CN108629750A - 一种夜间去雾方法、终端设备及存储介质 - Google Patents
一种夜间去雾方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN108629750A CN108629750A CN201810414060.6A CN201810414060A CN108629750A CN 108629750 A CN108629750 A CN 108629750A CN 201810414060 A CN201810414060 A CN 201810414060A CN 108629750 A CN108629750 A CN 108629750A
- Authority
- CN
- China
- Prior art keywords
- night
- image
- halation
- transmissivity
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000000205 computational method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 19
- 239000003595 mist Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 239000000443 aerosol Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000002834 transmittance Methods 0.000 description 4
- 125000001475 halogen functional group Chemical group 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000012544 monitoring process 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于加权熵和局部大气光的夜间去雾方法,该方法包括以下步骤:S1、建立夜间有雾图像模型I(x)=H(x)+G(x),其中,H(x)=J(x)t(x)+A(x)(1‑t(x)),G(x)=Aal(x)*APSF;S2、将输入的夜间有雾图像I分解为去除光晕的夜间有雾图像H和光晕图G;S3、采用大气光选择映射函数的方法来计算去除光晕的夜间有雾图像H的大气光A(x);S4、采用加权熵的计算方法来计算去除光晕的夜间有雾图像H的透射率t(x);S5、采用导向滤波对大气光A(x)和进行透射率t(x)进行优化,得到优化后的大气光A(x)和透射率t(x);S6、将步骤5得到的大气光A(x)和透射率t(x)代入得到恢复的去雾夜间图像J。
Description
技术领域
本发明属于图像处理、计算机视觉技术领域,具体地涉及一种基于加权熵和局部大气光的夜间去雾方法、终端设备及存储介质。
背景技术
夜间有雾环境下获取的图像会出现低对比度、颜色暗淡和光晕等不良情况。这种低质量的图像严重影响视觉算法的处理效果,因此去除夜间情况下的有雾图像具有实际的意义。
近年来,基于雾天成像模型的单幅图像去雾方法取得了重要进展。例如,Tan等人基于无雾图像的对比度优于有雾的先验知识和局部区域大气光平滑的假设,提出了通过最大化局部对比度的去雾算法,但该方法容易使去雾后图像出现过饱和光晕效应。Fattal基于大气传播率和物体表面阴影局部不相关的假设,利用独立成分分析的方法实现图像去雾。该方法对于去除薄雾具有良好的效果,但不能处理灰度图像和浓雾图像。He等人提出了一种基于暗原色先验的去雾算法。该方法大多数情况下都能取得良好的效果,但该算法中软抠图的计算效率太低。为解决该问题,He等人又提出了用导向滤波代替软抠图的去雾算法。中国发明专利CN106504216A公开了一种基于变分模型的单幅图像去雾方法,该方法基于视频传感器的驾驶辅助系统,利用雾天成像模型、和暗原色先验理论获取初始透射率图像和初始复原图像;将这些初始数据代入本发明提出的雾天图像复原能量函数,并利用梯度下降流法最小化该能量函数;使能量函数达到最小值的透射率图和复原图像即为所求的结果。该方法计算相对复杂,不能去除光晕效应。
但是上述大部分算法依然基于白天的环境下得出的先验假设,因此这些方法得出的图像整体效果不好,会出现颜色过饱和,颜色失真,晕轮效应明显,去雾不全等缺陷。
发明内容
本发明旨在提供一种基于加权熵和局部大气光的夜间去雾方法,以解决上述技术问题。为此,本发明采用的具体技术方案如下:
一种夜间去雾方法,包括以下步骤:
S1、建立夜间有雾图像模型:
I(x)=J(x)t(x)+A(x)(1-t(x))+Aal(x)*APSF(1),
其中,I(x)表示输入的夜间有雾图像I在坐标x处的像素值,J(x)是需要恢复的去雾夜间图像J在x处对应的像素值,t(x)是x处的透射率,A(x)是x处的大气光,Aal(x)是活跃光源,APSF是大气点扩散函数,将公式(1)简化为
I(x)=H(x)+G(x)(2),
其中,H(x)=J(x)t(x)+A(x)(1-t(x)),G(x)=Aal(x)*APSF,H(x)为去除光晕的夜间有雾图像H在x处对应的像素值,G(x)为光晕图G在x处对应的像素值;
S2、将输入的夜间有雾图像I分解为去除光晕的夜间有雾图像H和光晕图G,具体过程为:
S3、采用大气光选择映射函数的方法来计算去除光晕的夜间有雾图像H的大气光A(x);
S4、采用加权熵的计算方法来计算去除光晕的夜间有雾图像H的透射率t(x),具体过程为:
S5、采用导向滤波对大气光A(x)和进行透射率t(x)进行优化,得到优化后的大气光A(x)和透射率t(x);
S6、将步骤S5得到的大气光A(x)和透射率t(x)代入得到恢复的去雾夜间图像J。
进一步地,步骤S2的具体过程为:
S21、构建目标函数:
其中,f1,2是双向一阶滤波器,f3是二阶拉普拉斯算子,*表示卷积,ρ(s)=min(s2,k),其中k是个阈值,该函数用来将图像I中大梯度的区域保留到H中。λ是一个固定值,设置为500;
S22、通过半二次方分裂最小化方法对目标函数E(H)进行求解,就得到去除光晕的夜间有雾图像H和光晕图G;
进一步地,步骤S3的具体过程为:
S31、对去除光晕的有雾夜间图像H灰度化;
S32、对灰度图进行最小值滤波;
S33、利用四叉树分解法计算全局大气光值,记作Aglobal;
S34、采用分块方法计算局部大气光值,记作Alocal;
S35、构造局部大气光选择映射函数:
S36、计算大气光A(x):A(x)=slocal_map(x)Alocal(x)+(1-slocal_map(x))Aglobal。
进一步地,在步骤S34中,块的大小为15×15。
进一步地,步骤S4的具体过程为:
S41、构建目标函数:
其中,k是LCH颜色空间中的亮度,取值范围为0到100,p(k|t)是透射率t时亮度为k的条件概率,JL(x|t)表示透射率为t时,J图像x处的亮度值,是H图像亮度通道的均值,w(k|t)为权重,由信息保真度γ(t)和高斯似然函数组成,σ表示高斯函数参数,通过调整σ改变附近值的权重,γ(t)是JL(x|t)中像素值没有超过0到100的像素个数比例,N是图像J的大小;
S42、将去除光晕的夜间有雾图像H划分为N×N的方框,然后在方框内求解局部最优化透射率t,用公式表达如下:
其中m表示第m个方框。
进一步地,在步骤S42中,N的取值为9至20之间。
本发明还公开了一种夜间去雾终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明采用上述技术方案,具有的有益效果是:
(1)本发明将夜间有雾图分为两层图像,一层为去除光晕的夜间有雾图,一层为光晕图,去除光晕影响变成图层分离问题,避免了求取APSF函数的复杂过程,节省了计算时间;
(2)本发明采用大气光选择映射函数方法,克服了传统方法在局部光照一致或者低照度区域的情况会造成两个相邻块之间色彩偏差不自然的问题;
(3)本发明采用加权熵方法得到的图像可以有很好的对比度,并且可以最小化截断误差;
(4)本发明能够去除雾和光晕对图像的影响,有助于图像识别,在监控方便有很好的应用。
附图说明
图1是本发明的夜间去雾方法的流程图;
图2是输入的夜间有雾图像;
图3a是图2去除光晕后的夜间有雾图像,图中的小方框用来估计全局大气光;
图3b是图2中的光晕图像;
图4是图3a通过本发明的局部大气光选择映射函数得到的大气光图像;
图5是图3a采用传统方法得到的大气光图像;
图6是图5的大气光图像通过图4进行优化后的大气光图像;
图7是图3a采用本分的加权熵方法得到的透射率图像;
图8是图6采用导向滤波算法得到的大气光图像;
图9是图7采用导向滤波算法得到的透射率图像;
图10是最后得到的夜间去雾图像;
图11(a)是初始的夜间有雾图像;
图11(b)是采用传统去雾方法后得到的夜间去雾图像;
图11(c)是采用本发明去雾方法后得到的夜间去雾图像。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。图1示出了本发明的夜间去雾方法的流程图。本发明的夜间去雾方法包括以下步骤:
S1、建立夜间有雾图像模型:
I(x)=J(x)t(x)+A(x)(1-t(x))+Aal(x)*APSF(1),
其中,I(x)表示输入的夜间有雾图像I(如图2所示)在坐标x处的像素值,J(x)是需要恢复的去雾夜间图像J在x处对应的像素值,t(x)是x处的透射率,A(x)是x处的大气光,Aal(x)是活跃光源,APSF是大气点扩散函数,将公式(1)简化为
I(x)=H(x)+G(x)(2),
其中,H(x)=J(x)t(x)+A(x)(1-t(x)),G(x)=Aal(x)*APSF,H(x)为去除光晕的夜间有雾图像H在x处对应的像素值,G(x)为光晕图G在x处对应的像素值。本发明将夜间有雾图I分为两层图像,一层为去除光晕的有雾图像H,一层为光晕图G,从而将去除光晕影响变成图层分离问题,避免了求取APSF函数的复杂过程,节省了计算时间,并且提高了去除光晕的效果,消除了计算APSF过程中噪声的影响。
S2、将输入的夜间有雾图像I分解为去除光晕的夜间有雾图像H和光晕图G,具体过程为:
S21、构建目标函数:
其中,f1,2是双向一阶滤波器,f3是二阶拉普拉斯算子,*表示卷积,ρ(s)=min(s2,k),其中k是个阈值,该函数用来将图像I中大梯度的区域保留到H中。λ是一个固定值,设置为500,用来控制光晕层的平滑度。单纯求解E(H)得到的结果会出现严重的色彩偏差,本发明提出约束0≤H(x)≤I(x)和用来消除色彩偏差。该约束限制不同通道中的灰度值范围应该相等,这样达到了一种平衡,可以有效改善色彩偏差的出现。
S22、通过半二次方分裂最小化方法对目标函数进行求解,就得到去除光晕的夜间有雾图像H和光晕图G,如图3a和3b所示。
S3、采用大气光选择映射函数的方法来计算去除光晕的夜间有雾图像H的大气光A(x)。大气光在夜间环境下不满足全局一致性,传统方法利用局部分块求解分块中最亮的灰度值的方法来估计不同位置的大气光值,但是该方法在局部光照一致或者低照度区域的情况会造成两个相邻块之间色彩偏差不自然。本发明创新性的提出一个大气光选择映射函数的方法来克服传统方法的缺点。具体过程为:
S31、对去除光晕的有雾夜间图像H灰度化。
S32、对灰度图进行最小值滤波,最小值滤波是本领域技术人员所熟知的,其具体过程在此不再进行描述。
S33、利用四叉树分解法计算全局大气光值,记作Aglobal,这里全局大气光的计算是从去除光晕的夜间有雾图像H中的大气区域中取一个15×15大小的方框a(如图3a所示)来进行的,四叉树分解法是本领域技术人员所熟知的,其具体过程在此不再进行描述。
S34、采用分块方法计算局部大气光值,记作Alocal,这里块的大小为15×15,但本发明不限于此。分块方法是本领域技术人员所熟知的,其具体过程在此不再进行描述。该分块方法得到的大气光图像如图5所示。
S35、构造局部大气光选择映射函数:
该局部大气光选择映射函数得到的大气光图像如图4所示。
S36、计算大气光A(x):A(x)=slocal_map(x)Alocal(x)+(1-slocal_map(x))Aglobal,得到的大气光图像如图6所示。
S4、采用加权熵的计算方法来计算去除光晕的夜间有雾图像H的透射率t(x)。目前大部分夜间去除雾气的方法对于透射率的估计都是基于暗通道假设,但是暗通道假设是基于白天统计的结果,在夜间通常会失效。无雾图像比有雾图像的熵要大,因为无雾图像比有雾图像更加的随机,可以利用最大化图像的熵来求解透射率t(x)。但是普通的最大熵方法会出现截断误差,并且大部分像素值会很小。本发明创新性的提出加权熵的计算方法来求解透射率t(x),通过该方法求得的图像可以有很好的对比度,并且可以最小化截断误差。具体过程为:
S41、构建目标函数:
其中,k是LCH颜色空间中的亮度,取值范围为0到100;p(k|t)是透射率t时亮度为k的条件概率;JL(x|t)表示透射率为t时,J图像x处的亮度值;是H图像亮度通道的均值;w(k|t)为权重,由信息保真度γ(t)和高斯似然函数组成;σ表示高斯函数参数,通过调整σ改变附近值的权重,γ(t)是JL(x|t)中像素值没有超过0到100的像素个数比例,N是图像J的大小。当发生截断误差越少时,γ(t)越大。高斯似然函数用于阻止像素值向低照度方向聚集,保证图像的亮度。通过调整σ2的值,σ2越小,附近值的权重就越大。
S42、将去除光晕的夜间有雾图像H划分为N×N的方框,然后在方框内求解局部最优化透射率t,用公式表达如下:
其中m表示第m个方框。t最小值取为0.01可以避免除0的情况发生。方框大小的取值对t的求解影响很大,太大太小都会让求解出来的t变得不准确。太大会将t不同的区域包含进来,太小的话,有效像素太少。因此,N的取值为9至20之间。得到的透射率图像如图7所示。
S5、采用导向滤波对大气光A(x)和进行透射率t(x)进行优化,得到优化后的大气光A(x)和透射率t(x),如图8和9所述。导向滤波是本领域技术人员所熟知的,其具体过程在此不再进行描述。由于本发明大气光值和透射率都是通过滑框的方式来求解的,方框之间可能会有明显的界限,本发明采用导向滤波来消除这种情况。
S6、将步骤5得到的大气光A(x)和透射率t(x)代入得到恢复的去雾夜间图像J,如图10所示。
本发明综合考虑夜间有雾图像中存在的光晕现象,同时去除雾气和由于雾气和非自然光源存在带来的光晕影响,得到去除了雾气和光晕影响的夜间去雾图像。本发明的夜间去雾方法相对于传统去雾方法计算量更小,处理速度更快,得到的图像清晰度更高,如图11(a)、11(b)和11(c)所示。
在本发明的实施例中,还提供了一种夜间去雾终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
进一步地,该终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述终端设备的组成结构仅仅是夜间去雾终端设备的示例,并不构成对夜间去雾终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如夜间去雾终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是夜间去雾终端设备的控制中心,利用各种接口和线路连接整个夜间去雾终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述夜间去雾终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
夜间去雾终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (8)
1.一种夜间去雾方法,其特征在于,包括以下步骤:
S1、建立夜间有雾图像模型:
I(x)=J(x)t(x)+A(x)(1-t(x))+Aal(x)*APSF (1),
其中,I(x)表示输入的夜间有雾图像I在坐标x处的像素值,J(x)是需要恢复的去雾夜间图像J在x处对应的像素值,t(x)是x处的透射率,A(x)是x处的大气光,Aal(x)是活跃光源,APSF是大气点扩散函数,将公式(1)简化为
I(x)=H(x)+G(x) (2),
其中,H(x)=J(x)t(x)+A(x)(1-t(x)),G(x)=Aal(x)*APSF,H(x)为去除光晕的夜间有雾图像H在x处对应的像素值,G(x)为光晕图G在x处对应的像素值;
S2、将输入的夜间有雾图像I分解为去除光晕的夜间有雾图像H和光晕图G;
S3、采用大气光选择映射函数的方法来计算去除光晕的夜间有雾图像H的大气光A(x);
S4、采用加权熵的计算方法来计算去除光晕的夜间有雾图像H的透射率t(x);
S5、采用导向滤波对大气光A(x)和进行透射率t(x)进行优化,得到优化后的大气光A(x)和透射率t(x);
S6、将步骤S5得到的大气光A(x)和透射率t(x)代入得到恢复的去雾夜间图像J。
2.如权利要求1所述的夜间去雾方法,其特征在于,步骤S2的具体过程为:
S21、构建目标函数:
其中,f1,2是双向一阶滤波器,f3是二阶拉普拉斯算子,*表示卷积,ρ(s)=min(s2,k),其中k是个阈值,该函数用来将图像I中大梯度的区域保留到H中,λ是一个固定值,设置为500;
S22、通过半二次方分裂最小化方法对目标函数进行求解,就得到去除光晕的夜间有雾图像H和光晕图G。
3.如权利要求1所述的夜间去雾方法,其特征在于,步骤S3的具体过程为:
S31、对去除光晕的有雾夜间图像H灰度化;
S32、对灰度图进行最小值滤波;
S33、利用四叉树分解法计算全局大气光值,记作Aglobal;
S34、采用分块方法计算局部大气光值,记作Alocal;
S35、构造局部大气光选择映射函数:
S36、计算大气光A(x):A(x)=slocal_map(x)Alocal(x)+(1-slocal_map(x))Aglobal。
4.如权利要求3所述的夜间去雾方法,其特征在于,在步骤S34中,块的大小为15×15。
5.如权利要求1所述的夜间去雾方法,其特征在于,步骤S4的具体过程为:
S41、构建目标函数:
其中,k是LCH颜色空间中的亮度,取值范围为0到100,p(k|t)是透射率t时亮度为k的条件概率,JL(x|t)表示透射率为t时,图像J在x处的亮度值,是图像H的亮度通道的均值,w(k|t)为权重,由信息保真度γ(t)和高斯似然函数组成,σ表示高斯函数参数,通过调整σ改变附近值的权重,γ(t)是JL(x|t)中像素值没有超过0到100的像素个数比例,N是图像J的大小;
S42、将去除光晕的夜间有雾图像H划分为N×N的方框,然后在方框内求解局部最优化透射率t,用公式表达如下:
其中m表示第m个方框。
6.如权利要求5所述的夜间去雾方法,其特征在于,在步骤S42中,N的取值为9至20之间。
7.一种夜间去雾终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810414060.6A CN108629750A (zh) | 2018-05-03 | 2018-05-03 | 一种夜间去雾方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810414060.6A CN108629750A (zh) | 2018-05-03 | 2018-05-03 | 一种夜间去雾方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108629750A true CN108629750A (zh) | 2018-10-09 |
Family
ID=63695365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810414060.6A Withdrawn CN108629750A (zh) | 2018-05-03 | 2018-05-03 | 一种夜间去雾方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629750A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919872A (zh) * | 2019-03-06 | 2019-06-21 | 山东大学 | 一种图像复原方法、系统、可读存储介质及计算机设备 |
CN111882496A (zh) * | 2020-07-06 | 2020-11-03 | 苏州加乘科技有限公司 | 一种基于递归神经网络的夜间图像去雾方法 |
CN112950504A (zh) * | 2021-03-02 | 2021-06-11 | 山东鲁能软件技术有限公司智能电气分公司 | 一种输电线路巡检雾霾天气单目隐患物体测距方法及系统 |
CN113962872A (zh) * | 2020-07-21 | 2022-01-21 | 四川大学 | 一种双通道联合优化的夜间图像去雾方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063706A (zh) * | 2010-12-23 | 2011-05-18 | 哈尔滨工业大学(威海) | 一种快速去雾方法 |
CN104036466A (zh) * | 2014-06-17 | 2014-09-10 | 浙江立元通信技术股份有限公司 | 一种视频去雾方法与系统 |
CN105631829A (zh) * | 2016-01-15 | 2016-06-01 | 天津大学 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
CN105913390A (zh) * | 2016-04-07 | 2016-08-31 | 潍坊学院 | 一种图像去雾方法及系统 |
CN106169176A (zh) * | 2016-06-27 | 2016-11-30 | 上海集成电路研发中心有限公司 | 一种图像去雾方法 |
-
2018
- 2018-05-03 CN CN201810414060.6A patent/CN108629750A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063706A (zh) * | 2010-12-23 | 2011-05-18 | 哈尔滨工业大学(威海) | 一种快速去雾方法 |
CN104036466A (zh) * | 2014-06-17 | 2014-09-10 | 浙江立元通信技术股份有限公司 | 一种视频去雾方法与系统 |
CN105631829A (zh) * | 2016-01-15 | 2016-06-01 | 天津大学 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
CN105913390A (zh) * | 2016-04-07 | 2016-08-31 | 潍坊学院 | 一种图像去雾方法及系统 |
CN106169176A (zh) * | 2016-06-27 | 2016-11-30 | 上海集成电路研发中心有限公司 | 一种图像去雾方法 |
Non-Patent Citations (1)
Title |
---|
DUBOK PARK 等: "Nighttime image dehazing with local atmospheric light and weighted entropy", 《2016 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919872A (zh) * | 2019-03-06 | 2019-06-21 | 山东大学 | 一种图像复原方法、系统、可读存储介质及计算机设备 |
CN111882496A (zh) * | 2020-07-06 | 2020-11-03 | 苏州加乘科技有限公司 | 一种基于递归神经网络的夜间图像去雾方法 |
CN113962872A (zh) * | 2020-07-21 | 2022-01-21 | 四川大学 | 一种双通道联合优化的夜间图像去雾方法 |
CN113962872B (zh) * | 2020-07-21 | 2023-08-18 | 四川大学 | 一种双通道联合优化的夜间图像去雾方法 |
CN112950504A (zh) * | 2021-03-02 | 2021-06-11 | 山东鲁能软件技术有限公司智能电气分公司 | 一种输电线路巡检雾霾天气单目隐患物体测距方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301623B (zh) | 一种基于暗通道和图像分割的交通图像去雾方法及系统 | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
US11467661B2 (en) | Gaze-point determining method, contrast adjusting method, and contrast adjusting apparatus, virtual reality device and storage medium | |
CN106204491B (zh) | 一种基于暗通道先验的自适应图像去雾方法 | |
CN103578084B (zh) | 基于亮通道滤波的彩色图像增强方法 | |
CN108629750A (zh) | 一种夜间去雾方法、终端设备及存储介质 | |
CN107451966B (zh) | 一种采用灰度图引导滤波实现的实时视频去雾方法 | |
CN110827210B (zh) | 一种基于颜色曲线分解的水下图像清晰化方法及系统 | |
CN111179189B (zh) | 基于生成对抗网络gan的图像处理方法、装置以及电子设备、存储介质 | |
Xu et al. | Single image haze removal using light and dark channel prior | |
CN101783012A (zh) | 一种基于暗原色的自动图像去雾方法 | |
CN104751421B (zh) | 一种在fpga上实现的图像去雾方法 | |
CN103578083A (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
TW202226141A (zh) | 圖像去霧方法和使用圖像去霧方法的圖像去霧設備 | |
CN105046658A (zh) | 一种低照度图像处理方法和装置 | |
CN110675334A (zh) | 一种图像增强方法及装置 | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
CN108305225A (zh) | 基于暗通道先验的交通监控图像快速去雾方法 | |
CN101754032A (zh) | 保持颜色的去雾方法 | |
Meng et al. | A hybrid algorithm for underwater image restoration based on color correction and image sharpening | |
CN103226809B (zh) | 图像除雾装置和图像除雾方法 | |
CN110458029B (zh) | 一种雾天环境中的车辆检测方法及装置 | |
CN107085830B (zh) | 基于传播滤波的单幅图像去雾方法 | |
Liang et al. | Learning to remove sandstorm for image enhancement |
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 |
Application publication date: 20181009 |
|
WW01 | Invention patent application withdrawn after publication |