CN109523480A - 一种海雾图像的去雾方法、装置、计算机存储介质及终端 - Google Patents
一种海雾图像的去雾方法、装置、计算机存储介质及终端 Download PDFInfo
- Publication number
- CN109523480A CN109523480A CN201811340600.7A CN201811340600A CN109523480A CN 109523480 A CN109523480 A CN 109523480A CN 201811340600 A CN201811340600 A CN 201811340600A CN 109523480 A CN109523480 A CN 109523480A
- Authority
- CN
- China
- Prior art keywords
- image
- sky
- sea fog
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000003595 mist Substances 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 230000008030 elimination Effects 0.000 claims abstract description 11
- 238000003379 elimination reaction Methods 0.000 claims abstract description 11
- 230000010339 dilation Effects 0.000 claims abstract description 8
- 238000005530 etching Methods 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010353 genetic engineering Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 abstract description 3
- 239000003897 fog Substances 0.000 description 65
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000003665 fog water Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 230000002087 whitening effect Effects 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
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
本发明提供一种海雾图像的去雾方法,方法包括:得到每一个待处理图像对应的梯度算子图;从梯度算子图中进行分割得到目标图像;对目标图像通过形态学膨胀和腐蚀操作得到天空区域;获得天空区域海雾图和非天空区域海雾图;基于四叉树搜索划分目标区域获得全局大气光值;根据天空区域海雾图像和非天空区域海雾图像,计算介质传输图;得到天空区域海雾图所对应的天空区域去雾图、非天空区域海雾图所对应的非天空区域去雾图;根据天空区域去雾图和非天空区域去雾图,得到最终的去雾图像。应用本发明实施例,含雾图像的去雾,以便无人艇获得清晰的图像,通过清晰的图像能够进行避障目标识别,提高障碍物辨别的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种海雾图像的去雾方法、装置、计算机存储介质及终端。
背景技术
图像去雾的目的是为了从被雾模糊的图像中尽可能的减少雾的干扰,还原场景目标,增强图像的对比度和清晰度以及恢复出图像的细节,提高图像可视性等等。目前的去雾算法大多应用于陆地场景,特别是交通监控等场合,专门研究海雾这种特殊场合的去雾算法还不多见。
清晰的场景信息能大大提高无人艇避障、目标检测、跟踪和识别的能力。但视觉系统图像采集一般依靠可见光摄像头和红外摄像头。对于可见光摄像头,海雾下大气粒子的散射作用,会导致摄像头采集到的视频图像出现对比度低、目标轮廓和纹理模糊等图像降质现象,严重影响水面舰船视觉系统性能,对于海面场景监控、目标跟踪、目标识别以及目标行为分析等产生严重影响。由于离岸较远情况下,海上图片场景包含的目标和雾气浓度复杂多变,目标轮廓更模糊,无法提前预知场景更多的先验知识,另外,海面场景一般主要含有天空、海面、目标3个区域,天空海面又颜色亮度相近,使得复原海雾图像容易造成失真。以往基于图像增强的算法中直方图均衡化算法、小波变换法、Retinex这类方法从人类的视觉感知入手,增强有雾图像的对比度或矫正图像中的颜色从而增强图像的可视性。该类方法未从根本上去雾,因此去雾效果不明显。通过在雾天大气退化的物理模型理论的基础上,基于暗原色理论去雾方法最为流行,但是面对海雾水面场景,该方法存在着对天空区域的不适用性,天空部分过增强失真和图像边缘的光晕效应缺陷。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种海雾图像的去雾方法、装置、计算机存储介质及终端,旨在通过实现对含雾图像的去雾,以便无人艇获得清晰的图像,通过清晰的图像能够进行避障目标识别,提高障碍物辨别的准确性。
为实现上述目的及其他相关目的,本发明提供一种海雾图像的去雾方法,所述方法包括:
获取包含海雾的待处理图像,并对所述待处理图像进行处理,得到每一个待处理图像对应的梯度算子图;
根据基于遗传算法的自适应PCNN图像自动边缘检测,从所述梯度算子图中进行分割得到目标图像;
对所述目标图像通过形态学膨胀和腐蚀操作得到天空区域;
结合待处理图像和所述天空区域,获得天空区域海雾图和非天空区域海雾图;
对所述天空区域海雾图像进行划分,直至划分后区域中的目标区域小于预设区域;
根据所述目标区域的像素均值、所述非天空区域暗通道图像中多个像素点所对应像素值,获得全局大气光值;
根据所述天空区域海雾图像和所述非天空区域海雾图像,计算介质传输图;
根据所述全局大气光值、所述介质传输图和所述大气散射物理模型,得到所述天空区域海雾图所对应的天空区域去雾图、所述非天空区域海雾图所对应的非天空区域去雾图;
根据所述天空区域去雾图和所述非天空区域去雾图,得到最终的去雾图像。
本发明的一种实现方式中,所述对所述待处理图像进行处理,得到每一个待处理图像对应的梯度算子图的步骤,包括:
对于待处理图像中选取邻域,计算任意一个像素在0度,90度,45度,135度的卷积值,并选取所述卷积值中的最大值为作为该像素点的梯度;
获得待处理图像中的所有像素点的梯度;
对每一个像素点的梯度进行归一化处理,获得所述待处理图像进行归一化后的梯度算子图。
本发明的一种实现方式中,所述根据基于遗传算法的自适应PCNN图像自动边缘检测,从所述梯度算子图中进行分割得到目标图像的步骤,包括:
设置PCNN模型的设置初始连接系数、以及与动态阈值相关的第一常数、第二常数;
对连接系数、第一常数、第二常数进行编码;
采用最大香农熵、最大类间方差法和最小交叉熵,构造适应度函数;
设置群体规模,进化代数,交叉概率,变异概率,染色体长度;
随机产生初始种群,读入梯度算子图像,对目标解码,带入PCNN模型,根据所述适应度函数计算个体适应度值;
循环进行遗传操作:采用轮盘赌方法进行选择,形成的新的种群再进行交叉变异,得到的种群个体进行解码,带入PCNN模型后,求适应度函数值最大的个体作为当前代的最优个体,对其他个体进行更新,得到新的群体,重复上述步骤直到满足连续预设数量代之内最大适应度值变化小于预设阈值,或者最大进化代数时终止,最终得到较优的连接系数、第一常数、第二常数,
最终得到的连接系数、第一常数、第二常数参数所对应的PCNN点火,为所目标图像。
本发明的一种实现方式中,所述对所述天空区域海雾图像进行划分,直至划分后区域中的目标区域小于预设区域的步骤,包括:
S41、将所述天空区域海雾图像分为四块,对每块区域求像素均值和标准差;
S42、获得每一块的均值和标准差的差值绝对值,在每块区域大小小于预设区域的情况下,执行步骤S44,否则执行S43;
S43、获取所述差值绝对值最大的区域,并对该区域再次划分,执行步骤S42;
S44、获取所述差值绝对值最大的区域,将其确定为目标区域。
本发明的一种实现方式中,所述根据所述目标区域的像素均值、所述非天空区域暗通道图像中多个像素点所对应像素值,获得全局大气光值的步骤,包括:
获得所述目标区域中的像素所对应的第一像素均值;
获得所述非天空区域暗通道图像中亮度值排序在前的预设数量个像素点的像素值;
计算所述第一像素均值和所述预设数量个像素点的像素值所对应的第二均值;
将所述第二均值作为全局大气光值。
为解决现有技术问题,本发明实施例还提供了一种海雾图像的去雾装置,所述装置包括:
获取模块,用于获取包含海雾的待处理图像,并对所述待处理图像进行处理,得到每一个待处理图像对应的梯度算子图;
分割模块,用于根据基于遗传算法的自适应PCNN图像自动边缘检测,从所述梯度算子图中进行分割得到目标图像;
处理模块,用于对所述目标图像通过形态学膨胀和腐蚀操作得到天空区域;
第一获得模块,用于结合待处理图像和所述天空区域,获得天空区域海雾图和非天空区域海雾图;
划分模块,用于对所述天空区域海雾图像进行划分,直至划分后区域中的目标区域小于预设区域;
第二获得模块,用于根据所述目标区域的像素均值、所述非天空区域暗通道图像中多个像素点所对应像素值,获得全局大气光值;
计算模块,用于根据所述天空区域海雾图像和所述非天空区域海雾图像,计算介质传输图;
第三获得模块,用于根据所述全局大气光值、所述介质传输图和所述大气散射物理模型,得到所述天空区域海雾图所对应的天空区域去雾图、所述非天空区域海雾图所对应的非天空区域去雾图;
第四获得模块,用于根据所述天空区域去雾图和所述非天空区域去雾图,得到最终的去雾图像。
此外,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述海雾图像的去雾方法的步骤。
以及,提供了一种终端,包括处理器存储器,存储器存储有程序指令,处理器运行程序指令实现所述点海雾图像的去雾方法的步骤。
如上所述,本发明实施例提供的一种海雾图像的去雾方法、装置、计算机存储介质及终端,旨在通过实现对含雾图像的去雾,以便无人艇获得清晰的图像,通过清晰的图像能够进行避障目标识别,提高障碍物辨别的准确性。
附图说明
图1是本发明实施例的一种矿用电机车行人安全监测的控制方法的一种流程示意图。
图2是本发明实施例的一种矿用电机车行人安全监测的控制方法的另一种流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-2。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1和图2所示,本发明时候实施例提供一种海雾图像的去雾方法,所述方法包括:
S101,获取包含海雾的待处理图像,并对所述待处理图像进行处理,得到每一个待处理图像对应的梯度算子图。
首先是将通过无人艇视觉系统获得的海雾图像,作为待处理图像,将图像灰度化后,获得图像梯度算子图。具体的,基于待处理图像邻域变化的梯度值能反应像素邻域内像素值信息变化,有助于进行边缘检测。选取3x3的邻域,计算该像素每个像素点在0度,45度,90度,135度的卷积值作为该方向的梯度,取梯度最大值作为该像素点的梯度。其中每个像素点在0度,45度,90度,135度采用适当的卷积模板,如:0度卷积模板为[1,2,1;0,0,0;-1,-2,-1];45度卷积模板为[-2,-1,0;-1,0,1;0,1,2];90度卷积模板为[-1,0,1;-2,0,2;-1,0,1];135度卷积模板为[2,1,0;1,0,-1;0,-1,-2]。图像与四个方向的卷积模板卷积得到相应方向的梯度,最终取最大值作为该像素点的梯度。
然后对每一个像素点进行归一化处理,设f(x,y)表示坐标为(x,y)的梯度算子图像灰度值,g(x,y)为其处理后的梯度算子图像灰度值,
其中,Lmax表示梯度算子图像最大的灰度值,Lmin表示梯度算子图像最小的灰度值,进行灰度归一化处理,最后获得所述待处理图像进行归一化后的梯度算子图。
S102,根据基于遗传算法的自适应PCNN图像自动边缘检测,从所述梯度算子图中进行分割得到目标图像。
图像中的一个像素(i,j)依次对应一个PCNN神经元,每一个神经元接受来自反馈通道F和连接通道L两部分信息,其中,Sij是图像在点(i,j)的灰度值,Yk(n)是n次迭代时神经元的输出:
Fij(n)=Sij
通过连接系数β将反馈输入和连接输入非线性耦合,从而形成神经元的内部活动激励Uij(n):
Uij(n)=Fij(n)(1+βLij(n))
此时,脉冲生成器将Uij(n)与先前迭代得到的动态阈值θij(n)进行比较,当Uij(n)超过动态阈值θij(n)时,神经元点火形成脉冲,输出1,否则为0。
动态阈值会因常数Vθ瞬间增加,能够保证像素点不会被二次点火,其中,δ是一个恒定的线性递减突变。动态阈值θij(n)表达式如下:
θij(n)=θij(n-1)-δ+VθYij(n-1)
另外,由于阈值是由大梯度开始衰减的,小梯度受到抑制,大梯度值会先点火,可以检测出剧烈变化的像素值即边缘点,故PCNN循环次数不宜过多,PCNN迭代的次数优选值为不大于20。
根据Unit-Linking PCNN模型可知要设置连接系数β,常数Vθ、δ三个参数的值,通过遗传算法实现PCNN的自适应选参。
第一步编码。将连接系数β,第一常数Vθ、第二常数δ进行编码,具体可以选择二进制编码进行编码。
第二部适应度函数建立。最大香农熵、最大类间方差法和最小交叉熵,构造适应度函数,用来评价染色体优劣:最大香农熵反映了图像包含信息量的大小,熵越大说明信息量更丰富,图像细节越丰富,H为二值图像Yij(n)的香农熵:
H=-P1log2(P1)-P0log2(P0)
其中,P1、P0分别表示Yij(n)为1,或者为0的概率。
最大类间方差法,可以避免通过人工经验选参使用PCNN造成的对于小目标物体的分割易造成过分割的现,具体采用参数OM表示个体性能的好坏,OM越大,则性能越好,公式表达为:
OM=C0(D0-Dall)2+C1(D1-Dall)2
其中,C0表示像素灰度值小于阈值的概率和;C1表示像素灰度值大于阈值的概率和;D0表示一区间的平均灰度值;D1表示二区间的平均灰度值;Dall表示整幅图像的平均灰度。
最小交叉熵具有平滑和抑制噪声的作用,且使保留的图像轮廓细节特征更加准确。采用背景和目标的类内均值,求得交叉熵,然后通过交叉熵和灰度上限得到评价交叉熵优劣的参数DM。
其中,i是图像灰度值,h(i)为灰度直方图;z是灰度上限,t是假定阈值,可通过比较图像分割前后的累积直方图得到;u1(t)和u2(t)分别表示背景和目标的类内均值;CE为交叉熵;DM为将交叉熵归一化处理后得到的评价交叉熵优劣的参数,越接近于1,分割阈值越优,分割越准确。
通过二值图像Yij(n)的香农熵H、表示个体性能的好坏的参数OM和评价交叉熵优劣的参数DM三者的均值,构成适应度函数:
利用遗传算法进行Unit-Linking PCNN的参数寻优,CEC值越大,效果越好。
具体过程为:设置群体规模,进化代数,交叉概率,变异概率,染色体长度,随机产生初始种群,读入梯度算子图像,对目标解码,带入Unit-LinkingPCNN模型,计算个体适应度。开始循环进行遗传操作:采用轮盘赌方法进行选择,形成的新的种群再进行交叉变异。得到的种群个体进行解码,带入PCNN模型后,求适应度函数值最大的个体作为当前代的最优个体,对其他个体进行更新,得到新的群体,重复上述步骤直到满足连续5代之内最大适应度值变化小于0.001,或者最大进化代数时终止,最终得到较优的连接系数β,常数Vθ、δ三个参数,同时参数所对应的PCNN点火图即为最终结果。
通过利用遗传算法可以实现PCNN算法的自动选参,省去了大量的实验选参过程。同时采用最大香农熵反映了图像包含信息量的大小,熵越大说明信息量更丰富,图像细节越丰富,最大类间方差法可以避免通过人工经验选参使用PCNN边缘检测造成的对于小目标物体的分割易造成过分割的现象,和最小交叉熵结合构造遗传算法的适应度函数,也兼顾了最小交叉熵保证图像边缘检测的准确性的优点,使得保留的图像轮廓细节特征更加准确。
S103,对所述目标图像通过形态学膨胀和腐蚀操作得到天空区域。
将通过自适应Unit-Linking PCNN得到的图像通过形态学膨胀和腐蚀操作得到天空区域。
S104,结合待处理图像和所述天空区域,获得天空区域海雾图和非天空区域海雾图。
根据天空区域的位置和原始的雾原图中所对应的非天空区域对应的部分进行像素置零得到天空区域海雾图,再对原始的海雾原图中分割后天空区域对应的部分进行像素置零得到非天空区域海雾图。
S105,对所述天空区域海雾图像进行划分,直至划分后区域中的目标区域小于预设区域。
一种具体实现方式中,在天空区域海雾图像中,将图像分为四块,对每块区域求像素均值和标准差,求得均值与标准差的差值作为判断标准,取四个区域中差值最大的再分成四个区域,重复上述操作直到得到目标区域的差值小于人为指定预设区域,具体的,人为设定区域可以是图像划分的窗口区域,例如,划分窗口采用3*3的划分方式,那么设定该预设区域为窗口大小。
S106,根据所述目标区域的像素均值、所述非天空区域暗通道图像中多个像素点所对应像素值,获得全局大气光值。
实际应用中,可以将该目标区域的像素均值加上非天空区域暗通道图像中亮度值排列在前0.1%的像素点所对应的非天空区域的海雾图的像素值,再求均值作为全局大气光值A。因为全局大气光值的估计应该选在雾最厚的地方而非最大亮度处。而雾最厚的地方即天空或者由于大量的灰霾通常会导致一个发亮(发白)的颜色即使暗通道中最亮的地方,该方式能够减小大气光估计值的偏差,提高估计的鲁棒性。
S107,根据所述天空区域海雾图像和所述非天空区域海雾图像,计算介质传输图。
对非天空区域海雾图像,应用暗通道先验,将大气物理散射模型变形和取最小值处理的公式为:
由于Ac总为正值,带入全局大气光A,因此可得介质传输图的估计值:
对天空区域海雾图像,利用颜色衰减先验可以有效解决利用暗通道先验去雾造成的天空部分颜色失真现象。在有雾图像中像素的亮度和饱和度变化与图像场景中雾气的浓度有关系,由于大气环境中雾的叠加效应,雾浓度间接反映了图像场景中的景深信息,景深越大的地方,叠加的雾层越多,雾浓度越大。因此,有雾图像像素亮度和饱和度与雾浓度的关系可转化为亮度和饱和度与景深的关系。
有雾图像的亮度与饱和度的差值与景深是线性关系,且由像素点(x,y)处的亮度值和像素点(x,y)处的饱和度值以及设定的参数可以获得该点对应的景深值d(x,y)。
d(x,y)=θ0+θ1i(x,y)+θ2s(x,y)
其中,i(x,y)为像素点(x,y)处的亮度值,s(x,y)为像素点(x,y)处的饱和度值,θx为系数,具体取值分别为θ0=0.121779,θ1=0.959710,θ2=-0.780245,由此式可知,获得有雾图像的亮度值和饱和度值之后,即可求得景深值d(x,y)。
由于透射率与像素点的景深存在关系,td(x,y)=e-βd(x,y),β=1.0,在景深值d(x,y)已知时,即可求得介质传输图td(x,y)。因此,用引导滤波优化天空区域和非天空区域的介质传输图,改善复原图中出现的的光晕和块效应。
S108,根据所述全局大气光值、所述介质传输图和所述大气散射物理模型,得到所述天空区域海雾图所对应的天空区域去雾图、所述非天空区域海雾图所对应的非天空区域去雾图。
大气散射物理模型被广泛应用于雾霾图像,由于待恢复图像是有雾图像通过去除大气光值的影响后所回复的图像,用公式表达为:I(x,y)=J(x,y)t(x,y)+A(1-t(x,y)),其中,I(x,y)表示有雾图像,J(x,y)为待恢复图像,A为取景环境的大气光值,t(x,y)为像素(x,y)处的介质传输图,又称为透射率。
本领域技术人员可以理解的是,造成暗原色中低通道值主要有三个因素:a)汽车、建筑物和城市中玻璃窗户的阴影,或者是树叶、树与岩石等自然景观的投影;b)色彩鲜艳的物体或表面,在RGB的三个通道中有些通道的值很低;c)颜色较暗的物体或者表面,例如灰暗色的树干和石头。总之,自然景物中到处都是阴影或者彩色,这些景物的图像的暗原色总是很灰暗的。所以在非天空区域海雾图的某些像素点处RGB三通道中至少有一个颜色通道具有极低的值。
对非天空区域海雾图的RGB三个颜色通道图像分别进行最小值滤波,再选取滤波后的三通道图像中同一位置的像素最小值作为暗通道图的像素值Jdark,表达式为:
其中,Ω(x)是图像I以像素点x为中心的方形小块滤波窗口,Ic表示非天空区域海雾图像I的某一个颜色通道,Ic(y)表示非天空区域海雾图像当中单个像素点的某一个颜色通道的值;Jdark图像I的暗通道图像。当图中是蓝色海面和含有目标物体的阴影时,通常具有极低的暗通道值。即Jdark的值趋于0,
因此,非天空区域海雾图像满足暗通道先验条件。
由于天空不符合暗通道先验即其暗通道值并不接近0,会使得介质传输图误差较大,使得图像天空区域色彩失真。故在天空区域采用颜色衰减先验算法。
因此,能够计算出天空区域去雾图、所述非天空区域海雾图所对应的非天空区域去雾图。
S109,根据所述天空区域去雾图和所述非天空区域去雾图,得到最终的去雾图像。
将全局大气光值A与天空区域或非天空区域海雾图像优化后的介质传输图t,分别带入大气散射物理模型求得天空部分去雾图像和非天空区域的去雾图像。将天空部分与非天空部分去雾图像按照原先像素点位置互相填补对方为0的部分拼接在一起,利用高斯滤波对拼接部分做平滑处理去除拼接处的噪点,得到最终的去雾图像。
本发明可以用于海上交通中获取到的含雾图像进行处理,能够得到精确的去雾后图像,以及有利于无人艇执行后续的避障,便于准确的进行目标识别。
为解决现有技术问题,本发明实施例还提供了一种海雾图像的去雾装置,所述装置包括:
获取模块,用于获取包含海雾的待处理图像,并对所述待处理图像进行处理,得到每一个待处理图像对应的梯度算子图;
分割模块,用于根据基于遗传算法的自适应PCNN图像自动边缘检测,从所述梯度算子图中进行分割得到目标图像;
处理模块,用于对所述目标图像通过形态学膨胀和腐蚀操作得到天空区域;
第一获得模块,用于结合待处理图像和所述天空区域,获得天空区域海雾图和非天空区域海雾图;
划分模块,用于对所述天空区域海雾图像进行划分,直至划分后区域中的目标区域小于预设区域;
第二获得模块,用于根据所述目标区域的像素均值、所述非天空区域暗通道图像中多个像素点所对应像素值,获得全局大气光值;
计算模块,用于根据所述天空区域海雾图像和所述非天空区域海雾图像,计算介质传输图;
第三获得模块,用于根据所述全局大气光值、所述介质传输图和所述大气散射物理模型,得到所述天空区域海雾图所对应的天空区域去雾图、所述非天空区域海雾图所对应的非天空区域去雾图;
第四获得模块,用于根据所述天空区域去雾图和所述非天空区域去雾图,得到最终的去雾图像。
此外,本发明实施例还提供了一种计算机存储介质,具体为计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述海雾图像的去雾方法的步骤。
以及,提供了一种终端,包括处理器存储器,存储器存储有程序指令,处理器运行程序指令实现所述点海雾图像的去雾方法的步骤。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种海雾图像的去雾方法,其特征在于,所述方法包括:
获取包含海雾的待处理图像,并对所述待处理图像进行处理,得到每一个待处理图像对应的梯度算子图;
根据基于遗传算法的自适应PCNN图像自动边缘检测,从所述梯度算子图中进行分割得到目标图像;
对所述目标图像通过形态学膨胀和腐蚀操作得到天空区域;
结合待处理图像和所述天空区域,获得天空区域海雾图和非天空区域海雾图;
对所述天空区域海雾图像进行划分,直至划分后区域中的目标区域小于预设区域;
根据所述目标区域的像素均值、所述非天空区域暗通道图像中多个像素点所对应像素值,获得全局大气光值;
根据所述天空区域海雾图像和所述非天空区域海雾图像,计算介质传输图;
根据所述全局大气光值、所述介质传输图和所述大气散射物理模型,得到所述天空区域海雾图所对应的天空区域去雾图、所述非天空区域海雾图所对应的非天空区域去雾图;
根据所述天空区域去雾图和所述非天空区域去雾图,得到最终的去雾图像。
2.根据权利要求1所述的一种海雾图像的去雾方法,其特征在于,所述对所述待处理图像进行处理,得到每一个待处理图像对应的梯度算子图的步骤,包括:
对于待处理图像中选取邻域,计算任意一个像素在0度,90度,45度,135度的卷积值,并选取所述卷积值中的最大值为作为该像素点的梯度;
获得待处理图像中的所有像素点的梯度;
对每一个像素点的梯度进行归一化处理,获得所述待处理图像进行归一化后的梯度算子图。
3.根据权利要求1或2所述的一种海雾图像的去雾方法,其特征在于,所述根据基于遗传算法的自适应PCNN图像自动边缘检测,从所述梯度算子图中进行分割得到目标图像的步骤,包括:
设置PCNN模型的设置初始连接系数、以及与动态阈值相关的第一常数、第二常数;
对连接系数、第一常数、第二常数进行编码;
采用最大香农熵、最大类间方差法和最小交叉熵,构造适应度函数;
设置群体规模,进化代数,交叉概率,变异概率,染色体长度;
随机产生初始种群,读入梯度算子图像,对目标解码,带入PCNN模型,根据所述适应度函数计算个体适应度值;
循环进行遗传操作:采用轮盘赌方法进行选择,形成的新的种群再进行交叉变异,得到的种群个体进行解码,带入PCNN模型后,求适应度函数值最大的个体作为当前代的最优个体,对其他个体进行更新,得到新的群体,重复上述步骤直到满足连续预设数量代之内最大适应度值变化小于预设阈值,或者最大进化代数时终止,最终得到较优的连接系数、第一常数、第二常数,
最终得到的连接系数、第一常数、第二常数参数所对应的PCNN点火,为所目标图像。
4.根据权利要求3所述的一种海雾图像的去雾方法,其特征在于,所述对所述天空区域海雾图像进行划分,直至划分后区域中的目标区域小于预设区域的步骤,包括:
S41、将所述天空区域海雾图像分为四块,对每块区域求像素均值和标准差;
S42、获得每一块的均值和标准差的差值绝对值,在每块区域大小小于预设区域大小的情况下,执行步骤S44,否则执行S43;
S43、获取所述差值绝对值最大的区域,并对该区域再次划分,执行步骤S42;
S44、获取所述差值绝对值最大的区域,将其确定为目标区域。
5.根据权利要求1或4所述的一种海雾图像的去雾方法,其特征在于,所述根据所述目标区域的像素均值、所述非天空区域暗通道图像中多个像素点所对应像素值,获得全局大气光值的步骤,包括:
获得所述目标区域中的像素所对应的第一像素均值;
获得所述非天空区域暗通道图像中亮度值排序在前的预设数量个像素点的像素值;
计算所述第一像素均值和所述预设数量个像素点的像素值所对应的第二均值;
将所述第二均值作为全局大气光值。
6.一种海雾图像的去雾装置,其特征在于,所述装置包括:
获取模块,用于获取包含海雾的待处理图像,并对所述待处理图像进行处理,得到每一个待处理图像对应的梯度算子图;
分割模块,用于根据基于遗传算法的自适应PCNN图像自动边缘检测,从所述梯度算子图中进行分割得到目标图像;
处理模块,用于对所述目标图像通过形态学膨胀和腐蚀操作得到天空区域;
第一获得模块,用于结合待处理图像和所述天空区域,获得天空区域海雾图和非天空区域海雾图;
划分模块,用于对所述天空区域海雾图像进行划分,直至划分后区域中的目标区域小于预设区域;
第二获得模块,用于根据所述目标区域的像素均值、所述非天空区域暗通道图像中多个像素点所对应像素值,获得全局大气光值;
计算模块,用于根据所述天空区域海雾图像和所述非天空区域海雾图像,计算介质传输图;
第三获得模块,用于根据所述全局大气光值、所述介质传输图和所述大气散射物理模型,得到所述天空区域海雾图所对应的天空区域去雾图、所述非天空区域海雾图所对应的非天空区域去雾图;
第四获得模块,用于根据所述天空区域去雾图和所述非天空区域去雾图,得到最终的去雾图像。
7.一种计算机存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现所述海雾图像的去雾方法的步骤。
8.一种终端,其特征在于,包括处理器存储器,存储器存储有程序指令,处理器运行程序指令实现所述点海雾图像的去雾方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340600.7A CN109523480B (zh) | 2018-11-12 | 2018-11-12 | 一种海雾图像的去雾方法、装置、计算机存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340600.7A CN109523480B (zh) | 2018-11-12 | 2018-11-12 | 一种海雾图像的去雾方法、装置、计算机存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523480A true CN109523480A (zh) | 2019-03-26 |
CN109523480B CN109523480B (zh) | 2022-05-06 |
Family
ID=65774031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811340600.7A Active CN109523480B (zh) | 2018-11-12 | 2018-11-12 | 一种海雾图像的去雾方法、装置、计算机存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523480B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310241A (zh) * | 2019-06-26 | 2019-10-08 | 长安大学 | 一种融合深度区域分割的多大气光值交通图像去雾方法 |
CN110570365A (zh) * | 2019-08-06 | 2019-12-13 | 西安电子科技大学 | 基于先验信息的图像去雾方法 |
CN110807743A (zh) * | 2019-10-24 | 2020-02-18 | 华中科技大学 | 一种基于卷积神经网络的图像去雾方法 |
CN111242880A (zh) * | 2019-12-30 | 2020-06-05 | 广州市明美光电技术有限公司 | 一种用于显微镜的多景深图像叠加方法、设备及介质 |
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 |
CN112508328A (zh) * | 2020-10-20 | 2021-03-16 | 中国环境科学研究院 | 一种自然保护地生态质量监控系统及方法 |
CN112819712A (zh) * | 2021-01-22 | 2021-05-18 | 兰州交通大学 | 一种基于pna-mspcnn模型的低照度彩色图像增强方法 |
CN113628145A (zh) * | 2021-08-27 | 2021-11-09 | 燕山大学 | 一种图像清晰化方法、系统、设备及存储介质 |
CN115439494A (zh) * | 2022-11-08 | 2022-12-06 | 山东大拇指喷雾设备有限公司 | 用于喷雾机质检的喷雾图像处理方法 |
CN115861721A (zh) * | 2023-02-28 | 2023-03-28 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖喷雾设备状态识别方法 |
CN116110053A (zh) * | 2023-04-13 | 2023-05-12 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982513A (zh) * | 2012-12-04 | 2013-03-20 | 电子科技大学 | 一种基于纹理的自适应图像去雾方法 |
CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
CN105976338A (zh) * | 2016-05-12 | 2016-09-28 | 山东大学 | 一种基于天空识别与分割的暗通道先验去雾方法 |
CN106127715A (zh) * | 2016-08-29 | 2016-11-16 | 程建 | 一种图像去雾方法及系统 |
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
CN106875351A (zh) * | 2017-01-11 | 2017-06-20 | 西南科技大学 | 一种面向大面积天空区域图像的去雾方法 |
CN108038859A (zh) * | 2017-11-09 | 2018-05-15 | 深圳大学 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
CN108182671A (zh) * | 2018-01-25 | 2018-06-19 | 南京信息职业技术学院 | 一种基于天空区域识别的单幅图像去雾方法 |
-
2018
- 2018-11-12 CN CN201811340600.7A patent/CN109523480B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982513A (zh) * | 2012-12-04 | 2013-03-20 | 电子科技大学 | 一种基于纹理的自适应图像去雾方法 |
CN105719259A (zh) * | 2016-02-19 | 2016-06-29 | 上海理工大学 | 路面裂缝图像检测方法 |
CN105976338A (zh) * | 2016-05-12 | 2016-09-28 | 山东大学 | 一种基于天空识别与分割的暗通道先验去雾方法 |
CN106127715A (zh) * | 2016-08-29 | 2016-11-16 | 程建 | 一种图像去雾方法及系统 |
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
CN106875351A (zh) * | 2017-01-11 | 2017-06-20 | 西南科技大学 | 一种面向大面积天空区域图像的去雾方法 |
CN108038859A (zh) * | 2017-11-09 | 2018-05-15 | 深圳大学 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
CN108182671A (zh) * | 2018-01-25 | 2018-06-19 | 南京信息职业技术学院 | 一种基于天空区域识别的单幅图像去雾方法 |
Non-Patent Citations (2)
Title |
---|
ZHONGLI MA ET AL.: "A classification method of fog image for USV visual system", 《2015 34TH CHINESE CONTROL CONFERENCE (CCC)》 * |
马义德 等: "基于遗传算法的脉冲耦合神经网络自动系统的研究", 《系统仿真学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310241B (zh) * | 2019-06-26 | 2021-06-01 | 长安大学 | 一种融合深度区域分割的多大气光值交通图像去雾方法 |
CN110310241A (zh) * | 2019-06-26 | 2019-10-08 | 长安大学 | 一种融合深度区域分割的多大气光值交通图像去雾方法 |
CN110570365A (zh) * | 2019-08-06 | 2019-12-13 | 西安电子科技大学 | 基于先验信息的图像去雾方法 |
CN110570365B (zh) * | 2019-08-06 | 2022-04-29 | 西安电子科技大学 | 基于先验信息的图像去雾方法 |
CN110807743A (zh) * | 2019-10-24 | 2020-02-18 | 华中科技大学 | 一种基于卷积神经网络的图像去雾方法 |
CN110807743B (zh) * | 2019-10-24 | 2022-02-15 | 华中科技大学 | 一种基于卷积神经网络的图像去雾方法 |
CN111242880B (zh) * | 2019-12-30 | 2023-05-02 | 广州市明美光电技术有限公司 | 一种用于显微镜的多景深图像叠加方法、设备及介质 |
CN111242880A (zh) * | 2019-12-30 | 2020-06-05 | 广州市明美光电技术有限公司 | 一种用于显微镜的多景深图像叠加方法、设备及介质 |
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 |
CN112508328A (zh) * | 2020-10-20 | 2021-03-16 | 中国环境科学研究院 | 一种自然保护地生态质量监控系统及方法 |
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 |
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 |
CN112819712B (zh) * | 2021-01-22 | 2022-03-11 | 兰州交通大学 | 一种基于pna-mspcnn模型的低照度彩色图像增强方法 |
CN112819712A (zh) * | 2021-01-22 | 2021-05-18 | 兰州交通大学 | 一种基于pna-mspcnn模型的低照度彩色图像增强方法 |
CN113628145B (zh) * | 2021-08-27 | 2024-02-02 | 燕山大学 | 一种图像清晰化方法、系统、设备及存储介质 |
CN113628145A (zh) * | 2021-08-27 | 2021-11-09 | 燕山大学 | 一种图像清晰化方法、系统、设备及存储介质 |
CN115439494A (zh) * | 2022-11-08 | 2022-12-06 | 山东大拇指喷雾设备有限公司 | 用于喷雾机质检的喷雾图像处理方法 |
CN115861721B (zh) * | 2023-02-28 | 2023-05-05 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖喷雾设备状态识别方法 |
CN115861721A (zh) * | 2023-02-28 | 2023-03-28 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖喷雾设备状态识别方法 |
CN116110053A (zh) * | 2023-04-13 | 2023-05-12 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109523480B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523480A (zh) | 一种海雾图像的去雾方法、装置、计算机存储介质及终端 | |
CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
Lv et al. | Real-time dehazing for image and video | |
CN108537756B (zh) | 基于图像融合的单幅图像去雾方法 | |
Wang et al. | Improved single image dehazing using dark channel prior | |
CN110288550B (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
CN111833258B (zh) | 一种基于双透射率水下成像模型的图像颜色校正方法 | |
CN111145105B (zh) | 一种图像快速去雾方法、装置、终端及存储介质 | |
CN111179189A (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 | |
CN110211067A (zh) | 一种用于uuv近海面可见光图像去雾方法 | |
CN102289791A (zh) | 一种快速单幅图像去雾方法 | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
CN112070691A (zh) | 一种基于U-Net的图像去雾方法 | |
CN111861939A (zh) | 一种基于无监督学习的单张图像去雾方法 | |
CN111598814A (zh) | 基于极端散射通道的单图像去雾方法 | |
CN106504216B (zh) | 基于变分模型的单幅图像去雾方法 | |
CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
CN110889868A (zh) | 一种结合梯度和纹理特征的单目图像深度估计方法 | |
CN110223240A (zh) | 基于颜色衰减先验的图像去雾方法、系统及存储介质 | |
CN106780390A (zh) | 基于边缘分类加权融合的单幅图像去雾方法 | |
CN106780362A (zh) | 基于双色反射模型与双边滤波的道路视频去雾方法 | |
Wang et al. | Single-image dehazing using color attenuation prior based on haze-lines | |
CN110349113B (zh) | 一种基于暗原色先验改进的自适应图像去雾方法 | |
CN109949239B (zh) | 一种适用于多浓度多场景雾霾图像的自适应清晰化方法 | |
CN116757949A (zh) | 一种大气-海洋散射环境退化图像复原方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231206 Address after: 213000 Huzhuangtou 302, Sanhuangmiao Village Committee, Zhenglu Town, Tianning District, Changzhou City, Jiangsu Province Patentee after: Changzhou Shuhai Intelligent Technology Co.,Ltd. Address before: 201306 1550 Harbour Road, Lingang New Town, Pudong New Area, Shanghai Patentee before: Shanghai Maritime University |