CN112184596A - 一种图像去雾去噪方法、装置、设备及存储介质 - Google Patents
一种图像去雾去噪方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112184596A CN112184596A CN202011170965.7A CN202011170965A CN112184596A CN 112184596 A CN112184596 A CN 112184596A CN 202011170965 A CN202011170965 A CN 202011170965A CN 112184596 A CN112184596 A CN 112184596A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- tvbh
- defogging
- denoising
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000002834 transmittance Methods 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 20
- 238000012545 processing Methods 0.000 abstract description 18
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像去雾去噪方法、装置、设备及计算机可读存储介质,其方法包括:根据暗原色先验原理、大气散射模型及TVBH模型构建H‑TVBH模型;获取原始图像,计算原始图像的初始透射率和大气光值;将原始图像、初始透射率及大气光值输入到H‑TVBH模型中,对H‑TVBH模型进行求解,得到去雾去噪图像。本申请公开的上述技术方案,通过所构建的H‑TVBH模型实现对原始图像的去雾去噪处理,从而达到较好的图像处理效果,而且由于TVBH模型中的规则项可以保持图像边缘细节,因此,则结合TVBH模型所得到的H‑TVBH模型在对原始图像进行去雾去噪处理时可以保留原始图像的边缘特征,提高图像去雾去噪的处理效果。
Description
技术领域
本申请涉及图像处理技术领域,更具体地说,涉及一种图像去雾去噪方法、装置、设备及计算机可读存储介质。
背景技术
在恶劣的天气条件下(例如雾霾等)获取户外图像时,捕获的场景能见度出现明显的下降,这是由于光与悬浮在大气中的粒子的相互作用(散射、吸收和发射),导致图像的对比度降低、颜色褪色和低饱和度,因此,需要对在恶劣的天气条件下拍摄的图像进行处理。
目前,现有在对恶劣天气条件下拍摄的图像进行处理时仅关注对图像的去雾处理,也即现有仅对图像进行去雾处理,而并未对图像中的噪声进行去除,因此,则达不到较好的图像处理效果。
综上所述,如何对图像进行去雾和去噪处理,以达到较好的图像处理效果,是目前本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本申请的目的是提供一种图像去雾去噪方法、装置、设备及计算机可读存储介质,用于对图像进行去雾和去噪处理,以达到较好的图像处理效果。
为了实现上述目的,本申请提供如下技术方案:
一种图像去雾去噪方法,包括:
根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型;
获取原始图像,计算所述原始图像的初始透射率和大气光值;
将所述原始图像、所述初始透射率及所述大气光值输入到所述H-TVBH模型中,对所述H-TVBH模型进行求解,得到去雾去噪图像。
优选的,在根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型之后,且在将原始图像、所述初始透射率、所述大气光值输入到所述H-TVBH模型中之前,还包括:
对所述H-TVBH模型中的透射率进行优化,得到优化后的H-TVBH模型;其中,所述优化后的H-TVBH模型为:
其中,E(t,u)为所述优化后的H-TVBH模型的能量泛函,为透射率的规则项,为透射率的数据项,和为所述去雾去噪图像的规则项,为所述去雾去噪图像的数据项,λ为透射率规则项的惩罚参数,t为待求解的透射率,为所述初始透射率,α和β为所述去雾去噪图像规则项的惩罚参数,Ω为一个局部区域,ui为所述去噪去雾图像,为一阶导数,为二阶导数,i表示所述原始图像中R、G、B三个颜色通道中的第i个颜色通道,fi为所述原始图像,A为所述大气光值。
优选的,对所述H-TVBH模型进行求解,得到去雾去噪图像,包括:
采用基于快速傅里叶变换的分裂Bregman算法对所述H-TVBH模型进行求解,得到去雾去噪图像。
优选的,在对所述H-TVBH模型进行求解之后,还包括:
输出所述待求解的透射率。
优选的,计算所述原始图像的大气光值,包括:
采用四叉树分解法计算所述原始图像的大气光值。
优选的,计算所述原始图像的初始透射率,包括:
根据暗原色先验原理计算所述原始图像的初始透射率。
一种图像去雾去噪装置,包括:
构建模型模块,用于根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型;
获取模块,用于获取原始图像,计算所述原始图像的初始透射率和大气光值;
求解模块,用于将所述原始图像、所述初始透射率及所述大气光值输入到所述H-TVBH模型中,对所述H-TVBH模型进行求解,得到去雾去噪图像。
优选的,还包括:
优化模块,用于在根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型之后,且在将原始图像、所述初始透射率、所述大气光值输入到所述H-TVBH模型中之前,对所述H-TVBH模型中的透射率进行优化,得到优化后的H-TVBH模型;
其中,所述优化后的H-TVBH模型为:
其中,E(t,u)为所述优化后的H-TVBH模型的能量泛函,为透射率的规则项,为透射率的数据项,和为所述去雾去噪图像的规则项,为所述去雾去噪图像的数据项,λ为透射率规则项的惩罚参数,t为待求解的透射率,为所述初始透射率,α和β为所述去雾去噪图像规则项的惩罚参数,Ω为一个局部区域,ui为所述去噪去雾图像,为一阶导数,为二阶导数,i表示所述原始图像中R、G、B三个颜色通道中的第i个颜色通道,fi为所述原始图像,A为所述大气光值。
一种图像去雾去噪设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一项所述的图像去雾去噪方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的图像去雾去噪方法的步骤。
本申请提供了一种图像去雾去噪方法、装置、设备及计算机可读存储介质,其中,该方法包括:根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型;获取原始图像,计算原始图像的初始透射率和大气光值;将原始图像、初始透射率及大气光值输入到H-TVBH模型中,对H-TVBH模型进行求解,得到去雾去噪图像。
本申请公开的上述技术方案,根据用于进行图像去雾的大气散射模型及用于进行图像去噪的TVBH模型并结合暗原色先验原理构建得到既能够进行图像去雾又能够进行图像去噪的H-TVBH模型,然后,将根据原始图像计算得到的原始图像的初始透射率和大气光值输入到所构建的H-TVBH模型中,并对输入相关数据之后的H-TVBH模型进行求解,以得到对原始图像进行去雾去噪处理之后的去雾去噪图像,即通过所构建的H-TVBH模型实现对原始图像的去雾去噪处理,从而达到较好的图像处理效果,而且由于TVBH模型中的规则项可以保持图像边缘细节,因此,则结合TVBH模型所得到的H-TVBH模型在对原始图像进行去雾去噪处理时可以保留原始图像的边缘特征,提高图像去雾去噪的处理效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种图像去雾去噪方法的流程图;
图2为本申请实施例提供的一种图像去雾去噪装置的结构示意图;
图3为本申请实施例提供的一种图像去雾去噪设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参见图1,其示出了本申请实施例提供的一种图像去雾去噪方法的流程图,本申请实施例提供的一种图像去雾去噪方法,可以包括:
S11:根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型。
考虑到现有对恶劣天气条件下拍摄的图像进行处理时仅对图像进行去雾处理,而并未图像中的噪声进行去除,因此,则会导致其图像处理效果不太好,为此,本申请提供一种图像去雾去噪方法,用于对图像进行去雾和去噪处理,以达到较好的图像处理效果。
具体地,在计算机视觉和图像处理中,大气散射模型被广泛用于描述雾天图像的形成:
I(x)=J(x)t(x)+A(1-t(x)) (式(1))
其中,I(x)为输入有雾图像(即为原始图像),J(x)为恢复的清晰图像(即为去雾图像),A为全局大气光(即为大气光值),t(x)(0≤t(x)≤1)为场景光的透射率。基于该模型的去雾是从观测图像I(x)中恢复原始无雾图像J(x),已知量仅为I(x),要求得J(x),需要透射率t(x)和大气光值A。由于方程的个数小少于未知量的个数,因此,则可以通过增加暗原色先验原理这一约束条件来进行求解。
根据暗原色先验理论,在大多数户外无雾图像的非天空区域,都存在亮度较低且接近于0的像素。对于图像J,暗通道表示为:
其中,Jdark(x)代表室外无雾图像的暗通道,c代表R(红)、G(绿)、B(蓝)三个通道,Jc(y)代表恢复清晰图像的c通道图像,Ω(x)代表以x像素为中心的局部区域。根据观察到的统计数据,Jdark(x)的强度值始终很低并且接近于0。
将式(1)两边同时除以A,并计算三个颜色通道的最小值,得到如下表达式:
为了使处理后的图像具有层次感和真实感,且保持图像的主观视觉效果,在上式(4)中加入一个恒定的参数ω(0<ω≤1),该值根据实际情况而定,通常为0.90~0.97。
为了避免透射率t(x)趋近于零时图像颜色过饱和,可设置一下限t0,通常令t0=0.1。
对于TVBH模型,其中,TV(Total Variation,总变差)规则项能够较好地保持图像边缘,但容易产生阶梯效应,而BH(Bounded Hessian,有界Hessian)规则项则能保证图像光滑,TVBH模型将二者结合,可以较好地恢复图像的边缘细节,其模型形式如下所示:
对于彩色图像,由于各层边缘扩散强度不同,易造成图像边缘模糊。为了使边缘保持效果好,可采用不同层图像之间耦合的形式,得到能量泛函如下:
在式(7)中,等号右边的前两项为TVBH模型的规则项,保持图像边缘细节,α和β为惩罚参数,决定处理后图像的光滑程度,最后一项为数据项,使恢复后的图像更接近于原始图像,在TVBH模型中,ui为去噪后的图像,fi为有噪声的图像,Ω为一个局部区域,i表示图像中R、G、B三个颜色通道中的第i个颜色通道,为一阶导数,为二阶导数,定义为:即可以通过TVBH模型对图像进行去噪。
本申请根据用于进行图像去雾的大气散射模型及用于进行图像去噪的TVBH模型构建得到既能够进行图像去雾又能够进行图像去噪的H(暗原色先验原理)-TVBH模型,即将式(1)中的右半部分代入到式(7)中,并替换式(7)中的ui,得到所构建的既能够进行图像去雾又能够进行图像去噪的H-TVBH模型,从而便于通过H-TVBH模型抑制图像中的噪声,并通过H-TVBH模型实现对图像的去雾处理,且充分保留去雾后图像的边缘特征。
S12:获取原始图像,计算原始图像的初始透射率和大气光值。
在执行步骤S11之前、之后或同时,可以获取需要进行去雾去噪处理的原始图像,并可以依据原始图像计算原始图像的初始透射率以及大气光值,其中,在计算大气光值时通常将原始图像中最亮颜色的值估计为大气光值。
S13:将原始图像、初始透射率及大气光值输入到H-TVBH模型中,对H-TVBH模型进行求解,得到去雾去噪图像。
在执行完步骤S11和步骤S12之后,可以将原始图像、原始图像的初始透射率及大气光值输入到所构建的H-TVBH模型中,并对H-TVBH模型进行交替迭代求解,得到去雾去噪图像。其中,由于式(7)可以使边缘保持效果好,因此,采用H-TVBH模型对原始图像进行去雾去噪可以保留原始图像的边缘特征,提高图像去雾去噪的处理效果。
本申请公开的上述技术方案,根据用于进行图像去雾的大气散射模型及用于进行图像去噪的TVBH模型并结合暗原色先验原理构建得到既能够进行图像去雾又能够进行图像去噪的H-TVBH模型,然后,将根据原始图像计算得到的原始图像的初始透射率和大气光值输入到所构建的H-TVBH模型中,并对输入相关数据之后的H-TVBH模型进行求解,以得到对原始图像进行去雾去噪处理之后的去雾去噪图像,即通过所构建的H-TVBH模型实现对原始图像的去雾去噪处理,从而达到较好的图像处理效果,而且由于TVBH模型中的规则项可以保持图像边缘细节,因此,则结合TVBH模型所得到的H-TVBH模型在对原始图像进行去雾去噪处理时可以保留原始图像的边缘特征,提高图像去雾去噪的处理效果。
本申请实施例提供的一种图像去雾去噪方法,在根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型之后,且在将原始图像、初始透射率、大气光值输入到H-TVBH模型中之前,还可以包括:
对H-TVBH模型中的透射率进行优化,得到优化后的H-TVBH模型;
其中,优化后的H-TVBH模型为:
其中,E(t,u)为优化后的H-TVBH模型的能量泛函,为透射率的规则项,为透射率的数据项,和为去雾去噪图像的规则项,为去雾去噪图像的数据项,λ为透射率规则项的惩罚参数,t为待求解的透射率,为初始透射率,α和β为去雾去噪图像规则项的惩罚参数,Ω为一个局部区域,ui为去噪去雾图像,为一阶导数,为二阶导数,i表示原始图像中R、G、B三个颜色通道中的第i个颜色通道,fi为原始图像,A为大气光值。
在本申请中,在根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型之后,且在将原始图像、初始透射率、大气光值输入到H-TVBH模型中之前,可以对H-TVBH模型中的透射率进行优化,以便于提高图像去雾去噪效果,其中,对透射率进行优化对应得到的优化后的H-TVBH模型的能量泛函形式为:
其中,式(8)中E(t,u)中的u与等式右边的ui的含义相同(均为去噪去雾图像),t为待求解的透射率,为初始透射率,A为大气光值,是透射率的规则项,是透射率的数据项,通过最小化这两项来建模优化透射率,λ为透射率规则项的惩罚参数,保证透射率图像的光滑程度。
本申请实施例提供的一种图像去雾去噪方法,对H-TVBH模型进行求解,得到去雾去噪图像,可以包括:
采用基于快速傅里叶变换的分裂Bregman算法对H-TVBH模型进行求解,得到去雾去噪图像。
为了提高对H-TVBH模型的计算效率,则本申请采用基于快速傅里叶变换的分裂Bregman算法对H-TVBH模型进行求解,以得到去雾去噪图像。
其中,μ1、μ2、μ3为惩罚参数,q、bi、di为Bregman参数,其迭代方式为:
将式(11)离散可得到:
对式(12)两边进行离散傅里叶变换得:
将式(13)换到频域中,其等价关系为:
其中,i,r,j,s为索引,并且i,r=0,1,2,3...M-1;j,s=0,1,2,3...N-1;
将式(17)左右两边离散化,得到:
对式(18)两边进行离散傅立叶变换,可得:
其等价关系为:
本申请实施例提供的一种图像去雾去噪方法,在对H-TVBH模型进行求解之后,还可以包括:
输出待求解的透射率。
在对H-TVBH模型进行求解之后,可以在得到去雾去噪图像的同时输出待求解的透射率t,以便于用户可以及时获知待求解的透射率。
本申请实施例提供的一种图像去雾去噪方法,计算原始图像的大气光值,可以包括:
采用四叉树分解法计算原始图像的大气光值。
考虑在对图像进行大气光估计时,会由于图像中存在过亮物体或天空区域而导致大气光估计错误,因此,本申请可以采用四叉树分解法计算原始图像的大气光值,具体地,将原始图像分成四个均匀的子区块,对子区块再进行分割,其分割过程是迭代的,不断重复的,直到满足一定的阈值标准,并对每个区块的大气光使用暗原色先验计算,即最小滤波器应用到每个块,以尽量减少不必要的因素(图像中过于明亮的像素),然后将最大值作为图像的全局大气光值。
本申请实施例提供的一种图像去雾去噪方法,计算原始图像的初始透射率,可以包括:
根据暗原色先验原理计算原始图像的初始透射率。
在本申请中,具体可以根据暗原色先验原理计算原始图像的初始透射率,其具体过程参见上述描述,在此不再赘述。
为了更好的说明算法的有效性和鲁棒性,本申请采用新增可见边之比(e)、可见边规范化梯度之比雾密度感知(D)、结构相似性(SSIM)和峰值信噪比(PSNR)作为评价指标,对航空图、小麦图、森林图、天空图、更多有雾图像采用新增可见边e、可见边规范化之比和雾密度感知D进行评价,其中e、值越大,D越小,表明图像去雾效果越好,表1和表2为各算法去雾结构对比表。对比表1和表2的数据可知,Tarel等、Liu等中的结果偏大,这是因为去雾后图像过增强,颜色过饱和,相对而言,本申请算法具有较大的e和,较小的雾密度感知D,表明本申请算法具有较好的去雾性能。
表1航空图、小麦图、森林图、天空图各算法去雾结果对比表
表2更多有雾图像各算法去雾结果对比表
对于模拟有雾图像,由于已知相应的清晰图像作参考,因此可以采用SSIM和PSNR,通过不同地策略来进一步评价结果的准确性。通常,SSIM值越大,表示去雾结果与真实图像的结构相似性越好,越接近于真实图像。对于PSNR,较大的PSNR值,表明图像去雾后的效果更加理想。此外,对于不同变分去雾模型,在运行时间上进行了比较。表3为模拟有雾图像玩偶图和条纹图放大区域图中各算法去雾效果对比表。
表3模拟有雾图像玩偶图和条纹图放大区域图中各算法去雾效果对比表
通过分析表3中的数据,本申请算法可以获得较高的PSNR值和SSIM值,去雾效果较好,更接近于真实图像。
本申请实施例还提供了一种图像去雾去噪装置,参见图2,其示出了本申请实施例提供的一种图像去雾去噪装置的结构示意图,可以包括:
构建模型模块21,用于根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型;
获取模块22,用于获取原始图像,计算原始图像的初始透射率和大气光值;
求解模块23,用于将原始图像、初始透射率及大气光值输入到H-TVBH模型中,对H-TVBH模型进行求解,得到去雾去噪图像。
本申请实施例提供的一种图像去雾去噪装置,还可以包括:
优化模块,用于在根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型之后,且在将原始图像、初始透射率、大气光值输入到H-TVBH模型中之前,对H-TVBH模型中的透射率进行优化,得到优化后的H-TVBH模型;
其中,优化后的H-TVBH模型为:
其中,E(t,u)为优化后的H-TVBH模型的能量泛函,为透射率的规则项,为透射率的数据项,和为去雾去噪图像的规则项,为去雾去噪图像的数据项,λ为透射率规则项的惩罚参数,t为待求解的透射率,为初始透射率,α和β为去雾去噪图像规则项的惩罚参数,Ω为一个局部区域,ui为去噪去雾图像,为一阶导数,为二阶导数,i表示原始图像中R、G、B三个颜色通道中的第i个颜色通道,fi为原始图像,A为大气光值。
本申请实施例提供的一种图像去雾去噪装置,求解模块23可以包括:
求解单元,用于采用基于快速傅里叶变换的分裂Bregman算法对H-TVBH模型进行求解,得到去雾去噪图像。
本申请实施例提供的一种图像去雾去噪装置,还可以包括:
输出模块,用于在对H-TVBH模型进行求解之后,输出待求解的透射率。
本申请实施例提供的一种图像去雾去噪装置,获取模块22可以包括:
第一计算单元,用于采用四叉树分解法计算原始图像的大气光值。
本申请实施例提供的一种图像去雾去噪装置,获取模块22可以包括:
第二计算单元,用于根据暗原色先验原理计算原始图像的初始透射率。
本申请实施例还提供了一种图像去雾去噪设备,参见图3,其示出了本申请实施例提供的一种图像去雾去噪设备的结构示意图,可以包括:
存储器31,用于存储计算机程序;
处理器32,用于执行存储器31存储的计算机程序时可实现如下步骤:
根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型;获取原始图像,计算原始图像的初始透射率和大气光值;将原始图像、初始透射率及大气光值输入到H-TVBH模型中,对H-TVBH模型进行求解,得到去雾去噪图像。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时可实现如下步骤:
根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型;获取原始图像,计算原始图像的初始透射率和大气光值;将原始图像、初始透射率及大气光值输入到H-TVBH模型中,对H-TVBH模型进行求解,得到去雾去噪图像。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的一种图像去雾去噪装置、设备及计算机可读存储介质中相关部分的说明可以参见本申请实施例提供的一种图像去雾去噪方法中对应部分的详细说明,在此不再赘述。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像去雾去噪方法,其特征在于,包括:
根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型;
获取原始图像,计算所述原始图像的初始透射率和大气光值;
将所述原始图像、所述初始透射率及所述大气光值输入到所述H-TVBH模型中,对所述H-TVBH模型进行求解,得到去雾去噪图像。
2.根据权利要求1所述的图像去雾去噪方法,其特征在于,在根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型之后,且在将原始图像、所述初始透射率、所述大气光值输入到所述H-TVBH模型中之前,还包括:
对所述H-TVBH模型中的透射率进行优化,得到优化后的H-TVBH模型;
其中,所述优化后的H-TVBH模型为:
3.根据权利要求2所述的图像去雾去噪方法,其特征在于,对所述H-TVBH模型进行求解,得到去雾去噪图像,包括:
采用基于快速傅里叶变换的分裂Bregman算法对所述H-TVBH模型进行求解,得到去雾去噪图像。
4.根据权利要求2所述的图像去雾去噪方法,其特征在于,在对所述H-TVBH模型进行求解之后,还包括:
输出所述待求解的透射率。
5.根据权利要求1所述的图像去雾去噪方法,其特征在于,计算所述原始图像的大气光值,包括:
采用四叉树分解法计算所述原始图像的大气光值。
6.根据权利要求1所述的图像去雾去噪方法,其特征在于,计算所述原始图像的初始透射率,包括:
根据暗原色先验原理计算所述原始图像的初始透射率。
7.一种图像去雾去噪装置,其特征在于,包括:
构建模型模块,用于根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型;
获取模块,用于获取原始图像,计算所述原始图像的初始透射率和大气光值;
求解模块,用于将所述原始图像、所述初始透射率及所述大气光值输入到所述H-TVBH模型中,对所述H-TVBH模型进行求解,得到去雾去噪图像。
8.根据权利要求7所述的图像去雾去噪装置,其特征在于,还包括:
优化模块,用于在根据暗原色先验原理、大气散射模型及TVBH模型构建H-TVBH模型之后,且在将原始图像、所述初始透射率、所述大气光值输入到所述H-TVBH模型中之前,对所述H-TVBH模型中的透射率进行优化,得到优化后的H-TVBH模型;
其中,所述优化后的H-TVBH模型为:
9.一种图像去雾去噪设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的图像去雾去噪方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的图像去雾去噪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170965.7A CN112184596A (zh) | 2020-10-28 | 2020-10-28 | 一种图像去雾去噪方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170965.7A CN112184596A (zh) | 2020-10-28 | 2020-10-28 | 一种图像去雾去噪方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184596A true CN112184596A (zh) | 2021-01-05 |
Family
ID=73922957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011170965.7A Pending CN112184596A (zh) | 2020-10-28 | 2020-10-28 | 一种图像去雾去噪方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184596A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160071244A1 (en) * | 2014-09-04 | 2016-03-10 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
CN110211072A (zh) * | 2019-06-11 | 2019-09-06 | 青岛大学 | 一种图像去雾方法、系统及电子设备和存储介质 |
US20190287219A1 (en) * | 2018-03-15 | 2019-09-19 | National Chiao Tung University | Video dehazing device and method |
CN110675340A (zh) * | 2019-09-16 | 2020-01-10 | 重庆邮电大学 | 一种基于改进的非局部先验的单幅图像去雾方法及介质 |
-
2020
- 2020-10-28 CN CN202011170965.7A patent/CN112184596A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160071244A1 (en) * | 2014-09-04 | 2016-03-10 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
US20190287219A1 (en) * | 2018-03-15 | 2019-09-19 | National Chiao Tung University | Video dehazing device and method |
CN110211072A (zh) * | 2019-06-11 | 2019-09-06 | 青岛大学 | 一种图像去雾方法、系统及电子设备和存储介质 |
CN110675340A (zh) * | 2019-09-16 | 2020-01-10 | 重庆邮电大学 | 一种基于改进的非局部先验的单幅图像去雾方法及介质 |
Non-Patent Citations (5)
Title |
---|
DANG N.H.THANH ET.AL: "An adaptive method for image restoration based on high-order total variation and inverse gradient", 《SIGNAL, IMAGE AND VIDEO PROCESSING》 * |
ZHI WANG ET.AL: "Single image dehazing and denoising combining dark channel prior and variational models", 《IET COMPUTER VISION》 * |
赵慧 等: "基于暗原色先验与变分正则化的图像去雾研究", 《计算机工程》 * |
高珠珠 等: "基于二阶变分模型的图像去雾", 《计算机辅助设计与图形学学报》 * |
高珠珠 等: "结合暗通道先验与Hessian正则项的图像去雾", 《图学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Robust image and video dehazing with visual artifact suppression via gradient residual minimization | |
Yahya et al. | BM3D image denoising algorithm based on an adaptive filtering | |
US7587099B2 (en) | Region-based image denoising | |
CN110706174B (zh) | 一种图像增强方法、终端设备及存储介质 | |
CN111080686B (zh) | 用于自然场景中图像高光去除的方法 | |
Yin et al. | Image denoising using trivariate prior model in nonsubsampled dual-tree complex contourlet transform domain and non-local means filter in spatial domain | |
Kollem et al. | Image denoising for magnetic resonance imaging medical images using improved generalized cross‐validation based on the diffusivity function | |
CN113313702A (zh) | 基于边界约束与颜色校正的航拍图像去雾方法 | |
CN108648160B (zh) | 一种水下海参图像去雾增强方法及系统 | |
CN110415193A (zh) | 煤矿低照度模糊图像的复原方法 | |
Chang | Single underwater image restoration based on adaptive transmission fusion | |
Chaudhry et al. | Underwater visibility restoration using dehazing, contrast enhancement and filtering | |
Hao et al. | Texture enhanced underwater image restoration via laplacian regularization | |
Zhang et al. | Underwater image enhancement via multi-scale fusion and adaptive color-gamma correction in low-light conditions | |
Jin et al. | An image denoising approach based on adaptive nonlocal total variation | |
CN114037618A (zh) | 基于保边滤波和平滑滤波融合的去雾方法、系统及存储介质 | |
CN107085839B (zh) | 基于纹理增强与稀疏编码的sar图像降斑方法 | |
CN112825189B (zh) | 一种图像去雾方法及相关设备 | |
CN110570376B (zh) | 一种图像去雨方法、装置、设备和计算机可读存储介质 | |
Cui et al. | Attention-guided multi-scale feature fusion network for low-light image enhancement | |
Chen et al. | A novel low-light enhancement via fractional-order and low-rank regularized retinex model | |
CN112184596A (zh) | 一种图像去雾去噪方法、装置、设备及存储介质 | |
CN110211072A (zh) | 一种图像去雾方法、系统及电子设备和存储介质 | |
Xu et al. | Weighted lp norm sparse error constraint based ADMM for image denoising | |
De Dravo et al. | Multiscale approach for dehazing using the stress framework |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |