CN109801238A - 一种基于简化大气散射模型的弱光照图像增强方法 - Google Patents
一种基于简化大气散射模型的弱光照图像增强方法 Download PDFInfo
- Publication number
- CN109801238A CN109801238A CN201910023346.6A CN201910023346A CN109801238A CN 109801238 A CN109801238 A CN 109801238A CN 201910023346 A CN201910023346 A CN 201910023346A CN 109801238 A CN109801238 A CN 109801238A
- Authority
- CN
- China
- Prior art keywords
- low
- image
- light image
- formula
- subgraph
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于简化大气散射模型的弱光照图像增强方法。首先,根据像素的亮度相似性将待增强弱光照图像分割成一系列子图像。然后,基于简化大气散射模型对各子图像进行建模。进而,利用基于子场景的透射率估计方法独立估计出各子图像的透射率。最后,利用全变分平滑算子对所估计出的透射率图进行优化,并最终得到增强后的弱光照图像。在多幅弱光照图像上所进行的实验验证了所提方法的有效性和鲁棒性。
Description
技术领域
本发明属于图像处理技术领域,为一种弱光照图像增强方法。
背景技术
在弱光照环境下捕获的图像通常具有信噪比降低、对比度衰减、结构及纹理细节信息丢失、动态范围压缩等缺点。而现有计算机视觉系统大都是基于输入图像具有较好的可视性这一前提开发的,因此上述缺陷制约了相关系统在弱光照环境下的有效性。因此,对弱光照图像进行增强处理,在恢复纹理细节的同时提高全局可视性,具有重要的研究意义与应用价值,并已经成为计算机视觉领域的热点研究问题。
针对弱光照图像增强问题,国内外学者均进行了广泛研究并取得了一定进展。如直方图均衡类方法,此类方法通过直接扩展图像直方图的动态范围来增强图像的全局对比度。但此类方法的调节过程具有显著的盲目性,因此往往会导致场景细节丢失、局部过增强等负面效应。基于Retinex理论的弱光照图像增强方法能够剥离图像中的入射光照分量,从而获得仅包含场景目标信息的反射分量,通常可以有效地恢复出部分纹理细节。然而,基于Retinex模型的入射分量估计方法通常缺乏明确的物理意义,从而不能保证估计准确性,从而导致相关方法缺乏鲁棒性。为克服Retinex模型的缺陷,基于变分Retinex模型的方法被提出,虽然基于变分Retinex模型的弱光照图像增强方法通常具备较好的增强效果,但由于模型复杂度大幅增加,势必具有较高的计算复杂度。
发明内容
本发明要解决的问题是:针对弱光照图像增强问题,现有技术的处理效果不够理想,存在场景细节丢失、局部过增强等负面效应的问题,部分算法虽然效果改进,但是计算复杂,计算成本消耗过大。
本发明的技术方案为:一种基于简化大气散射模型的弱光照图像增强方法,对于待增强的弱光照图像,首先根据像素的亮度相似性将弱光照图像分割成一系列子图像,然后基于简化大气散射模型对各子图像进行建模,再利用基于场景的透射率估计方法独立估计出各子图像的透射率,最后,利用全变分平滑算子对所估计出的透射率图进行优化,并最终得到增强后的弱光照图像。
本发明中,提出了一个简化大气散射模型对弱光照图像进行建模,以及相应的弱光图像增强方法。在该方法中,首先根据像素的亮度相似性将弱光照图像分割成一系列子图像,然后基于简化大气散射模型对各子图像进行建模,再利用基于场景的透射率估计方法独立估计出各子图像的透射率,最后,利用全变分平滑算子对所估计出的透射率图进行优化,并最终得到增强后的弱光照图像。在许多具有挑战性的低光图像上的实验验证了所提出的模型的有效性和鲁棒性,并且相应的方法可以显示其优于几种现有技术的优越性。
本发明具有以下有益效果:简单、准确、鲁棒性好,能够高效的为各类弱光照图像进行建模。本发明方法具有较好的增强效果,且没有复杂的计算,能够较好的恢复出大量纹理细节、大幅提升图像的全局可视性、色彩保真度好、能够避免局部增强力度不足或过增强现象。
附图说明
图1为本发明方法的流程图。
图2为本发明实施例待增强暗光的图像。
图3为本发明实施例进行弱光照图像场景分割的结果。
图4为本发明实施例透射率图。
图5为本发明实施例优化后的透射率图。
图6为本发明实施例的增强后的弱光照图像。
图7为本发明实施例增强后的图像减去原图像后的差值图像。
具体实施方式
本发明提供了一种基于简化大气散射模型的弱光照图像增强方法。首先,根据像素的亮度相似性将待增强弱光照图像分割成一系列子图像。然后,基于简化大气散射模型对各子图像进行建模。进而,利用基于子场景的透射率估计方法独立估计出各子图像的透射率。最后,利用全变分平滑算子对所估计出的透射率图进行优化,并最终得到增强后的弱光照图像。
下面结合实施例对本发明的实施进行具体说明。
本发明包括以下步骤,图1所示,:
1)获取待增强彩色弱光照图像I,,如图2所示。
2)获取亮度分量图。利用弱光照图像中各像素点I(x,y)的RGB色彩分量,依据公式(1)计算各像素点的亮度分量Ib(x,y),从而获取弱光照图像I所对应的亮度分量图Ib:
式中,Ir(x,y),Ig(x,y)和Ib(x,y)分别是弱光照图像中各像素点I(x,y)的红色、绿色和蓝色色彩分量。
3)弱光照图像场景分割。使用聚类算法对图像场景进行聚类,优选采用k-means聚类算法[1],依据像素亮度分量的相似性,将输入的弱光照图像分割成k个子场景,如公式(2):
式中,i∈{1,…,k}是子场景Ω(i)的索引;φi是子场景Ω(i)的聚类中心。由文献[1]可知,上述过程将迭代执行直至迭代中止条件被满足(公式(3)),具体过程如下:
式中,j是迭代次数索引,res是图像分辨率。
聚类完成后,输入的弱光照图像将被分割为k个子场景,而各子场景均可被视为亮度均匀的子图像Ii(x,y)。如图3所示。
4)图像建模。依据简化大气散射模型,即公式(4),对各子图像Ii(x,y)建模:
Ii(x,y)=Ri(x,y)·t(i),i∈{1,…,k} (4)
式中,Ri(x,y)是子图像Ii(x,y)所对应的清晰子图像;t(i)是该子图像的透射率。由公式(4)可知,清晰子图像Ri(x,y)的质量仅与未知量子图像的透射率t(i)有关,因此可以将公式(4)进行改写为:
5)透射率估计。由于Ri(x,y)是清晰子图像,因此其势必符合清晰图像的纯像素比例先验:即纯白像素和纯黑像素之和与像素总量的比例约为0.01%。据此,构建子图像的透射率t(i)的估计函数如下:
式中,ψ(·)是纯像素比例统计函数,具体可以写为:
R(x,y)(Red,Blue,Green)表示图像R中点(x,y)的RGB值,透射率估计后的图像如图4所示。
6)透射率优化。利用公式(6)和公式(7)在各子场景内进行独立的子场景透射率估计,即可获得全图透射率t。在此基础上,利用公式(8)对全图透射率进行优化操作:
式中,是优化后的全图透射率,是的梯度分量图,是输入弱光照图像I所对应的灰度图的梯度分量图,α、β是调节因子,用于调节在平滑效果和保边效果之间的均衡,优选值为1。优化后的透射率图如图5所示。
7)将优化后的全图透射率代入公式(9),即可获得增强后的弱光照图像I′(x,y):
增强后的弱光照图像如图6所示。对比图6和图2可以看出,所提方法能够对图像中的不同区域进行自适应的增强,可以在弱光照区域中恢复出大量潜藏的图像信息,同时又未在图像中的显著区域引入过增强现象。为更加直接的展示本发明的效果,在图7中给出了用增强后的图像减去原图像后的差值图像,即利用本方法恢复出的图像细节。从图7中可以看出,所提方法确实能够自适应的恢复出大量纹理细节。
Claims (4)
1.一种基于简化大气散射模型的弱光照图像增强方法,其特征是对于待增强的弱光照图像,首先根据像素的亮度相似性将待增强图像分割成一系列子图像,然后基于简化大气散射模型对各子图像进行建模,再利用基于场景的透射率估计方法独立估计出各子图像的透射率,最后,利用全变分平滑算子对所估计出的透射率图进行优化,并最终得到增强后的图像;
其中,简化大气散射模型如下:
Ii(x,y)=Ri(x,y)·t(i),i{i,…,k} (4)
式中,Ri(x,y)是子图像Ii(x,y)所对应的清晰子图像,t(i)是该子图像的透射率,k为子图像数。
2.根据权利要求1所述的一种基于简化大气散射模型的弱光照图像增强方法,其特征是具体步骤如下:
1)获取待增强彩色弱光照图像I,
2)获取图像I的亮度分量图,利用弱光照图像中各像素点I(x,y)的RGB色彩分量,依据公式(1)计算各像素点的亮度分量Ib(x,y),从而获取弱光照图像I所对应的亮度分量图Ib:
式中,Ir(x,y),Ig(x,y)和Ib(x,y)分别是弱光照图像中各像素点I(x,y)的红色、绿色和蓝色色彩分量;
3)弱光照图像场景分割,使用聚类算法对图像场景进行聚类,聚类完成后,输入的弱光照图像被分割为k个子场景,各子场景被视为亮度均匀的子图像Ii(x,y);
4)图像建模,依据简化大气散射模型,即公式(4)对各子图像Ii(x,y)建模:
Ii(x,y)=Ri(x,y)·t(i),i∈{1,…,k} (4)
式中,Ri(x,y)是子图像Ii(x,y)所对应的清晰子图像;t(i)是该子图像的透射率,则
5)透射率估计,Ri(x,y)是清晰子图像,则其纯白像素和纯黑像素之和与像素总量的比例为0.01%,据此构建子图像的透射率t(i)的估计函数如下:
式中,ψ(·)是纯像素比例统计函数,具体为:
6)透射率优化,利用公式(6)和公式(7)在各子场景内进行独立的子场景透射率估计,获得全图透射率t,此基础上,利用公式(8)对全图透射率进行优化操作:
式中,是优化后的全图透射率,是的梯度分量图,是输入弱光照图像I所对应的灰度图的梯度分量图,α、β是调节因子,用于调节在平滑效果和保边效果之间的均衡;
7)将优化后的全图透射率代入公式(9),即获得增强后的弱光照图像I′(x,y):
3.根据权利要求2所述的一种基于简化大气散射模型的弱光照图像增强方法,其特征是步骤3)中采用k-means聚类算法对图像场景进行聚类分割,依据像素亮度分量的相似性,将输入的弱光照图像分割成k个子场景:
式中,i∈{1,…,k}是子场景Ω(i)的索引;φi是子场景Ω(i)的聚类中心,上述过程将迭代执行直至迭代中止条件满足,即公式(3):
式中,j是迭代次数,res是图像分辨率。
4.根据权利要求2所述的一种基于简化大气散射模型的弱光照图像增强方法,其特征是步骤6)中α、β值为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910023346.6A CN109801238B (zh) | 2019-01-10 | 2019-01-10 | 一种基于简化大气散射模型的弱光照图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910023346.6A CN109801238B (zh) | 2019-01-10 | 2019-01-10 | 一种基于简化大气散射模型的弱光照图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109801238A true CN109801238A (zh) | 2019-05-24 |
CN109801238B CN109801238B (zh) | 2023-05-23 |
Family
ID=66557113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910023346.6A Active CN109801238B (zh) | 2019-01-10 | 2019-01-10 | 一种基于简化大气散射模型的弱光照图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109801238B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340732A (zh) * | 2020-02-28 | 2020-06-26 | 新疆大学 | 一种低照度视频图像增强方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537760A (zh) * | 2018-06-07 | 2018-09-14 | 南京信息职业技术学院 | 一种基于大气散射模型的红外图像增强方法 |
CN108734670A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 单幅夜间弱照度雾霾图像的复原算法 |
CN108765355A (zh) * | 2018-06-07 | 2018-11-06 | 南京信息职业技术学院 | 一种基于变分Retinex模型的雾天图像增强方法 |
-
2019
- 2019-01-10 CN CN201910023346.6A patent/CN109801238B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734670A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 单幅夜间弱照度雾霾图像的复原算法 |
CN108537760A (zh) * | 2018-06-07 | 2018-09-14 | 南京信息职业技术学院 | 一种基于大气散射模型的红外图像增强方法 |
CN108765355A (zh) * | 2018-06-07 | 2018-11-06 | 南京信息职业技术学院 | 一种基于变分Retinex模型的雾天图像增强方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340732A (zh) * | 2020-02-28 | 2020-06-26 | 新疆大学 | 一种低照度视频图像增强方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109801238B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hao et al. | Low-light image enhancement with semi-decoupled decomposition | |
Ren et al. | Gated fusion network for single image dehazing | |
CN109754377B (zh) | 一种多曝光图像融合方法 | |
Wu et al. | A bayesian approach for shadow extraction from a single image | |
Jiang et al. | Image dehazing using adaptive bi-channel priors on superpixels | |
CN103093203B (zh) | 一种人体再识别方法以及人体再识别系统 | |
CN112381897B (zh) | 基于自编码网络结构的低照度图像增强方法 | |
CN105046653B (zh) | 一种视频雨滴去除方法及系统 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
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 | |
Wang et al. | Low-light image enhancement based on virtual exposure | |
Wang et al. | Multiscale supervision-guided context aggregation network for single image dehazing | |
Cui et al. | ECANet: Enhanced context aggregation network for single image dehazing | |
CN105426847A (zh) | 低质量自然光虹膜图像非线性增强方法 | |
CN115019340A (zh) | 一种基于深度学习的夜间行人检测算法 | |
CN106611406B (zh) | 图像校正方法和图像校正设备 | |
CN109801238A (zh) | 一种基于简化大气散射模型的弱光照图像增强方法 | |
CN117611467A (zh) | 一种能同时平衡不同区域细节和亮度的低光图像增强方法 | |
Zhao et al. | Color channel fusion network for low-light image enhancement | |
Niu et al. | Matting-based residual optimization for structurally consistent image color correction | |
Yang et al. | A variation-based nighttime image dehazing flow with a physically valid illumination estimator and a luminance-guided coloring model | |
CN115660994B (zh) | 一种基于区域最小二乘估计的图像增强方法 | |
CN107301625A (zh) | 基于亮度融合网络的图像去雾算法 | |
CN116563133A (zh) | 基于模拟曝光和多尺度融合的低照度彩色图像增强方法 |
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 |