CN110322431B - 雾霾图像质量评价方法、系统、存储介质及电子设备 - Google Patents
雾霾图像质量评价方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110322431B CN110322431B CN201910436390.XA CN201910436390A CN110322431B CN 110322431 B CN110322431 B CN 110322431B CN 201910436390 A CN201910436390 A CN 201910436390A CN 110322431 B CN110322431 B CN 110322431B
- Authority
- CN
- China
- Prior art keywords
- image
- haze
- haze image
- sky
- acquiring
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种雾霾图像质量评价方法、系统、存储介质及电子设备。包括以下步骤:S1、获取雾霾图像,并基于暗通道先验方法获取雾霾图像对应的第一透射率图;S2、获取雾霾图像的非天空区域;S3、根据第一透射率图和非天空区域获取非天空区域对应的第一入射光衰减率,以根据第一入射光衰减率获取雾霾图像的图像质量。实施本发明通过剔除天空区域减少天空区域对雾霾图像质量评价的干扰,以优化图像质量评价效果。
Description
技术领域
本发明涉及雾霾图像质量评价技术领域,更具体地说,涉及一种雾霾图像质量评价方法、系统、存储介质及电子设备。
背景技术
雾霾图像质量评价具有广阔的应用前景。例如,根据雾霾图像及时估计雾霾浓度和影响,在气象预测中可用于预测空气质量等级,高速道路监控中可用于估算能见度,无人驾驶领域可用于计算行车安全程度。
与图像质量评价方法类似,雾霾图像质量评价也分为主观方法与客观方法两大范畴。其中,主观图像质量评价耗时长,难以在嵌入式设备中实时应用,因此无法直接应用于视频监控领域。客观雾霾图像质量评价方法中,由于雾霾图像本身不存在对应的原始无雾霾图像,所以研究的重点应是无参考型雾霾图像质量评价算法。
然而,国内外在这方面的研究较为有限,许多方法仍采用传统的全参考型图像质量评价算法来进行雾霾图像质量评价。下面介绍几种常用的雾霾图像质量评价算法。
(1)结构相似度方法(Structural similarity index,SSIM),属于参考型图像质量评价方法。评价值越大图像间的相似度越大。该方法同时考虑了亮度和对比度。公式如下:
其中,μx,μy分别表示图像x和y的均值,代表亮度信息。σx,σy分别表示图像x和y的方差,代表对比度信息,C1,C2和C3为常数。
(2)峰值信噪比方法(Peak signal to noise ratio,PSNR),属于传统基于能量的比较方法。PSNR值越高,相似度越高。其公式如下:
其中,L为灰度级总数,通常取值为255,σ表示图像的均方误差。
(3)Brenner梯度方法,属于无参考图像质量评价方法,其值越大,表示图像质量越高。公式如下:
其中,f(x,y)为图像对应像素点的灰度值,D(f)为图像质量评价的结果。
(4)点锐度方法。点锐度评价方法属于无参考型图像质量评价方法,其值越高,图像质量评价结果越好。Xu等人认为,边缘灰度变化越大,则清晰度越高,雾霾浓度越低,因此可以通过统计点锐度进行图像质量评价。公式如下:
其中,dI/dx表示边缘方向的灰度导数,I(b)—I(a)表示边缘方向的总体灰度变化。
此方法只统计特定图像区域,并且该区域需要人工选取,不利于自动化。
(5)熵方法,属于无参考图像质量评价方法。图像的熵越大,图像质量越好。图像熵基于统计特征,用于衡量图像信息丰富程度,是度量的图像信息量的重要指标。公式如下:
其中,Pi是灰度值为i的像素点在图像中出现的概率,L为灰度级总数。
(6)灰度方差方法(Gray scale difference method,SMD),属于无参考图像质量评价方法。图像的灰度方差值越大,图像质量越好。雾霾程度越低的图像,其高频分量也越多,因此可将灰度的变化作为雾霾图像质量评价的依据。公式如下:
其中,f(x,y)表示图像上在坐标为(x,y)的像素点的灰度值。
该方法方法计算便捷快速,缺点为在梯度密集处灵敏度不高。
上述的现有方案中通过计算图像的平均梯度或点锐度,进而评估雾霾图像质量。这类方案未能考虑雾霾图像退化过程中的物理模型。并且,不同场景的图像具有不同的平均梯度或点锐度特征。因此,此类方法较难泛化到不同场景的雾霾图像质量对比中。
综上,现有方案的雾霾图像质量评价性能还有较大的提升空间,其雾霾图像质量评价方法与图像采集的范围有必要进行改进。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述现有技术缺陷,提供一种雾霾图像质量评价方法、系统、存储介质及电子设备。
本发明解决其技术问题所采用的技术方案是:构造一种雾霾图像质量评价方法,包括以下步骤:
S1、获取雾霾图像,并基于暗通道先验方法获取所述雾霾图像对应的第一透射率图;
S2、获取所述雾霾图像的非天空区域;
S3、根据所述第一透射率图和所述非天空区域获取所述非天空区域对应的第一入射光衰减率,以根据所述第一入射光衰减率获取所述雾霾图像的图像质量。
优选地,所述步骤S3中,所述根据所述第一透射率图和所述非天空区域计算所述非天空区域对应的第一入射光衰减率,包括:
根据所述第一透射率图获取所述雾霾图像的第二入射光衰减率;
根据所述第二入射光衰减率和所述非天空区域获取所述非天空区域对应的第一入射光衰减率;或
根据所述第一透射率图和所述非天空区域获取所述非天空区域对应的第二透射率图;
根据所述第二透射率图获取所述非天空区域对应的第一入射光衰减率。
优选地,
其中,A为全局大气光值,Ic(x)为雾霾图像内像素点x在通道c中的像素值,{r,g,b}表示三颜色通道,Ωnon_sky表示雾霾图像的非天空区域。
优选地,在所述步骤S2中,所述获取所述雾霾图像的非天空区域包括:
S21、转换所述雾霾图像为灰度图像;
S22、根据边缘检测获取所述灰度图像的梯度图,并转换以生成二值图;
S23、对所述二值图进行最小值滤波,以获取所述雾霾图像的非天空区域。
优选地,所述步骤S22中,所述根据边缘检测获取所述灰度图像的梯度图,并转换以生成二值图包括:
S221、根据预设梯度阈值转换所述梯度图以生成第一二值图;
S222、根据预设亮度阈值转换所述灰度图像以生成第二二值图;
S223、合并所述第一二值图与所述第二二值图,以生成所述二值图。
优选地,所述梯度阈值为所述梯度图的梯度平均值;所述亮度阈值为所述灰度图像的亮度平均值。
优选地,在所述步骤S21中,所述转换所述雾霾图像为灰度图像包括:
获取所述雾霾图像的RGB图像,根据预设RGB比例调整所述RGB图像以获取对应的所述灰度图像;和/或
在所述步骤S22中,所述根据边缘测测获取所述灰度图像的梯度图,包括:
采用Sobel算子、Prewitt算子或Laplacian算子进行边缘检测以获取所述灰度图像的初始梯度图;
对所述初始梯度图采用中值滤波以获取所述灰度图像的最终梯度图。
本发明还构造一种雾霾图像质量评价系统,包括:
获取单元,用于获取雾霾图像;
第一处理单元,用于基于暗通道先验方法获取所述雾霾图像对应的第一透射率图;
第二处理单元,用于获取所述雾霾图像的非天空区域;
第三处理单元,用于根据所述第一透射率图和所述非天空区域获取所述非天空区域对应的第一入射光衰减率;
输出单元,用于根据所述第一入射光衰减率输出所述雾霾图像的图像质量。
本发明还构造一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上面任意一项所述的雾霾图像质量评价方法。
本发明还构造一种电子设备,包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述计算机程序实现如上面中任意一项所述的雾霾图像质量评价方法。
实施本发明的雾霾图像质量评价方法、系统、存储介质及电子设备,具有以下有益效果:通过剔除天空区域减少天空区域对雾霾图像质量评价的干扰,以优化图像质量评价效果。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明雾霾图像质量评价方法一实施例的程序流程图;
图2是本发明雾霾图像质量评价方法另一实施例的程序流程图;
图3是本发明雾霾图像质量评价方法另一实施例的程序流程图;
图4是雾霾图像中非天空区域的识别过程示意图;
图5是不同雾霾图像的非天空区域对应的NSDark值;
图6、图7是不同雾霾图像性能对比;
图8是本发明天空区域检测的雾霾图像质量评价系统第一实施例的逻辑框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1所示,在本发明的雾霾图像质量评价方法第一实施例中,包括以下步骤:
S1、获取雾霾图像,并基于暗通道先验方法获取雾霾图像对应的第一透射率图;具体的,被广泛应用于雾霾天气下的图像处理领域的大气散射模型描述了大气散射过程和环境光衰减的原理。其详细的技术原理单光源下的大气散射模型如图5所示,该模型将到达成像设备的光线分为两部分:一部分是直接衰减光线,场景的反射光传播到成像设备的过程中,受空气中颗粒物的散射作用,发生入射光衰减,称为直接光衰减;另一部分是大气光直接作用在空气中的悬浮颗粒上,散射后被成像设备接收,并在目标图像上发生重叠,称为附加散射光线。通常这两部分光线都存在,雾霾程度越低的图像,直接衰减光线在图像中占比越高;雾霾程度越高的图像,附加散射光线在图像中占比越高。在上面的基础上,在图像去雾领域,有雾图像和去雾图像的关系可以如下模型表示:
I(x)=J(x)t(x)+A(1-t(x)) (1)
其中,I(x)为雾霾图像,J(x)为清晰图像,t(x)为透射率图,A为全局大气光值。
在上面的基础上,采用暗通道先验方法估算雾霾图像对应的第一透射率图,该第一透射率图可以表示为:
其中,A表示全局大气光值,Ic(x)表示雾霾图像内像素点x在通道c中的像素值,{r,g,b}表示三颜色通道,Ω表示雾霾图像的整体区域。
其具体操作:对于户外清晰图像的非天空区域,每个像素点在三原色通道中一定存在接近于0的像素值,即图像各通道最小值组成的通道中的元素趋近于0。用公式表述如下:
其中,Jc(x)表示像素点x在c通道的像素值,{r,g,b}表示三颜色通道,Ω表示图像整体区域,此时图像取清晰图像,Jdark(x)表示图像的三颜色通道取最小值组成的暗通道。
将公式(3)代入公式(1)得到以下公式:
由于无雾图像的暗通道值趋近于0,将公式(3)代入(4)可得:
即可得到第一透射率图如公式(2)。
其中,A表示全局大气光值,可以通过取雾霾图像亮度最大的前0.01%像素点,计算其各通道亮度平均值。
S2、获取雾霾图像的非天空区域;具体的,在上述获取的雾霾图像的第一透射率图其对应的整个图像的透射率,而由于在部分场景下例如天空区域在阴天或者多云的情况下,雾霾图像中的天空区域由于图像特征与雾霾过于接近,其会影响雾霾图像质量的判断,因此,需要进一步的对雾霾图像进行天空区域的剔除,以获取雾霾图像中的非天空区域。
S3、根据第一透射率图和非天空区域获取非天空区域对应的第一入射光衰减率,以根据第一入射光衰减率获取雾霾图像的图像质量。具体的,在获取到雾霾图像的非天空区域后,可以根据已经获得的整个雾霾图像的第一透射率图的表达进行转换,获取与雾霾图像中的非天空区域对应的第一入射光衰减率,通过该第一入射光衰减率来获取该雾霾图像的图像质量,也可以理解为雾霾图像的图像质量评价结果。
进一步的,步骤S3中,根据第一透射率图和非天空区域计算非天空区域对应的第一入射光衰减率的具体过程,在一实施例中,包括:根据第一透射率图获取雾霾图像的第二入射光衰减率;根据第二入射光衰减率和非天空区域获取非天空区域对应的第一入射光衰减率;在另一实施例中,包括:根据第一透射率图和非天空区域获取非天空区域对应的第二透射率图;根据第二透射率图获取非天空区域对应的第一入射光衰减率。
具体的,大气散射模型中,透射率与场景深度和大气消光系数的关系为:
t(x)=e-β(λ)d (6)
其中,λ表示波长,β(λ)表示大气消光系数,其物理意义为电磁波辐射在大气中传播单位距离时的相对衰减率,d为观察点到目标物之间的距离。
单散射条件下,气溶胶在空气中均匀分布。β(λ)代表单位距离的相对衰减率,β(λ)×d代表场景处的光线到成像设备的总衰减率,即入射光衰减率。大气消光系数是关于气溶胶性质和密度的参数。当气溶胶性质不变且均匀分布时是常数。因此,在场景深度d不变的的图像中,入射光衰减率D(x)与雾霾浓度有关,其公式为:
D(x)=β(λ)d=-ln(t(x)) (7)
其中,D(x)代表入射光衰减率,λ表示波长,β(λ)表示大气消光系数,t(x)表示透射率图。即在上面的基础上,可以根据公式(7)获取雾霾图像的第二入射光衰减率D(x),并根据获取的非天空区域获取转换为对应的第一入射光衰减率Dnon_sky。还可以先对雾霾图像对应的第一透射率图进行转换,获取与非天空区域对应的第二透射率图tnon_sky,在上面的基础上,其转换后的公式可以为:
然后根据公式(7)获取对应的第一入射光衰减率Dnon_sky。
进一步的,第一入射光衰减率Dnon_sky满足:
其中,A为全局大气光值,Ic(x)为雾霾图像内像素点x在通道c中的像素值,{r,g,b}表示三颜色通道,Ωnon_sky表示雾霾图像的非天空区域。其具体过程可以参照上文描述。既可以通过非天空区域的入射光衰减率Dnon_sky对应为雾霾图像质量的评价值,可以将该评价值定义为NSDark值。
可选的,如图2所示,在步骤S2中,获取雾霾图像的非天空区域包括:
S21、转换雾霾图像为灰度图像;具体的,将获取的彩色雾霾图像转换为灰度图像,转换过程中,为保留更多的边缘信息,可使用有对比度保留功能的去色算法,例如采用能量函数去色算法。
S22、根据边缘检测获取灰度图像的梯度图,并转换以生成二值图;具体的,求解梯度图可使用多种边缘检测算子。并对获取的梯度图进行像素点划分,得到二值图。
S23、对二值图进行最小值滤波,以获取雾霾图像的非天空区域。具体的,通过最小值滤波器去噪,将图像局部零散的噪音覆盖,使整体分割更合理。最终获得分割后的非天空区域和天空区域,以便根据雾霾图像的非天空区域进行对应的入射光衰减率计算。在一些实施例中,最小值滤波器的直径可以设定为3。
进一步的,如图3所示,步骤S22中,根据边缘检测获取灰度图像的梯度图,并转换以生成二值图包括:
S221、根据预设梯度阈值转换梯度图以生成第一二值图;
S222、根据预设亮度阈值转换灰度图像以生成第二二值图;
S223、合并第一二值图与第二二值图,以生成二值图。
具体的,在云层的干扰下,天空区域中可能出现边缘信息。人造光源的干扰也可能使地面部分区域亮度超过阈值。因此,需要设定预设梯度阈值和预设亮度阈值。根据预设梯度遇着转换该梯度图对应的第一二值图,根据预设亮度阈值对灰度图像生成亮度对应的第二二值图,然后将梯度和亮度进行合并,生成最终的二值图。
进一步的,梯度阈值为梯度图的梯度平均值;亮度阈值为灰度图像的亮度平均值。具体的,在上面的基础上,可以将预设梯度阈值和预设亮度阈值分别设置为梯度图梯度平均值和灰度图像的亮度平均值。然后,对划分后的像素点分别取0或255,得到二值图。由于天空识别的目标是求解非天空区域的平均透射率,因此,由于预设梯度阈值和预设亮度阈值的设置导致的天空和地面交界处的轻微误差对计算结果影响不大。
可选的,在步骤S21中,转换雾霾图像为灰度图像包括:获取雾霾图像的RGB图像,根据预设RGB比例调整RGB图像以获取对应的灰度图像;具体的,考虑到一些算法对天空检测效果性能提升有限,为提高效率,在一些实施例中,对灰度图像的转换可以采用RGB图像按比例转化为灰度图像的方法。其中,预设RGB比例可以采用,R通道的权值设为0.299,G通道的权值设为0.587,B通道权值设为0.114。
可选的,在步骤S22中,根据边缘测测获取灰度图像的梯度图,包括:采用Sobel算子、Prewitt算子或Laplacian算子进行边缘检测以获取灰度图像的初始梯度图;对初始梯度图采用中值滤波以获取灰度图像的最终梯度图。具体的,通过具体的边缘检测算子获取灰度图像的梯度图可以采用采用Sobel算子、Prewitt算子或Laplacian算子中的任意一种。同时,在基于上述算子进行灰度图像的梯度图计算时,可以对剃度图进行去噪,以便后续对去噪后的梯度图进行对应操作。以具体的Laplacian算子为例。
用Laplacian算子进行边缘检测,公式为:
其中,L(f)表示拉普拉斯检测值,f表示图像上像素点的灰度值,x和y分别表示像素点的横坐标和纵坐标。
Laplace算子的离散形式为:
L(f)=[f(x+1,y)+f(x-1,y)+f(x,y-1)]-4f(x,y) (11)
其中,L(f)表示拉普拉斯检测值,f(x,y)表示灰度图像上坐标为(x,y)的像素点的灰度值。
天空区域整体明亮且平滑,其在Laplacian边缘检测图中一般呈现为白色区域。但是,云的边缘、成像设备上的灰尘等,都可能形成干扰噪声。为降低噪声,需采用中值滤波降噪。通过滑动窗口,将窗口中心像素点的值取为窗口平均值,可有效消除噪音干扰。
如图4所示,其展示了对雾霾图像中非天空区域的识别过程。其中A代表原始图像,通过将其转换为灰度图像B,对灰度图像B进行Laplacian算子进行边缘检测,并进行转换得到二值图C,对二值图C进行最小值滤波得到最终的雾霾对象对应的非天空区域,对应图D中的白色区域。
图5示出了,在HID2018数据库中不同雾霾图像的非天空区域对应的入射光衰减率即NSDark值。从图5可知,图5(d)与(e)的NSDark值较小,图像受雾霾影响较小。图5(g)图和(h)图则NSDark值较大,图像受雾霾影响严重。NSDark值与主观评价结果相符。
同时可以理解,本发明中通过获取非天空区域的入射光衰减率Dnon_sky对应为雾霾图像质量的评价值即NSDark值对雾霾图像进行图像质量评价的过程为无参考型图像质量评价过程。在此,可以选择常用的无参考型图像质量评价方法进行对比。具体的采用熵函数(Entropy)、灰度方差(SMD)和Laplacian梯度三种常用的无参考型图像质量评价方法进行性能比较。同时将雾霾图像的主观评分(MOS)作为比较基准,具体参照下表:
表1雾霾图像质量评价方法性能对比
从表1中随机抽取部分MOS值与NSDark值分析,如:图像编号7有轻微雾霾,图像编号8中雾霾较严重。图像编号7的NSDark值为0.197,图像编号7的NSDark值为0.241,从NSDark值中可判断图像8比图像7的雾霾更为严重。
对表1数据进行归一化处理,得到图6所示的,Mos、NSDark与Laplacian性能对比,其中A1代表MOS值,A2代表NsDark值,A3代表Laplacian值,以及图7所示的Mos、SMD与Entropy性能对比,其中B1为MOS值,B2为Entropy值,B3为SMD值。从图6和图7可以看出,NSDark方法的总体变化趋势与Laplacian梯度方法和MOS一致,且其变化的单调性优于SMD与Entropy方法。
进一步的,为对比不同图像质量评价方法,计算不同图像质量评价方法与MOS值的均方误差。其中,Laplician值与MOS值的均方误差为4.14,Entropy值与MOS值的均方误差为1.13,SMD值与MOS值的均方误差为1.91,NSDark值与MOS值的均方误差为0.5。所有图像的NSDark与MOS值的均方误差最小,且NSDark与MOS值的变化较为一致。因此,NSDark值的评价结果略优其他质量评价方法。
另,如图8所示的实施例中,本发明一种雾霾图像质量评价系统,包括:
获取单元10,用于获取雾霾图像;
第一处理单元20,用于基于暗通道先验方法获取雾霾图像对应的第一透射率图;
第二处理单元30,用于获取雾霾图像的非天空区域;
第三处理单元40,用于根据第一透射率图和非天空区域获取非天空区域对应的第一入射光衰减率;
输出单元50,用于根据第一入射光衰减率输出雾霾图像的图像质量。
具体的,这里的雾霾图像质量评价系统各单元之间具体的配合操作过程具体可以参照上述雾霾图像质量评价方法,这里不再赘述。
另,本发明的一种电子设备,包括存储器和处理器;存储器用于存储计算机程序;处理器用于执行计算机程序实现如上面任意的雾霾图像质量评价方法。具体的,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过电子设备下载和安装并且执行时,执行本发明实施例的方法中限定的上述功能。本发明中的电子设备可为笔记本、台式机、平板电脑、智能手机等终端,也可为服务器。
另,本发明的一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上面任意一项的雾霾图像质量评价方法。具体的,需要说明的是,本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以理解的,以上实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制;应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,可以对上述技术特点进行自由组合,还可以做出若干变形和改进,这些都属于本发明的保护范围;因此,凡跟本发明权利要求范围所做的等同变换与修饰,均应属于本发明权利要求的涵盖范围。
Claims (9)
2.根据权利要求1所述的雾霾图像质量评价方法,其特征在于,
所述步骤S3中,所述根据所述第一透射率图和所述非天空区域计算所述非天空区域对应的第一入射光衰减率,包括:
根据所述第一透射率图获取所述雾霾图像的第二入射光衰减率;
根据所述第二入射光衰减率和所述非天空区域获取所述非天空区域对应的第一入射光衰减率;或
根据所述第一透射率图和所述非天空区域获取所述非天空区域对应的第二透射率图;
根据所述第二透射率图获取所述非天空区域对应的第一入射光衰减率。
3.根据权利要求2所述的雾霾图像质量评价方法,其特征在于,在所述步骤S2中,所述获取所述雾霾图像的非天空区域包括:
S21、转换所述雾霾图像为灰度图像;
S22、根据边缘检测获取所述灰度图像的梯度图,并转换以生成二值图;
S23、对所述二值图进行最小值滤波,以获取所述雾霾图像的非天空区域。
4.根据权利要求3所述的雾霾图像质量评价方法,其特征在于,所述步骤S22中,所述根据边缘检测获取所述灰度图像的梯度图,并转换以生成二值图包括:
S221、根据预设梯度阈值转换所述梯度图以生成第一二值图;
S222、根据预设亮度阈值转换所述灰度图像以生成第二二值图;
S223、合并所述第一二值图与所述第二二值图,以生成所述二值图。
5.根据权利要求4所述的雾霾图像质量评价方法,其特征在于,所述预设梯度阈值为所述梯度图的梯度平均值;所述预设亮度阈值为所述灰度图像的亮度平均值。
6.根据权利要求3所述的雾霾图像质量评价方法,其特征在于,在所述步骤S21中,所述转换所述雾霾图像为灰度图像包括:
获取所述雾霾图像的RGB图像,根据预设RGB比例调整所述RGB图像以获取对应的所述灰度图像;和/或
在所述步骤S22中,所述根据边缘测测获取所述灰度图像的梯度图,包括:
采用Sobel算子、Prewitt算子或Laplacian算子进行边缘检测以获取所述灰度图像的初始梯度图;
对所述初始梯度图采用中值滤波以获取所述灰度图像的最终梯度图。
8.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的雾霾图像质量评价方法。
9.一种电子设备,其特征在于,包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述计算机程序实现如权利要求1至6中任意一项所述的雾霾图像质量评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436390.XA CN110322431B (zh) | 2019-05-23 | 2019-05-23 | 雾霾图像质量评价方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436390.XA CN110322431B (zh) | 2019-05-23 | 2019-05-23 | 雾霾图像质量评价方法、系统、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322431A CN110322431A (zh) | 2019-10-11 |
CN110322431B true CN110322431B (zh) | 2021-04-13 |
Family
ID=68119058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910436390.XA Active CN110322431B (zh) | 2019-05-23 | 2019-05-23 | 雾霾图像质量评价方法、系统、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322431B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004834B (zh) * | 2021-12-31 | 2022-04-19 | 山东信通电子股份有限公司 | 一种图像处理中的雾天情况分析方法、设备及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424655A (zh) * | 2015-11-04 | 2016-03-23 | 北京交通大学 | 一种基于视频图像的能见度检测方法 |
CN105761230A (zh) * | 2016-03-16 | 2016-07-13 | 西安电子科技大学 | 基于天空区域分割处理的单幅图像去雾方法 |
CN105931220A (zh) * | 2016-04-13 | 2016-09-07 | 南京邮电大学 | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 |
CN106709901A (zh) * | 2016-11-10 | 2017-05-24 | 西安电子科技大学 | 基于深度先验的模拟雾图生成方法 |
CN108389175A (zh) * | 2018-04-26 | 2018-08-10 | 长安大学 | 融合变差函数和颜色衰减先验的图像去雾方法 |
-
2019
- 2019-05-23 CN CN201910436390.XA patent/CN110322431B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424655A (zh) * | 2015-11-04 | 2016-03-23 | 北京交通大学 | 一种基于视频图像的能见度检测方法 |
CN105761230A (zh) * | 2016-03-16 | 2016-07-13 | 西安电子科技大学 | 基于天空区域分割处理的单幅图像去雾方法 |
CN105931220A (zh) * | 2016-04-13 | 2016-09-07 | 南京邮电大学 | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 |
CN106709901A (zh) * | 2016-11-10 | 2017-05-24 | 西安电子科技大学 | 基于深度先验的模拟雾图生成方法 |
CN108389175A (zh) * | 2018-04-26 | 2018-08-10 | 长安大学 | 融合变差函数和颜色衰减先验的图像去雾方法 |
Non-Patent Citations (1)
Title |
---|
雾天图像能见度检测方法研究;徐敏;《中国优秀硕士学位论文全文数据库信息科技辑》;20180815(第2018年第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110322431A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103591B (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
Hu et al. | Single image defogging based on illumination decomposition for visual maritime surveillance | |
Xu et al. | Review of video and image defogging algorithms and related studies on image restoration and enhancement | |
Negru et al. | Exponential contrast restoration in fog conditions for driving assistance | |
WO2020232710A1 (zh) | 雾霾图像质量评价方法、系统、存储介质及电子设备 | |
EP2846306B1 (en) | Image processing apparatus for removing haze contained in still image and method thereof | |
US8837857B2 (en) | Enhancing image data | |
Gao et al. | Detail preserved single image dehazing algorithm based on airlight refinement | |
KR101582779B1 (ko) | 영상의 파장 적응적 안개 제거 장치 및 방법 | |
Xiao et al. | Scene‐aware image dehazing based on sky‐segmented dark channel prior | |
CN110717865B (zh) | 图片检测方法及装置 | |
Bansal et al. | A review of image restoration based image defogging algorithms | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
CN112465708A (zh) | 基于暗通道改进的图像去雾方法 | |
Sahu et al. | Image dehazing based on luminance stretching | |
CN115393216A (zh) | 基于偏振特性与大气传输模型的图像去雾方法和装置 | |
Khan et al. | Recent advancement in haze removal approaches | |
CN110322431B (zh) | 雾霾图像质量评价方法、系统、存储介质及电子设备 | |
CN106709876B (zh) | 一种基于暗像元原理的光学遥感图像去雾方法 | |
Pal et al. | A robust framework for visibility enhancement of foggy images | |
CN110349113B (zh) | 一种基于暗原色先验改进的自适应图像去雾方法 | |
Yang et al. | Single image dehazing using elliptic curve scattering model | |
Negru et al. | Exponential image enhancement in daytime fog conditions | |
Mahdi et al. | SINGLE IMAGE DE-HAZING THROUGH IMPROVED DARK CHANNEL PRIOR AND ATMOSPHERIC LIGHT ESTIMATION. |
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 |