CN110223253B - 一种基于图像增强的去雾方法 - Google Patents
一种基于图像增强的去雾方法 Download PDFInfo
- Publication number
- CN110223253B CN110223253B CN201910495402.6A CN201910495402A CN110223253B CN 110223253 B CN110223253 B CN 110223253B CN 201910495402 A CN201910495402 A CN 201910495402A CN 110223253 B CN110223253 B CN 110223253B
- Authority
- CN
- China
- Prior art keywords
- saturation
- brightness
- image
- component
- stretching
- 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 21
- 230000000694 effects Effects 0.000 claims abstract description 12
- 238000005315 distribution function Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 10
- 230000009466 transformation Effects 0.000 abstract description 2
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G06T5/73—
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Image Processing (AREA)
Abstract
本发明公开一种基于图像增强的去雾方法，将彩色有雾图像作HSV变换，求取亮度、色度和饱和度分量；将亮度和饱和度分量分别作幂运算，将运算后的亮度分量和饱和度分量进行动态拉伸；将拉伸后亮度分量和饱和度分量与原来的色度分量合成RGB图像，将RGB图像转变为灰度图像；再求取对应的图像参数，计算正态分布函数值作为亮度指标，将归一化后的每一个指标相加作为每个组合的去雾效果的评价；选取评价指标最好的拉伸组合对应的幂指数作为后续去雾幂运算的幂指数；然后重新运行拉伸组合评价算法，寻找变化后的最佳幂指数组合。本发明针对雾对图像的影响，通过计算亮度分量和饱和度分量的幂并拉伸，通过对去雾后图像的评价，确定亮度分量和饱和度分量的最佳幂指数。
Description
技术领域
本发明属于图像处理技术，具体涉及一种基于图像增强的去雾方法。
背景技术
雨雾天气对通过图像进行的交通监控、入侵监测系统、无人机航拍测量等造成障碍，使得功能较弱甚至任务无法实现，图像受雾影响会导致图像颜色的饱和度和亮度发生变化，饱和度会降低很多，多数区域亮度会增加，少数区域亮度会减小，色度变化不确定，因此去雾算法称为研究的热点。
去雾算法大致分为两类，一种是基于图像增强的算法，一种是基于图像成像物理模型的算法。基于图像增强的常规的增强方法有Gamma校正、直方图均衡、同态增析以及基于小波的多尺度增强等，这些方法主要增强图像的边缘等高频信息，例如：基于图像成像物理模型的算法是基于大气成像模型，有基于暗通道的图像去雾以及导向滤波去雾等等方法。
上述现有基于图像增强的算法，需要对天空区域进行准确估计，需要根据目标距离估计透射率等等，计算量大，通用性不够。
发明内容
发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于图像增强的去雾方法。
技术方案：本发明的一种基于图像增强的去雾方法，其特征在于：包括以下步骤：
(1)将采集的RGB有雾图像转化为HSV图像，提取色度分量h、饱和度分量s和亮度分量v，并计算饱和度的均值s1；
(2)对饱和度分量s和亮度分量v分别作幂运算，幂指数从1到5(即分别作1～5次幂运算)，然后调整饱和度和亮度数值分布区间为[0,1]，然后将各个饱和度和亮度分别组合拉伸；接着将每个饱和度和亮度拉伸组合分别结合原色度分量h并转换为RGB图像，得到去雾后图像；
(3)求取每一次亮度和饱和度拉伸组合后的图像梯度均值G、信息熵E、对比度C、饱和度均值SE和亮度均值HE，亮度均值太大或太小都不合适，求取亮度均值HE在均值为0.5(使得图像不太亮也不太黑，便于后续处理得到精确清晰的图像)，亮度方差为0.13(或者其他数值，例如范围0.1～0.2内数值等)的正态分布函数值HS作为亮度指标，将每个指标G、E、C、SE和HS分别进行归一化，将归一化后的指标相加作为每个组合的去雾效果的评价；根据评价最佳的亮度和饱和度拉伸组合，确定最佳亮度拉伸的幂指数n和饱和度拉伸幂指数m；
(4)新采集RGB有雾图像转化为HSV图像，提取色度、饱和度和亮度分量，并计算饱和度的均值s2，如果s2-s1大于规定阈值δ，则针对新采集的RGB有雾图像重复步骤(2)到步骤(5)，如果s2-s1小于或等于规定阈值δ，则利用步骤(3)所得最佳亮度拉伸的幂指数n和饱和度拉伸幂指数m完成新采集图像的去雾(此处即是指根据步骤(2)的内容重新计算新的幂指数组合下的去雾图像)。
其中，阈值δ根据经验选取，即，如果图像亮度发生明显变化，则重新搜寻新的幂指数组合。
进一步的，步骤(2)中将亮度和饱和度分量作幂指数运算的方法为：s＝si，v＝vj，其中循环变量分别为：i＝1～5，j＝1～5，使用imadjust()函数对s和v进行调整，数值分布区间调整为[0,1]。
进一步的，步骤(3)中，使用mapminmax()函数对梯度均值G、信息熵E、对比度C和饱和度均值SE归一化处理，并归一化到[0,1]区间，然后利用归一化后的G+E+C+SE+HS作为指标对图像进行评价；其中，归一化后的G+E+C+SE+HS数值越大，去雾效果好，去雾后图像信息多。
有益效果：与现有技术相比，本发明具有以下优点：
1、本发明方法步骤(2)中色度分量不作调整，不影响图像原来的色度，不会造成颜色失真。另经统计清晰图像和有雾图像发现色度数值受雾影响较小，饱和度有雾后急剧变小，亮度整体增加，有雾和无雾图像的每一行的色度、饱和度和亮度的统计见图4。故仅对饱和度和亮度两个分量调整。通过幂指数增加了分量中的差异，通过imadjust扩大了分量数据的区间范围。
2、本发明步骤(3)去雾评价指标中梯度均值反映了去雾算法边缘的强化程度，信息熵反映了细节的丰富程度，对比度反映了图像的清晰度，饱和度均值反映了图像去雾复原后颜色的鲜艳程度，亮度均值避免图像因为饱和度的增加导致图像过暗。当图像的细节多少不同，雾的浓度不同时，饱和度和亮度的数值以及分布都不同，需要不同的幂指数进行拉伸。该步骤对五种幂指数的饱和度拉伸和五种幂指数的亮度拉伸，共25中组合进行评价，选择最好的组合用于后面的拉伸。
3、本发明步骤(4)图像的饱和度能较好的反映雾浓度的变化以及图像中细节的变化，故根据饱和度的差值来判断是否需要重新搜寻幂指数组合。
确定幂指数组合后的去雾计算简单、可靠、实时性高，在饱和度作五次幂运算后imadjust调整，亮度仅作imadjust调整后的去雾效果跟暗通道去雾算法和Retinex去雾相比，效果有提升，具体见图5，评价指标见表1。除了饱和度指标相对另外两种方法变差外，其他指标都变优，指标和变优。
附图说明
图1为本发明的整体流程图；
图2为实施例中采集的有雾图像；
图3为实施例中全部幂指数组合拉伸后去雾图像；
图4为实施例中有雾和无雾图像的HSV统计示意图；
图5实施例中本发明与现有技术的去雾效果比较图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，一种基于图像增强的去雾方法，其特征在于：包括以下步骤：
(1)将采集的RGB有雾图像转化为HSV图像，提取色度分量h、饱和度分量s和亮度分量v，并计算饱和度的均值s1；
(2)对饱和度分量s和亮度分量v分别作幂运算，幂指数从1到5，然后调整饱和度和亮度数值分布区间为[0,1]，然后将各个饱和度和亮度分别组合拉伸；接着将每个饱和度和亮度拉伸组合分别结合原色度分量h并转换为RGB图像，得到去雾后图像；
(3)求取每一次亮度和饱和度拉伸组合后的图像梯度均值G、信息熵E、对比度C、饱和度均值SE和亮度均值HE，亮度均值太大或太小都不合适，求取亮度均值HE在均值为0.5，亮度方差为0.13的正态分布函数值HS作为亮度指标，将五个指标分别G、E、C、SE和HS进行归一化，将归一化指标相加作为每个组合的去雾效果的评价；根据评价最佳的亮度和饱和度拉伸组合，确定最佳亮度拉伸的幂指数n和饱和度拉伸幂指数m；
(4)新采集RGB有雾图像，提取色度、饱和度和亮度分量，并计算饱和度的均值s2，如果s2-s1大于规定阈值δ，则针对新采集的RGB有雾图像重复步骤(2)到步骤(5)，如果s2-s1小于或等于规定阈值δ，则利用步骤(3)所得最佳亮度拉伸的幂指数n和饱和度拉伸幂指数m完成新采集图像的去雾。
上述过程简言之，将彩色有雾图像作HSV变换，求取亮度、色度和饱和度分量；将亮度和饱和度分量分别作1～5次幂运算，将运算后的亮度分量和饱和度分量进行动态拉伸；将拉伸后亮度分量和饱和度分量与原来的色度分量合成RGB图像，将RGB图像转变为灰度图像；再求取对应的梯度均值、信息熵、对比度、饱和度均值、亮度均值，计算亮度均值的正态分布函数值作为亮度指标，将每个指标进行归一化，将归一化指标相加作为每个组合的去雾效果的评价；选取评价指标最好的拉伸组合对应的幂指数作为后续去雾幂运算的幂指数；检测图像平均饱和度数据，与评价前平均饱和度数值相差较大时，重新运行拉伸组合评价算法，寻找变化后的最佳幂指数组合
实施例：本实例在maltabR2014a软件实现。按如下步骤完成：
(1)将采集的RGB有雾图像(如图2所示)通过rgb2hsv()函数采用转化为HSV图像，提取色度分量h、饱和度分量s和亮度分量v，并计算饱和度的均值s1；
(2)对饱和度分量s和亮度分量v分别作幂运算，s＝si，v＝vj，其中i＝1～5，j＝1～5，使用imadjust()函数对s和v进行调整，调整到区间[0,1]，使用调整后的饱和度分量s和亮度分量v与原来的色度h分量组合，利用hsv2rgb()函数将这三个分量数据转换成RGB图像，如图3所示，本实施例共有25中拉伸组合；
(3)求取每一次拉伸组合亮度和饱和度后的图像的梯度均值G、信息熵E、对比度C、饱和度均值SE、亮度均值HE，然后求取在均值为0.5，方差为0.13的正态分布函数值HS作为亮度指标，使用mapminmax()函数归一化到[0,1]区间，利用归一化后的G+E+C+SE+HS作为对每个组合的去雾效果的评价指标；根据评价选择最佳的亮度和饱和度拉伸组合，确定最佳亮度拉伸的幂指数n和饱和度拉伸幂指数m；
(4)新采集有雾图像，使用函数rgb2hsv()提取色度、饱和度和亮度分量，并计算饱和度的均值s2，如果s2-s1大于规定阈值δ，则重复运行步骤(2)到步骤(5)，如果s2-s1小于或等于规定阈值δ，则认为背景、前景目标和雾都变化不大，利用最佳亮度拉伸的幂指数n和饱和度拉伸幂指数m完成新采集图像的去雾；
(5)改变去雾质量评价指标中的权重时会得到不同质量要求的最佳组合，不同的有雾图片，最佳的幂指数组合不同。
上述实施例中，原有雾图像与无雾图像的HSV统计如图4所示，根据实验结果(如图5和表1所示)可知，本发明针对雾对图像的影响，通过计算亮度分量和饱和度分量的幂并拉伸，通过对去雾后图像的评价，确定亮度分量和饱和度分量的最佳幂指数。经实验验证去雾后图像效果较佳。
表1本发明与暗通道、导向滤波去雾指标比较
Claims (3)
1.一种基于图像增强的去雾方法，其特征在于：包括以下步骤：
(1)将采集的RGB有雾图像转化为HSV图像，提取色度分量h、饱和度分量s和亮度分量v，并计算饱和度的均值s1；
(2)对饱和度分量s和亮度分量v分别作幂运算，幂指数从1到5，然后调整饱和度和亮度数值分布区间为[0,1]，然后将各个饱和度和亮度分别组合拉伸；接着将每个饱和度和亮度拉伸组合分别结合原色度分量h并转换为RGB图像，得到去雾后图像；
(3)求取每一次亮度和饱和度拉伸组合后的图像梯度均值G、信息熵E、对比度C、饱和度均值SE和亮度均值HE，然后求取其中亮度均值HE在均值为0.5，亮度方差为0.13时正态分布函数值HS作为亮度指标，将每个指标G、E、C、SE和HS分别进行归一化，将归一化后指标相加作为每个组合的去雾效果的评价；根据评价最佳的亮度和饱和度拉伸组合，确定最佳亮度拉伸的幂指数n和饱和度拉伸幂指数m；
(4)新采集RGB有雾图像并转化为HSV图像，提取色度、饱和度和亮度分量，并计算饱和度的均值s2，如果s2-s1大于规定阈值δ，则针对新采集的RGB有雾图像重复步骤(2)到步骤(5)，如果s2-s1小于或等于规定阈值δ，则利用步骤(3)所得最佳亮度拉伸的幂指数n和饱和度拉伸幂指数m完成新采集图像的去雾。
2.根据权利要求1所述的基于图像增强的去雾方法，其特征在于：步骤(2)中将亮度和饱和度分量作幂指数运算的方法为：s＝si，v＝vj，其中i＝1～5，j＝1～5，使用imadjust函数对s和v进行调整，数值分布区间调整为[0,1]。
3.根据权利要求1所述的基于图像增强的去雾方法，其特征在于：步骤(3)中，使用mapminmax函数对梯度均值G、信息熵E、对比度C和饱和度均值SE归一化处理，并归一化到[0,1]区间，然后利用归一化后的G+E+C+SE+HS作为指标对图像进行评价；其中，归一化后的G+E+C+SE+HS数值越大，去雾效果好，去雾后图像信息多。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910495402.6A CN110223253B (zh) | 2019-06-10 | 2019-06-10 | 一种基于图像增强的去雾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910495402.6A CN110223253B (zh) | 2019-06-10 | 2019-06-10 | 一种基于图像增强的去雾方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110223253A CN110223253A (zh) | 2019-09-10 |
| CN110223253B true CN110223253B (zh) | 2023-02-28 |
Family
ID=67815932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910495402.6A Active CN110223253B (zh) | 2019-06-10 | 2019-06-10 | 一种基于图像增强的去雾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110223253B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796610A (zh) * | 2019-09-29 | 2020-02-14 | 百度在线网络技术（北京）有限公司 | 图像的去雾方法、装置、设备以及存储介质 |
| CN115456903B (zh) * | 2022-09-23 | 2023-05-09 | 南京大学 | 一种基于深度学习的全彩夜视增强方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537615A (zh) * | 2014-12-04 | 2015-04-22 | 大连理工大学 | 一种基于HSV色彩空间的局部Retinex增强算法 |
| CN105303532A (zh) * | 2015-10-21 | 2016-02-03 | 北京工业大学 | 一种小波域Retinex图像去雾方法 |
| CN105354801A (zh) * | 2015-10-13 | 2016-02-24 | 苏州汉基视测控设备有限公司 | 一种基于hsv色彩空间的图像增强方法 |
| 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 |
-
2019
- 2019-06-10 CN CN201910495402.6A patent/CN110223253B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537615A (zh) * | 2014-12-04 | 2015-04-22 | 大连理工大学 | 一种基于HSV色彩空间的局部Retinex增强算法 |
| CN105354801A (zh) * | 2015-10-13 | 2016-02-24 | 苏州汉基视测控设备有限公司 | 一种基于hsv色彩空间的图像增强方法 |
| CN105303532A (zh) * | 2015-10-21 | 2016-02-03 | 北京工业大学 | 一种小波域Retinex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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110223253A (zh) | 2019-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
| 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 | |
| CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
| 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 | |
| CN109191390A (zh) | 一种基于不同颜色空间多算法融合的图像增强算法 | |
| Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
| 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 | |
| CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
| CN109584258B (zh) | 草地边界识别方法及应用其的智能割草装置 | |
| CN112200746B (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
| CN110223253B (zh) | 一种基于图像增强的去雾方法 | |
| CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
| CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
| CN111476744A (zh) | 一种基于分类及大气成像模型的水下图像增强方法 | |
| CN111325688B (zh) | 融合形态学聚类优化大气光的无人机图像去雾方法 | |
| CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
| CN108805826A (zh) | 改善去雾效果的方法 | |
| CN109118450B (zh) | 一种沙尘天气条件下的低质图像增强方法 | |
| CN108765316A (zh) | 雾气浓度自适应判断方法 | |
| CN117274085A (zh) | 低照度图像增强方法及装置 | |
| CN111611940A (zh) | 一种基于大数据处理的快速视频人脸识别方法 | |
| CN112598002B (zh) | 一种雾气和噪声影响下的车牌识别方法 | |
| CN115908155A (zh) | Nsst域结合gan及尺度相关系数的低照度图像增强及去噪方法 | |
| Khalaf et al. | Hazy Image Enhancement Using DCP and AHE Algorithms with YIQ Color Space | |
| CN112907470A (zh) | 基于Lab色域变换、分类及白平衡的水下图像恢复方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231218 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 212003, No. 2, Mengxi Road, Zhenjiang, Jiangsu Patentee before: JIANGSU University OF SCIENCE AND TECHNOLOGY |