CN111932469B - 显著性权重的快速曝光图像融合方法、装置、设备和介质 - Google Patents

显著性权重的快速曝光图像融合方法、装置、设备和介质 Download PDF

Info

Publication number
CN111932469B
CN111932469B CN202010706220.1A CN202010706220A CN111932469B CN 111932469 B CN111932469 B CN 111932469B CN 202010706220 A CN202010706220 A CN 202010706220A CN 111932469 B CN111932469 B CN 111932469B
Authority
CN
China
Prior art keywords
image
value
channel
filtering
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
Application number
CN202010706220.1A
Other languages
English (en)
Other versions
CN111932469A (zh
Inventor
李红云
林民山
蔡海毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Quanzhou Vocational And Technical University
Original Assignee
Quanzhou Vocational And Technical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Quanzhou Vocational And Technical University filed Critical Quanzhou Vocational And Technical University
Priority to CN202010706220.1A priority Critical patent/CN111932469B/zh
Publication of CN111932469A publication Critical patent/CN111932469A/zh
Application granted granted Critical
Publication of CN111932469B publication Critical patent/CN111932469B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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

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

本发明提供显著性权重的快速曝光图像融合方法、装置、设备和介质，方法包括：通过统计模型获得雾天图像的天空区域分割的阈值特征信息，根据阈值特征信息对图像的天空区域进行分割获得全局大气背景光值的有效范围；获取雾天图像初始的透射率图像，运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化；在全局大气背景光值的有效范围内，将优化后的透射率图像输入至暗原色理论模型，获得复原的多个初始去雾图像；使用显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合获得最终的无雾图像。通过本发明技术方案能够稳定雾天图像的复原质量，为具体的检查判断提供可靠的依据。

Description

显著性权重的快速曝光图像融合方法、装置、设备和介质
技术领域
本发明涉及图像处理技术领域，特别涉及一种显著性权重的快速曝光图像融合方法、装置、设备和介质。
背景技术
目前，道路交通上使用的监控系统主要是在较好的无遮挡的自然环境下适用，但当遇到恶劣天气时(如雾天时)，监控系统摄像头采集的图像会被遮挡，导致道路监控信息会有损失。因此，能更好的对各种自然环境的道路信息进行监控具有十分重要的意义。
当前基于暗原色理论的雾天图像复原方法，一般采用直接估计大气背景光的方法获取全局大气背景光的值，对透射率图像进行简单的平滑操作，之后通过暗通道模型，进行雾天图像的复原。该类型的方法虽然能达到复原图像的目的，但是对大气背景光的粗糙获取，将直接影响复原后图像的亮度；对透射率图像的平滑操作程度的深浅，将直接影响恢复后图像的视觉效果。因此，在大多数情况下，经现有雾天图像复原方法处理后的图像在天空区域会出现色彩畸变，图像的亮度存在较大的损失。如申请日为2016.07.26，申请号为201610597410.8的中国发明专利公开了一种基于暗原色先验的单幅图像去雾方法，该方法通过暗原色原理，能有效地改善雾天图像的退化现象，提高图像的清晰度，处理效率也得到明显提升，但是无法解决处理后图像的光晕现象和亮度损失问题。又如，申请日为2018.12.03，申请号为201811464345.7的中国发明专利公开了一种图像去雾处理方法及装置，该方法能够有效解决现有的对视频图像进行实时去雾处理时需要布设专门的硬件设备的问题，但是无法解决处理后图像的光晕现象和亮度损失问题。再如，申请日为2019.08.30，申请号为01910817554.3的中国发明专利公开了一种图像去雾的处理方法及装置，该方法能有效地提高去雾效果，解决的光晕问题，但是无法解决处理后图像的亮度损失问题。
鉴于现有雾天图像处理方法存在的以上问题，本案发明人对上述问题进行深入研究，遂有本案产生。
发明内容
本发明要解决的技术问题，在于提供显著性权重的快速曝光图像融合方法、装置、设备和介质，用以解决现有雾天图像处理方法处理后存在图像亮度损失和光晕现象的技术问题。
第一方面，本发明提供了显著性权重的快速曝光图像融合方法，所述方法包括：
通过统计模型获得雾天图像的天空区域分割的阈值特征信息，根据阈值特征信息，对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围；
获取雾天图像初始的透射率图像，运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理；
在全局大气背景光值的有效范围内，将优化处理后的透射率图像输入至暗原色理论模型，运用暗原色理论模型获得复原的多个初始去雾图像；使用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，获得最终的无雾图像。
进一步的，所述统计模型采用直方图统计模型。
进一步的，所述的对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围具体为：
对雾天图像的每个通道进行高斯平滑滤波处理，获得平滑后的单通道图像；高斯平滑滤波处理的公式为：fc(x)＝hc(x)*g(x)h,σ，其中，fc(x)表示平滑后的单通道图像，hc(x)雾天图像中某个通道图像，*表示卷积操作，g(x)h,σ表示高斯平滑滤波的核函数，h表示高斯卷积核的尺寸，σ表示高斯卷积核的标准差；
运用二分法对平滑后的单通道图像的直方图进行求解，获得局部最小值，该局部最小值即为雾天图像的每个通道的天空区域范围的下限分割阈值，雾天图像的每个通道的天空区域范围的上限分割阈值取为最大像素值，全局大气背景光值的有效范围正是处在下限分割阈值与上限分割阈值的范围内；二分法求解局部最小值的公式为：
其中，ac表示图像的每个通道的天空区域范围的下限分割阈值；Lm(·)表示二分法对局部最小值的求解函数；表示二分法求取的一系列局部最小值，/>mhc表示雾天图像中某个通道图像hc(x)的最大像素值。
进一步的，在运用二分法对平滑后的单通道图像的直方图进行求解的过程中，根据阈值特征信息，设定从直方图的倒数第1个波峰处开始寻找。
进一步的，所述的运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理具体为：
构建针对雾天图像的自适应边界限制条件，具体限制条件的公式如下：
其中，ti(x)表示在不同的全局大气背景光值下，边界限制后的透射率图像；表示图像中某个通道图像的像素最小值，/> 表示图像中某个通道图像的像素最大值，/>Ic(x)表示图像的某一个通道图像；Ai表示某一个通道图像中的全局大气背景光值；
运用构建的自适应边界限制条件对透射率图像进行边界限制，同时运用L0梯度最小化滤波方法对边界限制后的透射率图像平滑优化处理。
进一步的，所述的使用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，获得最终的无雾图像具体为：
将每个初始去雾图像均转化为灰度图像，运用拉普拉斯滤波获取各灰度图像的高频部分；对经过拉普拉斯滤波后的各图像进行高斯低通滤波处理，对高斯低通滤波处理后的各图像的像素值进行比较，从中获取出具有最大值的映射矩阵图像；在不同的导向滤波窗口大小和正则化参数下，对映射矩阵图像的二值化图像进行导向滤波处理，获取最终显著性图像，即融合的权重图像；对每个初始去雾图像进行均值滤波处理，对均值滤波后的图像进行分层，并根据融合的权重图像对分层后的所有图像的不同层进行融合重构，获得最终融合的无雾图像。
第二方面，本发明提供了显著性权重的快速曝光图像融合装置，所述装置包括范围获取模块、优化处理模块以及图像融合处理模块；
所述范围获取模块，用于通过统计模型获得雾天图像的天空区域分割的阈值特征信息，根据阈值特征信息，对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围；
所述优化处理模块，用于获取雾天图像初始的透射率图像，运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理；
所述图像融合处理模块，用于在全局大气背景光值的有效范围内，将优化处理后的透射率图像输入至暗原色理论模型，运用暗原色理论模型获得复原的多个初始去雾图像；使用基于显著性权重的快速曝光图像融合方法对每个初始去雾图像进行融合，获得最终的无雾图像。
进一步的，所述统计模型采用直方图统计模型。
进一步的，所述的对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围具体为：
对雾天图像的每个通道进行高斯平滑滤波处理，获得平滑后的单通道图像；高斯平滑滤波处理的公式为：fc(x)＝hc(x)*g(x)h,σ，其中，fc(x)表示平滑后的单通道图像，hc(x)雾天图像中某个通道图像，*表示卷积操作，g(x)h,σ表示高斯平滑滤波的核函数，h表示高斯卷积核的尺寸，σ表示高斯卷积核的标准差；
运用二分法对平滑后的单通道图像的直方图进行求解，获得局部最小值，该局部最小值即为雾天图像的每个通道的天空区域范围的下限分割阈值，雾天图像的每个通道的天空区域范围的上限分割阈值取为最大像素值，全局大气背景光值的有效范围正是处在下限分割阈值与上限分割阈值的范围内；二分法求解局部最小值的公式为：
其中，ac表示图像的每个通道的天空区域范围的下限分割阈值；Lm(·)表示二分法对局部最小值的求解函数；表示二分法求取的一系列局部最小值，/>mhc表示雾天图像中某个通道图像hc(x)的最大像素值。
进一步的，在运用二分法对平滑后的单通道图像的直方图进行求解的过程中，根据阈值特征信息，设定从直方图的倒数第1个波峰处开始寻找。
进一步的，所述的运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理具体为：
构建针对雾天图像的自适应边界限制条件，具体限制条件的公式如下：
其中，ti(x)表示在不同的全局大气背景光值下，边界限制后的透射率图像；表示图像中某个通道图像的像素最小值，/> 表示图像中某个通道图像的像素最大值，/>Ic(x)表示图像的某一个通道图像；Ai表示某一个通道图像中的全局大气背景光值；
运用构建的自适应边界限制条件对透射率图像进行边界限制，同时运用L0梯度最小化滤波方法对边界限制后的透射率图像平滑优化处理。
进一步的，所述的使用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，获得最终的无雾图像具体为：
将每个初始去雾图像均转化为灰度图像，运用拉普拉斯滤波获取各灰度图像的高频部分；对经过拉普拉斯滤波后的各图像进行高斯低通滤波处理，对高斯低通滤波处理后的各图像的像素值进行比较，从中获取出具有最大值的映射矩阵图像；在不同的导向滤波窗口大小和正则化参数下，对映射矩阵图像的二值化图像进行导向滤波处理，获取最终显著性图像，即融合的权重图像；对每个初始去雾图像进行均值滤波处理，对均值滤波后的图像进行分层，并根据融合的权重图像对分层后的所有图像的不同层进行融合重构，获得最终融合的无雾图像。
第三方面，本发明提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
第四方面，本发明提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过本发明的技术方案能够实现避免光晕现象、减少亮度损失和减少色彩畸变问题，稳定雾天图像的复原质量，为具体的检查判断提供可靠的依据。具体包括：
1、采用统计模型先获得阈值特征信息，再根据阈值特征信息，对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围，既能够有效减少处理后图像亮度损失，又可以提高处理速度；
2、采用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理，通过对透射率图像进行优化，能够避免处理后的图像出现光晕现象和减少色彩畸变问题；
3、采用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，通过根据多曝光图像的特征设计使用基于显著性权重融合的方法来进行融合，具有融合速度快，算法效率高，融合效果好的优点。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明实施例一中显著性权重的快速曝光图像融合方法的执行流程框图；
图2为本发明实施例二中显著性权重的快速曝光图像融合装置的结构示意图；
图3为本发明实施例三中电子设备的结构示意图；
图4为本发明实施例四中介质的结构示意图。
具体实施方式
本申请实施例通过提供显著性权重的快速曝光图像融合方法、装置、设备及介质，用以解决现有雾天图像处理方法处理后存在图像亮度损失和光晕现象的技术问题，能够实现避免光晕现象、减少亮度损失和减少色彩畸变问题，稳定雾天图像的复原质量，为具体的检查判断提供可靠的依据。
本申请实施例中的技术方案，总体思路如下：利用直方图统计特征对雾天图像的天空区域进行分割，获得全局大气背景光值的有效范围，以减少图像亮度损失；构建针对雾天图像的自适应边界限制条件，运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化，以避免处理后的图像出现光晕现象和减少色彩畸变问题；在全局大气背景光值的有效范围，使用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，获得最终的无雾图像。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
本实施例提供了显著性权重的快速曝光图像融合方法，如图1所示，所述包括：
通过统计模型获得雾天图像的天空区域分割的阈值特征信息，根据阈值特征信息，对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围；
获取雾天图像初始的透射率图像，运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理；
在全局大气背景光值的有效范围内，将优化处理后的透射率图像输入至暗原色理论模型，运用暗原色理论模型获得复原的多个初始去雾图像；使用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，获得最终的无雾图像。
本发明的技术方案采用统计模型先获得阈值特征信息，再根据阈值特征信息，对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围，既能够有效减少处理后图像亮度损失，又可以提高处理速度。采用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理，通过对透射率图像进行优化，能够避免处理后的图像出现光晕现象和减少色彩畸变问题。采用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，通过根据多曝光图像的特征设计使用基于显著性权重融合的方法来进行融合，具有融合速度快，算法效率高，融合效果好的优点。
在本发明技术方案中，所述统计模型采用直方图统计模型。直方图是一种常用的二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性度量。由于通过直方图能够很容易的表示大量数据，非常直观的表明分布的形状，使我们能够看到在分布表中看不清的数据模式，因此本发明采用直方图统计模型来分析获得阈值特征信息。
在本发明技术方案中，为了实现全局大气背景光值的有效范围的求取，所述的对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围具体为：
对雾天图像的每个通道进行高斯平滑滤波处理，获得平滑后的单通道图像，每个图像都包括有RGB三个通道，在此需要对雾天图像的三个通道分别进行处理；高斯平滑滤波处理的公式为：fc(x)＝hc(x)*g(x)h,σ，其中，fc(x)表示平滑后的单通道图像，hc(x)雾天图像中某个通道图像，*表示卷积操作，g(x)h,σ表示高斯平滑滤波的核函数，h表示高斯卷积核的尺寸，σ表示高斯卷积核的标准差；
运用二分法对平滑后的单通道图像的直方图进行求解，获得局部最小值，该局部最小值即为雾天图像的每个通道的天空区域范围的下限分割阈值，雾天图像的每个通道的天空区域范围的上限分割阈值取为最大像素值，全局大气背景光值的有效范围正是处在下限分割阈值与上限分割阈值的范围内；二分法求解局部最小值的公式为：
其中，ac表示图像的每个通道的天空区域范围的下限分割阈值；Lm(·)表示二分法对局部最小值的求解函数；表示二分法求取的一系列局部最小值，/>mhc表示雾天图像中某个通道图像hc(x)的最大像素值。
在本发明技术方案中，由于在使用直方图统计模型分析雾天图像的天空区域分割的阈值特征信息时，发现当处理直方图倒数第一个波峰开始后的第一个波谷位置时，分割天空区域最好，因此，为了提高求取局部最小值的精度和速度，在运用二分法对平滑后的单通道图像的直方图进行求解的过程中，根据阈值特征信息，设定从直方图的倒数第1个波峰处开始寻找。
在本发明技术方案中，为了实现对透射率图像进行优化处理，所述的运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理具体为：
构建针对雾天图像的自适应边界限制条件，具体限制条件的公式如下：
其中，ti(x)表示在不同的全局大气背景光值下，边界限制后的透射率图像；表示图像中某个通道图像的像素最小值，/> 表示图像中某个通道图像的像素最大值，/>Ic(x)表示图像的某一个通道图像；Ai表示某一个通道图像中的全局大气背景光值；在构建自适应边界限制条件时，本发明借鉴了辐射立方体的定义，辐射立方体是对边界进行限制的，但辐射立方体的限制都是固定值，本发明通过借鉴辐射立方体的定义重新定义了能够针对任何雾天图像的自适应边界限制条件，从而满足对任何雾天图像的自适应边界限制；
运用构建的自适应边界限制条件对透射率图像进行边界限制，同时运用L0梯度最小化滤波方法对边界限制后的透射率图像平滑优化处理。本发明通过对经典的L0梯度最小化滤波方法(即快速最小二乘法滤波方法)进行优化，提出了一种自适应边界限制的L0梯度最小化滤波方法来优化透射率图像，能够有效避免处理后的图像出现光晕现象和减少色彩畸变问题。
在本发明技术方案中，由于经过暗原色理论模型处理后，能够获得不同曝光程度的初始去雾图像，本发明根据曝光图像的特点，提出了基于显著性权重的快速曝光图像融合方法，其泛函如下：
其中，Ji(x)表示在全局大气背景光的有效值范围内初始复原出的不同曝光程度的初始去雾图像，由于不同曝光程度的图像，局部的清晰度不同，因此我们可以把这些不同清晰的部分综合在一起，复原出最终的图像；表示最终复原出的图像；ME(·)表示多曝光融合的方法；
为了更好的理解，下面具体的融合方法进行详细说明，所述的使用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，获得最终的无雾图像具体为：
将每个初始去雾图像均转化为灰度图像，运用拉普拉斯滤波获取各灰度图像的高频部分，其实现函数如下：
LJi＝Jgi(x)*L,i∈{1,2,3}；
其中，Jgi(x)表示Ji(x)的灰度图像，Ji(x)表示初始去雾图像；*表示卷积操作；L表示拉普拉斯滤波算子；LJi表示经拉普拉斯滤波后的图像；i∈{1,2,3}表示初始去雾图像的三个通道，由于图像包括有三个通道，因此需要对三个通道的图像进行处理；
对经过拉普拉斯滤波后的各图像进行高斯低通滤波处理，对高斯低通滤波处理后的各图像的像素值进行比较，从中获取出具有最大值的映射矩阵图像PJ；在不同的导向滤波窗口大小和正则化参数下，对映射矩阵图像PJ的二值化图像进行导向滤波处理，获取最终显著性图像，即融合的权重图像，其实现函数如下：
其中，PtJ表示具有最大值的映射矩阵图像PJ的二值化图像，PJ的函数为：PJ＝max(LJi*Gμ,δ)，μ,δ分别表示均值和方差；Gd(x,y)表示导向滤波函数，x表示输入图像，y表示导向图；Sbi表示获取的基本层融合权重；Sdi表示细节层融合权重；Gdr1,c1和Gdr2,c2分别表示基本层和细节层的导向滤波函数；
对每个初始去雾图像Ji(x)进行均值滤波处理，对均值滤波后的图像进行分层，并根据融合的权重图像对分层后的所有图像的不同层进行融合重构，获得最终融合的无雾图像，其实现函数如下：
其中，Jbi(x)表示Ji(x)经过均值滤波后的基本图像；Jdi(x)＝Ji(x)-Jbi(x)，表示Ji(x)经过均值滤波后的细节图像。
在具体使用时，可将本发明的方法应用于交通道路的监控系统中，以使得在遇到恶劣天气时(如雾天时)，能够对道路上的车辆和行人图像进行有效恢复，进而使监控者能够获得更多的有用信息，实现对道路情况进行更加有效的监控。
基于同一发明构思，本申请还提供了与实施例一中的方法对应的装置，详见实施例二。
实施例二
在本实施例中提供了显著性权重的快速曝光图像融合装置，如图2所示，所述装置包括范围获取模块、优化处理模块以及图像融合处理模块；
所述范围获取模块，用于通过统计模型获得雾天图像的天空区域分割的阈值特征信息，根据阈值特征信息，对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围；
所述优化处理模块，用于获取雾天图像初始的透射率图像，运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理；
所述图像融合处理模块，用于在全局大气背景光值的有效范围内，将优化处理后的透射率图像输入至暗原色理论模型，运用暗原色理论模型获得复原的多个初始去雾图像；使用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，获得最终的无雾图像。
本发明的技术方案采用统计模型先获得阈值特征信息，再根据阈值特征信息，对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围，既能够有效减少处理后图像亮度损失，又可以提高处理速度。采用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理，通过对透射率图像进行优化，能够避免处理后的图像出现光晕现象和减少色彩畸变问题。采用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，通过根据多曝光图像的特征设计使用基于显著性权重融合的方法来进行融合，具有融合速度快，算法效率高，融合效果好的优点。
对于上述范围获取模块、优化处理模块以及图像融合处理模块的具体实现技术手段，请参照本发明实施例一方法的介绍，在此就不再赘述。
同时，由于本发明实施例二所介绍的装置，为实施本发明实施例一的方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思，本申请提供了实施例一对应的电子设备实施例，详见实施例三。
实施例三
本实施例提供了电子设备，如图3所示，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，可以实现实施例一中任一实施方式。
由于本实施例所介绍的电子设备为实施本申请实施例一中方法所采用的设备，故而基于本申请实施例一中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备，都属于本申请所欲保护的范围。
基于同一发明构思，本申请提供了实施例一对应的存储介质，详见实施例四。
实施例四
本实施例提供计算机可读存储介质，如图4所示，其上存储有计算机程序，该计算机程序被处理器执行时，可以实现实施例一中任一实施方式。
另外，本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (12)

1.一种显著性权重的快速曝光图像融合方法，其特征在于：所述方法包括：
通过统计模型获得雾天图像的天空区域分割的阈值特征信息，根据阈值特征信息，对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围；
获取雾天图像初始的透射率图像，运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理；
在全局大气背景光值的有效范围内，将优化处理后的透射率图像输入至暗原色理论模型，运用暗原色理论模型获得复原的多个初始去雾图像；使用基于显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，获得最终的无雾图像，具体为：
将每个初始去雾图像均转化为灰度图像，运用拉普拉斯滤波获取各灰度图像的高频部分；对经过拉普拉斯滤波后的各图像进行高斯低通滤波处理，对高斯低通滤波处理后的各图像的像素值进行比较，从中获取出具有最大值的映射矩阵图像；在不同的导向滤波窗口大小和正则化参数下，对映射矩阵图像的二值化图像进行导向滤波处理，获取最终显著性图像，即融合的权重图像；对每个初始去雾图像进行均值滤波处理，对均值滤波后的图像进行分层，并根据融合的权重图像对分层后的所有图像的不同层进行融合重构，获得最终融合的无雾图像。
2.根据权利要求1所述的显著性权重的快速曝光图像融合方法，其特征在于：所述统计模型采用直方图统计模型。
3.根据权利要求1所述的显著性权重的快速曝光图像融合方法，其特征在于：所述的对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围具体为：
对雾天图像的每个通道进行高斯平滑滤波处理，获得平滑后的单通道图像；高斯平滑滤波处理的公式为：fc(x)＝hc(x)*g(x)h,σ，其中，fc(x)表示平滑后的单通道图像，hc(x)雾天图像中某个通道图像，*表示卷积操作，g(x)h,σ表示高斯平滑滤波的核函数，h表示高斯卷积核的尺寸，σ表示高斯卷积核的标准差；
运用二分法对平滑后的单通道图像的直方图进行求解，获得局部最小值，该局部最小值即为雾天图像的每个通道的天空区域范围的下限分割阈值，雾天图像的每个通道的天空区域范围的上限分割阈值取为最大像素值，全局大气背景光值的有效范围正是处在下限分割阈值与上限分割阈值的范围内；二分法求解局部最小值的公式为：
其中，ac表示图像的每个通道的天空区域范围的下限分割阈值；Lm(·)表示二分法对局部最小值的求解函数；表示二分法求取的一系列局部最小值，/>mhc表示雾天图像中某个通道图像hc(x)的最大像素值。
4.根据权利要求3所述的显著性权重的快速曝光图像融合方法，其特征在于：在运用二分法对平滑后的单通道图像的直方图进行求解的过程中，根据阈值特征信息，设定从直方图的倒数第1个波峰处开始寻找。
5.根据权利要求1所述的显著性权重的快速曝光图像融合方法，其特征在于：所述的运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理具体为：
构建针对雾天图像的自适应边界限制条件，具体限制条件的公式如下：
其中，ti(x)表示在不同的全局大气背景光值下，边界限制后的透射率图像；表示图像中某个通道图像的像素最小值，/> 表示图像中某个通道图像的像素最大值，/>Ic(x)表示图像的某一个通道图像；Ai表示某一个通道图像中的全局大气背景光值；
运用构建的自适应边界限制条件对透射率图像进行边界限制，同时运用L0梯度最小化滤波方法对边界限制后的透射率图像平滑优化处理。
6.一种显著性权重的快速曝光图像融合装置，其特征在于：所述装置包括范围获取模块、优化处理模块以及图像融合处理模块；
所述范围获取模块，用于通过统计模型获得雾天图像的天空区域分割的阈值特征信息，根据阈值特征信息，对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围；
所述优化处理模块，用于获取雾天图像初始的透射率图像，运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理；
所述图像融合处理模块，用于在全局大气背景光值的有效范围内，将优化处理后的透射率图像输入至暗原色理论模型，运用暗原色理论模型获得复原的多个初始去雾图像；使用显著性权重的快速曝光图像融合方法对所有初始去雾图像进行融合，获得最终的无雾图像，具体为：
将每个初始去雾图像均转化为灰度图像，运用拉普拉斯滤波获取各灰度图像的高频部分；对经过拉普拉斯滤波后的各图像进行高斯低通滤波处理，对高斯低通滤波处理后的各图像的像素值进行比较，从中获取出具有最大值的映射矩阵图像；在不同的导向滤波窗口大小和正则化参数下，对映射矩阵图像的二值化图像进行导向滤波处理，获取最终显著性图像，即融合的权重图像；对每个初始去雾图像进行均值滤波处理，对均值滤波后的图像进行分层，并根据融合的权重图像对分层后的所有图像的不同层进行融合重构，获得最终融合的无雾图像。
7.根据权利要求6所述的显著性权重的快速曝光图像融合装置，其特征在于：所述统计模型采用直方图统计模型。
8.根据权利要求6所述的显著性权重的快速曝光图像融合装置，其特征在于：所述的对雾天图像的天空区域进行分割获得全局大气背景光值的有效范围具体为：
对雾天图像的每个通道进行高斯平滑滤波处理，获得平滑后的单通道图像；高斯平滑滤波处理的公式为：fc(x)＝hc(x)*g(x)h,σ，其中，fc(x)表示平滑后的单通道图像，hc(x)雾天图像中某个通道图像，*表示卷积操作，g(x)h,σ表示高斯平滑滤波的核函数，h表示高斯卷积核的尺寸，σ表示高斯卷积核的标准差；
运用二分法对平滑后的单通道图像的直方图进行求解，获得局部最小值，该局部最小值即为雾天图像的每个通道的天空区域范围的下限分割阈值，雾天图像的每个通道的天空区域范围的上限分割阈值取为最大像素值，全局大气背景光值的有效范围正是处在下限分割阈值与上限分割阈值的范围内；二分法求解局部最小值的公式为：
其中，ac表示图像的每个通道的天空区域范围的下限分割阈值；Lm(·)表示二分法对局部最小值的求解函数；表示二分法求取的一系列局部最小值，/>mhc表示雾天图像中某个通道图像hc(x)的最大像素值。
9.根据权利要求8所述的显著性权重的快速曝光图像融合装置，其特征在于：在运用二分法对平滑后的单通道图像的直方图进行求解的过程中，根据阈值特征信息，设定从直方图的倒数第1个波峰处开始寻找。
10.根据权利要求6所述的显著性权重的快速曝光图像融合装置，其特征在于：所述的运用自适应边界限制L0梯度最小化滤波方法对透射率图像进行优化处理具体为：
构建针对雾天图像的自适应边界限制条件，具体限制条件的公式如下：
其中，ti(x)表示在不同的全局大气背景光值下，边界限制后的透射率图像；表示图像中某个通道图像的像素最小值，/> 表示图像中某个通道图像的像素最大值，/>Ic(x)表示图像的某一个通道图像；Ai表示某一个通道图像中的全局大气背景光值；
运用构建的自适应边界限制条件对透射率图像进行边界限制，同时运用L0梯度最小化滤波方法对边界限制后的透射率图像平滑优化处理。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述的方法。
CN202010706220.1A 2020-07-21 2020-07-21 显著性权重的快速曝光图像融合方法、装置、设备和介质 Active CN111932469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010706220.1A CN111932469B (zh) 2020-07-21 2020-07-21 显著性权重的快速曝光图像融合方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010706220.1A CN111932469B (zh) 2020-07-21 2020-07-21 显著性权重的快速曝光图像融合方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN111932469A CN111932469A (zh) 2020-11-13
CN111932469B true CN111932469B (zh) 2024-05-17

Family

ID=73314178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010706220.1A Active CN111932469B (zh) 2020-07-21 2020-07-21 显著性权重的快速曝光图像融合方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN111932469B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907582B (zh) * 2021-03-24 2023-09-29 中国矿业大学 面向矿井的图像显著性提取去雾方法、装置及人脸检测

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977942A (zh) * 2017-12-08 2018-05-01 泉州装备制造研究所 一种基于多聚焦融合的单幅图像的复原方法
CN108537756A (zh) * 2018-04-12 2018-09-14 大连理工大学 基于图像融合的单幅图像去雾方法
CN110533616A (zh) * 2019-08-30 2019-12-03 福建省德腾智能科技有限公司 一种图像天空区域分割的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977942A (zh) * 2017-12-08 2018-05-01 泉州装备制造研究所 一种基于多聚焦融合的单幅图像的复原方法
CN108537756A (zh) * 2018-04-12 2018-09-14 大连理工大学 基于图像融合的单幅图像去雾方法
CN110533616A (zh) * 2019-08-30 2019-12-03 福建省德腾智能科技有限公司 一种图像天空区域分割的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Single Image Dehazing by Multi-Scale Fusion;Codruta Orniana Ancuti等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20130831;第22卷(第8期);全文 *

Also Published As

Publication number Publication date
CN111932469A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
Xiao et al. Fast image dehazing using guided joint bilateral filter
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
WO2021008019A1 (zh) 姿态跟踪方法、装置及计算机可读存储介质
Liu et al. Image de-hazing from the perspective of noise filtering
CN111402170A (zh) 图像增强方法、装置、终端及计算机可读存储介质
CN112614136A (zh) 一种红外小目标实时实例分割方法及装置
Chengtao et al. A survey of image dehazing approaches
CN111353955A (zh) 一种图像处理方法、装置、设备和存储介质
WO2022233252A1 (zh) 图像处理方法、装置、计算机设备和存储介质
Das et al. A comparative study of single image fog removal methods
CN113421210B (zh) 一种基于双目立体视觉的表面点云重建方法
CN111932469B (zh) 显著性权重的快速曝光图像融合方法、装置、设备和介质
CN112907461B (zh) 一种红外雾天降质图像去雾增强方法
Pandey et al. A fast and effective vision enhancement method for single foggy image
CN112686872B (zh) 基于深度学习的木材计数方法
CN116309080B (zh) 一种无人机视频拼接方法
Moghimi et al. A joint adaptive evolutionary model towards optical image contrast enhancement and geometrical reconstruction approach in underwater remote sensing
CN108717699B (zh) 一种基于连续最小割的超声波图像分割方法
Marques et al. Enhancement of low-lighting underwater images using dark channel prior and fast guided filters
CN111932470A (zh) 基于视觉选择融合的图像复原方法、装置、设备和介质
Rout et al. Multiresolution visual enhancement of hazy underwater scene
Lee et al. A 4K-capable hardware accelerator of haze removal algorithm using haze-relevant features
Fang et al. An improved DCP-based image defogging algorithm combined with adaptive fusion strategy
Li et al. Soft clustering guided image smoothing

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