CN111598814B - 基于极端散射通道的单图像去雾方法 - Google Patents
基于极端散射通道的单图像去雾方法 Download PDFInfo
- Publication number
- CN111598814B CN111598814B CN202010453074.6A CN202010453074A CN111598814B CN 111598814 B CN111598814 B CN 111598814B CN 202010453074 A CN202010453074 A CN 202010453074A CN 111598814 B CN111598814 B CN 111598814B
- Authority
- CN
- China
- Prior art keywords
- channel
- image
- extreme
- foggy
- dark
- 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 66
- 238000002834 transmittance Methods 0.000 claims abstract description 47
- 238000003384 imaging method Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 36
- 238000012545 processing Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于极端散射通道的单图像去雾方法,涉及图像处理领域,去雾方法包括:获取原始有雾图像;构建雾天成像物理模型;暗通道先验;亮通道先验;将亮通道先验的结果与暗通道先验的结果互补成为极端通道,并进行极端通道散射分析;估计透射率;估计大气光;根据极端通道先验给出的透射率、大气光、雾天成像物理模型计算得到最终的去雾清晰图像。本发明提出极端通道先验这一全新的先验假设来估计透射率和大气光,可以对天空或者偏白物体等区域进行正确的去雾,且效果较好,准确率更高,并且对于浓雾的去雾效果显著,不容易造成颜色失真,最终去雾颜色比较自然真实,清晰度也较高。
Description
技术领域
本发明涉及图像处理领域,尤指一种基于极端散射通道的单图像去雾方法。
背景技术
随着社会的不断进步和科技的飞速发展,计算机视觉系统已经被广泛应用到了城市交通、视频监控、智能导航、遥感成像、军事侦察等诸多领域;然而,近年来,雾霾天气的频繁出现,严重影响了计算机视觉系统的成像质量,造成获取的图像对比度下降、颜色失真、模糊不清,对人们生产与生活造成极大影响。雾霾是一种常见的自然现象,它是由悬浮在大气中的大量微小水滴、气溶胶等颗粒的作用产生的。由于悬浮颗粒对光线的吸收、散射和折射等作用,导致图像中目标的对比度降低、饱和度下降和色调偏移,直接限制和影响了各种户外视觉系统效用的发挥。雾天降质图像的清晰化处理对提高户外视觉系统的可靠性和鲁棒性具有重要意义。
针对图像去雾,人们提出了各种方法,具体来说可以分为两类:图像增强方法和图像复原方法。图像增强处理不考虑退化原因,通过突出图像中某些信息,同时削弱或去除某些不需要的信息,实现图像去雾,该类方法以Retinex算法为代表,但不能实现真正意义上的去雾。图像复原通过分析雾化图像降质机理,建立图像散射模型,充分利用图像退化的先验知识或假设,实现场景复原。相比而言,利用图像复原的方法具有内在的优越性。图像去雾的目的是从在雾霾的天气条件下获取的降质版本中重建高质量的图像。去雾可以主要分为单图像去雾和多图像去雾。多图像去雾包括基于偏振的去雾方法和基于图像融合的去雾方法。单图像去雾分为基于图像增强,基于先验和基于深度学习,因而单图像去雾已成为图像去雾领域的研究热点。
现有技术中的去雾方法多数不能处理浓度较大的雾,且去雾方法容易造成颜色失真。常见的暗通道先验(暗原色先验)的去雾方法揭示了图像的本质特征,具有很好的去雾效果,但对诸如天空、白云等不存在暗原色的偏白区域,复原结果会出现明显的颜色失真,去雾效果不理想。
因此,为了解决现有技术中的去雾方法多数不能处理浓度较大的雾,且存在无法处理天空、偏白物体等区域去雾,容易造成颜色失真的问题,本申请提出了一种基于极端散射通道的单图像去雾方法。
发明内容
有鉴于此,本发明提供了一种基于极端散射通道的单图像去雾方法,以解决现有技术中去雾效果不理想的问题。
本发明提供的基于极端散射通道的单图像去雾方法,包括:
获取原始有雾图像;
构建雾天成像物理模型;
暗通道先验,暗通道指原始有雾图像中至少存在一个颜色通道的像素值大于0且小于1的像素通道;
亮通道先验,亮通道指原始有雾图像中至少存在一个颜色通道的像素值大于0且小于1的像素通道,且所述亮通道的像素值大于所述暗通道的像素值;
将亮通道先验的结果与暗通道先验的结果互补成为极端通道,并进行极端通道散射分析;
估计透射率,对亮通道图像和暗通道图像分别计算透射率,亮通道图像计算得到的透射率和暗通道图像计算得到的透射率适用的区域不同,将适用亮通道图像的区域的透射率和适用暗通道图像的区域的透射率结合,得到的结果作为极端通道先验给出的透射率;
估计大气光;
根据极端通道先验给出的透射率、大气光、雾天成像物理模型计算得到最终的去雾清晰图像。
优选的,构建雾天成像物理模型中,有雾图像的形成通过以下方式建模:
I(x)=J(x)t(x)+A∞(1-t(x)) 式(1);
其中,I是观察到的有雾图像,J是无雾图像,A∞是大气光,t是整个雾空间的透射率,x是像素点的位置,去雾的目标是使用I获得A∞,t,然后根据雾天成像物理模型(1)获得无雾图像J。
优选的,暗通道先验中,原始有雾图像的暗通道图像的计算公式为:
其中,Jdark为暗通道图像,Jc为图像J的彩色三通道中的某一通道,Ω(x)为选取的中心在x像素点的局部图像区域;
亮通道先验中,原始有雾图像的亮通道图像的计算公式为:
其中,Jbright为亮通道图像,Jc为图像J的彩色三通道中的某一通道,Ω(x)为选取的中心在x像素点的局部图像区域;
将亮通道先验的结果与暗通道先验的结果互补成为极端通道,并进行极端通道散射分析,极端通道先验为:
Jdark(x)→0;
其中,A∞为大气光,Jdark(x)→0表示大部分无雾图像中的局部色块包含一些像素,这些像素在至少一个颜色通道中的灰度值非常低,且趋于0;同时,无雾图像中的局部色块都包含一些像素,这些像素在至少一个颜色通道中的灰度值非常高,且趋于
进一步优选的,估计透射率具体为:假设大气光A∞已知,将原始有雾图像的像素重新分类且分为两部分:第一部分B1包括Jbright<1的像素,第二部分B2包括剩余的像素;
对于第二部分B2中的像素,对式(1)等号两侧同时做最大值操作得到:
将式(4)的结论代入式(5)可以得到:
同理,对于第一部分B1中的像素,计算透射率如下:
估计得到的透射率分布是亮通道透射率与暗通道透射率的结合:
进一步优选的,估计得到的透射率分布需要使用滤波器进行修正,得到最终的透射率分布t(x)。
进一步优选的,估计大气光具体为:在估计大气光A∞时使用基于块状区域patch的亮通道,将观察到的有雾图像I分成k个不相交的块Ip,其大小为m×n,将无雾块区域Jp分解为大气光Ap和反射Rp的乘积,可以将式(1)重写为:
Ip(x)=Ap(1-t(x)+Rpt(x)) 式(9);
其中,下标p是块状区域patch,J是无雾图像,A∞是大气光,R是反射的部分,Ap表示基于块状区域patch的大气光,Rp是基于块状区域patch的反射的部分;
在式(9)两侧使用通道最大算子,并假设Rp的最大强度为1,得到:
进一步优选的,根据透射率t、大气光A、雾天成像物理模型的式(1)恢复出场景反射光J,将透射率t(x)限制在下限t0,即在非常密集的雾度区域中保留少量的雾度,最终的去雾清晰图像J(x)计算公式为:
进一步优选的,将透射率t(x)限制在下限t0,下限t0的值为0.05。
与现有技术相比,本发明提供的基于极端散射通道的单图像去雾方法,至少实现了如下的有益效果:
1、本发明基于极端散射通道的单图像去雾方法,提出极端通道先验这一全新的先验假设来估计透射率和大气光,在可见性极低的浓雾霾情况下,去雾效果仍然非常显著,可以处理浓雾,去浓雾效果比较好,不容易造成颜色失真,最终去雾颜色比较自然真实,清晰度也较高。
2、本发明基于极端散射通道的单图像去雾方法,采用亮通道和暗通道分别计算透射率,再根据两者适用的区域不同,从而根据亮通道和暗通道本质的区别来定义相应位置用哪种通道的透射率,把亮通道和暗通道各自适用的点,用各自的结果来构成总的最终结果,以作为极端通道先验给出的透射率,进而本发明更准确地确定了亮通道和暗通道的适用范围,得到的极端通道先验给出的透射率是一个具体到每一个像素点的归类的求解,准确率更高。
3、本发明基于极端散射通道的单图像去雾方法可以对天空或者偏白物体等区域进行正确的去雾,且效果较好。
当然,实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于极端散射通道的单图像去雾方法的流程图;
图2是原始无雾图像;
图3是图2提取的暗通道图像;
图4是图3的直方图;
图5是图2提取的亮通道图像;
图6是图5的直方图;
图7是本发明实施例提供的一种基于极端散射通道的单图像去雾方法的整体实施过程图;
图8是采用现有技术中几个不同的去雾方法和本发明提供的去雾方法进行的去雾效果比对图;
图9是采用现有技术中的去雾方法和本发明提供的去雾方法进行的偏白区域去雾效果的比对图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
请参考图1,图1是本发明实施例提供的一种基于极端散射通道的单图像去雾方法的流程图,本发明实施例提供的一种基于极端散射通道的单图像去雾方法,包括:
S1:获取原始有雾图像;
S2:构建雾天成像物理模型;
S31:暗通道先验,暗通道指原始有雾图像中至少存在一个颜色通道的像素值比较小、在0-1之间且趋于0的像素通道,进而得到的清晰无雾图像的暗通道的大多数像素值为零或接近零;
S32:亮通道先验,亮通道指原始有雾图像中至少存在一个颜色通道的像素值比较大、在0-1之间且趋于1的像素通道;其中述亮通道的像素值大于暗通道的像素值,进而得到的清晰无雾图像的亮通道的大多数像素值为1或接近1;
S4:将亮通道先验的结果与暗通道先验的结果互补成为极端通道,并进行极端通道散射分析;
S5:估计透射率,对亮通道图像和暗通道图像分别计算透射率,亮通道图像计算得到的透射率和暗通道图像计算得到的透射率适用的区域不同,将适用亮通道图像的区域的透射率和适用暗通道图像的区域的透射率结合,得到的结果作为极端通道先验给出的透射率;
S6:估计大气光;
S7:根据极端通道先验给出的透射率、大气光、雾天成像物理模型计算得到最终的去雾清晰图像。
具体而言,本发明实施例的基于极端散射通道的单图像去雾方法,作用是从雾霾的天气条件下获取的降质版本中重建高质量的图像,即首先需从雾霾的天气条件下获取降质版本的原始有雾图像(步骤S1)。作为典型的不适定逆问题,雾天图像的形成通常通过以下方式构建雾天成像物理模型(步骤S2):有雾图像的形成通过以下方式建模:
I(x)=J(x)t(x)+A∞(1-t(x)) 式(1);
其中,I是观察到的有雾图像,J是无雾图像,A∞是大气光,t是整个雾空间的透射率,x是像素点的位置,去雾的目标是使用I获得A∞,t,然后根据雾天成像物理模型(1)获得无雾图像J。由于这个问题本身是不适定的所以需要一定的先验假设来求解,即暗通道先验和亮通道先验(步骤S31和步骤S32)。在暗通道先验的基础上,可以对应的提出亮通道先验,将亮通道先验与暗通道先验的互补结果成为极端通道,并进行极端通道散射分析(步骤S4),以克服先验本身的局限性引起的无法正确对偏白物体和天空区域进行去雾的问题。接着粗略估计透射率,需要对亮通道图像和暗通道图像分别计算透射率,由于亮通道图像计算得到的透射率和暗通道图像计算得到的透射率适用的区域不同,因此将适用亮通道图像的区域的透射率和适用暗通道图像的区域的透射率结合,得到的结果则作为极端通道先验给出的透射率(步骤S5)。接着估计大气光(步骤S6),根据极端通道先验给出的透射率、大气光、雾天成像物理模型,计算得到最终的去雾清晰图像(步骤S7)。
本发明基于极端散射通道的单图像去雾方法,采用亮通道和暗通道分别计算透射率,再根据两者适用的区域不同,从而根据亮通道和暗通道本质的区别来定义相应位置用哪种通道的透射率,把亮通道和暗通道各自适用的点,用各自的结果来构成总的最终结果,以作为极端通道先验给出的透射率,进而本发明更准确地确定了亮通道和暗通道的适用范围,得到的极端通道先验给出的透射率是一个具体到每一个像素点的归类的求解,准确率更高,本发明提出极端通道先验这一全新的先验假设来估计透射率和大气光,可以对天空或者偏白物体等区域进行正确的去雾,且效果较好,准确率更高,并且在可见性极低的浓雾霾情况下,去雾效果仍然非常显著,不容易造成颜色失真,最终去雾颜色比较自然真实,清晰度也较高。
在一些可选实施例中,请继续参考图1,暗通道先验认为:每一个局部区域都很有可能会有阴影,或者是纯颜色的东西,又或者是黑色的东西,因此每一个局部区域都很有可能有至少一个颜色通道会有很低的值,把这个统计规律叫做暗通道先验(Dark ChannelPrior)。即清晰的室外图像的大多数区域(除了天空区域和白色区域),存在一个像素通道,其最小值为零。暗通道先验中,原始有雾图像的暗通道图像的计算公式为:
其中,Jdark为暗通道图像,Jc为图像J的彩色三通道中的某一通道,Ω(x)为选取的中心在x像素点的局部图像区域,具体大小由具体实验选取。
由于传统的暗通道先验被认为是一种经典有效的去雾方法,但是其由于先验本身的局限性,无法正确对偏白物体和天空区域进行去雾,因此本实施例在暗通道先验的基础上,对应的提出亮通道先验(Bright Channel Prior)。
亮通道先验中,原始有雾图像的亮通道图像的计算公式为:
其中,Jbright为亮通道图像,Jc为图像J的彩色三通道中的某一通道,Ω(x)为选取的中心在x像素点的局部图像区域,具体大小由具体实验选取;
将亮通道先验的结果与暗通道先验的结果互补成为极端通道,并进行极端通道散射分析,极端通道先验为:
Jdark(x)→0;
其中,A∞为大气光,Jdark(x)→0表示大部分无雾图像中的局部色块包含一些像素,这些像素在至少一个颜色通道中的灰度值非常低,且趋于0;同时,无雾图像中的局部色块都包含一些像素,这些像素在至少一个颜色通道中的灰度值非常高,且趋于
可选的,请参考图2-6中对清晰的无雾图像暗通道/亮通道的示例说明(由于本发明属于图像处理领域,需要引用一些原始图像进行去雾效果的说明比对,参考近两年授权的相关专利文件CN106204491B、CN106530246B、CN105631829B、CN106469440B等,为了说明图像处理效果,图2-6中带有灰度的图像以及此类型的示意图是可以用于专利申请文件中以说明技术效果的,因此申请人示意出了图2-6),其中图2是原始无雾图像,图3是图2提取的暗通道图像,图4是图3的直方图,图5是图2提取的亮通道图像,图6是图5的直方图,其中,图4和图6中的横坐标为灰度值,纵坐标为像素点的个数,在实验中,首先进行极端通道散射分析以验证极端通道是否有一定的先验规律,对清晰自然图像(如图2所示)分别求取亮通道和暗通道,并对结果进行归一化直方图统计,结果如图3-6所示,可以看出:清晰的室外无雾图像中的大多数局部色块包含一些像素,这些像素在至少一个颜色通道中的灰度值非常低,灰度值甚至为0或接近于0(如图4);同时,清晰的室外无雾图像中的大多数局部色块都包含一些像素,这些像素在至少一个颜色通道中的灰度值非常高,灰度值甚至为1或接近于1(如图6)。由此给出极端通道先验:Jdark(x)→0;
其中,A∞为大气光,Jdark(x)→0表示大部分无雾图像中的局部色块包含一些像素,这些像素在至少一个颜色通道中的灰度值非常低,且趋于0;同时,无雾图像中的局部色块都包含一些像素,这些像素在至少一个颜色通道中的灰度值非常高,且趋于
在一些可选实施例中,请继续参考图1,本实施例中,估计透射率可以具体为:假设大气光A∞已知,将原始有雾图像的像素重新分类且分为两部分:第一部分B1包括Jbright<1的像素,第二部分B2包括剩余的像素;
对于第二部分B2中的像素,对式(1)等号两侧同时做最大值操作得到:
将式(4)的结论代入式(5)可以得到:
同理,对于第一部分B1中的像素,计算透射率如下:
估计得到的粗略的透射率分布是亮通道透射率与暗通道透射率的结合:
在一些可选实施例中,请结合参考图1和图7,图7是本发明实施例提供的一种基于极端散射通道的单图像去雾方法的整体实施过程图,本实施例中,步骤S5估计得到的粗略的透射率分布需要使用滤波器进行修正(步骤S51),以得到最终的透射率分布t(x),即使用滤波器对整个t(x)进行平滑处理,以优化透射率结果。
在一些可选实施例中,请继续参考图1,本实施例中,估计大气光可以具体为:在估计大气光A∞时使用基于块状区域patch的亮通道,将观察到的有雾图像I分成k个不相交的块Ip,其大小为m×n,将无雾块区域Jp分解为大气光Ap和反射Rp的乘积,可以将式(1)重写为:
Ip(x)=Ap(1-t(x)+Rpt(x)) 式(9);
其中,下标p是块状区域patch,J是无雾图像,A∞是大气光,R是反射的部分,Ap表示基于块状区域patch的大气光,Rp是基于块状区域patch的反射的部分;
在式(9)两侧使用通道最大算子,并假设Rp的最大强度为1,得到:
在一些可选实施例中,请继续参考图1,本实施例中,根据透射率t、大气光A、雾天成像物理模型的式(1)恢复出场景反射光J,为了避免当传输t(x)接近零时,直接恢复的场景辐射度J容易产生噪声,可以将透射率t(x)限制在下限t0,即在非常密集的雾度区域中保留少量的雾度,根据实验证明,下限t0的经验值为0.05效果较佳。最终的去雾清晰图像J(x)计算公式为:
为了验证本发明提供的基于极端散射通道的单图像去雾方法可以处理浓雾,且去雾效果较好。申请人在浓雾情况下采用现有技术中几个不同的去雾方法和本发明提供的去雾方法进行了去雾效果比对,请参考图8,图8是采用现有技术中几个不同的去雾方法和本发明提供的去雾方法进行的去雾效果比对图(由于本发明属于图像处理领域,需要引用一些原始图像进行去雾效果的说明比对,参考近两年授权的相关专利文件CN106204491B、CN106530246B、CN105631829B、CN106469440B等,为了说明图像处理效果,图8中带有灰度的图像以及此类型的示意图是可以用于专利申请文件中以说明技术效果的,因此申请人示意出了图8)。其中,图8中的(a)为无雾图像,(b)为浓雾图像,(c)为采用DCP的去雾方法得到的图像,(d)为采用孟的去雾方法得到的图像,(e)为采用NLD的去雾方法得到的图像,(f)为采用DehazeNet的去雾方法得到的图像,(g)为采用DCPDN的去雾方法得到的图像,(h)为采用Gridnet的去雾方法得到的图像,(i)为采用本发明提供的基于极端散射通道的单图像去雾方法得到的图像。由(c)-(i)的图像比对结果可知,在可见性极低的浓雾霾情况下,本发明的(i)的去雾效果仍然非常显著,(i)与(a)的图像基本一致,而其他的去雾方法的效果不太明显,甚至基本对去浓雾是无效的。
为了进一步验证本发明提供的基于极端散射通道的单图像去雾方法可以对天空、偏白区域进行正确的去雾。申请人对图像中偏白区域去雾效果进行了细节展示,请参考图9,图9是采用现有技术中的去雾方法和本发明提供的去雾方法进行的偏白区域去雾效果的比对图(由于本发明属于图像处理领域,需要引用一些原始图像进行去雾效果的说明比对,参考近两年授权的相关专利文件CN106204491B、CN106530246B、CN105631829B、CN106469440B等,为了说明图像处理效果,图9中带有灰度的图像以及此类型的示意图是可以用于专利申请文件中以说明技术效果的,因此申请人示意出了图9)。其中,(j)为无雾图像,(k)为有雾图像,(l)为采用现有技术中的去雾方法得到的图像,(m)为采用本发明提供的基于极端散射通道的单图像去雾方法得到的图像。由(l)和(m)的图像比对结果可知,本发明对图9中区域M和区域N这样的偏白区域有很好的颜色还原和清晰的去雾效果。
与现有技术相比,本发明提供的基于极端散射通道的单图像去雾方法,至少实现了如下的有益效果:
1、本发明基于极端散射通道的单图像去雾方法,提出极端通道先验这一全新的先验假设来估计透射率和大气光,在可见性极低的浓雾霾情况下,去雾效果仍然非常显著,可以处理浓雾,去浓雾效果比较好,不容易造成颜色失真,最终去雾颜色比较自然真实,清晰度也较高。
2、本发明基于极端散射通道的单图像去雾方法,采用亮通道和暗通道分别计算透射率,再根据两者适用的区域不同,从而根据亮通道和暗通道本质的区别来定义相应位置用哪种通道的透射率,把亮通道和暗通道各自适用的点,用各自的结果来构成总的最终结果,以作为极端通道先验给出的透射率,进而本发明更准确地确定了亮通道和暗通道的适用范围,得到的极端通道先验给出的透射率是一个具体到每一个像素点的归类的求解,准确率更高。
3、本发明基于极端散射通道的单图像去雾方法可以对天空或者偏白物体等区域进行正确的去雾,且效果较好。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (6)
1.一种基于极端散射通道的单图像去雾方法,其特征在于,包括:
获取原始有雾图像;
构建雾天成像物理模型;
暗通道先验,所述暗通道指所述原始有雾图像中至少存在一个颜色通道的像素值大于0且小于1的像素通道;
亮通道先验,所述亮通道指所述原始有雾图像中至少存在一个颜色通道的像素值大于0且小于1的像素通道,且所述亮通道的像素值大于所述暗通道的像素值;
将所述亮通道先验的结果与所述暗通道先验的结果互补成为极端通道,并进行极端通道散射分析;
估计透射率,对亮通道图像和暗通道图像分别计算透射率,所述亮通道图像计算得到的透射率和所述暗通道图像计算得到的透射率适用的区域不同,将适用所述亮通道图像的区域的透射率和适用所述暗通道图像的区域的透射率结合,得到的结果作为极端通道先验给出的透射率;
其中,所述估计透射率具体为:
假设大气光A∞已知,将所述原始有雾图像的像素分为两部分:第一部分B1包括Jbright<1的像素,第二部分B2包括剩余的像素;
所述构建雾天成像物理模型中,有雾图像的形成通过以下方式建模:
I(x)=J(x)t(x)+A∞(1-t(x)) 式(1);
其中,I是观察到的有雾图像,J是无雾图像,A∞是大气光,t是整个雾空间的透射率,x是像素点的位置,去雾的目标是使用I获得A∞,t,然后根据雾天成像物理模型(1)获得无雾图像J;
对于第二部分B2中的像素,对式(1)等号两侧同时做最大值操作得到:
将所述亮通道先验的结果与所述暗通道先验的结果互补成为极端通道,并进行极端通道散射分析,极端通道先验为:
Jdark(x)→0;
其中,A∞为大气光,Jdark(x)→0表示大部分无雾图像中的局部色块包含一些像素,这些像素在至少一个颜色通道中的灰度值非常低,且趋于0;同时,无雾图像中的局部色块都包含一些像素,这些像素在至少一个颜色通道中的灰度值非常高,且趋于
将式(4)的结论代入式(5)可以得到:
同理,对于第一部分B1中的像素,计算透射率如下:
估计得到的透射率分布是所述亮通道透射率与所述暗通道透射率的结合:
估计大气光;
根据所述极端通道先验给出的透射率、所述大气光、所述雾天成像物理模型计算得到最终的去雾清晰图像。
2.根据权利要求1所述的基于极端散射通道的单图像去雾方法,其特征在于,所述暗通道先验中,所述原始有雾图像的暗通道图像的计算公式为:
其中,Jdark为暗通道图像,Jc为图像J的彩色三通道中的某一通道,Ω(x)为选取的中心在x像素点的局部图像区域;
所述亮通道先验中,所述原始有雾图像的亮通道图像的计算公式为:
其中,Jbright为亮通道图像,Jc为图像J的彩色三通道中的某一通道,Ω(x)为选取的中心在x像素点的局部图像区域。
3.根据权利要求2所述的基于极端散射通道的单图像去雾方法,其特征在于,
所述估计得到的透射率分布需要使用滤波器进行修正,得到最终的透射率分布t(x)。
4.根据权利要求3所述的基于极端散射通道的单图像去雾方法,其特征在于,所述估计大气光具体为:
在估计大气光A∞时使用基于块状区域patch的亮通道,将所述观察到的有雾图像I分成k个不相交的块Ip,其大小为m×n,将无雾块区域Jp分解为大气光Ap和反射Rp的乘积,可以将式(1)重写为:
Ip(x)=Ap(1-t(x)+Rpt(x)) 式(9);
其中,下标p是所述块状区域patch,J是无雾图像,A∞是大气光,R是反射的部分,Ap表示基于块状区域patch的大气光,Rp是基于块状区域patch的反射的部分;
在式(9)两侧使用通道最大算子,并假设Rp的最大强度为1,得到:
5.根据权利要求4所述的基于极端散射通道的单图像去雾方法,其特征在于,根据透射率t、大气光A、雾天成像物理模型的式(1)恢复出场景反射光J,将透射率t(x)限制在下限t0,即在非常密集的雾度区域中保留少量的雾度,最终的去雾清晰图像J(x)计算公式为:
6.根据权利要求5所述的基于极端散射通道的单图像去雾方法,其特征在于,所述将透射率t(x)限制在下限t0,所述下限t0的值为0.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453074.6A CN111598814B (zh) | 2020-05-26 | 2020-05-26 | 基于极端散射通道的单图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453074.6A CN111598814B (zh) | 2020-05-26 | 2020-05-26 | 基于极端散射通道的单图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598814A CN111598814A (zh) | 2020-08-28 |
CN111598814B true CN111598814B (zh) | 2024-04-26 |
Family
ID=72190617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010453074.6A Active CN111598814B (zh) | 2020-05-26 | 2020-05-26 | 基于极端散射通道的单图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598814B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598777B (zh) * | 2020-12-18 | 2022-07-22 | 南京邮电大学 | 一种基于暗通道先验的雾霾融合方法 |
CN112884680A (zh) * | 2021-03-26 | 2021-06-01 | 南通大学 | 一种利用端到端神经网络的单幅图像去雾方法 |
CN116402823B (zh) * | 2023-06-09 | 2023-08-04 | 深圳市思拓通信系统有限公司 | 基于图像增强的路面垃圾滴漏检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919879A (zh) * | 2019-03-13 | 2019-06-21 | 重庆邮电大学 | 一种基于暗通道先验与亮通道先验的图像去雾方法 |
CN110148093A (zh) * | 2019-04-17 | 2019-08-20 | 中山大学 | 一种基于暗通道先验的图像去雾改进方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102104403B1 (ko) * | 2013-05-28 | 2020-04-28 | 한화테크윈 주식회사 | 단일영상 내의 안개 제거 방법 및 장치 |
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 |
-
2020
- 2020-05-26 CN CN202010453074.6A patent/CN111598814B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919879A (zh) * | 2019-03-13 | 2019-06-21 | 重庆邮电大学 | 一种基于暗通道先验与亮通道先验的图像去雾方法 |
CN110148093A (zh) * | 2019-04-17 | 2019-08-20 | 中山大学 | 一种基于暗通道先验的图像去雾改进方法 |
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 |
Non-Patent Citations (3)
Title |
---|
Chia-Hung Yeh 等.Haze effect removal from image via haze density estimation in optical model.《Optics Express》.2013,第21卷(第22期),第27127-27141页. * |
丛榕.基于暗亮通道先验知识的图像去雾方法.《中国优秀硕士学位论文全文数据库 信息科技辑(月刊) 计算机软件及计算机应用》.2019,(第02期),第I138-1465页. * |
刘春辉 等.基于大气光鲁棒估计的无人机图像去雾方法.《北京航空航天大学学报》.2017,第43卷(第6期),第1105-1111页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111598814A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN107103591B (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
CN107767354A (zh) | 一种基于暗原色先验的图像去雾算法 | |
CN106548461B (zh) | 图像去雾方法 | |
Guo et al. | Automatic image haze removal based on luminance component | |
CN105913390B (zh) | 一种图像去雾方法及系统 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN110827221A (zh) | 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 | |
CN106530240A (zh) | 一种基于多尺度融合和全变分优化的图像去雾方法 | |
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 | |
Yuan et al. | Image dehazing based on a transmission fusion strategy by automatic image matting | |
CN109118450A (zh) | 一种沙尘天气条件下的低质图像增强方法 | |
CN107085830B (zh) | 基于传播滤波的单幅图像去雾方法 | |
CN110335210B (zh) | 一种水下图像复原方法 | |
Liang et al. | Learning to remove sandstorm for image enhancement | |
CN111598886A (zh) | 一种基于单幅图像的像素级透过率估计方法 | |
CN107977941A (zh) | 一种明亮区域色彩保真及对比度增强的图像去雾方法 | |
CN108898561B (zh) | 一种含天空区域雾天图像的去雾方法、服务器及系统 | |
Hong et al. | Single image dehazing based on pixel-wise transmission estimation with estimated radiance patches | |
CN110349113B (zh) | 一种基于暗原色先验改进的自适应图像去雾方法 |
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 |