CN109003238B - 一种基于模型与直方图及灰度增强的图像雾霾去除方法 - Google Patents
一种基于模型与直方图及灰度增强的图像雾霾去除方法 Download PDFInfo
- Publication number
- CN109003238B CN109003238B CN201810712070.8A CN201810712070A CN109003238B CN 109003238 B CN109003238 B CN 109003238B CN 201810712070 A CN201810712070 A CN 201810712070A CN 109003238 B CN109003238 B CN 109003238B
- Authority
- CN
- China
- Prior art keywords
- image
- haze
- component
- histogram
- gray
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 230000003287 optical effect Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000002834 transmittance Methods 0.000 claims description 6
- 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
- 230000008033 biological extinction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
一种基于模型与直方图及灰度增强的图像雾霾去除方法,先输入光学遥感图像,判断输入光学遥感图像的类型,是灰度图像还是RGB彩色图像;对于全色的灰度图像,需转换成RGB图像;把RGB图像转换成HSI图像,提取HSI图像的H分量图、S分量图和I分量图;对I分量图进行直方图规定化处理、灰度对比度范围调整、雾霾去除处理;对S分量图进行雾霾去除处理,把HSI图像转换成RGB图像;如果处理的图像是RGB图像,则处理结束,直接输出结果;如果处理的图像是全色灰度图像,则要由RGB图像转换成灰度图像,把其作为处理后的结果,然后直接输出;本发明能够有效地去除图像中的雾霾影响,增强或改善图像质量。
Description
技术领域
本发明属于图像雾霾信号与信息处理及遥感图像处理技术领域,具体涉及一种基于模型与直方图及灰度增强的图像雾霾去除方法。
背景技术
随着工业化、城镇化和现代化的发展,雾霾天气的明显增加,持续时间增长。雾霾天气的浓度不同,对光学成像的影响效果也是不同的。在轻雾条件下,获取的光学图像,有一种朦胧感觉。如果受到重度霾天气的影响,获取的遥感图像往往不清晰,明显的偏白,特别是远处的部分。这不仅严重影响图像的质量,而且给遥感图像的处理、应用和解译带来较大的困难,因此,去除遥感图像雾霾影响并对其进行增强处理是遥感图像预处理的重要内容。遥感图像雾霾的去除,本质上就是图像的增强或者图像恢复,目的是提高图像的清晰度和质量。在雾霾天气下获得的遥感图像,通常是一种灰蒙蒙的感觉,细节信息变得模糊,甚至看不到细节信息,整幅图像呈现一片偏白的现象。原因是雾霾中存在一些乳胶状的颗粒,影响太阳光的照射和物体的反射,对于地物来说,相当于披了一件外套,使到达地物的光的饱和度降低,产生了模糊现象。雾霾越重,这种现象越严重。
众多学者针对图像雾霾去除方法和理论进行了探讨,有学者从物理模型、光照原理和散射原理等方面进行研究,分别提出了典型的Retinex去雾霾算法、暗原色先验原理去雾霾算法和同态滤波去雾霾算法。虽然它们能在一定程度上减少雾霾的影响,但每种方法的不足也很明显,例如Retinex算法不仅原理复杂,运算量相对较大,而且在复杂情况下会出现光晕现象;暗原色原理法参数估计的准确性和调整对去雾霾结果有较大影响;同态滤波是在频率域内对部分频率进行处理,以达到增强效果,但这个频率阈值经验性比较强。还有一种典型的传统方法是直方图均衡化处理,这种方法简单,速度快,对于轻雾的去除,效果很好,但是对于复杂的情况,效果不太理想。最近出现了一些新的理论和方法,例如Retinex算法和暗原色算法的结合,小波分解法和Retinex算法的结合,稀疏表示法和暗原色法的结合,以及机器学习的方法等。这些方法对于处理薄雾,通常能获得好的结果,但是对于复杂情况下,即浓雾或浓霾条件下,结果通常不太理想。所以,这些方法的普适性差,应用范围受限;同时不同方法的组合以及机器学习的方法都是以时间为代价来获得去雾结果。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供了一种基于模型与直方图及灰度增强的图像雾霾去除方法,能够有效地去除图像中的雾霾影响,对于没有受到雾霾影响的图像,能有效地增强或改善图像质量。
为了达到上述目的,本发明采取的技术方案为:
一种基于模型与直方图及灰度增强的图像雾霾去除方法,包括以下步骤:
步骤1:输入光学遥感图像;
步骤2:判断输入光学遥感图像的类型,是灰度图像还是RGB彩色图像;
步骤3:对于全色的灰度图像,需转换成RGB图像;
步骤4:把RGB图像转换成HSI图像,提取HSI图像的三个分量,即H分量图、S分量图和I分量图;
步骤5:对I分量图进行直方图规定化处理;
步骤6:对I分量图进行灰度对比度范围调整;
步骤7:对I分量图进行雾霾去除处理;
步骤8:对S分量图进行雾霾去除处理,与步骤7相同,只是把S分量图代替I分量图;
步骤9:把HSI图像转换成RGB图像;
步骤10:如果处理的图像是RGB图像,则处理结束,直接输出结果;
步骤11:如果处理的图像是全色灰度图像,则要由RGB图像转换成灰度图像,把其作为处理后的结果,然后直接输出。
所述的步骤1中光学遥感图像受到雾霾影响,或没有受到雾霾的干扰;同时,是彩色RGB图像,或是全色的灰度图像。
所述的步骤2中对输入的光学遥感图像类型进行判断的依据为:获取输入光学遥感图像的三个参数,即图像纵向像素个数M、横向像素个数N和图像维数K,如果图像维数K大于1,表明该图像是RGB彩色图像;否则该图像就是全色灰度图像。
所述的步骤3中对全色灰度图像转换成RGB彩色图像处理为;灰度图像分别赋予每个通道,这样就得到一幅看似像灰度图像的RGB彩色图像,如果改变赋值大小,就会得到不同颜色组合的彩色图像;按式(1)进行处理,得到彩色图像,
式中I的表示灰度图像,R、G和B分别表示彩色图像的三个通道图像。
所述的步骤4中把RGB图像转换成HSI图像的具体步骤为:
步骤4.1:获取HSI图像的H分量图,按式(2)来计算和获取,
其中按式(3)计算,
步骤4.2:HSI图像的S分量图按式(4)来获得,
步骤4.3:HSI图像的I分量图按式(5)来获得,
所述的步骤5中对I分量图进行直方图规定化处理为:直方图反映不同灰度级出现的频率或次数,用公式(6)表示,
其中,P(rk)表示灰度值为rk的第k级灰度级出现的频率,nk表示灰度值为rk的像素点出现的个数的总和,n表示图像中所有像素的总和,即总的像素的个数;通过对图像直方图的调整,能够调整图像灰度级的空间分布情况;采用直方图规定化,而且规定化的灰度等级设为1024。
所述的步骤6中对I分量图进行灰度对比度范围调整为:采用线性的调整策略,用下式表示,
式中F(m,n)表示变化前的灰度值,且F(m,n)∈[a,b],G(m,n)表示变化后的灰度值,且G(m,n)∈[c,d];这里处理的图像都进行了归一化处理,关键是参数a、b、c和d的取值,对于没有受到雾霾影响或者只受到轻雾影响的图像,这四个参数分别设为a=0.1,b=0.9,c=0.3,d=1.0;对于受到重度雾霾影响的图像,则它们的设置分别为a=0.1,b=0.6,c=0.5,d=1.0。
步骤7中所述的对I分量图进行雾霾去除处理为:
图像雾霾的去除有模型方法和非模型方法,用来描述大气散射中成像过程的物理模型如式(8)所示,
I(m,n)=J(m,n)·t+(1-t)·A (8)
式中的(m,n)表示每个像素的空间位置,I(m,n)表示最终进入成像系统的光照强度,即该像素点获取能量的幅度的大小,也即像素点的亮度,也是实际获取的图像;J(m,n)表示没有雾霾影响的条件获得的图像,t表示透射率,A表示大气散射中光的强度;其中透射率由下式计算,
t=e-βd(x) (9)
这里的参数β表示大气中介质的消光系数,在均匀介质中其值通常为常数,d(x)表示相机与景物之间的距离;
对式(8)进行调整,得到式(10),
从式(10)中看出,只要知道知道参数t和A,就能够获得去雾后的图像J(m,n);理想情况是t→1,即优的天气条件下获取图像,此时J(m,n)≈I(m,n);因为对图像进行了归一化处理,参数t近似的用max{I(m,n)}值进行代替,能够显著提高运算速度。
所述的步骤9中把HSI图像转换成RGB图像的具体步骤为:
步骤9.1:图像都进行了归一化处理,所以各图像的灰度值取值范围是[0,1];由H、S、I这三个分量来获取R、G、B三个分量计算公式如式(11)、式(12)或式(13);
步骤9.2:若H在大于等于0°到小于120°的范围内,则R、G、B分量由式(11)获取;
步骤9.3:若H在大于等于120°到小于240°的范围内,则R、G、B分量由式(12)进行计算,
步骤9.4:若H在大于等于240°到小于360°的范围内,则R、G、B分量由式(13)进行计算,
所述的步骤11中由RGB图像转换成灰度图像为:直接把RGB图像的B分量作为处理后的灰度图像。
本发明与现有技术相比的优点在于:
(1)处理的对象广泛,既可以对灰度图像进行处理,也可以彩色图像进行处理;既能去除图像雾霾降低其影响程度,又能对没有受到雾霾影响的图像进行改善,提高其视觉效果和清晰度,表明本方法有好的应用范围和好的普适性;在进行雾霾处理时,简化了暗原色先验算法处理的过程,降低了处理时间,提高了处理速度。对于灰度图像的处理,最后由RGB图像转换成灰度图像时,不是通过平均计算,而是直接提取B分量作为最终的灰度图像,这也同样简化了计算。
(2)为了改善图像的质量,不影响图像的色调,对图像进行了模型转换处理,即RGB模型与HSI模型之间的相互转换,达到实现对图像去噪、去雾霾或提高质量处理的目的,但原图像的颜色不失真。
(3)采用直方图特征和灰度对比特征对图像进行双重增强处理,充分考虑和利用像素的灰度空间分布关系。
附图说明
图1为本发明方法的流程图。
图2为灰度图像的去雾处理实验结果,图A为去雾前图像;图B为去雾后图像。
图3为轻雾图像的不同方法比较实验结果,图(a)为原始图像;图(b)为暗原色法;图(c)为Retinex法;图(d)为本发明方法。
图4为浓雾图像的不同方法比较实验结果,图(a)为原始图像;图(b)为暗原色法;图(c)为Retinex法;图(d)为本发明方法。
具体实施方式
下面结合附图和实施例对本发明作详细描述。
参照图1,一种基于模型与直方图及灰度增强的图像雾霾去除方法,包括以下步骤:
步骤1:输入光学遥感图像,光学遥感图像受到雾霾影响,或没有受到雾霾的干扰;同时,是彩色RGB图像,或是全色的灰度图像,它们都不会影响本方法的性能;
步骤2:判断输入光学遥感图像的类型,是灰度图像还是RGB彩色图像,判断的依据为:获取输入光学遥感图像的三个参数,即图像纵向像素个数M、横向像素个数N和图像维数K,如果图像维数K大于1,表明该图像是RGB彩色图像;否则该图像就是全色灰度图像;
步骤3:对于全色的灰度图像,需转换成RGB图像;具体为:RGB彩色图像包含有三个通道,这三个通道分别赋予红色、绿色和蓝色,它们再组合成彩色图像;同样的原理,当灰度图像转换成彩色图像时,灰度图像分别赋予每个通道,这样就得到一幅看似像灰度图像的RGB彩色图像,如果改变赋值大小,就会得到不同颜色组合的彩色图像;本发明中,为了后续处理和恢复,按式(1)进行处理,得到彩色图像,
式中I的表示灰度图像,R、G和B分别表示彩色图像的三个通道图像;
步骤4:把RGB图像转换成HSI图像,提取HSI图像的三个分量,即H分量图、S分量图和I分量图;具体步骤为:
步骤4.1:获取HSI图像的H分量图,按式(2)来计算和获取,
其中按式(3)计算,
步骤4.2:HSI图像的S分量图按式(4)来获得,
步骤4.3:HSI图像的I分量图按式(5)来获得,
步骤5:对I分量图进行直方图规定化处理;直方图是数字图像的最基本统计特性,反映不同灰度级出现的频率或次数,用公式(6)表示,
其中,P(rk)表示灰度值为rk的第k级灰度级出现的频率,nk表示灰度值为rk的像素点出现的个数的总和,n表示图像中所有像素的总和,即总的像素的个数;通过对图像直方图的调整,能够调整图像灰度级的空间分布情况;图像直方图的处理通常包含两种方法:均衡化处理和规定化处理。均衡化是一种全局的处理方法,规定化是一种局部或全局的方法,因此,均衡化是规定化的一种特例;在本发明中采用直方图规定化,而且规定化的灰度等级设为1024;
步骤6:对I分量图进行灰度对比度范围调整:对灰度对比度进行调整处理,是本发明的一个重要步骤,因为不同的调整范围和不同的方式,都会导致不同的结果,可以是线性的调整,或是非线性的调整,在本发明中,采用线性的调整策略,用下式表示,
式中F(m,n)表示变化前的灰度值,且F(m,n)∈[a,b],G(m,n)表示变化后的灰度值,且G(m,n)∈[c,d];这里处理的图像都进行了归一化处理,目的是减少光照强度不均造成的影响;关键是参数a、b、c和d的取值,对于没有受到雾霾影响或者只受到轻雾影响的图像,这四个参数分别设为a=0.1,b=0.9,c=0.3,d=1.0;对于受到重度雾霾影响的图像,则它们的设置分别为a=0.1,b=0.6,c=0.5,d=1.0;
步骤7:对I分量图进行雾霾去除处理:雾霾、灰尘和烟等因素对图像的获取产生较大的影响,会使获得的图像质量下降;主要原因是大气中的水汽、浮尘和烟尘颗粒对太阳光波起到散射作用,从而使在雾霾天气中获取的光学遥感图像都比较模糊,尤其是较远的部分;由于雾霾的存在,所以光在大气中的穿透率减少,到达目标的能量小;但在目标周围,由于雾霾存在,增强了散射作用,因此一幅包含雾霾的图像比无雾霾的图像会显得亮一些,即偏白一些,但模糊度会显著增强;因此,图像雾霾的去除有模型方法和非模型方法,用来描述大气散射中成像过程的物理模型如式(8)所示,
I(m,n)=J(m,n)·t+(1-t)·A (8)
式中的(m,n)表示每个像素的空间位置,I(m,n)表示最终进入成像系统的光照强度,即该像素点获取能量的幅度的大小,也即通常说的像素点的亮度,也是实际获取的图像;J(m,n)表示没有雾霾影响的条件获得的图像,t表示透射率,A表示大气散射中光的强度;其中透射率由下式计算,
t=e-βd(x) (9)
这里的参数β表示大气中介质的消光系数,在均匀介质中其值通常为常数,d(x)表示相机与景物之间的距离;
对式(8)进行调整,得到式(10),
从式(10)中看出,只要知道知道参数t和A,就能够获得去雾后的图像J(m,n);理想情况是t→1,即优的天气条件下获取图像,此时J(m,n)≈I(m,n);因为对图像进行了归一化处理,参数t近似的用max{I(m,n)}进行代替,能够显著提高运算速度,这是本发明的一个重要改进的地方;
步骤8:对S分量图进行雾霾去除处理,与步骤7相同,只是把S分量图代替I分量图;
步骤9:把HSI图像转换成RGB图像,具体步骤为:
步骤9.1:为了便于处理,同时减少光照不均的影响,图像都进行了归一化处理,所以各图像的灰度值取值范围是[0,1];由H、S、I这三个分量来获取R、G、B三个分量计算公式如式(11)、式(12)或式(13),这样就实现了HSI图像到RGB图像的转换;
步骤9.2:若H在大于等于0°到小于120°的范围内,则R、G、B分量由式(11)获取;
步骤9.3:若H在大于等于120°到小于240°的范围内,则R、G、B分量由式(12)进行计算,
步骤9.4:若H在大于等于240°到小于360°的范围内,则R、G、B分量由式(13)进行计算,
步骤10:如果处理的图像是RGB图像,则处理结束,直接输出结果;
步骤11:如果处理的图像是全色灰度图像,则要由RGB图像转换成灰度图像,把其作为处理后的结果,然后直接输出;
由于对于灰度图像进行处理,是先转换成RGB图像进行处理的,处理完成后,又需要把RGB图像转换成灰度图像,这里的转换过程比较简单,不需要计算,直接把RGB图像的B分量作为处理后的灰度图像。
雾霾天气对遥感图像的影响实质上是一种典型的遥感图像质量下降现象,所以去除雾霾影响本质上是图像的恢复或复原,是一种全域的处理方式。因此,本发明从图像增强原理和雾霾产生影响机理的角度提出地一种新的图像雾霾去除算法以及图像增强算法。如果图像是全色的灰度图像,则先把灰度图像转换成RGB图像;如果已经是RGB图像,则可以直接进入下一步处理。然后把RGB图像转换成HSI图像,接着提取H、S和I分量图像,对I分量图像进行直方图规定化处理,完后对其灰度值对比范围进行调整与增强处理,最后对S分量和I分量图像分别进行雾霾的去除处理,把处理后的HSI图像再转变成RGB图像,对于灰度图像还需要提取RGB模型中B分量,作为最后的结果。
参照图2,根据图像去雾前后的对比,看出去雾后图像更清晰。
参照图3和图4,通过本发明方法和原始图、暗原色法、Retinex法进行对比,方法性能评价参数值参见表1,
表1
能够得出本发明不仅能有效去除薄雾霾,而且对浓雾霾也能降低其影响。对于薄雾或没雾的图像能起到增强图像的清晰程度和视觉效果。用实测数据进行了比较实验,不但取得了好的实验效果,而且有较宽的普适性,相比与典型的传统方法,运算时间明显减少,具有极大的应用潜力和前景。
Claims (10)
1.一种基于模型与直方图及灰度增强的图像雾霾去除方法,其特征在于,包括以下步骤:
步骤1:输入光学遥感图像;
步骤2:判断输入光学遥感图像的类型,是灰度图像还是RGB彩色图像;
步骤3:对于全色的灰度图像,需转换成RGB图像;
步骤4:把RGB图像转换成HSI图像,提取HSI图像的三个分量,即H分量图、S分量图和I分量图;
步骤5:对I分量图进行直方图规定化处理;
步骤6:对I分量图再进行灰度对比度范围调整;
步骤7:对I分量图再进行雾霾去除处理;
步骤8:对S分量图进行雾霾去除处理,与步骤7相同,只是把S分量图代替I分量图;
步骤9:把HSI图像转换成RGB图像;
步骤10:如果处理的图像是RGB图像,则处理结束,直接输出结果;
步骤11:如果处理的图像是全色灰度图像,则要由RGB图像转换成灰度图像,把其作为处理后的结果,然后直接输出。
2.根据权利要求1所述的一种基于模型与直方图及灰度增强的图像雾霾去除方法,其特征在于,所述的步骤1中光学遥感图像受到雾霾影响,或没有受到雾霾的干扰;同时,是彩色RGB图像,或是全色的灰度图像。
3.根据权利要求1所述的一种基于模型与直方图及灰度增强的图像雾霾去除方法,其特征在于,所述的步骤2中对输入的光学遥感图像类型进行判断的依据为:获取输入光学遥感图像的三个参数,即图像纵向像素个数M、横向像素个数N和图像维数K,如果图像维数K大于1,表明该图像是RGB彩色图像;否则该图像就是全色灰度图像。
8.根据权利要求1所述的一种基于模型与直方图及灰度增强的图像雾霾去除方法,其特征在于,所述的步骤7中所述的对I分量图再进行雾霾去除处理为:
图像雾霾的去除有模型方法和非模型方法,用来描述大气散射中成像过程的物理模型如式(8)所示,
I(m,n)=J(m,n)·t+(1-t)·A (8)
式中的(m,n)表示每个像素的空间位置,I(m,n)表示最终进入成像系统的光照强度,即该像素点获取能量的幅度的大小,也即像素点的亮度,也是实际获取的图像;J(m,n)表示没有雾霾影响的条件获得的图像,t表示透射率,A表示大气散射中光的强度;其中透射率由下式计算,
t=e-βd(x) (9)
这里的参数β表示大气中介质的消光系数,在均匀介质中其值通常为常数,d(x)表示相机与景物之间的距离;
对式(8)进行调整,得到式(10),
从式(10)中看出,只要知道参数t和A,就能够获得去雾后的图像J(m,n);理想情况是t→1,即优的天气条件下获取图像,此时J(m,n)≈I(m,n);因为对图像进行了归一化处理,参数t近似的用max{I(m,n)}进行代替,能够显著提高运算速度。
10.根据权利要求1所述的一种基于模型与直方图及灰度增强的图像雾霾去除方法,其特征在于,所述的步骤11中由RGB图像转换成灰度图像为:直接把RGB图像的B分量作为处理后的灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810712070.8A CN109003238B (zh) | 2018-06-26 | 2018-06-26 | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810712070.8A CN109003238B (zh) | 2018-06-26 | 2018-06-26 | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109003238A CN109003238A (zh) | 2018-12-14 |
CN109003238B true CN109003238B (zh) | 2021-06-25 |
Family
ID=64598104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810712070.8A Active CN109003238B (zh) | 2018-06-26 | 2018-06-26 | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109003238B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675332A (zh) * | 2019-08-20 | 2020-01-10 | 广东技术师范大学 | 一种金属腐蚀图像质量的增强方法 |
CN111275652B (zh) * | 2020-02-26 | 2023-03-10 | 西京学院 | 一种去除城市遥感图像中雾霾的方法 |
CN112001288B (zh) * | 2020-08-17 | 2024-02-20 | 广州商学院 | 一种单幅多光谱遥感图像深灰色飞机快速检测方法 |
CN113822816A (zh) * | 2021-09-25 | 2021-12-21 | 李蕊男 | 气雾散射模型优化的单张遥感图像去霾方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930514A (zh) * | 2012-09-27 | 2013-02-13 | 西安电子科技大学 | 基于大气物理散射模型的快速图像去雾方法 |
CN103632339A (zh) * | 2012-08-21 | 2014-03-12 | 张晓光 | 一种基于变分Retinex的单幅图像去雾方法及装置 |
CN103700078A (zh) * | 2013-12-31 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 少量背景含雾图像的去雾方法 |
CN103914820A (zh) * | 2014-03-31 | 2014-07-09 | 华中科技大学 | 一种基于图像分层增强的图像去雾方法及系统 |
CN105303529A (zh) * | 2015-09-23 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种基于直方图均衡化的数字图像去雾方法 |
CN106296618A (zh) * | 2016-09-19 | 2017-01-04 | 河南工业大学 | 一种基于高斯函数加权直方图规定化的彩色图像去雾方法 |
CN106408520A (zh) * | 2015-12-27 | 2017-02-15 | 华南理工大学 | 一种高颜色保真度的图像去雾方法 |
CN106530257A (zh) * | 2016-11-22 | 2017-03-22 | 重庆邮电大学 | 一种基于暗通道先验模型的遥感图像去雾方法 |
CN108053374A (zh) * | 2017-12-05 | 2018-05-18 | 天津大学 | 一种结合双边滤波与Retinex的水下图像增强方法 |
CN108122213A (zh) * | 2017-12-25 | 2018-06-05 | 北京航空航天大学 | 一种基于YCrCb的低对比度图像增强方法 |
-
2018
- 2018-06-26 CN CN201810712070.8A patent/CN109003238B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632339A (zh) * | 2012-08-21 | 2014-03-12 | 张晓光 | 一种基于变分Retinex的单幅图像去雾方法及装置 |
CN102930514A (zh) * | 2012-09-27 | 2013-02-13 | 西安电子科技大学 | 基于大气物理散射模型的快速图像去雾方法 |
CN103700078A (zh) * | 2013-12-31 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 少量背景含雾图像的去雾方法 |
CN103914820A (zh) * | 2014-03-31 | 2014-07-09 | 华中科技大学 | 一种基于图像分层增强的图像去雾方法及系统 |
CN105303529A (zh) * | 2015-09-23 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种基于直方图均衡化的数字图像去雾方法 |
CN106408520A (zh) * | 2015-12-27 | 2017-02-15 | 华南理工大学 | 一种高颜色保真度的图像去雾方法 |
CN106296618A (zh) * | 2016-09-19 | 2017-01-04 | 河南工业大学 | 一种基于高斯函数加权直方图规定化的彩色图像去雾方法 |
CN106530257A (zh) * | 2016-11-22 | 2017-03-22 | 重庆邮电大学 | 一种基于暗通道先验模型的遥感图像去雾方法 |
CN108053374A (zh) * | 2017-12-05 | 2018-05-18 | 天津大学 | 一种结合双边滤波与Retinex的水下图像增强方法 |
CN108122213A (zh) * | 2017-12-25 | 2018-06-05 | 北京航空航天大学 | 一种基于YCrCb的低对比度图像增强方法 |
Non-Patent Citations (3)
Title |
---|
《An Adaptive and Effective Single Image Dehazing Algorithm Based on Dark Channel Prior》;Qingsong Zhu等;《Proceeding of the IEEE International Conference on Robotics and Biomimetics (ROBIO)》;20131231;第1796-1800页 * |
《基于大气模型的图像复原改进算法及应用》;王志坚;《计算机工程与应用》;20070331;第43卷(第3期);第239-241,248页 * |
《基于改进的限制对比度自适应直方图的视频快速去雾算法》;杨骥等;《计算机工程与设计》;20150131;第36卷(第1期);第221-226页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109003238A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN109003238B (zh) | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 | |
Wang et al. | Single image dehazing based on the physical model and MSRCR algorithm | |
CN105574830B (zh) | 极端天气条件下低质图像增强方法 | |
CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
Tripathi et al. | Single image fog removal using bilateral filter | |
CN109447917B (zh) | 基于内容和特征及多尺度模型的遥感图像雾霾消除方法 | |
CN107358585B (zh) | 基于分数阶微分及暗原色先验的雾天图像增强方法 | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN108154492B (zh) | 一种基于非局部均值滤波的图像去雾霾方法 | |
CN111598791B (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN108154490A (zh) | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN111275652B (zh) | 一种去除城市遥感图像中雾霾的方法 | |
CN113034379B (zh) | 天候天时自适应的快速图像清晰化处理方法 | |
CN112435184B (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN112465708A (zh) | 基于暗通道改进的图像去雾方法 | |
CN110874823A (zh) | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 | |
Wei et al. | An image fusion dehazing algorithm based on dark channel prior and retinex | |
CN108550124B (zh) | 一种基于仿生螺线的光照补偿及图像增强方法 |
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 |