CN112465720A - 一种基于图像天空分割的图像去雾方法、装置和存储介质 - Google Patents
一种基于图像天空分割的图像去雾方法、装置和存储介质 Download PDFInfo
- Publication number
- CN112465720A CN112465720A CN202011368071.9A CN202011368071A CN112465720A CN 112465720 A CN112465720 A CN 112465720A CN 202011368071 A CN202011368071 A CN 202011368071A CN 112465720 A CN112465720 A CN 112465720A
- Authority
- CN
- China
- Prior art keywords
- image
- sky
- region
- sky region
- defogged
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 238000009499 grossing Methods 0.000 claims abstract description 13
- 230000000873 masking effect Effects 0.000 claims abstract description 12
- 238000002834 transmittance Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/20—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
本发明公开了一种基于图像天空分割的图像去雾方法、装置和存储介质,属于图像去雾技术领域,该方法包括如下步骤:对含有天空区域的原始图像进行混合式图像预处理获得新图像,混合式图像预处理包括依次进行梯度锐化、均值滤波平滑、二次锐化、掩蔽以及相加处理;采用Ostu阙值分割算法对新图像进行图像分割处理,获得天空区域图像和非天空区域图像,分别对天空区域图像和非天空区域图像进行去雾处理,获得非天空区域去雾图像和天空区域去雾图像;利用天空区域的二值掩码和非天空区域的二值掩码,将天空区域去雾图像与非天空区域去雾图像相融合,获得最终去雾图像。本发明能够有效保持图像细节,提高图像对比度,消除天空区域色彩失真。
Description
技术领域
本发明涉及图像去雾技术领域,尤其涉及一种基于图像天空分割的图像去雾方法、装置和存储介质。
背景技术
随着工业化和城市化的飞速发展,大气污染问题愈演愈烈,雾霾天气变得愈加频繁。雾霾是人类社会活动所排放的细颗粒物和静天气相互作用产生,在这样的气候环境下,室外能见度大大降低,户外成像设备拍摄到的图像质量严重下降。然而在信息化社会,图像视频信息已经成为人们获取信息的主要来源,因此雾霾天气的图像质量问题也越来越受到大家的关注。
在雾霾天气中,空气中存在着大量的混浊媒介(如水溶胶、雾气、霾等),光线的传播受到大气悬浮粒子吸收、散射以及折射等影响,使得光学传感器的成像精确性降低。这种情况下拍摄到的图像可视性减弱,呈现出对比度模糊,色彩失真,图像细节信息丢失等负面视觉效应。鉴于计算机视觉系统中的大部分应用都并未考虑到这些由于不理想的天气原因引起的图像降质,故输入图像的清晰度对后续的目标识别、视频内容分析、以及计量结果的准确性会产生严重影响。但现有视频设备通常无法还原出雾霾天气下的真实场景,所摄视频辨识度偏低,这给公共安全带来很大隐患,因此,研究高质、快速、普适的去雾原理与方法具有很高的理论意义和应用价值。
目前,图像去雾算法主要分为二种类型:
第一类是基于图像增强的去雾方法,该方法不考虑导致图像退化的原因,使图像去雾的问题转化为对比度增强的问题,经过增强后的图像具有更高的对比度,使得复原后的图像更符合人类的审美观念,但是处理后的图像存在信息丢失的问题,会出现失真现象。
第二类是基于大气散射模型的图像去雾方法,该方法是从图像退化的角度出发进行分析,建立雾天成像的模型,推导出图像退化的过程,据此恢复出去雾后的图像,该方法使经过处理后的图像更加清晰、自然,细节损失较少。
基于大气散射模型的单幅图像去雾和基于假设和先验条件的单幅图像去雾是目前较好的模型和方案。He Kai Ming等人通过对上万张无雾自然图像统计分析发现,晴朗无雾的非天空和白色物体的自然图像,图像的任何一个局部区域总能存在一个或一些RGB某一通道值非常低的像素,RGB三通道中值最小的被称为暗通道。
基于暗通道的规律,可以用最小滤波器估计出大致的透射图,再用软抠图算法优化透射图。暗通道优先规律也有应用上的限制,比如当场景的颜色为白色或者趋近于天空颜色时,暗通道优先规律失效,造成图像过饱和,边界区域模糊,导致天空区域色彩失真严重。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于图像天空分割的图像去雾方法、装置和存储介质,能够有效保持图像细节,提高图像对比度,消除天空区域色彩失真。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于图像天空分割的图像去雾方法,所述方法包括如下步骤:
对含有天空区域的原始图像进行混合式图像预处理获得新图像,所述混合式图像预处理包括依次进行梯度锐化、均值滤波平滑、二次锐化、掩蔽以及相加处理;
采用Ostu阙值分割算法对所述新图像进行图像分割处理,获得天空区域图像和非天空区域图像;
针对所述天空区域图像和所述非天空区域图像分别进行去雾处理:
基于导向滤波修正透射率的暗原色先验计算方法,对非天空区域图像进行去雾处理获得非天空区域去雾图像,对天空区域图像的所有像素进行线性拉伸处理,获得天空区域去雾图像;
利用天空区域的二值掩码和非天空区域的二值掩码,将天空区域去雾图像与非天空区域去雾图像相融合,获得最终去雾图像。
进一步的,获得所述新图像的方法包括如下步骤:
对所述原始图像进行梯度锐化处理得到梯度图像;
对获得的所述梯度图像进行均值滤波平滑处理得到模板图像;
利用拉普拉斯算法,对获得的所述模板图像进行二次锐化处理获得优化图像;
对所述模板图像和所述优化图像进行掩蔽处理获得掩蔽图像;
将所述原始图像和所述掩蔽图像进行图像相加处理获得新图像。
进一步的,对所述新图像进行图像分割处理的方法包括如下步骤:
根据所述新图像的图像像素确定最佳全局阈值;
利用所述最佳全局阈值,分别确定天空区域的二值掩码和非天空区域的二值掩码;
利用天空区域的二值掩码提取出所述新图像的天空区域像素,组成天空区域图像,利用非天空区域的二值掩码提取出所述新图像的非天空区域像素,组成非天空区域图像。
进一步的,所述最佳全局阈值的确定条件为使得区域方差σ2最大,采用公式表达如下:
σ2=P0P1(u0-u1)2
式中,u0和u1分别为像素区域C0和像素区域C1的平均灰度,P0和P1分别为像素区域C0和像素区域C1占总像素区域的比例。
进一步的,获得非天空区域去雾图像的方法包括如下步骤:
利用所述非天空区域图像计算获得大气光值和原始透射率;
对所述大气光值和所述原始透射率进行导向滤波优化,获得修正透射率;
利用所述大气光值和所述修正透射率,恢复获得非天空区域去雾图像。
进一步的,获得所述修正透射率的方法如下:
利用所述非天空区域图像的二次差异图和最小通道图,获得所述非天空区域图像的导向图;
对所述导向图进行导向滤波优化,使得导向滤波器的输出图像和输入图像差异最小,确定像素位置参数;
利用获得的所述导向图和像素位置参数计算获得所述修正透射率。
第二方面,本发明提供了一种装置,包括如下模块:
图像预处理模块,用于对含有天空区域的原始图像进行混合式图像预处理获得新图像,所述混合式图像预处理包括依次进行梯度锐化、均值滤波平滑、二次锐化、掩蔽以及相加处理;
图像分割模块,用于采用Ostu阙值分割算法对所述新图像进行图像分割处理,获得天空区域图像和非天空区域图像;所述图像分割模块包括如下单元:
第一处理单元,用于针对所述天空区域图像和所述非天空区域图像分别进行去雾处理:
第二处理单元,用于基于导向滤波修正透射率的暗原色先验计算方法,对非天空区域图像进行去雾处理获得非天空区域去雾图像,对天空区域图像的所有像素进行线性拉伸处理,获得天空区域去雾图像;
图像融合模块,用于利用天空区域的二值掩码和非天空区域的二值掩码,将天空区域去雾图像与非天空区域去雾图像相融合,获得最终去雾图像。
第三方面,本发明提供了一种装置,包括处理器和存储介质,所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面中任一项所述方法的步骤。
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,其特征在于,该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供的基于图像天空分割的图像去雾方法、装置和存储介质能够针对单一图像增强方式存在的不足,提出对图像进行包括二次锐化和平滑的混合式预处理,以保留图像的细节,降低图像的失真度;
针对图像全局去雾导致天空区域的色彩失真和区域边界模糊,利用Ostu阈值分割算法将有雾原始图像划分为天空区域图像和非天空区域图像,然后对非天空区域图像使用基于导向滤波修正透射率的暗原色先验计算方法进行去雾处理,并对天空区域图像进行线性推拉达到亮度调整实现去雾效果;
将非天空区域去雾图像和天空区域去雾图像融合生成最终去雾图像,使得图像去雾后对比度明显提高,边界区域更加自然。
附图说明
图1是本发明实施例提供的一种基于图像天空分割的图像去雾方法的流程图;
图2是本发明实施例提供的一种基于图像天空分割的图像去雾方法的详细流程图;
图3是本发明实施例提供的一种装置的结构框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
实施例一
如图1所示,本发明实施例提供了一种基于图像天空分割的图像去雾方法,包括如下步骤:
步骤一:对含有天空区域的原始图像进行混合式图像预处理获得新图像,其中,混合式图像预处理包括依次进行梯度锐化、均值滤波平滑、二次锐化、掩蔽以及相加处理。通过对原始图像进行包括二次锐化和平滑的混合式图像预处理,以保留图像的细节,降低图像的失真度。
步骤二:采用Ostu阙值分割算法对所述新图像进行图像分割处理,获得天空区域图像和非天空区域图像;
针对所述天空区域图像和所述非天空区域图像分别进行去雾处理,具体如下:
基于导向滤波修正透射率的暗原色先验计算方法,对非天空区域图像进行去雾处理获得非天空区域去雾图像,对天空区域图像的所有像素进行线性拉伸处理,获得天空区域去雾图像。
本步骤针对图像全局去雾会导致天空区域的色彩失真和区域边界模糊的技术问题,利用Ostu阈值分割算法将经预处理的有雾原始图像(新图像)划分为天空区域和非天空区域,对非天空区域,使用基于导向滤波修正透射率的暗原色先验进行去雾处理,对天空区域进行亮度调整,具有针对性,图像去雾效果好,减少色彩失真和区域边界模糊。
步骤三:利用天空区域的二值掩码和非天空区域的二值掩码,将天空区域去雾图像与非天空区域去雾图像相融合,获得最终去雾图像,使得最终去雾图对比度明显提高,边界区域更加自然。
如图2所示,本发明实施例提供的一种基于图像天空分割的图像去雾方法的详细操作流程,具体包括以下步骤:
步骤1,对一幅含雾和天空区域的原始图像I(x,y)进行梯度锐化处理,得到梯度图像M(x,y),公式表示如下:
步骤2,对梯度图像M(x,y)进行均值滤波平滑处理,得到模板图像O(x,y),公式表示如下:
式中,Ω0(x,y)表示一个以点(x,y)为中心且大小为s×t的窗口,s、t均为常数,本实施例中,可取窗口大小为5*5。
步骤3,利用拉普拉斯算法,对模板图像O(x,y)进行二次锐化处理,得到优化图像P(x,y),公式表示如下:
步骤4,将优化图像P(x,y)和模板图像O(x,y)进行掩蔽(相乘)处理,得到掩蔽图像R(x,y),公式表示如下:
R(x,y)=P(x,y)×O(x,y) (4)
步骤5,将原始图像I(x,y)和掩蔽图像R(x,y)进行相加处理,得到新图像S(x,y),公式表示如下:
S(x,y)=R(x,y)+I(x,y) (5)
步骤6,针对新图像S(x,y)采用Ostu阙值分割算法处理,得到最佳全局阈值Tb,具体操作如下:
把新图像S(x,y)中的像素用阈值T分为两类像素区域C0和C1,C0由灰度值在[0,T-1]的像素组成,C1由灰度值在[T,L-1]的像素组成。
假设u0和u1分别为像素区域C0和像素区域C1的平均灰度,P0和P1分别为像素区域C0和C1占总像素区域的比例,使得类间方差σ2最大的阈值T便是最佳区域分割阈值Tb,类间方差σ2为有关这两个像素区域C0和C1的方差,反映了两个像素区域C0和C1会根据阈值T变化而变化,其中,类间方差σ2最大的条件表达式如下:
σ2=P0P1(u0-u1)2 (6)
步骤7,利用最佳全局阈值Tb计算得到天空区域二值掩码Msky和非天空区域二值掩码。
在本实施例中,若新图像S(x,y)中的像素(x,y)的灰度值大于Tb,则令天空区域二值掩码Msky(x,y)为1,非天空区域二值掩码MFg(x,y)为0;否则,令天空区域二值掩码Msky(x,y)为0,非天空区域二值掩码MFg(x,y)为1。
步骤8,利用天空区域二值掩码Msky提取出新图像S(x,y)的天空区域像素,组成天空区域图像Isky;利用非天空区域二值掩码MFg提取出新图像S(x,y)的非天空区域像素,组成非天空区域图像IFg。
步骤9,针对非天空区域图像IFg进行两次最小值处理,得到暗通道图Jdark(x,y),公式表达如下:
步骤10,将暗通道图Jdark(x,y)中所有灰度值按非升序排列,取前0.1%的值,取其对应像素中的最大灰度值为大气光值,得到大气光值A;
步骤11,利用大气光值A和非天空区域图像IFg计算得出场景原始透射率t1(x,y),公式表示如下:
式中,μ表示一个常数因子,例如可取0.95,Ω2(x,y)表示一个以像素(x,y)为中心且大小为常数的窗口,例如可取窗口大小为15*15,c∈{R,G,B},Ac表示大气光值A的第c个通道。
步骤12,针对原始透射率t1(x,y)进行导向滤波优化,得出修正透射率t2(x,y),具体的操作如下所述:
步骤12.1,利用非天空区域图像IFg的二次差异图G(x,y)和最小通道图W(x,y),得出非天空区域图像IFg的导向图Iguide,如下所示:
T(x,y)=Bilateral(W(x,y)) (9)
G(x,y)=T(x,y)-Bilateral(|W(x,y)-T(x,y)|) (10)
式中,W(x,y)表示最小通道图,Bilateral(W(x,y))表示对图像W(x,y)进行双边滤波操作,T(x,y)表示均值图像。
步骤12.2,使导向滤波器的输出图像与输入图像差异最小,得出确定像素位置参数(a,b),公式表示如下:
式中,Ω3(x,y)表示一个以像素(x,y)为中心且大小为常数的窗口,例如可取窗口大小为15*15,a×Iguide(x,y)+b表示输出图像在(a,b)处的像素,t1(x,y)表示输入图像在(x,y)处的像素,ε表示调整参数,防止a取值过大。
步骤12.3,利用像素位置参数(a,b)和导向图Iguide(x,y)计算得出修正透射率t2(x,y),公式表示如下:
t2(x,y)=a×Iguide(x,y)+b (13)
步骤13,利用修正透射率t2(x,y)和大气光值A,恢复出非天空区域去雾图像DFg(x,y),公式表示如下:
式中,t0表示常数,例如为取值为0.1。
步骤14,将天空区域图像Isky中所有像素的各个分量取值范围线性拉伸到[c,d],参数c、d均为预设值,得到天空区域去雾图像Dsky。
步骤15,利用天空区域二值掩码Msky和非天空区域二值掩码MFg将天空区域去雾图像Dsky与非天空区域去雾图像DFg相融合,得到最终去雾图像L,公式表示如下:
L(x,y)=Msky(x,y)Dsky(x,y)+MFg(x,y)DFg(x,y) (15)
式中,L(x,y)表示最终去雾图像L中像素(x,y)的值。
实施例二
本发明实施例提供了一种装置,包括如下模块:
图像预处理模块,用于对含有天空区域的原始图像进行混合式图像预处理获得新图像,所述混合式图像预处理包括依次进行梯度锐化、均值滤波平滑、二次锐化、掩蔽以及相加处理;
图像分割模块,用于采用Ostu阙值分割算法对所述新图像进行图像分割处理,获得天空区域图像和非天空区域图像;所述图像分割模块包括如下单元:
第一处理单元,用于针对所述天空区域图像和所述非天空区域图像分别进行去雾处理:
第二处理单元,用于基于导向滤波修正透射率的暗原色先验计算方法,对非天空区域图像进行去雾处理获得非天空区域去雾图像,对天空区域图像的所有像素进行线性拉伸处理,获得天空区域去雾图像;
图像融合模块,用于利用天空区域的二值掩码和非天空区域的二值掩码,将天空区域去雾图像与非天空区域去雾图像相融合,获得最终去雾图像。
实施例三
本发明实施例提供了一种装置,包括处理器和存储介质,所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行实施例一中所述方法的步骤。
实施例四
本发明实施例提供了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实施例一中所述方法的步骤。
综上,本发明实施例提供的基于图像天空分割的图像去雾方法、装置和存储介质能够针对单一图像增强方式存在的不足,提出对图像进行包括二次锐化和平滑的混合式预处理,以保留图像的细节,降低图像的失真度;
针对图像全局去雾导致天空区域的色彩失真和区域边界模糊,利用Ostu阈值分割算法将有雾原始图像划分为天空区域图像和非天空区域图像,然后对非天空区域图像使用基于导向滤波修正透射率的暗原色先验计算方法进行去雾处理,并对天空区域图像进行线性推拉达到亮度调整实现去雾效果;
将非天空区域去雾图像和天空区域去雾图像融合生成最终去雾图像,使得图像去雾后对比度明显提高,边界区域更加自然。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于图像天空分割的图像去雾方法,其特征在于,所述方法包括如下步骤:
对含有天空区域的原始图像进行混合式图像预处理获得新图像,所述混合式图像预处理包括依次进行梯度锐化、均值滤波平滑、二次锐化、掩蔽以及相加处理;
采用Ostu阙值分割算法对所述新图像进行图像分割处理,获得天空区域图像和非天空区域图像;
针对所述天空区域图像和所述非天空区域图像分别进行去雾处理:
基于导向滤波修正透射率的暗原色先验计算方法,对非天空区域图像进行去雾处理获得非天空区域去雾图像,对天空区域图像的所有像素进行线性拉伸处理,获得天空区域去雾图像;
利用天空区域的二值掩码和非天空区域的二值掩码,将天空区域去雾图像与非天空区域去雾图像相融合,获得最终去雾图像。
2.根据权利要求1所述的基于图像天空分割的图像去雾方法,其特征在于,获得所述新图像的方法包括如下步骤:
对所述原始图像进行梯度锐化处理得到梯度图像;
对获得的所述梯度图像进行均值滤波平滑处理得到模板图像;
利用拉普拉斯算法,对获得的所述模板图像进行二次锐化处理获得优化图像;
对所述模板图像和所述优化图像进行掩蔽处理获得掩蔽图像;
将所述原始图像和所述掩蔽图像进行图像相加处理获得新图像。
3.根据权利要求1所述的基于图像天空分割的图像去雾方法,其特征在于,对所述新图像进行图像分割处理的方法包括如下步骤:
根据所述新图像的图像像素确定最佳全局阈值;
利用所述最佳全局阈值,分别确定天空区域的二值掩码和非天空区域的二值掩码;
利用天空区域的二值掩码提取出所述新图像的天空区域像素,组成天空区域图像,利用非天空区域的二值掩码提取出所述新图像的非天空区域像素,组成非天空区域图像。
4.根据权利要求3所述的基于图像天空分割的图像去雾方法,其特征在于,所述最佳全局阈值的确定条件为使得区域方差σ2最大,采用公式表达如下:
σ2=P0P1(u0-u1)2
式中,u0和u1分别为像素区域C0和像素区域C1的平均灰度,P0和P1分别为像素区域C0和像素区域C1占总像素区域的比例。
5.根据权利要求1所述的基于图像天空分割的图像去雾方法,其特征在于,获得非天空区域去雾图像的方法包括如下步骤:
利用所述非天空区域图像计算获得大气光值和原始透射率;
对所述大气光值和所述原始透射率进行导向滤波优化,获得修正透射率;
利用所述大气光值和所述修正透射率,恢复获得非天空区域去雾图像。
6.根据权利要求5所述的基于图像天空分割的图像去雾方法,其特征在于,获得所述修正透射率的方法如下:
利用所述非天空区域图像的二次差异图和最小通道图,获得所述非天空区域图像的导向图;
对所述导向图进行导向滤波优化,使得导向滤波器的输出图像和输入图像差异最小,确定像素位置参数;
利用获得的所述导向图和像素位置参数计算获得所述修正透射率。
7.一种装置,其特征在于,包括如下模块:
图像预处理模块,用于对含有天空区域的原始图像进行混合式图像预处理获得新图像,所述混合式图像预处理包括依次进行梯度锐化、均值滤波平滑、二次锐化、掩蔽以及相加处理;
图像分割模块,用于采用Ostu阙值分割算法对所述新图像进行图像分割处理,获得天空区域图像和非天空区域图像;所述图像分割模块包括如下单元:
第一处理单元,用于针对所述天空区域图像和所述非天空区域图像分别进行去雾处理:
第二处理单元,用于基于导向滤波修正透射率的暗原色先验计算方法,对非天空区域图像进行去雾处理获得非天空区域去雾图像,对天空区域图像的所有像素进行线性拉伸处理,获得天空区域去雾图像;
图像融合模块,用于利用天空区域的二值掩码和非天空区域的二值掩码,将天空区域去雾图像与非天空区域去雾图像相融合,获得最终去雾图像。
8.一种装置,其特征在于,包括处理器和存储介质,所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行权利要求1~6任一项所述方法的步骤。
9.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权利要求1~6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011368071.9A CN112465720B (zh) | 2020-11-27 | 2020-11-27 | 一种基于图像天空分割的图像去雾方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011368071.9A CN112465720B (zh) | 2020-11-27 | 2020-11-27 | 一种基于图像天空分割的图像去雾方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465720A true CN112465720A (zh) | 2021-03-09 |
CN112465720B CN112465720B (zh) | 2024-02-23 |
Family
ID=74809635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011368071.9A Active CN112465720B (zh) | 2020-11-27 | 2020-11-27 | 一种基于图像天空分割的图像去雾方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465720B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436095A (zh) * | 2021-06-24 | 2021-09-24 | 哈尔滨理工大学 | 一种包含天空区域图像的去雾方法 |
CN114005049A (zh) * | 2022-01-05 | 2022-02-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于多波段遥感信息的霾区检测方法、装置、设备及介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060018526A1 (en) * | 2004-07-23 | 2006-01-26 | Avinash Gopal B | Methods and apparatus for noise reduction filtering of images |
US20070031006A1 (en) * | 2005-04-19 | 2007-02-08 | Valeo Vision | Method for detecting nocturnal fog and system for implementing the method |
WO2014056766A1 (en) * | 2012-10-12 | 2014-04-17 | Sony Corporation | Image enhancement apparatus and method |
US20150146980A1 (en) * | 2013-11-27 | 2015-05-28 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and non-transitory storage medium |
CN106251301A (zh) * | 2016-07-26 | 2016-12-21 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
CN106875351A (zh) * | 2017-01-11 | 2017-06-20 | 西南科技大学 | 一种面向大面积天空区域图像的去雾方法 |
US20170236287A1 (en) * | 2016-02-11 | 2017-08-17 | Adobe Systems Incorporated | Object Segmentation, Including Sky Segmentation |
CN107301623A (zh) * | 2017-05-11 | 2017-10-27 | 北京理工大学珠海学院 | 一种基于暗通道和图像分割的交通图像去雾方法及系统 |
CN107516302A (zh) * | 2017-08-31 | 2017-12-26 | 北京无线电计量测试研究所 | 一种基于OpenCV的混合图像增强的方法 |
CN108182671A (zh) * | 2018-01-25 | 2018-06-19 | 南京信息职业技术学院 | 一种基于天空区域识别的单幅图像去雾方法 |
CN108596849A (zh) * | 2018-04-23 | 2018-09-28 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
CN108876743A (zh) * | 2018-06-26 | 2018-11-23 | 中山大学 | 一种图像快速去雾方法、系统、终端及存储介质 |
CN108898561A (zh) * | 2018-06-21 | 2018-11-27 | 山东师范大学 | 一种含天空区域雾天图像的去雾方法、服务器及系统 |
CN109255759A (zh) * | 2018-08-02 | 2019-01-22 | 辽宁师范大学 | 基于天空分割和透射率自适应修正的图像去雾方法 |
CN109523480A (zh) * | 2018-11-12 | 2019-03-26 | 上海海事大学 | 一种海雾图像的去雾方法、装置、计算机存储介质及终端 |
US20190287219A1 (en) * | 2018-03-15 | 2019-09-19 | National Chiao Tung University | Video dehazing device and method |
US10438328B1 (en) * | 2016-12-15 | 2019-10-08 | Google Llc | Chroma blurring reduction in video and images |
CN110782407A (zh) * | 2019-10-15 | 2020-02-11 | 北京理工大学 | 一种基于天空区域概率分割的单幅图像去雾方法 |
WO2020232710A1 (zh) * | 2019-05-23 | 2020-11-26 | 深圳大学 | 雾霾图像质量评价方法、系统、存储介质及电子设备 |
-
2020
- 2020-11-27 CN CN202011368071.9A patent/CN112465720B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060018526A1 (en) * | 2004-07-23 | 2006-01-26 | Avinash Gopal B | Methods and apparatus for noise reduction filtering of images |
US20070031006A1 (en) * | 2005-04-19 | 2007-02-08 | Valeo Vision | Method for detecting nocturnal fog and system for implementing the method |
WO2014056766A1 (en) * | 2012-10-12 | 2014-04-17 | Sony Corporation | Image enhancement apparatus and method |
US20150146980A1 (en) * | 2013-11-27 | 2015-05-28 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and non-transitory storage medium |
US20170236287A1 (en) * | 2016-02-11 | 2017-08-17 | Adobe Systems Incorporated | Object Segmentation, Including Sky Segmentation |
CN106251301A (zh) * | 2016-07-26 | 2016-12-21 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
US10438328B1 (en) * | 2016-12-15 | 2019-10-08 | Google Llc | Chroma blurring reduction in video and images |
CN106875351A (zh) * | 2017-01-11 | 2017-06-20 | 西南科技大学 | 一种面向大面积天空区域图像的去雾方法 |
CN107301623A (zh) * | 2017-05-11 | 2017-10-27 | 北京理工大学珠海学院 | 一种基于暗通道和图像分割的交通图像去雾方法及系统 |
CN107516302A (zh) * | 2017-08-31 | 2017-12-26 | 北京无线电计量测试研究所 | 一种基于OpenCV的混合图像增强的方法 |
CN108182671A (zh) * | 2018-01-25 | 2018-06-19 | 南京信息职业技术学院 | 一种基于天空区域识别的单幅图像去雾方法 |
US20190287219A1 (en) * | 2018-03-15 | 2019-09-19 | National Chiao Tung University | Video dehazing device and method |
CN108596849A (zh) * | 2018-04-23 | 2018-09-28 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
CN108898561A (zh) * | 2018-06-21 | 2018-11-27 | 山东师范大学 | 一种含天空区域雾天图像的去雾方法、服务器及系统 |
CN108876743A (zh) * | 2018-06-26 | 2018-11-23 | 中山大学 | 一种图像快速去雾方法、系统、终端及存储介质 |
CN109255759A (zh) * | 2018-08-02 | 2019-01-22 | 辽宁师范大学 | 基于天空分割和透射率自适应修正的图像去雾方法 |
CN109523480A (zh) * | 2018-11-12 | 2019-03-26 | 上海海事大学 | 一种海雾图像的去雾方法、装置、计算机存储介质及终端 |
WO2020232710A1 (zh) * | 2019-05-23 | 2020-11-26 | 深圳大学 | 雾霾图像质量评价方法、系统、存储介质及电子设备 |
CN110782407A (zh) * | 2019-10-15 | 2020-02-11 | 北京理工大学 | 一种基于天空区域概率分割的单幅图像去雾方法 |
Non-Patent Citations (3)
Title |
---|
徐振轩: "基于天空区域分割的单幅图像去雾方法研究", 中国优秀硕士学位论文全文数据库(信息科技辑), no. 2018, pages 138 - 979 * |
戢凯;王晓峰;: "融合暗通道和颜色衰减先验的图像去雾算法", 现代计算机(专业版), no. 22, pages 34 - 39 * |
李熙莹;朱肯钢;: "结合天空分割和局部透射率优化交通图像去雾算法", 计算机与现代化, no. 05, pages 51 - 58 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436095A (zh) * | 2021-06-24 | 2021-09-24 | 哈尔滨理工大学 | 一种包含天空区域图像的去雾方法 |
CN114005049A (zh) * | 2022-01-05 | 2022-02-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于多波段遥感信息的霾区检测方法、装置、设备及介质 |
CN114005049B (zh) * | 2022-01-05 | 2022-04-12 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于多波段遥感信息的霾区检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112465720B (zh) | 2024-02-23 |
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 | |
CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
CN103218778B (zh) | 一种图像和视频的处理方法及装置 | |
CN107767354A (zh) | 一种基于暗原色先验的图像去雾算法 | |
CN104036466B (zh) | 一种视频去雾方法与系统 | |
CN105913390B (zh) | 一种图像去雾方法及系统 | |
CN112837233B (zh) | 一种基于差分偏振获取透射率的偏振图像去雾方法 | |
CN108876743A (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
Pei et al. | Effective image haze removal using dark channel prior and post-processing | |
JP2013141210A (ja) | 画像霧除去装置、画像霧除去方法及び画像処理システム | |
CN108022225A (zh) | 基于快速导向滤波改进的暗通道先验图像去雾算法 | |
CN112465720A (zh) | 一种基于图像天空分割的图像去雾方法、装置和存储介质 | |
CN112529813B (zh) | 图像去雾处理方法、装置及计算机存储介质 | |
CN105989583B (zh) | 一种图像去雾方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
JP5927728B2 (ja) | 画像霧除去装置、画像霧除去方法及び画像処理システム | |
CN112200755B (zh) | 一种图像去雾方法 | |
CN110246102B (zh) | 一种雨天视频清晰处理方法 | |
CN116433513A (zh) | 一种道路监视视频去雾方法、系统、电子设备和存储介质 | |
CN109949239B (zh) | 一种适用于多浓度多场景雾霾图像的自适应清晰化方法 | |
CN116229404A (zh) | 一种基于距离传感器的图像去雾优化方法 | |
CN112598777B (zh) | 一种基于暗通道先验的雾霾融合方法 | |
CN112949389A (zh) | 一种基于改进目标检测网络的雾霾图像目标检测方法 | |
CN112435194A (zh) | 一种基于生成对抗网络的域自适应去雾方法 | |
CN111223052B (zh) | 一种基于改进容差机制的图像去雾方法 |
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 |