断的迭代直至误差收敛或者迭代次数大于一定次数,大量研究证明迭代十次即可取得理想效果,本发明取次数上限为十次。
步骤5)对于步骤4)得到的初步分割结果,进一步提取其梯度信息,用边缘检测的方法把图像分割为天空区域和非天空区域。传统的方法通常用Canny算子检测灰度图的边缘,但是对于彩色图像,这些方法无法充分利用彩色信息,检测出的边缘可能会不连续。
本发明采用colorgrad的方法,直接在RGB空间检测,具体步骤如下:
像其他边缘检测的方法一样,colorgrad的方法也在梯度方向上获取边缘信息。根据梯度的定义,对于多变量函数f(x,y),定义i,j为x,y方向上的单位矢量,则f(x,y)的梯度为:
假设梯度方向和X轴的角度是θ,f(x,y)的梯度大小为:
同样的,对于RGB颜色空间的彩色图像,我们可以把f(x,y)扩展到三维空间为f(R(x,y),G(x,y),B(x,y))。像之前讨论的那样,我们定义r,g,b为RGB颜色空间的R,G,B三个方向上的单位矢量。对于图像I的每个像素(x,y),我们可以把r,g,b结合起来,得
为了得到梯度大小,需要计算出像上述等式的梯度值。由于u,v都是矢量,可以用gxx,gyy和gxy分别代表内积,如下表示:
然后可以计算出梯度值为
Fθ(·)是梯度值的大小,其尺寸和输入图像一样。由于同时考虑三个颜色通道,可以避免边缘图像的不连续性。最后,进行二值化以得到纠正过的二进制边缘图像E,在二进制边缘图像里边,1代表边缘。在E里边用一个适应性的区域Ω来检测边缘,若区域Ω里的像素都满足条件则这些像素可以被认为是天空区域的一部分。这里的It是强度分量的阈值,区域Ω的大小
l=max(3,max(h×ξ,w×ξ))
其中h,w是P的高度和宽度,ξ是区域尺寸调节系数,根据经验值,我们把阈值设置为It=0.65×Imax+0.35×Imin
Imax和Imin分别是I的最大值和最小值,为了避免设置过高,通过一些实验,我们发现最大值对于获取天空区域影响更大,因此我们多测量以获得更好的结果。
步骤6)在步骤5)中提取出的天空区域内,进行全局大气光估计,这里在天空区域的暗通道图中找到亮度最强的前0.1%的像素,并在其中选择具有最高像素强度的像素,将其定义为全局大气光。暗通道定义为其中Jc是任意图像J的一个颜色通道,Ω(x)是中心在x的一个局部块。暗通道是进行两次最小值操作得到的结果,其中minc∈{r,g,b}是对每个像素取最小值,miny∈Ω(x)是最小值滤波,两次最小值操作可以交换位置。
步骤7)对于步骤5)提取出的非天空区域,采用一种平均饱和度先验的透射率估计方式;而对于天空区域的透射率则认定为1。结合天空区域和非天空区域的透射率,便可得到雾天图像的透射图。为消除透射率突变而产生的“光晕”效应,利用导向滤波器对透射图进行平滑处理。
将估计所得的各点透射率和全局大气光代入大气散射模型,便可恢复出相应的清晰图像。
提出的采用平均饱和度先验的透射率估计方法,具体步骤如下:
依据大气散射模型如下:I(x,y)=J(x,y)·t(x,y)+A·(1-t(x,y))(1),
其中I(x,y)表示所采集到的雾天降质图像,J(x,y)为清晰图像,t(x,y)表示透射率,描述了光线在大气介质中的衰减程度,A是全局大气光。则清晰图像J(x,y)可表示为一个只与透射率t(x,y)有关的函数ψ(t(x,y)):
进而,清晰图像J(x,y)的邻域平均饱和度也可以表示为一个仅与透射率t(x,y)有关的函数ζ(ψ(t(x,y)))如下:
依据平均饱和度先验知识,即清晰图像J(x,y)的平均饱和度为“0.106”,计算出符合平均饱和度先验的各像素透射率t(x,y),具体过程如下:
假设图像在一定的局部邻域范围内(15×15)的透射率是恒定的,构建透射率的优化模型如下:
构建该模型的核心思想为:在图像的局部邻域范围内(15×15)求解出一个最优的透射率t(x,y),而该透射率所对应的清晰图像J(x,y)的平均饱和度应当符合“平均饱和度先验”的。利用黄金分割法对公式(4)进行求解,便可得到各像素的透射率。
步骤8)针对去雾以后图像偏暗的特点,本发明采用一种采用导向滤波器的Retinex方法对图像进行增强,先将去雾以后的图像从RGB空间转换到HSV空间,使颜色分量和亮度分量分离,在处理过程中只对亮度分量进行增强。
先将去雾以后的图像J(x,y)从RGB颜色空间转换到HSV颜色空间,传统的Retinex算法分别对图像中的色彩通道进行增强,再将结果合成RGB图像,增强之后的比例关系遭到破坏,转换色彩空间则只需要对V通道进行增强,去噪处理效果良好。
步骤9)在亮度通道V对输入图像进行入射分量的提取。本发明采用导向滤波器对输入图像进行处理,估计出入射分量。导向滤波器具有很好的边缘保留特性,能更好的保留图像的纹理信息。估计出光照分量,根据Retinex理论,可计算出反射分量,即增强后的清晰图像。
采用基于导向滤波器的Retinex方法增强图像具体步骤如下:
91)根据Land提出的Retinex图像增强理论,即人眼所看到的图像S(x,y)由入射分量L(x,y)和反射分量R(x,y)组成,表示为S(x,y)=L(x,y)×R(x,y)。
Retinex理论的实质就是从输入图像S(x,y)中消除入射分量L(x,y)的影响,恢复出物体的本来面貌R(x,y),本发明根据Retinex理论,把去雾以后的图像亮度通道图Jv(x,y)作为输入图像,将其分解为入射分量Lv(x,y)和反射分量Rv(x,y)。
本发明采用导向滤波的方法估计光照分量,导向滤波器具有很好的边缘保留特性,能够很好的消除halo效应。
92)把亮度通道值Jv(x,y)作为输入,则输出图像q在窗口中心位于k,半径为r的方框ωk内是引导图像Jv(x,y)的线性变换qi是方框ωk内任意一点i处的输出图像的值,Ji表示引导图像Jv(x,y)在方框ωk内任意一点i处的值,ak,bk在方框ωk内是恒定的常数;
93)通过求解方程的最优解得出,这里的ε是正则化参数,其对优化效果不敏感,本发明取ε=10-3,解出其中μk是J在窗口ωk中的均值,是J在窗口ωk的方差,|w|是窗口ωk中像素的数量。是待滤波图像p在窗口ωk内的均值,即
94)在计算每个窗口的线性系数时,我们可以发现一个像素会被多个窗口包含,也就是说,每个像素都由多个线性函数所描述。因此,如之前所说,要具体求某一点的输出值时,只需将所有包含该点的线性函数值平均即可其中
95)用导向滤波方法估计出光照分量L=Guidefilter(Jv,z,ε),根据Retinex理论S(x,y)=L(x,y)×R(x,y),得出反射分量R(x,y),即增强后的图像。
步骤10)将图像从HSV空间转换回RGB空间,输出最后的彩色图像。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于天空区域分割的单幅图像去雾方法,其特征是,包括如下步骤:
步骤1)获取雾天图像I(x,y);
步骤2)根据图像的多视觉特征,对图像进行分割预处理;所述多视觉特征包括位置信息、亮度信息、饱和度信息和视觉显著度信息;
步骤3)根据步骤2)引入的视觉特征,每个特征都从不同的角度反映了天空区域的特点,将所有特征进行特征融合,融合为一个特征向量,作为超像素的最终特征Ci=[Li,Fi,Si,Xi]T,这里的Li是空间位置,Fi是亮度特征,Si是饱和度特征,Xi是视觉显著度特征;
步骤4)用SLIC超像素处理的思想对采集到的原始图像进行分割预处理,得到若干超像素;
步骤5)对于步骤4)得到的初步分割结果,用边缘检测的方法把图像分割为天空区域和非天空区域;
步骤6)在步骤5)中提取出的天空区域内,进行全局大气光估计;在天空区域的暗通道图中找到亮度最强的前0.1%的像素,并在其中选择具有最高像素强度的像素,将其定义为全局大气光;
步骤7)对于步骤5)提取出的非天空区域,采用一种平均饱和度先验的透射率估计方式;对于天空区域的透射率则认定为1;
结合天空区域和非天空区域的透射率,得到雾天图像的透射图;
利用导向滤波器对透射图进行平滑处理来消除透射率突变而产生的光晕效应;
将估计所得的各点透射率和全局大气光代入大气散射模型,恢复出相应的清晰图像;
步骤8)针对去雾以后图像偏暗的特点,采用一种采用导向滤波器的Retinex方法对图像进行增强:先将去雾以后的图像从RGB空间转换到HSV空间,使颜色分量和亮度分量分离,在处理过程中只对亮度分量进行增强;
步骤9)在亮度通道对输入图像进行入射分量的提取:采用导向滤波器对输入图像进行处理,估计出入射分量和光照分量,根据Retinex理论,可计算出反射分量,即增强后的清晰图像;
步骤10)将图像从HSV空间转换回RGB空间,输出最后的彩色图像。
2.根据权利要求1所述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤3)的具体步骤如下:
各个特征的相似度度量标准如下:
位置空间的距离式中xk是种子像素点横坐标,yk是种子像素点纵坐标,xi是种子像素点邻近距离的一定范围内各个相邻像素点的横坐标,yi是种子像素点邻近距离的一定范围内各个相邻像素点的纵坐标;
亮度相似度度量dF=|Ik-Ii|,式中Ik是种子像素点的亮度特征值,Ii是种子相邻像素点的亮度特征值,且亮度特征值I=(r+g+b)/3,其中r,g,b分别为红,绿,蓝三个颜色通道的像素值;
饱和度相似度度量dS=|Sk-Si|,式中Sk是种子像素点的饱和度特征值,Si是种子相邻像素点的饱和度特征值,且饱和度特征值S=[Max(r,g,b)-Min(r,g,b)]/Max(r,g,b);
视觉显著度相似度度量dX=|Xk-Xi|,式中Xk是种子像素点的视觉显著度特征值,Xi是种子邻像素点的视觉显著度特征值;
最后像素点的总的相似度为P=dL+dF+dS+dX,根据相似度描述判断图像局部特征的相似性。
3.根据权利要求2所述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述视觉显著度特征值采用基于Lab颜色模型的视觉显著性模型数学模型,即X(x,y)=||Iμ-ILab(x,y)||,其中Iμ表示L,a,b颜色模型中L,a,b三个通道的平均值,ILab表示图像L,a,b颜色通道经过高斯滤波以后的对应值;
在计算得到dL,dF,dS,dX后,均进行归一化到[0,1]之间。
4.根据权利要求1所述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤4)中的具体步骤如下:
41)初始化种子点:假设原图像有P个像素点,超像素预期分割个数为SP,由计算出每个超像素的初始大小为G×G,且每个种子点之间的距离近似为G;
42)在种子点的n×n邻域内重新选择种子点,n依据经验值选择;
43)在每个聚类中心周围2G×2G的像素点区域内进行聚类,不断的迭代直至误差收敛或者迭代次数大于一定次数。
5.根据权利要求4所述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤42)的具体方式为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方。
6.根据权利要求1所述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤5)中采用colorgrad的方法,直接在RGB空间检测,具体步骤如下:
在梯度方向上获取边缘信息,根据梯度的定义,对于多变量函数f(x,y),定义i,j为x,y方向上的单位矢量,则f(x,y)的梯度为:
假设梯度方向与X轴的角度是θ,f(x,y)的梯度大小为:
对于RGB颜色空间的彩色图像,将f(x,y)扩展到三维空间为f(R(x,y),G(x,y),B(x,y));
定义r,g,b为RGB颜色空间的R,G,B三个方向上的单位矢量,对于图像I的每个像素(x,y),将r,g,b结合起来,得
用gxx,gyy和gxy分别代表内积,有 计算出梯度值为
进行二值化以得到纠正过的二进制边缘图像E,在二进制边缘图像里边,1代表边缘;在E里边用一个适应性的区域Ω来检测边缘,若区域Ω里的像素都满足条件则这些像素可以被认为是天空区域的一部分,其中It是强度分量的阈值,区域Ω的大小l=max(3,max(h×ξ,w×ξ)),其中h,w是P的高度和宽度,ξ是区域尺寸调节系数。
7.根据权利要求6所述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述阈值It=0.65×Imax+0.35×Imin,Imax和Imin分别是I的最大值和最小值。
8.根据权利要求1所述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤6)中暗通道定义为其中Jc是任意图像J的一个颜色通道,Ω(x)是中心在x的一个局部块,minc∈{r,g,b}是对每个像素取最小值,miny∈Ω(x)是最小值滤波。
9.根据权利要求1所述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤7)提出的采用平均饱和度先验的透射率估计方法,具体步骤如下:
依据大气散射模型:I(x,y)=J(x,y)·t(x,y)+A·(1-t(x,y)),其中I(x,y)表示所采集到的雾天降质图像,J(x,y)为清晰图像,t(x,y)表示透射率,描述了光线在大气介质中的衰减程度,A是全局大气光,清晰图像J(x,y)表示为一个只与透射率t(x,y)有关的函数ψ(t(x,y)):
清晰图像J(x,y)的邻域平均饱和度表示为一个仅与透射率t(x,y)有关的函数ζ(ψ(t(x,y))),JR、JG、JB分别对应图像J的R通道、G通道、B通道:(x',y')∈Ω(x,y),c∈{R,G,B};
依据平均饱和度先验知识,即清晰图像J(x,y)的平均饱和度为“0.106”,计算出符合平均饱和度先验的各像素透射率t(x,y),具体过程如下:
假设图像在一定的局部邻域范围内的透射率是恒定的,构建透射率的优化模型如下:利用黄金分割法进行求解,便可得到各像素的透射率。
10.根据权利要求1所述的一种基于天空区域分割的单幅图像去雾方法,其特征是,所述步骤9)采用基于导向滤波器的Retinex方法增强图像的具体步骤如下:
91)根据Retinex图像增强理论,即人眼所看到的图像S(x,y)由入射分量L(x,y)和反射分量R(x,y)组成,表示为S(x,y)=L(x,y)×R(x,y);
92)把亮度通道值Jv(x,y)作为引导图像,则输出图像q在窗口中心位于k,半径为z的方框ωk内是Jv(x,y)的线性变换qi=akJi+bk,qi是方框ωk内任意一点i处的输出图像的值,Ji表示引导图像Jv(x,y)在方框ωk内任意一点i处的值,ak,bk在方框ωk内是恒定的常数;
93)通过求解方程的最优解得出其中μk是J在窗口ωk中的均值,是J在窗口ωk的方差,|w|是窗口ωk中像素的数量,是待滤波图像p在窗口ωk内的均值,即pi表示待滤波图像p在窗口内任意点i处的值,ε是规整化因子;
94)具体求某一点的输出值时,将所有包含该点的线性函数值平均其中
95)用导向滤波方法估计出光照分量L=Guidefilter(Jv,z,ε),根据Retinex理论S(x,y)=L(x,y)×R(x,y),得出反射分量R(x,y),即增强后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810368124.3A CN108596849B (zh) | 2018-04-23 | 2018-04-23 | 一种基于天空区域分割的单幅图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810368124.3A CN108596849B (zh) | 2018-04-23 | 2018-04-23 | 一种基于天空区域分割的单幅图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596849A true CN108596849A (zh) | 2018-09-28 |
CN108596849B CN108596849B (zh) | 2021-11-23 |
Family
ID=63614034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810368124.3A Active CN108596849B (zh) | 2018-04-23 | 2018-04-23 | 一种基于天空区域分割的单幅图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596849B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242805A (zh) * | 2018-10-24 | 2019-01-18 | 西南交通大学 | 一种基于独立分量分析的单幅图像雾霾快速去除方法 |
CN109741322A (zh) * | 2019-01-08 | 2019-05-10 | 南京蓝绿物联科技有限公司 | 一种基于机器学习的能见度测量方法 |
CN109752089A (zh) * | 2019-01-28 | 2019-05-14 | 大连海事大学 | 一种基于中间视觉特性和光源透雾性的亮度计算方法 |
CN109886885A (zh) * | 2019-01-23 | 2019-06-14 | 齐鲁工业大学 | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 |
CN110175962A (zh) * | 2019-05-22 | 2019-08-27 | 南京信息职业技术学院 | 一种基于区域显著性识别的红外图像增强方法 |
CN110310241A (zh) * | 2019-06-26 | 2019-10-08 | 长安大学 | 一种融合深度区域分割的多大气光值交通图像去雾方法 |
CN110533616A (zh) * | 2019-08-30 | 2019-12-03 | 福建省德腾智能科技有限公司 | 一种图像天空区域分割的方法 |
CN110969584A (zh) * | 2019-10-12 | 2020-04-07 | 深圳供电局有限公司 | 一种低照度图像增强方法 |
CN111127384A (zh) * | 2018-10-15 | 2020-05-08 | 华东交通大学 | 基于偏振成像的强反射工件视觉测量方法 |
CN111553214A (zh) * | 2020-04-20 | 2020-08-18 | 哈尔滨工程大学 | 一种驾驶员吸烟行为检测方法及系统 |
CN111667433A (zh) * | 2020-06-09 | 2020-09-15 | 中国电子科技集团公司第五十四研究所 | 一种基于简单线性迭代聚类优化的无人机图像去雾方法 |
CN111695633A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 基于rpf-cam的低照度目标检测方法 |
CN111798388A (zh) * | 2020-06-29 | 2020-10-20 | 武汉大学 | 基于Faster R-CNN结合暗通道去雾算法的大型船舶识别方法 |
CN111985492A (zh) * | 2019-05-24 | 2020-11-24 | 浙江能脉新能源科技有限公司 | 一种云识别方法 |
CN112017128A (zh) * | 2020-08-24 | 2020-12-01 | 东南大学 | 一种图像自适应去雾方法 |
CN112419149A (zh) * | 2020-11-02 | 2021-02-26 | 武汉大学 | 一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法 |
CN112465720A (zh) * | 2020-11-27 | 2021-03-09 | 南京邮电大学 | 一种基于图像天空分割的图像去雾方法、装置和存储介质 |
CN112529813A (zh) * | 2020-12-18 | 2021-03-19 | 四川云从天府人工智能科技有限公司 | 图像去雾处理方法、装置及计算机存储介质 |
CN112767278A (zh) * | 2021-01-28 | 2021-05-07 | 湖南大学 | 基于非均匀大气光先验的图像去雾方法及相关设备 |
CN112907461A (zh) * | 2021-01-26 | 2021-06-04 | 中国科学院上海技术物理研究所 | 一种红外雾天降质图像去雾增强方法 |
CN113450263A (zh) * | 2020-03-26 | 2021-09-28 | 佳能医疗系统株式会社 | 图像处理方法及图像处理装置 |
CN113570561A (zh) * | 2021-07-16 | 2021-10-29 | 浙江大学 | 可见光与近红外图像联合处理的植被天空区域检测方法 |
CN113808073A (zh) * | 2021-08-03 | 2021-12-17 | 北京中科慧眼科技有限公司 | 基于双目立体匹配算法的去天空方法、系统和智能终端 |
CN115908824A (zh) * | 2023-03-09 | 2023-04-04 | 四川腾盾科技有限公司 | 一种应用于大型无人机天空区域快速分割方法 |
CN116188586A (zh) * | 2023-04-25 | 2023-05-30 | 新乡学院 | 一种基于光分布的定位系统与方法 |
CN117153277A (zh) * | 2023-07-11 | 2023-12-01 | 湖北星火(应城)化工有限公司 | 一种甲基磺酰氯生产过程中的反应状态识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107025636A (zh) * | 2017-03-09 | 2017-08-08 | 广东欧珀移动通信有限公司 | 结合深度信息的图像去雾方法及装置和电子装置 |
-
2018
- 2018-04-23 CN CN201810368124.3A patent/CN108596849B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107025636A (zh) * | 2017-03-09 | 2017-08-08 | 广东欧珀移动通信有限公司 | 结合深度信息的图像去雾方法及装置和电子装置 |
Non-Patent Citations (1)
Title |
---|
YUNANLI等: "Single image haze removal based on haze physical characteristics and adaptive sky region detection", 《NEUROCOMPUTING》 * |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127384A (zh) * | 2018-10-15 | 2020-05-08 | 华东交通大学 | 基于偏振成像的强反射工件视觉测量方法 |
CN109242805A (zh) * | 2018-10-24 | 2019-01-18 | 西南交通大学 | 一种基于独立分量分析的单幅图像雾霾快速去除方法 |
CN109242805B (zh) * | 2018-10-24 | 2021-09-28 | 西南交通大学 | 一种基于独立分量分析的单幅图像雾霾快速去除方法 |
CN109741322A (zh) * | 2019-01-08 | 2019-05-10 | 南京蓝绿物联科技有限公司 | 一种基于机器学习的能见度测量方法 |
CN109886885A (zh) * | 2019-01-23 | 2019-06-14 | 齐鲁工业大学 | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 |
CN109752089A (zh) * | 2019-01-28 | 2019-05-14 | 大连海事大学 | 一种基于中间视觉特性和光源透雾性的亮度计算方法 |
CN109752089B (zh) * | 2019-01-28 | 2021-01-15 | 大连海事大学 | 一种基于中间视觉特性和光源透雾性的亮度计算方法 |
CN110175962B (zh) * | 2019-05-22 | 2023-02-10 | 南京信息职业技术学院 | 一种基于区域显著性识别的红外图像增强方法 |
CN110175962A (zh) * | 2019-05-22 | 2019-08-27 | 南京信息职业技术学院 | 一种基于区域显著性识别的红外图像增强方法 |
CN111985492B (zh) * | 2019-05-24 | 2024-03-26 | 浙江能脉新能源科技有限公司 | 一种云识别方法 |
CN111985492A (zh) * | 2019-05-24 | 2020-11-24 | 浙江能脉新能源科技有限公司 | 一种云识别方法 |
CN110310241A (zh) * | 2019-06-26 | 2019-10-08 | 长安大学 | 一种融合深度区域分割的多大气光值交通图像去雾方法 |
CN110533616A (zh) * | 2019-08-30 | 2019-12-03 | 福建省德腾智能科技有限公司 | 一种图像天空区域分割的方法 |
CN110969584A (zh) * | 2019-10-12 | 2020-04-07 | 深圳供电局有限公司 | 一种低照度图像增强方法 |
CN110969584B (zh) * | 2019-10-12 | 2023-09-19 | 深圳供电局有限公司 | 一种低照度图像增强方法 |
CN113450263A (zh) * | 2020-03-26 | 2021-09-28 | 佳能医疗系统株式会社 | 图像处理方法及图像处理装置 |
CN111553214A (zh) * | 2020-04-20 | 2020-08-18 | 哈尔滨工程大学 | 一种驾驶员吸烟行为检测方法及系统 |
CN111667433B (zh) * | 2020-06-09 | 2022-12-09 | 中国电子科技集团公司第五十四研究所 | 一种基于简单线性迭代聚类优化的无人机图像去雾方法 |
CN111667433A (zh) * | 2020-06-09 | 2020-09-15 | 中国电子科技集团公司第五十四研究所 | 一种基于简单线性迭代聚类优化的无人机图像去雾方法 |
CN111695633A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 基于rpf-cam的低照度目标检测方法 |
CN111798388A (zh) * | 2020-06-29 | 2020-10-20 | 武汉大学 | 基于Faster R-CNN结合暗通道去雾算法的大型船舶识别方法 |
CN112017128B (zh) * | 2020-08-24 | 2024-05-03 | 东南大学 | 一种图像自适应去雾方法 |
CN112017128A (zh) * | 2020-08-24 | 2020-12-01 | 东南大学 | 一种图像自适应去雾方法 |
CN112419149B (zh) * | 2020-11-02 | 2022-05-13 | 武汉大学 | 一种暗通道先验和导向滤波的分布式遥感图像去雾方法 |
CN112419149A (zh) * | 2020-11-02 | 2021-02-26 | 武汉大学 | 一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法 |
CN112465720A (zh) * | 2020-11-27 | 2021-03-09 | 南京邮电大学 | 一种基于图像天空分割的图像去雾方法、装置和存储介质 |
CN112465720B (zh) * | 2020-11-27 | 2024-02-23 | 南京邮电大学 | 一种基于图像天空分割的图像去雾方法、装置和存储介质 |
CN112529813B (zh) * | 2020-12-18 | 2024-05-24 | 四川云从天府人工智能科技有限公司 | 图像去雾处理方法、装置及计算机存储介质 |
CN112529813A (zh) * | 2020-12-18 | 2021-03-19 | 四川云从天府人工智能科技有限公司 | 图像去雾处理方法、装置及计算机存储介质 |
CN112907461A (zh) * | 2021-01-26 | 2021-06-04 | 中国科学院上海技术物理研究所 | 一种红外雾天降质图像去雾增强方法 |
CN112767278B (zh) * | 2021-01-28 | 2024-05-14 | 湖南大学 | 基于非均匀大气光先验的图像去雾方法及相关设备 |
CN112767278A (zh) * | 2021-01-28 | 2021-05-07 | 湖南大学 | 基于非均匀大气光先验的图像去雾方法及相关设备 |
CN113570561B (zh) * | 2021-07-16 | 2023-11-28 | 浙江大学 | 可见光与近红外图像联合处理的植被天空区域检测方法 |
CN113570561A (zh) * | 2021-07-16 | 2021-10-29 | 浙江大学 | 可见光与近红外图像联合处理的植被天空区域检测方法 |
CN113808073A (zh) * | 2021-08-03 | 2021-12-17 | 北京中科慧眼科技有限公司 | 基于双目立体匹配算法的去天空方法、系统和智能终端 |
CN115908824B (zh) * | 2023-03-09 | 2023-06-06 | 四川腾盾科技有限公司 | 一种应用于大型无人机天空区域快速分割方法 |
CN115908824A (zh) * | 2023-03-09 | 2023-04-04 | 四川腾盾科技有限公司 | 一种应用于大型无人机天空区域快速分割方法 |
CN116188586B (zh) * | 2023-04-25 | 2023-06-27 | 新乡学院 | 一种基于光分布的定位系统与方法 |
CN116188586A (zh) * | 2023-04-25 | 2023-05-30 | 新乡学院 | 一种基于光分布的定位系统与方法 |
CN117153277A (zh) * | 2023-07-11 | 2023-12-01 | 湖北星火(应城)化工有限公司 | 一种甲基磺酰氯生产过程中的反应状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108596849B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596849A (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN107578418B (zh) | 一种融合色彩和深度信息的室内场景轮廓检测方法 | |
CN105574830B (zh) | 极端天气条件下低质图像增强方法 | |
CN104182949B (zh) | 基于直方图特征点配准的影像匀色与融合方法及系统 | |
CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
CN103914813B (zh) | 彩色雾霾图像去雾与光照补偿的复原方法 | |
WO2017084204A1 (zh) | 一种二维视频流中的人体骨骼点追踪方法及系统 | |
CN102314602B (zh) | 使用最优定向线性轴线去除由基于车辆的相机捕获的图像中的阴影 | |
CN108765336A (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
Shi et al. | Single image dehazing in inhomogeneous atmosphere | |
CN107680054A (zh) | 雾霾环境下多源图像融合方法 | |
CN104537634B (zh) | 动态图像中去除雨滴影响的方法和系统 | |
CN111292257B (zh) | 一种基于Retinex的暗视觉环境下图像增强方法 | |
CN106960428A (zh) | 可见光和红外双波段图像融合增强方法 | |
CN109087254B (zh) | 无人机航拍图像雾霾天空和白色区域自适应处理方法 | |
WO2021098163A1 (zh) | 一种基于角点的空中目标探测方法 | |
CN108257094A (zh) | 基于暗通道的遥感影像薄雾快速去除方法 | |
CN105989583B (zh) | 一种图像去雾方法 | |
CN106846258A (zh) | 一种基于加权最小平方滤波的单幅图像去雾方法 | |
CN112200746A (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
CN111325688B (zh) | 融合形态学聚类优化大气光的无人机图像去雾方法 | |
CN104637036A (zh) | 一种中国古画增强方法 | |
CN112950589A (zh) | 一种多尺度卷积神经网络的暗通道先验去雾算法 | |
Sahu et al. | Image dehazing based on luminance stretching |
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 |