CN108765355A - 一种基于变分Retinex模型的雾天图像增强方法 - Google Patents
一种基于变分Retinex模型的雾天图像增强方法 Download PDFInfo
- Publication number
- CN108765355A CN108765355A CN201810582602.0A CN201810582602A CN108765355A CN 108765355 A CN108765355 A CN 108765355A CN 201810582602 A CN201810582602 A CN 201810582602A CN 108765355 A CN108765355 A CN 108765355A
- Authority
- CN
- China
- Prior art keywords
- image
- misty
- formula
- sky
- variation
- 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 31
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 230000006978 adaptation Effects 0.000 claims abstract description 7
- 230000008030 elimination Effects 0.000 claims abstract description 5
- 238000003379 elimination reaction Methods 0.000 claims abstract description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003595 mist Substances 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于变分Retinex模型的雾天图像增强方法,步骤包括:获取雾天图像;对雾天图像进行反转操作获得虚拟暗图像;基于变分Retinex模型,对虚拟暗图像的入射分量进行求解;利用天空识别方法识别出雾天图像中的天空区域及非天空区域;基于雾天图像的天空区域及非天空区域的识别结果对入射分量图进行修正;利用修正后的入射分量图获得经过天空区域修正后的、消除雾气后的清晰图像;对图像的像素强度进行全局调整,获得增强的后雾天图像。该雾天图像增强方法有效降低了增强方法的复杂度,通过利用天空识别算法,确保了所提方法的鲁棒性。
Description
技术领域
本发明涉及一种雾天图像增强方法,尤其是一种基于变分Retinex模型的雾天图像增强方法。
背景技术
目前,现有的图像去雾增强方法的复杂度搞,难以满足图像的快速处理需求,且没有考虑到对雾天图像进行增强时图像中的天空区域易于出现负面视觉效应的问题,因此有必要设计出一种基于变分Retinex模型的雾天图像增强方法,能够快速有效地实现图像去雾增强。
发明内容
本发明的目的在于:提供一种基于变分Retinex模型的雾天图像增强方法,能够快速有效地实现图像去雾增强。
为了解决上述技术问题,本发明提供了一种基于变分Retinex模型的雾天图像增强方法,包括如下步骤:
步骤1,获取雾天图像I(x,y);
步骤2,对雾天图像进行反转操作获得虚拟暗图像;
步骤3,基于变分Retinex模型,对虚拟暗图像的入射分量进行求解;
步骤4,利用天空识别方法识别出雾天图像中的天空区域及非天空区域;
步骤5,基于雾天图像的天空区域及非天空区域的识别结果对入射分量图进行修正;
步骤6,利用修正后的入射分量图获得经过天空区域修正后的、消除雾气后的清晰图像;
步骤7,对图像的像素强度进行全局调整,获得增强的后雾天图像。
进一步地,步骤2中,对雾天图像进行反转操作如下:
S(x,y)=1-I(x,y) (1)
式(1)中,I(x,y)是雾天图像,S(x,y)是相应的虚拟暗图像。
进一步地,步骤3中,变分Retinex模型为:
式(2)中,S(x,y)是待增强虚拟暗图像,L(x,y)是相应的入射分量图,Ω是有界图像空间域,为图像边界,是边界法向量,α和β分别是用来调节各项权重的非负参数;
对虚拟暗图像的入射分量进行求解时,利用中心像素邻域的梯度特征进行快速逼近,将中心像素的邻域一阶差分的均方和构成其邻域梯度特征,由于一阶差分近似表达为相邻像素的差值,因此式(2)改写为:
式(3)中,i是邻域像素索引,r是邻域半径,当式(3)的导数为0时,入射分量即可取得最优解,即:
对式(4)整理得:
由式(5)可见,入射分量的求解仅涉及分子中的第一项,于是使用简单迭代求解方式来有效降低算法复杂度,即:
式(6)中,j是迭代次数索引,再利用导向变分模型对虚拟暗图像S(x,y)的灰度图进行保边平滑滤波操作,并将滤波结果作为对入射分量迭代求解的初始状态L0th(x,y),设置迭代终止条件为迭代终止便获得虚拟暗图像S(x,y)所对应的入射分量图L(x,y)。
进一步地,步骤4中,利用天空识别方法识别出雾天图像中的天空区域及非天空区域时,先定义一个雾天图像天空区域特征模型:
式(7)中,FI(x,y)是雾天图像中各像素的天空区域特征值,和分别是雾天图像的梯度分量、RGB色彩强度差异值和亮度分量,是雾天图像的全局亮度均值;
再利用式(7)提取雾天图像中各像素的天空区域特征,并将高于全图的天空特征中位值的像素认定为天空区域Ωsky,其余区域认定为非天空区域Ωnon-sky。
进一步地,步骤5中,对入射分量图L进行修正如下:
式(8)中,Lrefined(x,y)表示修正后的入射分量图。
进一步地,步骤6中,利用修正后的入射分量图Lrefined(x,y)代入式(9)获得反射分量图R(x,y),再通过将反射分量图R(x,y)进行反转操作,便可获得经过天空区域修正后的、消除雾气后的清晰图像Jrefined(x,y),即:
式(9)中,Lrefined(x,y)表示修正后的入射分量图,S(x,y)是虚拟暗图像。
进一步地,步骤7中,对图像的像素强度进行全局调整如下:
式(10)中,(x′,y′)是以(x,y)为中心的邻域Λ(x,y)中的像素,c表示RGB色彩通道,Jfinal(x,y)是亮度调整后的图像。
本发明的有益效果在于:(1)基于反转雾天图像与暗图像之间的相似性,将多参数估计的雾天图像增强问题转化为单纯的反转雾天图像射入分量估计问题,有效降低了增强方法的复杂度;(2)针对变分Retinex模型求解问题算法复杂度高的问题,通过引入邻域逼近思想对变分Retinex模型所涉及的能量函数进行快速求解;(3)考虑到对雾天图像进行增强时图像中的天空区域易于出现负面视觉效应的问题,通过利用天空识别算法,确保了所提方法的鲁棒性。
附图说明
图1为本发明的方法流程图;
图2为本发明处理前的雾天图像;
图3为本发明处理中的虚拟暗图像;
图4为本发明处理中的天空区域识别图;
图5为本发明处理中的入射分量图;
图6为本发明处理中的修正后的入射分量图;
图7为本发明处理中的反射分量图;
图8为本发明处理中的消除雾气后的清晰图像;
图9为本发明处理后的亮度调整后的清晰图像。
具体实施方式
如图1所示,本发明公开的基于变分Retinex模型的雾天图像增强方法,包括如下步骤:
步骤1,获取雾天图像I(x,y),如图2所示;
步骤2,对雾天图像进行反转操作获得虚拟暗图像;
步骤3,基于变分Retinex模型,对虚拟暗图像的入射分量进行求解;
步骤4,利用天空识别方法识别出雾天图像中的天空区域及非天空区域;
步骤5,基于雾天图像的天空区域及非天空区域的识别结果对入射分量图进行修正;
步骤6,利用修正后的入射分量图获得经过天空区域修正后的、消除雾气后的清晰图像;
步骤7,对图像的像素强度进行全局调整,获得增强的后雾天图像。
其中,步骤2中,对雾天图像进行反转操作如下:
S(x,y)=1-I(x,y) (1)
式(1)中,I(x,y)是雾天图像,S(x,y)是相应的虚拟暗图像,如图3所示。
步骤3中,变分Retinex模型为:
式(2)中,S(x,y)是待增强虚拟暗图像,L(x,y)是相应的入射分量图,Ω是有界图像空间域,为图像边界,是边界法向量,α和β分别是用来调节各项权重的非负参数;
对虚拟暗图像的入射分量进行求解时,利用中心像素邻域的梯度特征进行快速逼近,将中心像素的邻域一阶差分的均方和构成其邻域梯度特征,由于一阶差分近似表达为相邻像素的差值,因此式(2)改写为:
式(3)中,i是邻域像素索引,r是邻域半径,当式(3)的导数为0时,入射分量即可取得最优解,即:
对式(4)整理得:
由式(5)可见,入射分量的求解仅涉及分子中的第一项,于是使用简单迭代求解方式来有效降低算法复杂度,即:
式(6)中,j是迭代次数索引,再利用导向变分模型对虚拟暗图像S(x,y)的灰度图进行保边平滑滤波操作,并将滤波结果作为对入射分量迭代求解的初始状态L0th(x,y),设置迭代终止条件为迭代终止便获得虚拟暗图像S(x,y)所对应的入射分量图L(x,y),如图5所示。
步骤4中,利用天空识别方法识别出雾天图像中的天空区域及非天空区域时,先定义一个雾天图像天空区域特征模型:
式(7)中,FI(x,y)是雾天图像中各像素的天空区域特征值,和分别是雾天图像的梯度分量、RGB色彩强度差异值和亮度分量,是雾天图像的全局亮度均值,如图4所示,灰色表示天空区域,黑色表示非天空区域;
再利用式(7)提取雾天图像中各像素的天空区域特征,并将高于全图的天空特征中位值的像素认定为天空区域Ωsky,其余区域认定为非天空区域Ωnon-sky。
步骤5中,对入射分量图L进行修正如下:
式(8)中,Lrefined(x,y)表示修正后的入射分量图,如图6所示。
步骤6中,利用修正后的入射分量图Lrefined(x,y)代入公式(9)获得反射分量图R(x,y),如图7所示,再通过将反射分量图R(x,y)进行反转操作,便可获得经过天空区域修正后的、消除雾气后的清晰图像Jrefined(x,y),如图8所示,即:
式(9)中,Lrefined(x,y)表示修正后的入射分量图,S(x,y)是虚拟暗图像。
步骤7中,对图像的像素强度进行全局调整如下:
式(10)中,(x′,y′)是以(x,y)为中心的邻域Λ(x,y)中的像素,c表示RGB色彩通道,Jfinal(x,y)是亮度调整后的图像,如图9所示。
Claims (7)
1.一种基于变分Retinex模型的雾天图像增强方法,其特征在于,包括如下步骤:
步骤1,获取雾天图像I(x,y);
步骤2,对雾天图像进行反转操作获得虚拟暗图像;
步骤3,基于变分Retinex模型,对虚拟暗图像的入射分量进行求解;
步骤4,利用天空识别方法识别出雾天图像中的天空区域及非天空区域;
步骤5,基于雾天图像的天空区域及非天空区域的识别结果对入射分量图进行修正;
步骤6,利用修正后的入射分量图获得经过天空区域修正后的、消除雾气后的清晰图像;
步骤7,对图像的像素强度进行全局调整,获得增强的后雾天图像。
2.根据权利要求1所述的基于变分Retinex模型的雾天图像增强方法,其特征在于,步骤2中,对雾天图像进行反转操作如下:
S(x,y)=1-I(x,y) (1)
式(1)中,I(x,y)是雾天图像,S(x,y)是相应的虚拟暗图像。
3.根据权利要求2所述的基于变分Retinex模型的雾天图像增强方法,其特征在于,步骤3中,变分Retinex模型为:
式(2)中,S(x,y)是待增强虚拟暗图像,L(x,y)是相应的入射分量图,Ω是有界图像空间域,为图像边界,是边界法向量,α和β分别是用来调节各项权重的非负参数;
对虚拟暗图像的入射分量进行求解时,利用中心像素邻域的梯度特征进行快速逼近,将中心像素的邻域一阶差分的均方和构成其邻域梯度特征,由于一阶差分近似表达为相邻像素的差值,因此式(2)改写为:
式(3)中,i是邻域像素索引,r是邻域半径,当式(3)的导数为0时,入射分量即可取得最优解,即:
对式(4)整理得:
由式(5)可见,入射分量的求解仅涉及分子中的第一项,于是使用简单迭代求解方式来有效降低算法复杂度,即:
式(6)中,j是迭代次数索引,再利用导向变分模型对虚拟暗图像S(x,y)的灰度图进行保边平滑滤波操作,并将滤波结果作为对入射分量迭代求解的初始状态L0th(x,y),设置迭代终止条件为迭代终止便获得虚拟暗图像S(x,y)所对应的入射分量图L(x,y)。
4.根据权利要求3所述的基于变分Retinex模型的雾天图像增强方法,其特征在于,步骤4中,利用天空识别方法识别出雾天图像中的天空区域及非天空区域时,先定义一个雾天图像天空区域特征模型:
式(7)中,FI(x,y)是雾天图像中各像素的天空区域特征值,和分别是雾天图像的梯度分量、RGB色彩强度差异值和亮度分量,是雾天图像的全局亮度均值;
再利用式(7)提取雾天图像中各像素的天空区域特征,并将高于全图的天空特征中位值的像素认定为天空区域Ωsky,其余区域认定为非天空区域Ωnon-sky。
5.根据权利要求4所述的基于变分Retinex模型的雾天图像增强方法,其特征在于,步骤5中,对入射分量图L进行修正如下:
式(8)中,Lrefined(x,y)表示修正后的入射分量图。
6.根据权利要求5所述的基于变分Retinex模型的雾天图像增强方法,其特征在于,步骤6中,利用修正后的入射分量图Lrefined(x,y)代入公式(9)获得反射分量图R(x,y),再通过将反射分量图R(x,y)进行反转操作,便可获得经过天空区域修正后的、消除雾气后的清晰图像Jrefined(x,y),即:
式(9)中,Lrefined(x,y)表示修正后的入射分量图,S(x,y)是虚拟暗图像。
7.根据权利要求6所述的基于变分Retinex模型的雾天图像增强方法,其特征在于,步骤7中,对图像的像素强度进行全局调整如下:
式(10)中,(x′,y′)是以(x,y)为中心的邻域Λ(x,y)中的像素,c表示RGB色彩通道,Jfinal(x,y)是亮度调整后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810582602.0A CN108765355B (zh) | 2018-06-07 | 2018-06-07 | 一种基于变分Retinex模型的雾天图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810582602.0A CN108765355B (zh) | 2018-06-07 | 2018-06-07 | 一种基于变分Retinex模型的雾天图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765355A true CN108765355A (zh) | 2018-11-06 |
CN108765355B CN108765355B (zh) | 2022-04-22 |
Family
ID=64000527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810582602.0A Active CN108765355B (zh) | 2018-06-07 | 2018-06-07 | 一种基于变分Retinex模型的雾天图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765355B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801238A (zh) * | 2019-01-10 | 2019-05-24 | 南京信息职业技术学院 | 一种基于简化大气散射模型的弱光照图像增强方法 |
CN110175972A (zh) * | 2019-05-29 | 2019-08-27 | 南京信息职业技术学院 | 一种基于透射图融合的红外图像增强方法 |
CN117274113A (zh) * | 2023-11-20 | 2023-12-22 | 山东九思新材料科技有限责任公司 | 基于图像增强的碎硅片清洗效果视觉检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060120594A1 (en) * | 2004-12-07 | 2006-06-08 | Jae-Chul Kim | Apparatus and method for determining stereo disparity based on two-path dynamic programming and GGCP |
CN105701785A (zh) * | 2016-02-17 | 2016-06-22 | 天津大学 | 基于天空区域划分加权tv透射率优化的图像雾霾去除方法 |
CN106504216A (zh) * | 2016-11-14 | 2017-03-15 | 山东交通学院 | 基于变分模型的单幅图像去雾方法 |
-
2018
- 2018-06-07 CN CN201810582602.0A patent/CN108765355B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060120594A1 (en) * | 2004-12-07 | 2006-06-08 | Jae-Chul Kim | Apparatus and method for determining stereo disparity based on two-path dynamic programming and GGCP |
CN105701785A (zh) * | 2016-02-17 | 2016-06-22 | 天津大学 | 基于天空区域划分加权tv透射率优化的图像雾霾去除方法 |
CN106504216A (zh) * | 2016-11-14 | 2017-03-15 | 山东交通学院 | 基于变分模型的单幅图像去雾方法 |
Non-Patent Citations (1)
Title |
---|
赵春丽等: "基于暗通道及多尺度Retinex的雾霾天气图像增强算法", 《激光杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801238A (zh) * | 2019-01-10 | 2019-05-24 | 南京信息职业技术学院 | 一种基于简化大气散射模型的弱光照图像增强方法 |
CN109801238B (zh) * | 2019-01-10 | 2023-05-23 | 南京信息职业技术学院 | 一种基于简化大气散射模型的弱光照图像增强方法 |
CN110175972A (zh) * | 2019-05-29 | 2019-08-27 | 南京信息职业技术学院 | 一种基于透射图融合的红外图像增强方法 |
CN110175972B (zh) * | 2019-05-29 | 2023-02-14 | 南京信息职业技术学院 | 一种基于透射图融合的红外图像增强方法 |
CN117274113A (zh) * | 2023-11-20 | 2023-12-22 | 山东九思新材料科技有限责任公司 | 基于图像增强的碎硅片清洗效果视觉检测方法 |
CN117274113B (zh) * | 2023-11-20 | 2024-02-02 | 山东九思新材料科技有限责任公司 | 基于图像增强的碎硅片清洗效果视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108765355B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN106251300B (zh) | 一种基于Retinex的快速夜间雾天图像复原方法 | |
Fu et al. | A fusion-based enhancing approach for single sandstorm image | |
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 | |
Li et al. | Rain streak removal using layer priors | |
Shi et al. | Let you see in sand dust weather: A method based on halo-reduced dark channel prior dehazing for sand-dust image enhancement | |
CN108765355A (zh) | 一种基于变分Retinex模型的雾天图像增强方法 | |
CN110570360B (zh) | 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法 | |
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 | |
CN105761227A (zh) | 基于暗通道先验与白平衡的水下图像增强方法 | |
CN108182671B (zh) | 一种基于天空区域识别的单幅图像去雾方法 | |
CN102231206A (zh) | 适用于汽车辅助驾驶系统的彩色夜视图像亮度增强方法 | |
CN104346776A (zh) | 基于Retinex理论的非线性图像增强方法及其系统 | |
CN116823686B (zh) | 一种基于图像增强的夜间红外与可见光图像融合方法 | |
CN112053298B (zh) | 一种图像去雾方法 | |
CN111462022B (zh) | 一种水下图像清晰化增强方法 | |
CN110570381A (zh) | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 | |
Suzuki et al. | Dynamic shadow compensation of aerial images based on color and spatial analysis | |
CN116363011A (zh) | 一种基于频域分频的多分支低照度图像增强方法 | |
CN112750089B (zh) | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 | |
CN107437241B (zh) | 一种结合边缘检测的暗通道图像去雾方法 | |
Li et al. | Soft binary segmentation-based backlit image enhancement | |
Shi et al. | Image haze removal using dark channel prior and minimizing energy function | |
CN106296626A (zh) | 一种基于梯度融合的夜间视频增强方法 |
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 |