CN108876743A - 一种图像快速去雾方法、系统、终端及存储介质 - Google Patents
一种图像快速去雾方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN108876743A CN108876743A CN201810670542.8A CN201810670542A CN108876743A CN 108876743 A CN108876743 A CN 108876743A CN 201810670542 A CN201810670542 A CN 201810670542A CN 108876743 A CN108876743 A CN 108876743A
- Authority
- CN
- China
- Prior art keywords
- image
- transmissivity
- defogging
- dark channel
- processing
- 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 62
- 238000010586 diagram Methods 0.000 claims abstract description 61
- 238000001914 filtration Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000033228 biological regulation Effects 0.000 claims abstract description 12
- 239000003595 mist Substances 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000011084 recovery Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 239000002131 composite material Substances 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000002834 transmittance Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001795 light effect Effects 0.000 description 1
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 description 1
- 238000009738 saturating 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
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T7/12—Edge-based segmentation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像快速去雾方法、系统、终端及存储介质，该方法包括：采用OTSU对原始有雾图像进行天空区域和非天空区域划分后，采用最大值滤波和引导滤波对暗通道图优化，根据优化后的暗通道图来确定第一透射率；采用自适应性参数调整方法对第一透射率调整后得到第二透射率；根据第一透射率和第二透射率，按照大气散射模型分别对非天空区域和天空区域进行去雾复原，得到去雾复原图像；采用CLAHE对去雾复原图像进行色调调整。该系统包括获取模块、划分模块、优化模块、调整模块、去雾模块及调色模块。通过使用本发明，能够有效精细地实现有雾图像的去雾处理，去雾效果优且处理运行效率高。本发明可广泛应用于图像处理领域中。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种结合天空分割和局部透射率优化的图像快速去雾方法、系统、终端及存储介质。
背景技术
技术词解释：
OTSU：大津算法。
CLAHE：Contrast Limited Adaptive Histogram Equalization，限制对比度自适应直方图均衡法。
对于雾霾天气中拍摄得到的照片，由于空气中悬浮粒子的存在，会令光线产生散射，使景物反射的光线发生衰减，同时散射环境光混合到观察者接收的光线中，使成像后的图像不仅发生降质、图像对比度和清晰度下降等问题，而且还增加了对其进行后续图像处理和分析的难度，直接影响了户外视觉采集系统效用的发挥。因此，快速且有效的去雾复原图像技术具有重要的应用价值。
近年来，国内外针对雾天图像清晰化的问题提出了很多去雾算法，主要分为两类：一类是基于图像增强的方法，主要是增强降质图像的对比度，突出图像中景物特征和有价值的信息，具体如直方图均衡化(Histogram Equalization，HE)、Retinex算法等，然而，图像增强从本质上来说只是增强图像的清晰度和对比度，实际上并没有真正实现对图像的去雾；另一类则是基于物理模型的图像复原方法，通过分析大气散射规律并建立起大气散射模型，反演图像退化的物理过程来完成对参数的最优估计，补偿图像退化过程中丢失的信息，此方法复原的图像比较自然，图像质量有所改善。然而，目前常用的基于物理模型的图像复原方法- -基于暗原色先验理论的图像全局复原方法，其存有不少的缺点，例如：1、由于图像局部区域Ω(x)内的透射率t(x)值不是恒定不变的，且天空区域部分的透射率较小，整体比较平滑且相邻像素间值相差不大，并不符合暗通道先验规律，而此方法采用的却是全局复原的方法并设定图像局部区域Ω(x)内的透射率t(x)是恒定的，因此导致利用此方法复原得出的图像存在严重的块状效应和天空区域失真等问题；2、其采用了软抠图来优化透射率，而软抠图算法的计算复杂度高以及运行时间长，这样则导致本图像复原方法存在处理运行效率低下，远远不能满足实时处理需要的问题。可见，提供一种有效且快速的图像去雾方案是目前迫切需要解决的问题。
发明内容
为了解决上述技术问题，本发明的目的是提供一种结合天空分割和局部透射率优化的图像快速去雾方法、系统、终端及存储介质，可快速有效地对图像进行去雾处理，并提高了复原图像的质量。
本发明所采用的第一技术方案是：一种图像快速去雾方法，包括以下步骤：
获取原始有雾图像；
采用OTSU对获取得到原始有雾图像进行天空区域和非天空区域的划分；
采用最大值滤波方式和引导滤波方式对暗通道图进行优化处理，从而根据优化处理后的暗通道图来确定得出第一透射率；其中，所述暗通道图指的是与原始有雾图像对应的暗通道图，所述第一透射率是用于对原始有雾图像中的非天空区域进行去雾复原处理的透射率；
采用自适应性参数调整方法对第一透射率进行调整处理，从而得到第二透射率；其中，所述第二透射率是用于对原始有雾图像中的天空区域进行去雾复原处理的透射率；
根据第一透射率和第二透射率，按照大气散射模型分别对原始有雾图像中的非天空区域和天空区域进行去雾复原处理，从而得到原始有雾图像所对应的去雾复原图像；
采用CLAHE对去雾复原图像进行色调调整处理，从而得到最终去雾图像。
进一步，所述采用最大值滤波方式和引导滤波方式对暗通道图进行优化处理，从而根据优化处理后的暗通道图来确定得出第一透射率这一步骤，其具体包括：
对原始有雾图像的灰度图进行边缘检测处理，从而获得对应的二值化图像；其中，所述原始有雾图像的表达式为采用大气散射模型来描述的表达式；
根据预设的结构元素的填充形状和填充半径，对二值化图像进行边界填充处理，从而得到边界填充图像；
在暗通道图中，求取边界填充图像中每一个边界像素点的相邻区域内的最大像素值后，将求取得到的最大像素值作为边界像素点所对应的暗通道值，以对暗通道图进行修正；
对修正后的暗通道图进行引导滤波处理，从而得到引导滤波后的暗通道图；
根据引导滤波后的暗通道图，按照大气散射模型来确定得到第一透射率。
进一步，所述第一透射率中所采用的强度系数，其取值范围为0.95～0.98。
进一步，所述采用自适应性参数调整方法对第一透射率进行调整处理，从而得到第二透射率这一步骤，其中所采用的调整处理公式如下所示：
式中，tsky(x)表示为第二透射率；x表示为像素点的空间坐标；Y表示为第一透射率所对应的像素点的总个数；y表示为第一透射率所对应的像素点中像素值小于k1的像素点的个数；k1表示为下限值；k2表示为上限值。
进一步，所述下限值为0.15，或者所述上限值为0.3。
进一步，所述采用OTSU对获取得到原始有雾图像进行天空区域和非天空区域的划分这一步骤，其具体包括：
计算原始有雾图像中背景产生的概率和前景目标产生的概率；
计算原始有雾图像中背景的平均灰度值和前景目标的平均灰度值；
根据计算出的所述背景产生的概率、前景目标产生的概率、背景的平均灰度值以及前景目标的平均灰度值，计算出原始有雾图像的总平均灰度值；
根据计算出的所述背景产生的概率、前景目标产生的概率、背景的平均灰度值、前景目标的平均灰度值以及总平均灰度值，计算出原始有雾图像的类间方差；
求取类间方差为最大值时所对应的分割阈值，所述求取得到的分割阈值作为最佳分割阈值；
根据最佳分割阈值，对原始有雾图像进行天空区域和非天空区域的划分。
进一步，所述采用CLAHE对去雾复原图像进行色调调整处理，从而得到最终去雾图像这一步骤，其具体包括：
将去雾复原图像从RGB空间转换到HSV空间，从而得到HSV图像；
采用CLAHE对HSV图像进行亮度分量增强处理；
将增强处理后的HSV图像从HSV空间转换到RGB空间，从而得到最终去雾图像。
本发明所采用的第二技术方案是：一种图像快速去雾系统，包括：
获取模块，用于获取原始有雾图像；
划分模块，用于采用OTSU对获取得到原始有雾图像进行天空区域和非天空区域的划分；
优化模块，用于采用最大值滤波方式和引导滤波方式对暗通道图进行优化处理，从而根据优化处理后的暗通道图来确定得出第一透射率；其中，所述暗通道图指的是与原始有雾图像对应的暗通道图，所述第一透射率是用于对原始有雾图像中的非天空区域进行去雾复原处理的透射率；
调整模块，用于采用自适应性参数调整方法对第一透射率进行调整处理，从而得到第二透射率；其中，所述第二透射率是用于对原始有雾图像中的天空区域进行去雾复原处理的透射率；
去雾模块，用于根据第一透射率和第二透射率，按照大气散射模型分别对原始有雾图像中的非天空区域和天空区域进行去雾复原处理，从而得到原始有雾图像所对应的去雾复原图像；
调色模块，用于采用CLAHE对去雾复原图像进行色调调整处理，从而得到最终去雾图像。
本发明所采用的第三技术方案是：一种终端，该装置包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述一种图像快速去雾方法。
本发明所采用的第四技术方案是：一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述一种图像快速去雾方法。
本发明方法、系统、终端及存储介质的有益效果是：本发明采用OTSU对获取得到原始有雾图像进行天空区域和非天空区域的划分，采用最大值滤波方式和引导滤波方式对暗通道图进行优化处理，从而根据优化处理后的暗通道图来确定得出第一透射率，然后采用自适应性参数调整方法对第一透射率进行调整处理，从而得到第二透射率，根据第一透射率和第二透射率，按照大气散射模型分别对原始有雾图像中的非天空区域和天空区域进行去雾复原处理，从而得到原始有雾图像所对应的去雾复原图像，最后采用CLAHE对去雾复原图像进行色调调整处理，从而得到最终去雾图像，因此由此可见，本发明所具有的优点如下：
1、利用大津算法(OTSU)来对原始有雾图像进行天空区域和非天空区域的分割，这样可克服传统边缘检测法所产生的分割出来的图像不连续、不完整等图像结构信息问题，利于后续进行的分区域透射率优化处理，为后续优化处理提供准确可靠的区域划分信息；
2、利用最大值滤波与引导滤波的结合来取代传统软抠图技术，从而对非天空区域的透射率进行优化，再利用自适应性参数调整方法来对优化的透射率进行天空区域的透射率修正处理，这样利用非天空区域的优化透射率以及天空区域的修正透射率来对原始有雾图像进行去雾复原，能够得到精细度高的去雾复原图，很好地保持边缘和细节，且算法保持较高效率运行，处理效率以及时效性高；
3、利用CLAHE来对去雾复原图进行色调调整，可提高图像的亮度，克服了复原图像色调偏暗的问题。
附图说明
图1是本发明一种图像快速去雾方法的步骤流程示意图；
图2是本发明一种图像快速去雾方法的实现原理示意图；
图3是采用OTSU对原始有雾图像进行天空区域和非天空区域划分的实施例示意图；
图4是利用本发明去雾方法与传统去雾方法得到的去雾结果的第一对比示意图；
图5是利用本发明去雾方法与传统去雾方法得到的去雾结果的第二对比示意图；
图6是本发明一种图像去雾系统的结构框图；
图7是本发明一种终端的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1和图2所示，本发明实施例提供一种结合天空分割和局部透射率优化的图像快速去雾方法，包括以下具体步骤。
步骤S101、获取原始有雾图像。对于所述原始有雾图像，其可如图4中的(a)图和图5 中的(h)图所示。
步骤S102、采用OTSU对获取得到原始有雾图像进行天空区域和非天空区域的划分。
具体地，在通常情况下，含雾图像的天空区域一般位于图像上方，其灰度变化比较平缓和亮度较大，且前景目标一般颜色比较丰富，而作为背景的天空区域则几乎呈白色状态；同时，由于雾的作用，造成了图像边缘比较模糊的现象，因此若采用传统边缘检测算法来进行图像的天空区域和非天空区域的分割，分割出来的大多是不连续、不完整的图像结构信息。而相较于传统边缘检测算法，大津算法(OTSU)具有计算简单，且在图像对比度和亮度变化较大的情况下，也能得到比较理想的分割效果的优点，因此在本实施例中，优选采用OTSU 来对原始有雾图像进行天空区域和非天空区域的划分，并且其具体包括的步骤有：
步骤S1021、计算原始有雾图像中背景产生的概率和前景目标产生的概率；
具体地，设变量T作为图像分割的阈值，从而分别计算前景目标产生的概率ωf和背景产生的概率ωb；其中，所述背景指的是所述天空区域，而天空区域以外的区域，即非天空区域，则作为前景目标；
步骤S1022、计算原始有雾图像中背景的平均灰度值μb和前景目标的平均灰度值μf；
步骤S1023、根据计算出的所述背景产生的概率ωb、前景目标产生的概率ωf、背景的平均灰度值μb以及前景目标的平均灰度值μf，计算出原始有雾图像的总平均灰度值μr；
步骤S1024、根据计算出的所述背景产生的概率ωb、前景目标产生的概率ωf、背景的平均灰度值μb、前景目标的平均灰度值μf以及总平均灰度值μr，计算出原始有雾图像的类间方差σ2；
步骤S1025、求取类间方差σ2为最大值时所对应的分割阈值，所述求取得到的分割阈值作为最佳分割阈值；
具体地，求取类间方差σ2为最大值时所对应的变量T的数值，此时，变量T的数值则为最佳分割阈值；
步骤S1026、根据最佳分割阈值，对原始有雾图像进行天空区域和非天空区域的划分，如图3所示。
步骤S103、采用最大值滤波方式和引导滤波方式对暗通道图进行优化处理，从而根据优化处理后的暗通道图来确定得出第一透射率；其中，所述暗通道图指的是与原始有雾图像对应的暗通道图，所述第一透射率是用于对原始有雾图像中的非天空区域进行去雾复原处理的透射率。
具体地，在此步骤中，其主要对非天空区域的透射率进行优化；由于原始有雾图像的暗通道图包含了丰富的边缘和纹理信息，因此在本实施例中采用边界邻域最大值滤波来优化原始有雾图像的暗通道图，能够实现对深度图中不连续区域被低估的暗原色值进行修复；而引导滤波能够克服双边滤波的梯度反转现象，具有局部线性平滑保持边缘的滤波性质，因此在本实施例中采用引导滤波取代软抠图对最大值滤波后的暗通道图进行滤波，这样能够实现对粗透射率的优化。优选地，采用最大值滤波和引导滤波相结合的方式来对非天空区域的透射率进行细化优化处理的过程，即步骤S103，其具体包括：
步骤S1031、对原始有雾图像的灰度图进行边缘检测处理，从而获得对应的二值化图像；其中，所述原始有雾图像的表达式为采用大气散射模型来描述的表达式；
具体地，对于雾化图像(即原始有雾图像)的退化过程，其可用大气散射模型来描述，具体描述表达式如以下公式1所示：
I(x)＝J(x)t(x)+A(1-t(x))
式中，x表示为像素点的空间坐标；I(x)表示为雾天条件下所得到的图像，即原始有雾图像；J(x)表示为景物光线的强度，即所望得到的无雾图像；A表示为大气光值；t(x)表示为透射率；
然后，使用canny算子来对原始有雾图像I(x)的灰度图Igray(x)进行边缘检测处理，从而获得对应的二值化图像B：
B＝edge(Igray(x)，′canny′)
步骤S1032、根据预设的结构元素的填充形状和填充半径，对二值化图像进行边界填充处理，从而得到边界填充图像；
具体地，对二值化图像B进行边界填充，设选取的结构元素为Se，结构元素的填充形状为′square′，填充半径为n，因此，填充后的边界图像(即边界填充图像)为BW：
Se＝strel(′square′，n)
BW＝imdilate(B，Se)
步骤S1033、在暗通道图中，求取边界填充图像中每一个边界像素点的相邻区域内的最大像素值后，将求取得到的最大像素值作为边界像素点所对应的暗通道值，以对暗通道图进行修正；
具体地，首先获得原始有雾图像的暗通道图Imin(x)；
式中，Jc代表无雾图像J的某一个颜色通道，即第c个颜色通道，其中，c∈{r，g，b}，即表示第c个颜色通道可为红色r通道、绿色g通道、蓝色b通道中的任意一个；Ω(x)是以空间坐标x为中心的一块方形区域；y′∈Ω(x)表示为y′是Ω(x)中的任一像素点的空间坐标；
然后，对于填充后的二值图像(即边界填充图像)BW中的每一个边界像素点，在暗通道图Imin(x)中，求取其邻域内的最大像素值，并将求取到的最大像素值作为新的暗通道值，以实现对暗通道图Imin(x)进行修正，修正后的暗通道图其具体为：
步骤S1034、对修正后的暗通道图进行引导滤波处理，从而得到引导滤波后的暗通道图
其中，是对进行引导滤波后得到的细化的暗通道图；
步骤S1035、根据引导滤波后的暗通道图，按照大气散射模型来确定得到第一透射率。
具体地，按照上述大气散射模型的公式1，基于引导滤波后的暗通道图来确定得出第一透射率，即优化后的精细化透射率，其具体计算公式如下所示：
在本实施例中，为了使复原后的图像自然，这里引入了强度系数θ，并且其取值范围为 0.95～0.98。
步骤S104、采用自适应性参数调整方法对第一透射率进行调整处理，从而得到第二透射率；其中，所述第二透射率是用于对原始有雾图像中的天空区域进行去雾复原处理的透射率；
具体地，对于天空区域，为了避免在去雾过程中被过度增强，导致天空区域产生色彩失真和光晕等现象，在本实施例中，采用了自适应性参数调整方法来实现天空区域的透射率的修正，其修正表达式如下：
式中，tsky(x)表示为第二透射率；Y为t1(x)中像素总数，即第一透射率中所对应的像素点总个数；y表示为t1(x)中像素值小于k1的像素点的个数；k1表示为下限值，k2表示为上限值，通过k1和k2来限定tsky(x)的上下限；
优选地，所述下限值为0.15，或者所述上限值为0.3，即所述修正表达式具体如下：
步骤S105、根据第一透射率和第二透射率，按照大气散射模型分别对原始有雾图像中的非天空区域和天空区域进行去雾复原处理，从而得到原始有雾图像所对应的去雾复原图像J。
步骤S106、采用CLAHE对去雾复原图像进行色调调整处理，从而得到最终去雾图像。
具体地，去雾后的图像往往会变暗，这是由于天空中存在雾霾的情况下，受大气光的作用会导致图像总体的像素值变大，令去雾后的图像看上去会显得偏灰、发白，呈现变暗的状态，因此，为了解决这一问题，本实施例中采用了CLAHE对去雾复原图像进行色调调整处理，以提高图像亮度和增强细节信息；优选地，所述步骤S106具体包括：
步骤S1061、将去雾复原图像J从RGB空间转换到HSV空间，从而得到HSV图像；
步骤S1062、采用CLAHE对HSV图像进行亮度分量增强处理；
步骤S1063、将增强处理后的HSV图像从HSV空间转换到RGB空间，从而得到最终去雾图像。
通过采用上述去雾方法来实现有雾图像的去雾，其去雾效果与传统去雾方案的去雾效果，它们之间的对比示意图如图4和图5所示，具体地：图4、图5中的(a)图和(h)图为原始有雾图像；(b)图和(i)图为粗透射率图；(c)图和(j)图为基于粗透射率图而得到的去雾图；(d)图和(k)图为软抠图后的透射率图；(e)图和(l)图为基于软抠图优化的透射率图而得到的去雾图；(f)图和(m)图为本发明方法中所得到的透射率图；(g)图和(n) 图为本发明方法所得到的去雾图。可见，相较于传统的去雾方案，本发明所具有的优点包括：
1、利用大津算法(OTSU)来对原始有雾图像进行天空区域和非天空区域的分割，这样可克服传统边缘检测法所产生的分割出来的图像不连续、不完整等图像结构信息问题，利于后续进行的分区域透射率优化处理，为后续优化处理提供准确可靠的区域划分信息；
2、利用最大值滤波与引导滤波的结合来取代传统软抠图技术，从而对非天空区域的透射率进行优化，再利用自适应性参数调整方法来对优化的透射率进行天空区域的透射率修正处理，这样利用非天空区域的优化透射率以及天空区域的修正透射率来对原始有雾图像进行去雾复原，能够得到精细度高的去雾复原图，很好地保持边缘和细节，且算法保持较高效率运行，处理效率以及时效性高；
3、利用CLAHE来对去雾复原图进行色调调整，可提高图像的亮度，克服了复原图像色调偏暗的问题。
如图6所示，本发明实施例还提供了一种结合天空分割和局部透射率优化的图像快速去雾系统，包括：
获取模块，用于获取原始有雾图像；
划分模块，用于采用OTSU对获取得到原始有雾图像进行天空区域和非天空区域的划分；
优化模块，用于采用最大值滤波方式和引导滤波方式对暗通道图进行优化处理，从而根据优化处理后的暗通道图来确定得出第一透射率；其中，所述暗通道图指的是与原始有雾图像对应的暗通道图，所述第一透射率是用于对原始有雾图像中的非天空区域进行去雾复原处理的透射率；
调整模块，用于采用自适应性参数调整方法对第一透射率进行调整处理，从而得到第二透射率；其中，所述第二透射率是用于对原始有雾图像中的天空区域进行去雾复原处理的透射率；
去雾模块，用于根据第一透射率和第二透射率，按照大气散射模型分别对原始有雾图像中的非天空区域和天空区域进行去雾复原处理，从而得到原始有雾图像所对应的去雾复原图像；
调色模块，用于采用CLAHE对去雾复原图像进行色调调整处理，从而得到最终去雾图像。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
如图7所示，本发明实施例还提供了一种终端，该装置包括：
至少一个处理器201；
至少一个存储器202，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器201执行，使得所述至少一个处理器201实现所述一种图像快速去雾方法。
上述方法实施例中的内容均适用于本终端实施例中，本终端实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述一种图像快速去雾方法。
上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种图像快速去雾方法，其特征在于，包括以下步骤：
获取原始有雾图像；
采用OTSU对获取得到原始有雾图像进行天空区域和非天空区域的划分；
采用最大值滤波方式和引导滤波方式对暗通道图进行优化处理，从而根据优化处理后的暗通道图来确定得出第一透射率；其中，所述暗通道图指的是与原始有雾图像对应的暗通道图，所述第一透射率是用于对原始有雾图像中的非天空区域进行去雾复原处理的透射率；
采用自适应性参数调整方法对第一透射率进行调整处理，从而得到第二透射率；其中，所述第二透射率是用于对原始有雾图像中的天空区域进行去雾复原处理的透射率；
根据第一透射率和第二透射率，按照大气散射模型分别对原始有雾图像中的非天空区域和天空区域进行去雾复原处理，从而得到原始有雾图像所对应的去雾复原图像；
采用CLAHE对去雾复原图像进行色调调整处理，从而得到最终去雾图像。
2.根据权利要求1所述一种图像快速去雾方法，其特征在于，所述采用最大值滤波方式和引导滤波方式对暗通道图进行优化处理，从而根据优化处理后的暗通道图来确定得出第一透射率这一步骤，其具体包括：
对原始有雾图像的灰度图进行边缘检测处理，从而获得对应的二值化图像；其中，所述原始有雾图像的表达式为采用大气散射模型来描述的表达式；
根据预设的结构元素的填充形状和填充半径，对二值化图像进行边界填充处理，从而得到边界填充图像；
在暗通道图中，求取边界填充图像中每一个边界像素点的相邻区域内的最大像素值后，将求取得到的最大像素值作为边界像素点所对应的暗通道值，以对暗通道图进行修正；
对修正后的暗通道图进行引导滤波处理，从而得到引导滤波后的暗通道图；
根据引导滤波后的暗通道图，按照大气散射模型来确定得到第一透射率。
3.根据权利要求2所述一种图像快速去雾方法，其特征在于，所述第一透射率中所采用的强度系数，其取值范围为0.95～0.98。
4.根据权利要求2或3所述一种图像快速去雾方法，其特征在于，所述采用自适应性参数调整方法对第一透射率进行调整处理，从而得到第二透射率这一步骤，其中所采用的调整处理公式如下所示：
式中，tsky(x)表示为第二透射率；x表示为像素点的空间坐标；Y表示为第一透射率所对应的像素点的总个数；y表示为第一透射率所对应的像素点中像素值小于k1的像素点的个数；k1表示为下限值；k2表示为上限值。
5.根据权利要求4所述一种图像快速去雾方法，其特征在于，所述下限值为0.15，或者所述上限值为0.3。
6.根据权利要求1-3任一项所述一种图像快速去雾方法，其特征在于，所述采用OTSU对获取得到原始有雾图像进行天空区域和非天空区域的划分这一步骤，其具体包括：
计算原始有雾图像中背景产生的概率和前景目标产生的概率；
计算原始有雾图像中背景的平均灰度值和前景目标的平均灰度值；
根据计算出的所述背景产生的概率、前景目标产生的概率、背景的平均灰度值以及前景目标的平均灰度值，计算出原始有雾图像的总平均灰度值；
根据计算出的所述背景产生的概率、前景目标产生的概率、背景的平均灰度值、前景目标的平均灰度值以及总平均灰度值，计算出原始有雾图像的类间方差；
求取类间方差为最大值时所对应的分割阈值，所述求取得到的分割阈值作为最佳分割阈值；
根据最佳分割阈值，对原始有雾图像进行天空区域和非天空区域的划分。
7.根据权利要求1-3任一项所述一种图像快速去雾方法，其特征在于，所述采用CLAHE对去雾复原图像进行色调调整处理，从而得到最终去雾图像这一步骤，其具体包括：
将去雾复原图像从RGB空间转换到HSV空间，从而得到HSV图像；
采用CLAHE对HSV图像进行亮度分量增强处理；
将增强处理后的HSV图像从HSV空间转换到RGB空间，从而得到最终去雾图像。
8.一种图像快速去雾系统，其特征在于，包括：
获取模块，用于获取原始有雾图像；
划分模块，用于采用OTSU对获取得到原始有雾图像进行天空区域和非天空区域的划分；
优化模块，用于采用最大值滤波方式和引导滤波方式对暗通道图进行优化处理，从而根据优化处理后的暗通道图来确定得出第一透射率；其中，所述暗通道图指的是与原始有雾图像对应的暗通道图，所述第一透射率是用于对原始有雾图像中的非天空区域进行去雾复原处理的透射率；
调整模块，用于采用自适应性参数调整方法对第一透射率进行调整处理，从而得到第二透射率；其中，所述第二透射率是用于对原始有雾图像中的天空区域进行去雾复原处理的透射率；
去雾模块，用于根据第一透射率和第二透射率，按照大气散射模型分别对原始有雾图像中的非天空区域和天空区域进行去雾复原处理，从而得到原始有雾图像所对应的去雾复原图像；
调色模块，用于采用CLAHE对去雾复原图像进行色调调整处理，从而得到最终去雾图像。
9.一种终端，其特征在于，该装置包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述一种图像快速去雾方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述一种图像快速去雾方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810670542.8A CN108876743B (zh) | 2018-06-26 | 2018-06-26 | 一种图像快速去雾方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810670542.8A CN108876743B (zh) | 2018-06-26 | 2018-06-26 | 一种图像快速去雾方法、系统、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108876743A true CN108876743A (zh) | 2018-11-23 |
| CN108876743B CN108876743B (zh) | 2020-12-29 |
Family
ID=64294987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810670542.8A Active CN108876743B (zh) | 2018-06-26 | 2018-06-26 | 一种图像快速去雾方法、系统、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108876743B (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919859A (zh) * | 2019-01-25 | 2019-06-21 | 暨南大学 | 一种户外场景图像去雾增强方法、计算设备及其存储介质 |
| CN109934781A (zh) * | 2019-02-27 | 2019-06-25 | 合刃科技（深圳）有限公司 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
| CN110033619A (zh) * | 2019-04-23 | 2019-07-19 | 临沂大学 | 一种高速公路路况检测方法及其系统 |
| CN110175967A (zh) * | 2019-06-05 | 2019-08-27 | 海南大学 | 图像去雾处理方法、系统、计算机设备和存储介质 |
| CN110503704A (zh) * | 2019-08-27 | 2019-11-26 | 北京迈格威科技有限公司 | 三分图的构造方法、装置和电子设备 |
| CN111553862A (zh) * | 2020-04-29 | 2020-08-18 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
| CN111784601A (zh) * | 2020-06-27 | 2020-10-16 | 浙江同善人工智能技术有限公司 | 一种图像去雾方法 |
| CN111899198A (zh) * | 2020-08-06 | 2020-11-06 | 北京科技大学 | 一种海上图像去雾方法及装置 |
| 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 |
| CN113205469A (zh) * | 2021-06-04 | 2021-08-03 | 中国人民解放军国防科技大学 | 一种基于改进暗通道的单幅图像去雾方法 |
| CN113379632A (zh) * | 2021-06-15 | 2021-09-10 | 深圳市赛蓝科技有限公司 | 一种基于小波透射率优化的图像去雾方法及系统 |
| CN113516602A (zh) * | 2021-07-14 | 2021-10-19 | 广东汇天航空航天科技有限公司 | 一种图像去雾方法、图像去雾装置、电子设备及存储介质 |
| CN114638763A (zh) * | 2022-03-24 | 2022-06-17 | 华南理工大学 | 图像去雾方法、系统、计算机设备和存储介质 |
| CN114652177A (zh) * | 2022-04-06 | 2022-06-24 | 江苏狼王机械科技有限公司 | 一种螺旋蒸烤机设备及控制系统 |
| CN114926353A (zh) * | 2022-04-19 | 2022-08-19 | 中山大学 | 一种水下图像复原方法、装置、设备及存储介质 |
| CN116612043A (zh) * | 2023-06-02 | 2023-08-18 | 萱闱(北京)生物科技有限公司 | 一种图像处理方法、装置、设备和存储介质 |
| CN117788336A (zh) * | 2024-02-28 | 2024-03-29 | 山东昆仲信息科技有限公司 | 一种国土空间规划过程中数据优化采集方法及系统 |
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106846263A (zh) * | 2016-12-28 | 2017-06-13 | 中国科学院长春光学精密机械与物理研究所 | 基于融合通道且对天空免疫的图像去雾方法 |
| CN107301623A (zh) * | 2017-05-11 | 2017-10-27 | 北京理工大学珠海学院 | 一种基于暗通道和图像分割的交通图像去雾方法及系统 |
-
2018
- 2018-06-26 CN CN201810670542.8A patent/CN108876743B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106846263A (zh) * | 2016-12-28 | 2017-06-13 | 中国科学院长春光学精密机械与物理研究所 | 基于融合通道且对天空免疫的图像去雾方法 |
| CN107301623A (zh) * | 2017-05-11 | 2017-10-27 | 北京理工大学珠海学院 | 一种基于暗通道和图像分割的交通图像去雾方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| WANG, LINLIN等: "Image dehazing based on non-local saturation", 《PROCEEDINGS OF SPIE》 * |
| 毛祥宇等: "基于天空分割的单幅图像去雾算法", 《计算机应用》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919859B (zh) * | 2019-01-25 | 2021-09-07 | 暨南大学 | 一种户外场景图像去雾增强方法、计算设备及其存储介质 |
| CN109919859A (zh) * | 2019-01-25 | 2019-06-21 | 暨南大学 | 一种户外场景图像去雾增强方法、计算设备及其存储介质 |
| CN109934781A (zh) * | 2019-02-27 | 2019-06-25 | 合刃科技（深圳）有限公司 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
| CN109934781B (zh) * | 2019-02-27 | 2020-10-23 | 合刃科技（深圳）有限公司 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
| CN110033619A (zh) * | 2019-04-23 | 2019-07-19 | 临沂大学 | 一种高速公路路况检测方法及其系统 |
| CN110175967A (zh) * | 2019-06-05 | 2019-08-27 | 海南大学 | 图像去雾处理方法、系统、计算机设备和存储介质 |
| CN110503704A (zh) * | 2019-08-27 | 2019-11-26 | 北京迈格威科技有限公司 | 三分图的构造方法、装置和电子设备 |
| CN111553862A (zh) * | 2020-04-29 | 2020-08-18 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
| CN111553862B (zh) * | 2020-04-29 | 2023-10-13 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
| CN111784601A (zh) * | 2020-06-27 | 2020-10-16 | 浙江同善人工智能技术有限公司 | 一种图像去雾方法 |
| CN111784601B (zh) * | 2020-06-27 | 2024-05-14 | 浙江同善人工智能技术有限公司 | 一种图像去雾方法 |
| CN111899198A (zh) * | 2020-08-06 | 2020-11-06 | 北京科技大学 | 一种海上图像去雾方法及装置 |
| 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 |
| 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 |
| 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 |
| CN113205469A (zh) * | 2021-06-04 | 2021-08-03 | 中国人民解放军国防科技大学 | 一种基于改进暗通道的单幅图像去雾方法 |
| CN113379632A (zh) * | 2021-06-15 | 2021-09-10 | 深圳市赛蓝科技有限公司 | 一种基于小波透射率优化的图像去雾方法及系统 |
| CN113516602A (zh) * | 2021-07-14 | 2021-10-19 | 广东汇天航空航天科技有限公司 | 一种图像去雾方法、图像去雾装置、电子设备及存储介质 |
| CN113516602B (zh) * | 2021-07-14 | 2022-11-22 | 广东汇天航空航天科技有限公司 | 一种图像去雾方法、图像去雾装置、电子设备及存储介质 |
| CN114638763A (zh) * | 2022-03-24 | 2022-06-17 | 华南理工大学 | 图像去雾方法、系统、计算机设备和存储介质 |
| CN114638763B (zh) * | 2022-03-24 | 2024-05-24 | 华南理工大学 | 图像去雾方法、系统、计算机设备和存储介质 |
| CN114652177A (zh) * | 2022-04-06 | 2022-06-24 | 江苏狼王机械科技有限公司 | 一种螺旋蒸烤机设备及控制系统 |
| CN114926353A (zh) * | 2022-04-19 | 2022-08-19 | 中山大学 | 一种水下图像复原方法、装置、设备及存储介质 |
| CN116612043A (zh) * | 2023-06-02 | 2023-08-18 | 萱闱(北京)生物科技有限公司 | 一种图像处理方法、装置、设备和存储介质 |
| CN116612043B (zh) * | 2023-06-02 | 2024-04-02 | 萱闱(北京)生物科技有限公司 | 一种图像处理方法、装置、设备和存储介质 |
| CN117788336A (zh) * | 2024-02-28 | 2024-03-29 | 山东昆仲信息科技有限公司 | 一种国土空间规划过程中数据优化采集方法及系统 |
| CN117788336B (zh) * | 2024-02-28 | 2024-05-24 | 山东昆仲信息科技有限公司 | 一种国土空间规划过程中数据优化采集方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108876743B (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876743A (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
| CN110148095B (zh) | 一种水下图像增强方法及增强装置 | |
| 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 | |
| CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
| CN102063706B (zh) | 一种快速去雾方法 | |
| Peng et al. | Image haze removal using airlight white correction, local light filter, and aerial perspective prior | |
| CN108765336B (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
| CN108765342A (zh) | 一种基于改进暗通道的水下图像复原方法 | |
| CN104867121B (zh) | 基于暗原色先验和Retinex理论的图像快速去雾法 | |
| CN108765309A (zh) | 基于暗通道的线状自适应改进全局大气光的图像去雾方法 | |
| 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 | |
| CN109785262A (zh) | 基于暗通道先验和自适应直方图均衡化的图像去雾方法 | |
| CN105913390B (zh) | 一种图像去雾方法及系统 | |
| CN114331873B (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
| CN104809709A (zh) | 基于域变换与带权四叉树分解的单幅图像自适应去雾方法 | |
| CN112053298B (zh) | 一种图像去雾方法 | |
| CN105809643A (zh) | 一种基于自适应块通道拉伸的图像增强方法 | |
| CN109523474A (zh) | 一种基于雾天退化模型的低照度图像增强方法 | |
| CN108765323A (zh) | 一种基于改进暗通道与图像融合的柔性去雾方法 | |
| CN104318535A (zh) | 图像去雾的方法、装置及移动终端 | |
| CN103702116A (zh) | 一种图像的宽动态压缩方法和装置 | |
| CN115456905A (zh) | 一种基于明暗区域分割的单幅图像去雾方法 | |
| CN103226809B (zh) | 图像除雾装置和图像除雾方法 | |
| CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
| CN104331867A (zh) | 图像去雾的方法、装置及移动终端 |
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 | ||
| OL01 | Intention to license declared |