CN110148093B - 一种基于暗通道先验的图像去雾改进方法 - Google Patents
一种基于暗通道先验的图像去雾改进方法 Download PDFInfo
- Publication number
- CN110148093B CN110148093B CN201910310471.5A CN201910310471A CN110148093B CN 110148093 B CN110148093 B CN 110148093B CN 201910310471 A CN201910310471 A CN 201910310471A CN 110148093 B CN110148093 B CN 110148093B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- channel
- atmospheric light
- transmissivity
- 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 35
- 238000002834 transmittance Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
Images
Classifications
-
- G06T5/73—
Abstract
本发明提供了一种基于暗通道先验的图像去雾改进方法，包括以下步骤：输入雾天图像，得到雾天图像的暗通道图像和亮通道图像；利用四叉树搜索方法得到大气光估计值，结合亮通道图像和大气光估计值得到大气光图像；计算得到透射率图像，结合大气光图像对透射率图像进行阈值处理；对透射率图像进行精细化处理，输出去雾的复原图像。本发明提供一种基于暗通道先验的图像去雾改进方法，避免出现无法存在白色或无法适应天空域的雾天图像问题，且将透射率进行阈值处理，有效改进了天空域部分的透射率过低导致的颜色失真问题提高了图像的亮度和对比度，减少图像的信息熵的丢失；且该方法计算过程简单，具有实时性。
Description
技术领域
本发明涉及图像处理技术领域，更具体地，涉及一种基于暗通道先验的图像去雾改进方法。
背景技术
视频监控技术已经应用于我们生活中，如交通监控和农业生产等室外地点。但是近年来，据气象部门发布的数据，我国部分地区有较长的时间受雾霾天气影响，这干扰了视频监控获取真实场景的图像信息。
而在交通监控方面，管理部门无法通过降质图像获取实时的真实情况，无法完成对交通的调度，大大降低了交通运行能力；另外对于车载视频预警系统，无法对雾天模糊图像做出及时的预警信息，影响驾驶人的判断。对于农业生产，智慧农业依赖植物表型分析系统，对作物的生长做出病害预警和生长预测，但该系统主要通过对植物的生长环境图像和植物叶片图像信息分析，降质模糊图像将会影响处理结果。因此对雾天图像的图像复原方法的研究具有重要意义。
现在对有雾图像的处理主要分为基于图像增强的去雾方法和基于图像复原的去雾方法。基于图像增强的去雾方法是利用已有的成熟图像增强方法对雾天图像进行对比度增强，使得所需部分的图像信息突出，但这类方法没有考虑图像降质的本质原因，会导致其他信息丢失。这类方法常用的有直方图均衡、Retinex算法和同态滤波等。而基于图像复原的去雾方法是按照物理模型，对降质图像建模分析，复原出清晰图像。该类方法常用的有基于暗通道先验理论、基于颜色衰减先验和大气光偏振等。暗通道先验的去雾方法是目前复原效果较好，但存在以下缺点：由于对大气光值的估计不准确和透射率天空部分过小，存在天空域的雾天图像处理后有颜色失真问题；另外计算复杂度较高，无法满足实时性。
发明内容
本发明为了克服现有暗通道先验的去雾方法在对天空域的雾天图像处理过程中存在有颜色失真且计算复杂度高，无法满足实时性要求的技术缺陷，提供一种基于暗通道先验的图像去雾改进方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于暗通道先验的图像去雾改进方法，包括以下步骤：
S1：输入雾天图像，得到雾天图像的暗通道图像和亮通道图像；
S2：利用四叉树搜索方法得到大气光估计值，结合亮通道图像和大气光估计值得到大气光图像；
S3：计算得到透射率图像，结合大气光图像对透射率图像进行阈值处理；
S4：对透射率图像进行精细化处理，输出去雾的复原图像。
其中，所述步骤S1具体包括以下步骤：
S11：根据输入的雾天图像计算各像素点的三个颜色通道，将最小值存入最小值通道图像，最大值存入最大值通道图像；
S12：计算最小值通道图像各相邻域像素点与中心点的差值，并与雾天图像标准差比较，若比标准差大则将该点像素值置255并求取该局部区域最小值，并置为中心点像素值，处理后的图像为暗通道图像；
S13：将最大值通道图像进行最大值滤波，得到的图像为亮通道图像。
其中，所述步骤S2具体包括以下步骤：
S21：将暗通道图像裁剪成相同尺寸的子图像，分别计算各子图像的均值和标准差，并分别比较各子图像的均值和标准差的差值，将差值较大的子图像重复步骤S21，直至子图像的像素点个数少于阈值；
S22：在暗通道图像上对应出子图像的区域，分别求出各个区域的三通道像素平均值，将最小值即为大气光估计值；
S23：将亮通道图像与大气光估计值进行计算得到大气光图像A，具体计算公式为：
A＝a*Lc+b*A0,(a+b<1)；
其中，Lc表示步骤S13求得的亮通道图像；A0为步骤S22求得的大气光估计值。
其中，所述步骤S3具体包括以下步骤：
S31：按照暗通道先验理论的透射率估计公式得到透射率图像；
S32：对大气光图像与暗通道图像做差值，得到差值图像；将差值图像每一个像素值与雾天图像标准差做比较，若比标准差小则将透射率图像对应点的像素值乘以标准差与差值的比值；
S33：将透射率图像进行阈值处理，对透射率图像像素值小于0.1的像素点置0.1，大于0.9的像素点置0.9，。
其中，所述步骤S4具体包括以下步骤：
S41：利用步骤S12得到的暗通道图像作为引导滤波图像，对步骤S33得到的透射率图像进行快速引导滤波，得到细化透射率图像t；
S42：将大气光图像A和细化透射率图像代入大气散射模型中，得到去雾的复原图像。
其中，所述大气散射模型具体计算公式为：
其中，J为去雾后的复原图像，I为输入的雾天图像，A是步骤S23中计算得到的大气光图像，t是步骤S41得到的细化透射率图像。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供一种基于暗通道先验的图像去雾改进方法，通过将四叉树搜索得到的大气光估计值与亮通道图像相结合，得到适应雾天图像的大气光值，避免出现无法存在白色或无法适应天空域的雾天图像问题，且将透射率进行阈值处理，有效改进了天空域部分的透射率过低导致的颜色失真问题提高了图像的亮度和对比度，减少图像的信息熵的丢失；且该方法计算过程简单，具有实时性。
附图说明
图1为本发明的步骤流程示意图；
图2为实施例样本图像示意图；
图3为通过现有暗通道先验的去雾方法得到的结果图像示意图；
图4为本发明方法得到的结果图像示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种基于暗通道先验的图像去雾改进方法，包括以下步骤：
S1：输入雾天图像，得到雾天图像的暗通道图像和亮通道图像；
S2：利用四叉树搜索方法得到大气光估计值，结合亮通道图像和大气光估计值得到大气光图像；
S3：计算得到透射率图像，结合大气光图像对透射率图像进行阈值处理；
S4：对透射率图像进行精细化处理，输出去雾的复原图像。
更具体的，所述步骤S1具体包括以下步骤：
S11：根据输入的雾天图像计算各像素点的三个颜色通道，将最小值存入最小值通道图像，最大值存入最大值通道图像；
S12：计算最小值通道图像各相邻域像素点与中心点的差值，并与雾天图像标准差比较，若比标准差大则将该点像素值置255并求取该局部区域最小值，并置为中心点像素值，处理后的图像为暗通道图像；
S13：将最大值通道图像进行最大值滤波，得到的图像为亮通道图像。
更具体的，所述步骤S2具体包括以下步骤：
S21：将暗通道图像裁剪成相同尺寸的子图像，分别计算各子图像的均值和标准差，并分别比较各子图像的均值和标准差的差值，将差值较大的子图像重复步骤S21，直至子图像的像素点个数少于阈值；
S22：在暗通道图像上对应出子图像的区域，分别求出各个区域的三通道像素平均值，将最小值即为大气光估计值；
S23：将亮通道图像与大气光估计值进行计算得到大气光图像A，具体计算公式为：
A＝a*Lc+b*A0,(a+b<1)；
其中，Lc表示步骤S13求得的亮通道图像；A0为步骤S22求得的大气光估计值。
更具体的，所述步骤S3具体包括以下步骤：
S31：按照暗通道先验理论的透射率估计公式得到透射率图像；
S32：对大气光图像与暗通道图像做差值，得到差值图像；将差值图像每一个像素值与雾天图像标准差做比较，若比标准差小则将透射率图像对应点的像素值乘以标准差与差值的比值；
S33：将透射率图像进行阈值处理，对透射率图像像素值小于0.1的像素点置0.1，大于0.9的像素点置0.9，。
更具体的，所述步骤S4具体包括以下步骤：
S41：利用步骤S12得到的暗通道图像作为引导滤波图像，对步骤S33得到的透射率图像进行快速引导滤波，得到细化透射率图像t；
S42：将大气光图像A和细化透射率图像代入大气散射模型中，得到去雾的复原图像。
更具体的，所述大气散射模型具体计算公式为：
其中，J为去雾后的复原图像，I为输入的雾天图像，A是步骤S23中计算得到的大气光图像，t是步骤S41得到的细化透射率图像。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于暗通道先验的图像去雾改进方法，其特征在于，包括以下步骤：
S1：输入雾天图像，得到雾天图像的暗通道图像和亮通道图像；
S2：利用四叉树搜索方法得到大气光估计值，结合亮通道图像和大气光估计值得到大气光图像；
S21：将暗通道图像裁剪成相同尺寸的子图像，分别计算各子图像的均值和标准差，并分别比较各子图像的均值和标准差的差值，将差值较大的子图像重复步骤S21，直至子图像的像素点个数少于阈值；
S22：在暗通道图像上对应出子图像的区域，分别求出各个区域的三通道像素平均值，将最小值即为大气光估计值；
S23：将亮通道图像与大气光估计值进行计算得到大气光图像A，具体计算公式为：
A＝a*Lc+b*A0,(a+b<1)；
其中，Lc表示步骤S13求得的亮通道图像；A0为步骤S22求得的大气光估计值；
S3：计算得到透射率图像，结合大气光图像对透射率图像进行阈值处理；
所述步骤S3具体包括以下步骤：
S31：按照暗通道先验理论的透射率估计公式得到透射率图像；
S32：对大气光图像与暗通道图像做差值，得到差值图像；将差值图像每一个像素值与雾天图像标准差做比较，若比标准差小则将透射率图像对应点的像素值乘以标准差与差值的比值；
S33：将透射率图像进行阈值处理，对透射率图像像素值小于0.1的像素点置0.1，大于0.9的像素点置0.9；
S4：对透射率图像进行精细化处理，输出去雾的复原图像；
所述步骤S4具体包括以下步骤：
S41：利用步骤S12得到的暗通道图像作为引导滤波图像，对步骤S33得到的透射率图像进行快速引导滤波，得到细化透射率图像t；
S42：将大气光图像A和细化透射率图像代入大气散射模型中，得到去雾的复原图像。
2.根据权利要求1所述的一种基于暗通道先验的图像去雾改进方法，其特征在于，所述步骤S1具体包括以下步骤：
S11：根据输入的雾天图像计算各像素点的三个颜色通道，将最小值存入最小值通道图像，最大值存入最大值通道图像；
S12：计算最小值通道图像各相邻域像素点与中心点的差值，并与雾天图像标准差比较，若比标准差大则将该点像素值置255并求取该局部区域最小值，并置为中心点像素值，处理后的图像为暗通道图像；
S13：将最大值通道图像进行最大值滤波，得到的图像为亮通道图像。
3.根据权利要求1所述的一种基于暗通道先验的图像去雾改进方法，其特征在于，所述大气散射模型具体计算公式为：
其中，J为去雾后的复原图像，I为输入的雾天图像，A是步骤S23中计算得到的大气光图像，t是步骤S41得到的细化透射率图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910310471.5A CN110148093B (zh) | 2019-04-17 | 2019-04-17 | 一种基于暗通道先验的图像去雾改进方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910310471.5A CN110148093B (zh) | 2019-04-17 | 2019-04-17 | 一种基于暗通道先验的图像去雾改进方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110148093A CN110148093A (zh) | 2019-08-20 |
| CN110148093B true CN110148093B (zh) | 2023-05-16 |
Family
ID=67589706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910310471.5A Active CN110148093B (zh) | 2019-04-17 | 2019-04-17 | 一种基于暗通道先验的图像去雾改进方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110148093B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110827221A (zh) * | 2019-10-31 | 2020-02-21 | 天津大学 | 一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法 |
| CN111598800B (zh) * | 2020-05-07 | 2023-06-16 | 辽宁师范大学 | 基于空间域同态滤波和暗通道先验的单幅图像去雾方法 |
| CN111598814B (zh) * | 2020-05-26 | 2024-04-26 | 北京理工大学 | 基于极端散射通道的单图像去雾方法 |
| CN113962872B (zh) * | 2020-07-21 | 2023-08-18 | 四川大学 | 一种双通道联合优化的夜间图像去雾方法 |
| CN112529802B (zh) * | 2020-12-09 | 2021-07-20 | 电子科技大学 | 基于散射系数比估计的大气散射降质图像恢复方法 |
| CN114331920B (zh) * | 2022-03-09 | 2022-06-24 | 浙江大华技术股份有限公司 | 图像处理方法及装置、存储介质、电子装置 |
| CN116612050B (zh) * | 2023-07-19 | 2023-10-31 | 国药新光医疗科技有限公司 | 一种基于暗通道的先验去雾方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077504A (zh) * | 2013-01-10 | 2013-05-01 | 厦门大学 | 一种基于自适应光照计算的图像去雾方法 |
| 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 |
| CN107767354A (zh) * | 2017-12-08 | 2018-03-06 | 福州大学 | 一种基于暗原色先验的图像去雾算法 |
| CN108022225A (zh) * | 2017-12-26 | 2018-05-11 | 哈尔滨理工大学 | 基于快速导向滤波改进的暗通道先验图像去雾算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9361670B2 (en) * | 2014-09-04 | 2016-06-07 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
-
2019
- 2019-04-17 CN CN201910310471.5A patent/CN110148093B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077504A (zh) * | 2013-01-10 | 2013-05-01 | 厦门大学 | 一种基于自适应光照计算的图像去雾方法 |
| 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 |
| CN107767354A (zh) * | 2017-12-08 | 2018-03-06 | 福州大学 | 一种基于暗原色先验的图像去雾算法 |
| CN108022225A (zh) * | 2017-12-26 | 2018-05-11 | 哈尔滨理工大学 | 基于快速导向滤波改进的暗通道先验图像去雾算法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于亮通道和暗通道结合的图像去雾;卢辉斌等;《光学学报》;20180627(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110148093A (zh) | 2019-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148093B (zh) | 一种基于暗通道先验的图像去雾改进方法 | |
| CN110148095B (zh) | 一种水下图像增强方法及增强装置 | |
| CN106296612B (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 | |
| CN108230264B (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
| 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 | |
| CN111292258B (zh) | 一种基于暗通道和亮通道先验的图像去雾方法 | |
| CN108269244B (zh) | 一种基于深度学习和先验约束的图像去雾系统 | |
| 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 | |
| CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
| CN107977942B (zh) | 一种基于多聚焦融合的单幅图像的复原方法 | |
| CN108154492B (zh) | 一种基于非局部均值滤波的图像去雾霾方法 | |
| CN110097522B (zh) | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 | |
| CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
| CN114219732A (zh) | 基于天空区域分割和透射率细化的图像去雾方法及系统 | |
| CN110969584B (zh) | 一种低照度图像增强方法 | |
| CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
| CN109118450B (zh) | 一种沙尘天气条件下的低质图像增强方法 | |
| CN112419163B (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
| CN108765337B (zh) | 一种基于暗原色先验与非局部mtv模型的单幅彩色图像去雾处理方法 | |
| CN108898561B (zh) | 一种含天空区域雾天图像的去雾方法、服务器及系统 | |
| CN106709876B (zh) | 一种基于暗像元原理的光学遥感图像去雾方法 | |
| CN109544470A (zh) | 一种边界约束的卷积神经网络单幅图像去雾方法 | |
| CN107203979B (zh) | 一种低照度图像增强的方法 | |
| CN113298730B (zh) | 一种基于图像分解的去雾复原方法 | |
| CN111260589B (zh) | 基于Retinex的输电线路监控图像去雾方法 |
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 |