CN112581405B - 一种轨道交通低照度图像增强算法 - Google Patents
一种轨道交通低照度图像增强算法 Download PDFInfo
- Publication number
- CN112581405B CN112581405B CN202011568093.XA CN202011568093A CN112581405B CN 112581405 B CN112581405 B CN 112581405B CN 202011568093 A CN202011568093 A CN 202011568093A CN 112581405 B CN112581405 B CN 112581405B
- Authority
- CN
- China
- Prior art keywords
- image
- dark
- value
- primary color
- atmospheric light
- 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
- 238000005286 illumination Methods 0.000 title claims abstract description 13
- 238000002834 transmittance Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000717 retained 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
- G06T5/90—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种轨道交通低照度图像增强算法，包括以下步骤：S1、获取原始图像，求取暗原色；S2、求取透射率估计值；S3、求取暗原色图的最大灰度值和平均灰度值；S4、求取大气光估计限定值；S5、求取大气估计值；S6、获取无雾图像。本发明将最大灰度值和平均灰度值的加权平均值作为阈值来求大气光估计值，该算法得到的图像有更好的对比度、平均亮度和清晰度。
Description
技术领域
本发明图像处理的技术领域，尤其涉及一种轨道交通低照度图像增强算法。
背景技术
轨道交通视频监控系统可以方便值班人员实时监控地铁运营状况、客流及乘客上下车情况，方便维保人员及时监测设备状况，确保管理人员有效把控和指挥现场情况。轨道交通视频系统的画面主要受到隧道低照度、高架站雨雾霾、光照不均等场景条件的影响，这些影响直接导致采集的图像质量差，极大地降低了闭路电视监控系统的实用价值。因此，探索轨道交通视频监控系统的图像增强算法及应用对于充分发挥视频系统的使用价值具有较大的实际意义。
传统的He暗通道先验去雾算法是一种重要的图像增强算法。但是在轨道交通环境下，获取的图像存在大量灯光投影与反射，照度极为不均匀，不包含或只含有少量的“天空”区域等障碍。由于以上障碍的影响，传统的He暗通道先验去雾算法估计大气光值会产生较大误差从而造成会去雾效果欠佳。
传统的He暗通道先验去雾是基于McCartney提出的大气散射模型，该模型将采集的图像分为物体反射项和大气光项之和。其中，从物体表面到成像设备的反射光线在传播路径上会穿透雾，进而发生衰减。这个模型可以用如下数学公式表示：
I(p)＝J(p)t(p)+A(1-t(p)) (1)
其中，p为像图像素点的位置坐标；I(p)表示观察到的图像；J(p)表示反射图像即无雾图像；t(p)为透射率；A为大气光的估计值，通常是取值很大的正数。
传统的He暗通道先验去雾算法，主要用于包含“天空”区域的图像，因为“天空”区域基本上是整幅图像中最亮的部分，可采用“天空”区域像素点的亮度值估计大气光估计值。在轨道交通环境中存在较大的图像差异性，站厅、站台都在地下封闭环境，获取的图像存在大量灯光投影与反射，照度极为不均匀，不包含或只含有少量的“天空”区域的情况，难以准确估计大气光估计值，因而存在较大误差。
发明内容
针对背景技术中的不足，为此，本发明提出了一种轨道交通低照度图像增强算法，具体方案如下：
一种轨道交通低照度图像增强算法，包括以下步骤：
S1、获取原始图像，求取暗原色；
S2、求取透射率估计值；
S3、求取暗原色图的最大灰度值和平均灰度值；
S4、求取大气光估计限定值；
S5、求取大气光估计值；
S6、获取无雾图像。
具体地说，步骤S1具体如下：
获取原始图像，获取原始图像中的暗原色，所述暗原色计算公式如下：
其中p是图像像素点的位置坐标；q是以像素p为中心的局部区域内的像素点的坐标；Jdark (p)代表p点暗原色；Jc (q)是输入图像J的其中一个颜色通道；c代表图像的R、G、B三个颜色通道；Ω(p)是以像素p为中心的局部区域，表示求像素点在Ω(p)范围内最低亮度的点q，再对q的R、G、B三个通道求最低亮度的像素。
具体地说，步骤S2具体如下：
S21、对现有大气散射模型I(p)＝J(p)t(p)+A(1-t(p)) (1)两边同时除以大气光估计值，可得：
公式中I(p)表示观察到的图像，J(p)表示反射图像即无雾图像，t(p)为透射率；
S22、在局部区域Ω(p)内场景深度相同，即在该区域内使用一个恒定的透射率t(p)，对上式两边同时求取暗原色，可得：
S23、根据暗红色概念，透射率估计值可以由以下公式算出：
具体地说，步骤S3具体如下：
对暗原色图Jdark，求最大灰度值GMax和平均灰度值GMean的数学表达式分别如下：
GMax＝max(max(Jdark (i，j))) (6)
其中，Jdark (i,j)表示暗原色图的像素点；m、n分别为图像宽和长，1≤i≤m，1≤j≤n。
具体地说，步骤S4具体如下：
采用最大灰度值GMax和平均灰度值GMean加权平均得到，而不是单纯地取暗原色图的最大值或者均值。大气光估计值L的数学表达式为：
AL＝e*GMax+(1-e)*GMean (8)
其中，AL表示大气光估计限定值；e为权重，0<e<1。
具体地说，步骤S5具体如下：
保留原暗原色图大于AL的像素点并组成大气光估计值，公式如下：
A＝Jdark (i，j)(Jdark (i，j)≥AL) (9)。
具体地说，步骤S6具体如下：
将公式(1)通过变换得到以下求取无雾图像J(p)的公式：
公式中I(p)表示观察到的图像，A为大气光估计值，t(p)为透射率。
本发明的有益效果在于：
(1)本发明将最大灰度值和平均灰度值的加权平均值作为阈值来求大气光估计值，该算法得到的图像有更好的对比度、平均亮度和清晰度。
(2)本算法从图像本身出发，引入图像灰度值来改善去雾效果。图像灰度值不仅可以衡量一幅图像的明暗程度，而且可以反映图像不同区域、不同像素点的亮度，此外可以表征图像像素点的颜色深度。图像最大灰度值表示图像中最亮的像素点的灰度值，图像平均灰度值表示图像所有像素点的灰度值求和后除以像素数得到的平均值，表征整幅图像的平均亮度。将大气光估计值与暗原色图的灰度值结合起来，将暗原色的平均灰度值与最大灰度值加权平均作为大气光估计限定值，然后将大于这个值的像素保留作为大气光估计值。这种方法有效避免了He算法中因图像差异性带来的误差，更适用于轨道交通视频监控系统。
附图说明
图1为本发明一种轨道交通低照度图像增强算法的流程图。
图2为待处理的原图；
图3为使用He算法处理原图后的效果图；
图4为使用本方案处理原图后的效果图。
具体实施方式
参照图1，本发明提出一种轨道交通低照度图像增强算法，包括以下步骤：
S1、获取原始图像，求取暗原色；具体为：
获取原始图像，获取原始图像中的暗原色，所述暗原色计算公式如下：
其中p是图像像素点的位置坐标；q是以像素p为中心的局部区域内的像素点的坐标；Jdark (p)代表p点暗原色；Jc (q)是输入图像J的其中一个颜色通道；c代表图像的R、G、B三个颜色通道；Ω(p)是以像素p为中心的局部区域，表示求像素点在Ω(p)范围内最低亮度的点q，再对q的R、G、B三个通道求最低亮度的像素。
S2、求取透射率估计值；具体为：
S21、对现有大气散射模型I(p)＝J(p)t(p)+A(1-t(p)) (1)两边同时除以大气光估计值，可得：
公式中I(p)表示观察到的图像，J(p)表示反射图像即无雾图像，t(p)为透射率；
S22、在局部区域Ω(p)内场景深度相同，即在该区域内使用一个恒定的透射率t(p)，对上式两边同时求取暗原色，可得：
S23、根据暗红色概念，透射率估计值可以由以下公式算出：
S3、求取暗原色图的最大灰度值和平均灰度值；具体为：
对暗原色图Jdark，求最大灰度值GMax和平均灰度值GMean的数学表达式分别如下：
GMax＝max(max(Jdark (i，j))) (6)
其中，Jdark (i,j)表示暗原色图的像素点；m、n分别为图像宽和长，1≤i≤m，1≤j≤n。
S4、求取大气光估计限定值；具体为：
采用最大灰度值GMax和平均灰度值GMean加权平均得到，而不是单纯地取暗原色图的最大值或者均值。大气光估计值L的数学表达式为：
AL＝e*GMax+(1-e)*GMean (8)
其中，AL表示大气光估计限定值；e为权重，0<e<1，通常设定为0.5。
S5、求取大气光估计值；具体为：
保留原暗原色图大于AL的像素点并组成大气光估计值，公式如下：
A＝Jdark (i，j)(Jdark (i，j)≥AL) (9)。
S6、获取无雾图像，具体为：
将公式(1)通过变换得到以下求取无雾图像J(p)的公式：
公式中I(p)表示观察到的图像，A为大气光估计值，t(p)为透射率。
其中图2为原图，实验使用的图像为随机抽取的某市轨道交通视频监控系统采集的实况视频切片，图片大小均为702×525。通过背景技术中传统的He算法可得图3效果，通过本申请算法可得图4效果。
在使用He算法后，站点指示栏处出现了白色部分变暗的黑白颠倒情况。而产生这种现象的主要原因是大气光值估计不准确。并且，去雾后的图像整体偏暗，这是因为大气光值估计不准确进而引起了透射率图的计算误差。本专利方法弥补了这一缺点，本专利结果图像整体亮度有很大提升，实验结果更接近于无雾原貌。下表通过定量分析的方式表明本算法的优越性：
| 方法 | 信息熵 | 对比度 | 平均亮度 | 清晰度 |
| 原图 | 7.15 | 298 | 136 | 5.88 |
| He算法 | 7.26 | 411 | 98 | 7.12 |
| 本申请算法 | 7.55 | 576 | 130 | 9.14 |
从上表可以看出，本专利算法得到的图像信息熵在He算法基础上增加了约0.3，对比度比He算法提升更多，图像的平均亮度与原图相比有所下降，但也比He算法亮度高，优化了He的算法降低图像亮度的缺点。清晰度也明显比He算法得到的图像高。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种轨道交通低照度图像增强算法，其特征在于，包括以下步骤：
S1、获取原始图像，求取暗原色；
S2、求取透射率估计值；
S3、求取暗原色图的最大灰度值和平均灰度值；具体如下：
对暗原色图Jdark，求最大灰度值GMax和平均灰度值GMean的数学表达式分别如下：
GMax＝max(max(Jdark (i，j)) (6)
其中，Jdark (i,j)表示暗原色图的像素点；m、n分别为图像宽和长，1≤i≤m，1≤j≤n；
S4、求取大气光估计限定值；具体如下：
采用最大灰度值GMax和平均灰度值GMean加权平均得到，大气光估计限定值AL的数学表达式为：
AL＝e*GMax+(1-e)*GMean (8)
其中，AL表示大气光估计限定值；e为权重，0<e<1；
S5、求取大气光估计值；具体如下：
保留原暗原色图大于AL的像素点并组成大气光估计值，公式如下：
A＝Jdark (i，j)(Jdark (i，j)≥AL) (9)；
S6、获取无雾图像。
2.根据权利要求1所述的一种轨道交通低照度图像增强算法，其特征在于，步骤S1具体如下：
获取原始图像，获取原始图像中的暗原色，所述暗原色计算公式如下：
其中p是图像像素点的位置坐标；q是以像素p为中心的局部区域内的像素点的坐标；Jc (q)是输入图像J的其中一个颜色通道；c代表图像的R、G、B三个颜色通道；Ω(p)是以像素p为中心的局部区域；Jdark (p)代表p点暗原色，通过Jdark (p)求像素点在Ω(p)范围内最低亮度的点q，再对q的R、G、B三个通道求最低亮度的像素。
3.根据权利要求2所述的一种轨道交通低照度图像增强算法，其特征在于，步骤S2具体如下：
S21、对现有大气散射模型I(p)＝J(p)t(p)+A(1-t(p)) (1)两边同时除以大气光估计值，可得：
公式中I(p)表示观察到的图像，J(p)表示反射图像即无雾图像，t(p)为透射率；
S22、在局部区域Ω(p)内场景深度相同，即在该区域内使用一个恒定的透射率t(p)，对上式两边同时求取暗原色，可得：
S23、根据暗红色概念，透射率估计值可以由以下公式算出：
4.根据权利要求1所述的一种轨道交通低照度图像增强算法，其特征在于，步骤S6具体如下：
通过变换得到以下求取无雾图像J(p)的公式：
公式中I(p)表示观察到的图像，A为大气光估计值，t(p)为透射率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011568093.XA CN112581405B (zh) | 2020-12-25 | 2020-12-25 | 一种轨道交通低照度图像增强算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011568093.XA CN112581405B (zh) | 2020-12-25 | 2020-12-25 | 一种轨道交通低照度图像增强算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112581405A CN112581405A (zh) | 2021-03-30 |
| CN112581405B true CN112581405B (zh) | 2023-04-07 |
Family
ID=75139917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011568093.XA Active CN112581405B (zh) | 2020-12-25 | 2020-12-25 | 一种轨道交通低照度图像增强算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581405B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133926A (zh) * | 2017-04-13 | 2017-09-05 | 中原智慧城市设计研究院有限公司 | 一种基于暗原色先验的图像去雾方法 |
| 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 (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104867121B (zh) * | 2015-06-08 | 2018-10-16 | 武汉理工大学 | 基于暗原色先验和Retinex理论的图像快速去雾法 |
| CN107545544A (zh) * | 2016-06-29 | 2018-01-05 | 诺基亚技术有限公司 | 去除图像中的混浊对象的方法和装置 |
| CN107424132B (zh) * | 2017-07-25 | 2020-07-07 | 西安电子科技大学 | 一种图像快速去雾的优化方法 |
| CN107767354B (zh) * | 2017-12-08 | 2020-07-07 | 福州大学 | 一种基于暗原色先验的图像去雾算法 |
| CN108765336B (zh) * | 2018-05-25 | 2022-06-07 | 长安大学 | 基于暗亮原色先验与自适应参数优化的图像去雾方法 |
| US10924682B2 (en) * | 2019-01-30 | 2021-02-16 | Intel Corporation | Self-adaptive color based haze removal for video |
-
2020
- 2020-12-25 CN CN202011568093.XA patent/CN112581405B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133926A (zh) * | 2017-04-13 | 2017-09-05 | 中原智慧城市设计研究院有限公司 | 一种基于暗原色先验的图像去雾方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112581405A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107103591B (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
| CN103955905B (zh) | 基于快速小波变换和加权图像融合的单幅图像去雾方法 | |
| CN102063706B (zh) | 一种快速去雾方法 | |
| CN103747213B (zh) | 一种基于运动目标的交通监控视频实时去雾方法 | |
| CN107767354A (zh) | 一种基于暗原色先验的图像去雾算法 | |
| CN101908210B (zh) | 彩色图像去雾处理方法和系统 | |
| CN103198459B (zh) | 雾霾图像快速去雾方法 | |
| CN103077504B (zh) | 一种基于自适应光照计算的图像去雾方法 | |
| CN107451966A (zh) | 一种采用灰度图引导滤波实现的实时视频去雾方法 | |
| CN106548461B (zh) | 图像去雾方法 | |
| CN107895357B (zh) | 一种基于fpga的实时水面浓雾场景图像增强方法 | |
| CN105959510B (zh) | 一种视频快速去雾方法 | |
| CN102663694A (zh) | 一种基于暗原色通道先验的雾效数字滤镜方法 | |
| CN110910319B (zh) | 一种基于大气散射模型的手术视频实时去雾增强方法 | |
| CN104331867B (zh) | 图像去雾的方法、装置及移动终端 | |
| CN105957040A (zh) | 基于图像融合的快速去雾算法 | |
| CN102609909A (zh) | 一种单幅图像去雾方法及装置 | |
| CN105989583B (zh) | 一种图像去雾方法 | |
| CN106023108A (zh) | 基于边界约束和上下文正则化的图像去雾算法 | |
| CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
| CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
| CN106504216B (zh) | 基于变分模型的单幅图像去雾方法 | |
| CN105631825B (zh) | 基于滚动导向的图像去雾方法 | |
| 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 | |
| CN112581405B (zh) | 一种轨道交通低照度图像增强算法 |
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 |