CN111833270B - 一种快速的沙尘降质图像增强方法 - Google Patents
一种快速的沙尘降质图像增强方法 Download PDFInfo
- Publication number
- CN111833270B CN111833270B CN202010669986.7A CN202010669986A CN111833270B CN 111833270 B CN111833270 B CN 111833270B CN 202010669986 A CN202010669986 A CN 202010669986A CN 111833270 B CN111833270 B CN 111833270B
- Authority
- CN
- China
- Prior art keywords
- image
- dust
- sand
- follows
- blue
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000015556 catabolic process Effects 0.000 title claims abstract description 17
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 17
- 239000004576 sand Substances 0.000 claims abstract description 25
- 230000003321 amplification Effects 0.000 claims abstract description 14
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000001965 increasing effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000031700 light absorption 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种快速的沙尘降质图像增强方法,步骤包括:步骤1、补偿蓝色通道中丢失的蓝色波长来恢复蓝色波长。步骤2、采用白平衡算法对沙尘降质图像进行颜色校正。步骤3、采用引导滤波算法来增强图像对比度和边缘准确性,并使用自适应的方法计算细节层的放大系数来增强图像细节信息。步骤4、得到最终恢复的无沙尘彩色图像,即成。本发明的方法实现了对沙尘拍摄的图像进行清晰化处理,改善了沙尘降质图像的视觉效果,提升了图像的清晰度,增强了图像对比度和色度,使图像的纹理信息更清晰,视觉效果良好。
Description
技术领域
本发明涉及图像增强技术领域,具体领域为一种快速的沙尘降质图像增强方法。
背景技术
近年来沙尘天气出现次数越来越频繁,严重影响了获取图像的质量,这直接影响了交通安全、监视系统、无人驾驶和遥感系统等,因此沙尘降质图像增强已经成为一个急需解决的严峻问题。沙尘降质图像与一般图像的不同在于,沙尘降质图像的能见度低,这主要是由于光在传播过程中沙尘颗粒对光的散射和吸收造成的。吸收降低了光能,散射改变了光的传播方向,它们直接导致了沙尘图像对比度低、偏色和模糊的出现。从退化的沙尘图像中增强和恢复场景中的细节信息,提升图像的清晰度,为图像的进一步处理提供更多的信息具有很重要的现实意义。
如何提高沙尘降质图像的清晰度,国内外学者做了大量的研究。基于大气散射模型,研究者们利用改进的暗通道技术,通过估计环境光和透色率来恢复降质图像。基于拉普拉斯Gamma校正技术的沙尘厚度估计模型,准确估计透射率。在图像处理领域也进行了相关研究,如融合算法、分数微分理论算法和自适应增强算法。研究们还从颜色校正和对比度提升方面对沙尘降质图像进行增强。
虽然现存的沙尘降质图像增强方法可以进行一定程度的改善,但是仍然存在一些缺点,导致增强效果并不理想。处理后的沙尘图像任然存在偏色、对比度低和蓝色伪影的出现。
发明内容
本发明的目的在于提供一种快速的沙尘降质图像增强方法,对沙尘天气下拍摄的退化图像进行清晰化处理,可以有效的解决沙尘图像偏色、对比度低和蓝色伪影的问题,获得了较好的视觉效果。
为实现上述目的,本发明提供如下技术方案:一种快速的沙尘降质图像增强方法,所述方法对于输入的单幅沙尘降质图像,首先补偿蓝色通道中丢失的蓝色波长来恢复蓝色波长;接着,采用白平衡算法对波长补偿后的沙尘降质图像进行颜色校正;最后,采用引导滤波算法,旨在增强沙尘降质图像的对比度和边缘强度,并使用自适应的方法计算细节层的放大系数来增强图像细节信息;
所述方法步骤如下:
步骤1、输入图像;
步骤2、补偿蓝色通道中丢失的蓝色波长来恢复蓝色波长;
步骤3、采用白平衡算法对沙尘降质图像进行颜色校正;
步骤4、采用引导滤波算法来增强图像对比度和边缘准确性,并使用自适应的方法计算细节层的放大系数来增强图像细节信息;
步骤5、得到最终恢复的无沙尘彩色图像。
优选的,所述步骤1中,所述波长补偿的方法为:
通过以下三种准则来补偿丢失的蓝色波长;
准则一:沙尘天气下大部分的蓝光被散射,从而使沙尘天气下获得的图像呈现出整体偏黄现象,因此如果想要更好的处理沙尘降质图像,需要补足蓝色通道的丢失值来恢复蓝色波长;
准则二:灰色世界假设自然界景物对于光线的平均反射的均值在总体上是相同的,所有通道在场景深度为零的时候都有相同的平均值,因此可以通过该假设补足蓝色通道的丢失值,来恢复蓝色波长;
准则三:在沙尘降质图像处理过程中,分别假设绿通道均值不变和红通道均值不变分别进行蓝色波长恢复实验,通过实验发现假设绿通道均值不变对蓝通道的恢复效果较好。因此,采用绿通道均值不变对蓝通道进行波长补偿;
通过以上三种准则,可以得出波长补偿数学公式,公式如下:
优选的,所述步骤3基于波长补偿的白平衡算法:
沙尘天气下获得的图像表面会覆盖大量的沙尘,受到沙尘颗粒的影响,图像表面会出现黄色外观,影响了图像的清晰度。对沙尘降质图像进行波长补偿处理,对处理后的图像进行白平衡处理。所述基于波长补偿的白平衡算法可以解决沙尘图像偏色问题,并且有效的解决了蓝色伪影的出现。
优选的,所述步骤4中,所述引导滤波处理的方法为:
首先采用引导滤波器,引导滤波器的关键假设是引导图像I与滤波输出图像q之间呈局部线性关系,线性模型如下:
其中p是输入图像,∈是一个正则化参数,目的是防止ak过大。通过等式(3)线性边缘回归模型,可以求得ak和bk,结果如下:
优选的,所述步骤4中,所述自适应放大倍数计算方法为:
给定输入图像p,它的边缘保护平滑输出被作为基础层q。输入图像和基础层的差值就是细节层,公式如下:
d=p-q (7)
其中d是细节层,p是输入图像,q是基础层。通过增加细节的放大系数来提高细节信息,公式如下:
dm=βd=β(p-q) (8)
其中β为放大倍数,dm为放大后的细节层。输出图像为放大后的细节层dm和基础层q的结合,公式如下:
p=dm+q (9)
对上式进行求解,可以得出自适应放大系数β,结果如下:
与现有技术相比,本发明的有益效果是:一种快速的沙尘降质图像增强方法,方法对于输入的单幅沙尘降质图像,首先补偿蓝色通道中丢失的蓝色波长来恢复蓝色波长;接着,采用白平衡算法对波长补偿后的沙尘降质图像进行颜色校正;最后,采用引导滤波算法,旨在增强沙尘降质图像的对比度和边缘强度,并使用自适应的方法计算细节层的放大系数来增强图像细节信息,实现了沙尘条件下所拍摄的图像清晰化处理,能够解决沙尘的偏色、对比度低和蓝色伪影的问题,提高图像对比度和边缘强度,增强细节信息。
附图说明
图1为本发明的流程示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:一种快速的沙尘降质图像增强方法。首先,补偿蓝色通道中丢失的蓝色波长来恢复蓝色波长。其次,采用白平衡算法对沙尘降质图像进行颜色校正。最后,采用引导滤波算法来增强图像对比度和边缘准确性,并使用自适应的方法计算细节层的放大系数来增强图像细节信息。
基于上述的原理,本发明的快速沙尘降质图像增强算法,按照以下步骤具体实施:
步骤1、输入图像;
步骤2、对沙尘降质图像进行波长补偿。
我们通过以下三种准则来补偿丢失的蓝色波长。
准则一:沙尘天气下大部分的蓝光被散射,从而使沙尘天气下获得的图像呈现出整体偏黄现象,因此如果我们想要更好的处理沙尘降质图像,我们需要补足蓝色通道的丢失值来恢复蓝色波长。
准则二:灰色世界假设自然界景物对于光线的平均反射的均值在总体上是相同的,所有通道在场景深度为零的时候都有相同的平均值,因此我们可以通过该假设补足蓝色通道的丢失值,来恢复蓝色波长。
准则三:在沙尘降质图像处理过程中,我们分别假设绿通道均值不变和红通道均值不变分别进行蓝色波长恢复实验,通过实验我们发现假设绿通道均值不变对蓝通道的恢复效果较好。因此,我们采用绿通道均值不变对蓝通道进行波长补偿。
通过以上三种准则,我们可以得出波长补偿数学公式,公式如下:
步骤3、对波长补偿后的沙尘降质图像进行白平衡处理。
采用传统的白平衡算法对沙尘图像进行处理时,会出现蓝色伪影,因此,我们在波长补偿的基础上对沙尘降质图像进行白平衡处理,解决图像偏色问题,并且有效的克服了蓝色伪影的出现。
步骤4、对颜色校正后的图像采用引导滤波算法处理,并使用自适应的方法计算细节层的放大系数。
引导滤波算法的关键假设是引导图像I与滤波输出图像q之间呈局部线性关系,线性模型如下:
其中p是输入图像,∈是一个正则化参数,目的是防止ak过大。通过等式(3)线性边缘回归模型,可以求得ak和bk,结果如下:
采用引导滤波算法处理后的沙尘降质图像存在噪声,因为细节层的放大倍数一般都是固定值,对细节信息进行放大的同时,也放大了噪声。因此我们针对细节层的放大倍数进行改进,提出一种自适应放大倍数计算方法。
下面是我们获取自适应放大倍数的主要方法,给出输入图像p,它的边缘保护平滑输出被作为基础层q。输入图像和基础层的差值就是细节层,公式如下:
d=p-q (7)
其中d是细节层,p是输入图像,q是基础层。通过增加细节的放大系数来提高细节信息,公式如下:
dm=βd=β(p-q) (8)
其中β为放大倍数,dm为放大后的细节层。输出图像为放大后的细节层dm和基础层q的结合,公式如下:
p=dm+q (9)
对上式进行求解,我们可以得出自适应放大系数β,结果如下:
步骤5、经过上述步骤后,可获得基于快速沙尘降质图像增强后的目标图像。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
2.根据权利要求1的一种快速的沙尘降质图像增强方法,其特征在于:步骤4中,引导滤波处理的方法为:
首先采用引导滤波器,引导滤波器的关键假设是引导图像I与滤波输出图像q之间呈局部线性关系,线性模型如下:
其中p是输入图像,∈是一个正则化参数,目的是防止ak过大;通过等式(3)线性边缘回归模型,可以求得ak和bk,结果如下:
3.根据权利要求1的一种快速的沙尘降质图像增强方法,其特征在于:步骤4中,自适应放大倍数计算方法为:
给定输入图像p,它的边缘保护平滑输出被作为基础层q;输入图像和基础层的差值就是细节层,公式如下:
d=p-q (7)
其中d是细节层,p是输入图像,q是基础层;通过增加细节的放大系数来提高细节信息,公式如下:
dm=βd=β(p-q) (8)
其中β为放大倍数,dm为放大后的细节层;输出图像为放大后的细节层dm和基础层q的结合,公式如下:
p=dm+q (9)
对上式进行求解,可以得出自适应放大系数β,结果如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010669986.7A CN111833270B (zh) | 2020-07-13 | 2020-07-13 | 一种快速的沙尘降质图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010669986.7A CN111833270B (zh) | 2020-07-13 | 2020-07-13 | 一种快速的沙尘降质图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111833270A CN111833270A (zh) | 2020-10-27 |
CN111833270B true CN111833270B (zh) | 2023-02-10 |
Family
ID=72922712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010669986.7A Active CN111833270B (zh) | 2020-07-13 | 2020-07-13 | 一种快速的沙尘降质图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833270B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888434A (zh) * | 2021-10-11 | 2022-01-04 | 复旦大学 | 一种沙尘图像增强方法 |
CN114066764B (zh) * | 2021-11-23 | 2023-05-09 | 电子科技大学 | 基于距离加权色偏估计的沙尘退化图像增强方法及装置 |
CN117197001B (zh) * | 2023-11-06 | 2024-02-09 | 青岛理工大学 | 一种沙尘图像清晰化方法、系统、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005041558A1 (en) * | 2003-09-30 | 2005-05-06 | Fotonation Vision Limited | Statistical self-calibrating detection and removal of blemishes in digital images |
CN101981911A (zh) * | 2008-01-18 | 2011-02-23 | 泰塞拉技术爱尔兰有限公司 | 图像处理方法和装置 |
EP2362661A1 (en) * | 2010-02-26 | 2011-08-31 | Research In Motion Limited | Mobile electronic device having a camera with improved auto white balance |
CN105574830A (zh) * | 2016-02-04 | 2016-05-11 | 沈阳工业大学 | 极端天气条件下低质图像增强方法 |
WO2017175231A1 (en) * | 2016-04-07 | 2017-10-12 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
CN108416742A (zh) * | 2018-01-23 | 2018-08-17 | 浙江工商大学 | 基于偏色校正和信息损失约束的沙尘降质图像增强方法 |
CN108596843A (zh) * | 2018-04-10 | 2018-09-28 | 山东大学 | 一种基于亮通道的水下图像色彩恢复算法 |
CN111161170A (zh) * | 2019-12-18 | 2020-05-15 | 江苏科技大学 | 一种用于目标识别的水下图像综合增强方法 |
-
2020
- 2020-07-13 CN CN202010669986.7A patent/CN111833270B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005041558A1 (en) * | 2003-09-30 | 2005-05-06 | Fotonation Vision Limited | Statistical self-calibrating detection and removal of blemishes in digital images |
CN101981911A (zh) * | 2008-01-18 | 2011-02-23 | 泰塞拉技术爱尔兰有限公司 | 图像处理方法和装置 |
EP2362661A1 (en) * | 2010-02-26 | 2011-08-31 | Research In Motion Limited | Mobile electronic device having a camera with improved auto white balance |
CN105574830A (zh) * | 2016-02-04 | 2016-05-11 | 沈阳工业大学 | 极端天气条件下低质图像增强方法 |
WO2017175231A1 (en) * | 2016-04-07 | 2017-10-12 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
CN108416742A (zh) * | 2018-01-23 | 2018-08-17 | 浙江工商大学 | 基于偏色校正和信息损失约束的沙尘降质图像增强方法 |
CN108596843A (zh) * | 2018-04-10 | 2018-09-28 | 山东大学 | 一种基于亮通道的水下图像色彩恢复算法 |
CN111161170A (zh) * | 2019-12-18 | 2020-05-15 | 江苏科技大学 | 一种用于目标识别的水下图像综合增强方法 |
Non-Patent Citations (4)
Title |
---|
Guided Image Filtering;Kaiming He et al;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;20130630;第4.4.2节 * |
基于单幅图像的沙尘图像清晰化方法及系统;张秀;《西安理工大学硕士论文》;20190815;第3节 * |
基于视觉模型的红外图像增强技术研究;李毅;《中国科学院研究生院(长春光学精密机械与物理研究所)博士论文》;20160815;第4.3节 * |
张薇 ; 郭继昌.基于白平衡和相对全变分的低照度水下图像增强.《激光与光电子学进展》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111833270A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111833270B (zh) | 一种快速的沙尘降质图像增强方法 | |
CN107507138B (zh) | 一种基于Retinex模型的水下图像增强方法 | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN104253930B (zh) | 一种实时视频去雾方法 | |
CN108734670B (zh) | 单幅夜间弱照度雾霾图像的复原方法 | |
CN109255759B (zh) | 基于天空分割和透射率自适应修正的图像去雾方法 | |
CN104036466B (zh) | 一种视频去雾方法与系统 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN109118446B (zh) | 一种水下图像复原及去噪方法 | |
CN104794697B (zh) | 一种基于暗原色先验的图像去雾方法 | |
CN107451966B (zh) | 一种采用灰度图引导滤波实现的实时视频去雾方法 | |
CN106251300A (zh) | 一种基于Retinex的快速夜间雾天图像复原方法 | |
CN102750674A (zh) | 基于自适应容差的视频图像去雾方法 | |
CN111161167B (zh) | 基于中通道补偿和自适应大气光估计的单幅图像去雾方法 | |
CN108182671B (zh) | 一种基于天空区域识别的单幅图像去雾方法 | |
CN107705258B (zh) | 一种三基色联合预均衡和去模糊的水下图像增强方法 | |
CN107292834B (zh) | 红外图像细节增强方法 | |
Yang et al. | Visibility restoration of single image captured in dust and haze weather conditions | |
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 | |
CN104809700A (zh) | 一种基于亮通道的低照度视频实时增强方法 | |
CN111598800B (zh) | 基于空间域同态滤波和暗通道先验的单幅图像去雾方法 | |
CN105809641B (zh) | 一种去雾图像的曝光补偿和边缘增强方法 | |
CN107977941B (zh) | 一种明亮区域色彩保真及对比度增强的图像去雾方法 | |
CN109934779B (zh) | 一种基于导向滤波优化的去雾方法 | |
CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 |
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 |