CN108830273A - 基于图像局部对比度的能见度测量方法 - Google Patents

基于图像局部对比度的能见度测量方法 Download PDF

Info

Publication number
CN108830273A
CN108830273A CN201810231687.8A CN201810231687A CN108830273A CN 108830273 A CN108830273 A CN 108830273A CN 201810231687 A CN201810231687 A CN 201810231687A CN 108830273 A CN108830273 A CN 108830273A
Authority
CN
China
Prior art keywords
image
haze
benchmark
visibility
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.)
Pending
Application number
CN201810231687.8A
Other languages
English (en)
Inventor
胡辽林
田娟娟
赵瑞
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201810231687.8A priority Critical patent/CN108830273A/zh
Publication of CN108830273A publication Critical patent/CN108830273A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像局部对比度的能见度测量方法，具体按照下述步骤进行：采集又雾霾图像和无雾霾图像，分别对有雾霾图像和无雾霾图像进行预处理得到有雾霾基准图像和无雾霾基准图像，提取有雾霾基准图像的图像梯度和无雾霾基准图像的图像梯度，然后建立大气能见度对比特征模型计算雾霾天气的能见度。本发明的本发明的基于图像局部对比度的能见度测量方法，有效地提高了能见度检测精度，能够更加准确地测量雾霾天气的能见度。

Description

基于图像局部对比度的能见度测量方法
技术领域
本发明属于图像处理方法技术领域，涉及一种基于图像局部对比度的能见度测量方法。
背景技术
近年来，雾霾天气的频发给人们的日常生活带来诸多不便，大气能见度及时准确的预报对航空，河运和高速公路等交通运输有重要意义。现有的能见度测量方法主要有目测法，器测法和数字摄像法。目测法规范性、客观性相对较差；器测法成本高、调试复杂、稳定性易受环境限制；数字摄像法利用图像的视觉特征测量大气能见度，克服了目测法和器测法的局限性，成本低应用广，受到国内外学者的广泛关注。
陶善昌等通过计算图像中地平线附近两个不同距离的目标物与背景天空亮度差的比值求取白天能见度，但该方法对测量环境与目标物的选择要求较高。许茜等通过提取基于像素对比度的图像特征及向量，用支持向量机对能见度模型进行训练，算法复杂，计算量大。Baumer等提出根据图像局部对比度强度来估计视觉范围，但需对大量的目标物进行标定，且系统对采集设备的参数设置很敏感，鲁棒性较差。
发明内容
本发明的目的是提供一种基于图像局部对比度的能见度测量方法，能够更加精确的测量雾霾天气的能见度。
本发明采用的技术方案是，基于图像局部对比度的能见度测量方法，其特征在于，具体按照下述步骤进行：
步骤1，选定目标物，用图像采集设备采集选定的目标物的无雾霾图像，备用；
在采集目标物的无雾霾图像的相同位置，使用相同的图像采集设备采集目标物的有雾霾图像；
步骤2，将步骤1得到的无雾霾图像进行预处理得到有雾霾基准图像，将步骤1得到的有雾霾图像进行预处理得到无雾霾基准图像；
步骤3，计算步骤2得到的无雾霾基准图像的图像梯度Cj(X,Y)和有霾基准图像的图像梯度Ji(x,y)；
步骤4，步骤3完成后，建立大气能见度对比特征模型计算雾霾天气的能见度：
其中，(X,Y)为无雾霾基准图像的图像坐标，(x,y)为有霾基准图像的图像坐标，r为景深，V为大气能见度。
本发明的特点还在于：
步骤2中通过下述步骤对无雾霾图像进行预处理：
将步骤1得到的无雾霾图像进行灰度处理后得到无雾霾灰度图像，将无雾霾灰度图像进行感兴趣区域提取后得到无雾霾感兴趣图像，将无雾霾感兴趣图像进行特征点提取并进行特征点匹配后得到无雾霾基准图像；
所述步骤2中通过下述步骤对有雾霾图像进行预处理：
将步骤1得到的有雾霾图像进行灰度处理后得到无有雾霾灰度图像，将无有雾霾灰度图像进行感兴趣区域提取后得到有雾霾感兴趣图像，将有雾霾感兴趣图像进行特征点提取并进行特征点匹配后得到有雾霾基准图像。
无雾霾感兴趣图像和有雾霾感兴趣图像进行特征点提取时均使用SIFT算法进行角点、边缘点、暗区的亮点及亮区的暗点进行提取，提取后均通过计算特征点的方向进行图像匹配。
步骤3中计算有雾霾基准图像的图像梯度Ji(x,y)按照下述步骤进行：
步骤3.1，将步骤3得到的有雾霾基准图像进行分区，得到多个有雾霾基准分区图像；
步骤3.2，在每个有雾霾基准分区图像中均任选一像素点δi(xi,yi),将每个像素点δi(xi,yi)在0°、45°、90°和135°方向进行卷积，得到点δi(xi,yi)在0°方向的卷积结果si1,点δi(xi,yi)在45°方向的卷积结果si2,点δi(xi,yi)在90°方向的卷积结果si3和将点δi(xi,yi)在135°方向的卷积结果si4,将每个象素点的在0°、45°、90°和135°方向的卷积结果求取平均值,即为该点梯度值Gi(xi,yi)：
si1＝G(xi,yi-2)+G(xi,yi-1)+G(xi,yi)+G(xi,yi+1)+G(xi,yi+2) (2)；
si2＝G(xi-2,yi)+G(xi-1,yi)+G(xi,yi)+G(xi+1,yi)+G(xi+2,yi) (3)；
si3＝G(xi-2,yi-2)+G(xi-1,yi-1)+G(xi,yi)+G(xi+1,yi+1)+G(xi+2,yi+2)
(4)；
si4＝G(xi+2,yi-2)+G(xi+1,yi-1)+G(xi,yi)+G(xi-1,yi+1)+G(xi-2,yi+2)
(5)；
Gi(xi,yi)＝mean(si1，si2，si3，si4) (6)；
其中，i＝1,2,....,n，n为有雾霾基准分区图像的个数；
步骤3.3，将每个有雾霾基准分区图像中选取的所有像素点取平均值即可得到无雾霾基准图像的图像梯度Cl(x，y)：
Ji(x,y)＝mean(G1(x1,y1),G2(x2,y2),...,Gn(xn,yn) (7)。
本发明的有益效果在于：
本发明的基于图像局部对比度的能见度测量方法，有效地提高了能见度检测精度，能够更加准确地测量雾霾天气的能见度。
附图说明
图1为本发明基于图像局部对比度的能见度测量方法对雾霾图像进行ROI提取的示意图；
图2为本发明图像局部对比度的能见度测量方法中未匹配到特征点的示意图；
图3为本发明图像局部对比度的能见度测量方法对雾霾头像进行分区的示意图；
图4为本发明像局部对比度的能见度测量方法实施例中计算结果与CJY-1G能见度测量结果对比图。
具体实施方式
下面根据附图和具体实施方式对本发明进行详细说明。
基于图像局部对比度的能见度测量方法，具体按照下述步骤进行：
步骤1，选定目标物，在空气质量指数(AOI)为优时，基本无空气污染，即为无雾霾天气时，使用图像采集设备采集选定的目标物的无雾霾图像，备用；
在采集目标物的无雾霾图像的相同位置，使用相同的图像采集设备采集目标物的有雾霾图像；
步骤2，将步骤1得到的无雾霾图像进行灰度处理后得到无雾霾灰度图像，如图1所示，将无雾霾灰度图像进行感兴趣区域提取后得到无雾霾感兴趣图像，将无雾霾感兴趣图像，使用SIFT算法进行角点、边缘点、暗区的亮点及亮区的暗点进行提取，提取后均通过计算特征点的方向进行图像匹配后得到无雾霾基准图像，如图2所示，若是匹配搭配的特征点较少时，将无雾霾感兴趣图像展宽后再进行角点、边缘点、暗区的亮点及亮区的暗点，提取后再进行匹配得到无雾霾基准图像；
将步骤1得到的有雾霾图像进行灰度处理后得到有雾霾灰度图像，将有雾霾灰度图像进行感兴趣区域提取后得到有雾霾感兴趣图像，将有雾霾感兴趣图像使用SIFT算法进行角点、边缘点、暗区的亮点及亮区的暗点进行提取，提取后均通过计算特征点的方向进行图像匹配后得到有雾霾基准图像；如图2所示，若是匹配搭配的特征点较少时，将有雾霾感兴趣图像展宽后再进行角点、边缘点、暗区的亮点及亮区的暗点，提取后再进行匹配得到有雾霾基准图像
步骤3，按照下述方法计算步骤2得到的无雾霾基准图像的图像梯度Cj(x,y)：
步骤a，如图3所示，将步骤2得到的无雾霾基准图像使用3×16的栅格进行分区，得到48个无雾霾基准分区图像；
步骤b，在每个无雾霾基准分区图像中均任选一像素点δj(Xj,Yj),将每个像素点δj(Xj,Yj)在0°、45°、90°和135°方向进行卷积，得到点δj(Xj,Yj)在0°方向的卷积结果Sj1,点δj(Xj,Yj)在45°方向的卷积结果Sj2,点δj(Xj,Yj)在90°方向的卷积结果Sj3和将点δj(Xj,Yj)在135°方向的卷积结果Sj4,将每个象素点的在0°、45°、90°和135°方向的卷积结果求取平均值,即为该点梯度值δj(Xj,Yj)：
sj1＝G(Xj,Yj-2)+G(Xj,Yj-1)+G(Xj,Yj)+G(Xj,Yj+1)+G(Xj,Yj+2) (8)；
sj2＝G(Xj-2,Yj)+G(Xj-1,Yj)+G(Xj,Yj)+G(Xj+1,Yj)+G(Xj+2,Yj) (9)；
sj3＝G(Xj-2,Yj-2)+G(Xj-1,Yj-1)+G(Xj,Yj)+G(Xj+1,Yj+1)+G(Xj+2,Yj+2)
(10)；
sj4＝G(Xj+2,Yj-2)+G(Xj+1,Yj-1)+G(Xj,Yj)+G(Xj-1,Yj+1)+G(XJ-2,Yj+2)
(11)；
Gj(Xj,Yj)＝mean(sj1，sj2，sj3，si4) (12)；
其中，j＝1,2,....,48；
步骤c，将每个有雾霾基准分区图像中选取的所有像素点取平均值即可得到无雾霾基准图像的图像梯度Cj(X,Y)：
Cj(X,Y)＝mean(G1(X1,Y1),G2(X2,Y2),...,G48(X48,Y48) (13)；
按照下述方法计算步骤2得到的有雾霾基准图像的图像梯度Ji(x,y)：
步骤3.1，如图3所示将步骤2得到的有雾霾基准图像使用3×16的栅格进行分区，得到48个有雾霾基准分区图像；
步骤3.2，在每个有雾霾基准分区图像中均任选一像素点δi(xi,yi),将每个像素点δi(xi,yi)在0°、45°、90°和135°方向进行卷积，得到点δi(xi,yi)在0°方向的卷积结果si1,点δi(xi,yi)在45°方向的卷积结果si2,点δi(xi,yi)在90°方向的卷积结果si3和将点δi(xi,yi)在135°方向的卷积结果si4,将每个象素点的在0°、45°、90°和135°方向的卷积结果求取平均值,即为该点梯度值Gi(xi,yi)：
si1＝G(xi,yi-2)+G(xi,yi-1)+G(xi,yi)+G(xi,yi+1)+G(xi,yi+2) (2)；
si2＝G(xi-2,yi)+G(xi-1,yi)+G(xi,yi)+G(xi+1,yi)+G(xi+2,yi) (3)；
si3＝G(xi-2,yi-2)+G(xi-1,yi-1)+G(xi,yi)+G(xi+1,yi+1)+G(xi+2,yi+2)
(4)；
si4＝G(xi+2,yi-2)+G(xi+1,yi-1)+G(xi,yi)+G(xi-1,yi+1)+G(xi-2,yi+2)
(5)；
Gi(xi,yi)＝mean(si1，si2，si3，si4) (6)；
其中，i＝1,2,....,48；
步骤3.3，将每个有雾霾基准分区图像中选取的所有像素点取平均值即可得到无雾霾基准图像的图像梯度Cl(x，y)：
Ji(x,y)＝mean(G1(x1,y1),G2(x2,y2),...,G48(x48,y48) (7)；
步骤4，建立大气能见度对比特征模型计算雾霾天气的能见度：
其中，r为景深，V为大气能见度。
实施例
使用M5’回归树对气能见度对比特征模型进行训练，使用10-folder cross-validation对实验数据进行交叉验证。
随机选取1500组数据样本，能见度最低为625m，最高4761m。以安装在西安理工大学教6楼楼顶的前向散射仪CJY-1G测量的能见度数据为真值，用本发明的方法与M5’模型树结合的测量值与真值进行拟合，如图4所示，实验样本中有1373个点落在±20％的误差线内，占实验样本的91.53％，其中，实验值与真值的相对误差最大为35.17％，最小为0。实验结果表明，本文方法的测量值与前向散射仪测量的能见度值基本保持一致，能够较为准确地对能见度进行测量，简单方便。

Claims (4)

1.基于图像局部对比度的能见度测量方法，其特征在于，具体按照下述步骤进行：
步骤1，选定目标物，用图像采集设备采集选定的目标物的无雾霾图像，备用；
在采集目标物的无雾霾图像的相同位置，使用相同的图像采集设备采集目标物的有雾霾图像；
步骤2，将步骤1得到的无雾霾图像进行预处理得到有雾霾基准图像，将步骤1得到的有雾霾图像进行预处理得到无雾霾基准图像；
步骤3，计算步骤2得到的无雾霾基准图像的图像梯度Cj(X,Y)和有霾基准图像的图像梯度Ji(x,y)；
步骤4，步骤3完成后，建立大气能见度对比特征模型计算雾霾天气的能见度：
其中，(X,Y)为无雾霾基准图像的图像坐标，(x,y)为有霾基准图像的图像坐标，r为景深，V为大气能见度。
2.根据权利要求1所述的基于图像局部对比度的能见度测量方法，其特征在于，所述步骤2中通过下述步骤对无雾霾图像进行预处理：
将步骤1得到的无雾霾图像进行灰度处理后得到无雾霾灰度图像，将无雾霾灰度图像进行感兴趣区域提取后得到无雾霾感兴趣图像，将无雾霾感兴趣图像进行特征点提取并进行特征点匹配后得到无雾霾基准图像；
所述步骤2中通过下述步骤对有雾霾图像进行预处理：
将步骤1得到的有雾霾图像进行灰度处理后得到无有雾霾灰度图像，将无有雾霾灰度图像进行感兴趣区域提取后得到有雾霾感兴趣图像，将有雾霾感兴趣图像进行特征点提取并进行特征点匹配后得到有雾霾基准图像。
3.根据权利要求2所述的基于图像局部对比度的能见度测量方法，其特征在于，所述无雾霾感兴趣图像和有雾霾感兴趣图像进行特征点提取时均使用SIFT算法进行角点、边缘点、暗区的亮点及亮区的暗点进行提取，提取后均通过计算特征点的方向进行图像匹配。
4.根据权利要求1所述的基于图像局部对比度的能见度测量方法，其特征在于，所述步骤3中计算有雾霾基准图像的图像梯度Ji(x,y)按照下述步骤进行：
步骤3.1，将步骤3得到的有雾霾基准图像进行分区，得到多个有雾霾基准分区图像；
步骤3.2，在每个有雾霾基准分区图像中均任选一像素点δi(xi,yi),将每个像素点δi(xi,yi)在0°、45°、90°和135°方向进行卷积，得到点δi(xi,yi)在0°方向的卷积结果si1,点δi(xi,yi)在45°方向的卷积结果si2,点δi(xi,yi)在90°方向的卷积结果si3和将点δi(xi,yi)在135°方向的卷积结果si4,将每个象素点的在0°、45°、90°和135°方向的卷积结果求取平均值，即为该点梯度值Gi(xi,yi)：
si1＝G(xi,yi-2)+G(xi,yi-1)+G(xi,yi)+G(xi,yi+1)+G(xi,yi+2) (2)；
si2＝G(xi-2,yi)+G(xi-1,yi)+G(xi,yi)+G(xi+1,yi)+G(xi+2,yi) (3)；
si3＝G(xi-2,yi-2)+G(xi-1,yi-1)+G(xi,yi)+G(xi+1,yi+1)+G(xi+2,yi+2)
(4)；
si4＝G(xi+2,yi-2)+G(xi+1,yi-1)+G(xi,yi)+G(xi-1,yi+1)+G(xi-2,yi+2)
(5)；
Gi(xi,yi)＝mean(si1，si2，si3，si4) (6)；
其中，i＝1,2,....,n，n为有雾霾基准分区图像的个数；
步骤3.3，将每个有雾霾基准分区图像中选取的所有像素点取平均值即可得到无雾霾基准图像的图像梯度Cl(x，y)：
Ji(x,y)＝mean(G1(x1,y1),G2(x2,y2),...,Gn(xn,yn) (7)。
CN201810231687.8A 2018-03-20 2018-03-20 基于图像局部对比度的能见度测量方法 Pending CN108830273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810231687.8A CN108830273A (zh) 2018-03-20 2018-03-20 基于图像局部对比度的能见度测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810231687.8A CN108830273A (zh) 2018-03-20 2018-03-20 基于图像局部对比度的能见度测量方法

Publications (1)

Publication Number Publication Date
CN108830273A true CN108830273A (zh) 2018-11-16

Family

ID=64154141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810231687.8A Pending CN108830273A (zh) 2018-03-20 2018-03-20 基于图像局部对比度的能见度测量方法

Country Status (1)

Country Link
CN (1) CN108830273A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886920A (zh) * 2019-01-16 2019-06-14 安徽谛听信息科技有限公司 一种雾天分级方法、雾天分级系统
CN111145120A (zh) * 2019-12-26 2020-05-12 上海眼控科技股份有限公司 能见度检测方法、装置、计算机设备和存储介质
CN114842621A (zh) * 2022-05-31 2022-08-02 北京万云科技开发有限公司 一种沙尘天气预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵瑞: "《基于机器视觉的大气能见度测量方法研究》", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886920A (zh) * 2019-01-16 2019-06-14 安徽谛听信息科技有限公司 一种雾天分级方法、雾天分级系统
CN111145120A (zh) * 2019-12-26 2020-05-12 上海眼控科技股份有限公司 能见度检测方法、装置、计算机设备和存储介质
CN114842621A (zh) * 2022-05-31 2022-08-02 北京万云科技开发有限公司 一种沙尘天气预警方法

Similar Documents

Publication Publication Date Title
WO2021093283A1 (zh) 基于多传感融合的海面小面积溢油区域检测系统及检测方法
Ackermann et al. Photometric stereo for outdoor webcams
Gance et al. Target Detection and Tracking of moving objects for characterizing landslide displacements from time-lapse terrestrial optical images
CN107610164B (zh) 一种基于多特征混合的高分四号影像配准方法
WO2016106950A1 (zh) 一种基于太阳照射阴影补偿的带状地下结构探测方法
CN103697855B (zh) 一种基于海天线检测的船体水平姿态测量方法
CN106548146A (zh) 基于时空分析的地表覆盖变化算法和系统
CN108364292B (zh) 一种基于多幅视角图像的光照估计方法
CN110569797B (zh) 地球静止轨道卫星影像山火检测方法、系统及其存储介质
CN108830273A (zh) 基于图像局部对比度的能见度测量方法
CN111539938B (zh) 一种轧带钢带头曲度检测方法、系统、介质及电子终端
CN110988909A (zh) 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法
CN115937673B (zh) 一种基于移动终端照片的地理要素快速变化发现方法
WO2020093631A1 (zh) 一种基于深度实例分割网络的天线下倾角测量方法
Lalonde et al. What does the sky tell us about the camera?
CN105719320B (zh) 一种基于彩色数字图像植被冠层覆盖度计算方法及系统
CN110910379B (zh) 一种残缺检测方法及装置
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
CN110718068B (zh) 一种道路监控摄像机安装角度估计方法
CN117036404A (zh) 一种单目热成像同时定位与建图方法和系统
CN112884795A (zh) 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法
CN110956083A (zh) 一种基于高分四号光学卫星的渤海海冰漂移遥感探测方法
CN112581301B (zh) 一种基于深度学习的农田残膜残留量的检测预警方法及系统
CN104484647B (zh) 一种高分辨率遥感图像云高度检测方法
Marques et al. Crater delineation by dynamic programming

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181116

RJ01 Rejection of invention patent application after publication