CN113065420A - 基于暗原色先验理论的雾霾检测与分级方法 - Google Patents
基于暗原色先验理论的雾霾检测与分级方法 Download PDFInfo
- Publication number
- CN113065420A CN113065420A CN202110291375.8A CN202110291375A CN113065420A CN 113065420 A CN113065420 A CN 113065420A CN 202110291375 A CN202110291375 A CN 202110291375A CN 113065420 A CN113065420 A CN 113065420A
- Authority
- CN
- China
- Prior art keywords
- image
- haze
- dark
- value
- dark channel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于暗原色先验理论的雾霾检测与分级方法,包括下列步骤:(1)输入图像的暗通道图生成;(2)输入图像的去雾图像获取:建立散射介质成像模型,模型包括背景光信息A与透射率参数t,根据暗原色先验理论,通过已有的有雾图像I,进行模型反演,获取其对应的去雾清晰图像J;(3)图像雾霾信息表征值获得:对步骤(1)中获得的暗通道图Idark的亮度均值与步骤(2)得到的去雾图像J的亮度均值做差,获取图像雾霾信息的单一映射表征值V;(4)雾霾程度分级判定。
Description
技术领域
本发明属于图像分类领域,更具体地,涉及一种基于暗原色先验理论的雾霾检测与分级判别算法,用于通过监控视频画面分析高速公路特定区域雾霾的有无与相应级别判断。
背景技术
随着我国经济的飞速发展,高速公路通车里程也在快速的增长,但伴随而来的是高速公路上引发的恶性交通事故的增多。其中,相当多的事故是由恶劣的天气造成的,而雾霾天气就是其中影响程度最大的因素之一[1]。因此,在高速公路中,通过监控视频画面分析及时的检测到特定区域出现的雾霾,并准确的对雾霾程度进行判定分级,对于高速公路限行禁行控制,降低交通事故的发生率,是极为重要的,也是必要的[2]。
2011年,何凯明博士提出了暗原色先验理论[3],该理论被证明是目前最经典的图像去雾算法。本专利提出将暗原色先验理论用于视频画面雾霾检测与程度分级判别。我们通过输入图像获得其暗通道图表示,并基于暗原色先验理论完成图像去雾过程,得到去雾清晰图[4]。暗通道图在一定程度上可以反映出图像的雾霾特征与内容信息,使之与反映输入图像场景内容信息的去雾输出图像相结合(亮度通道做差),在一定程度上,可以得到公共空间中对输入图像雾霾信息的单一映射表征值。依据此雾霾信息表征值,结合通过实验分析预先确定的判定阈值,即可实现雾霾检测与程度分级判别任务[5][6]。经理论推理与实验验证,利用暗原色先验理论实现的基于监控视频画面分析的雾霾检测与程度分级算法符合具体场景应用需求,且具有成本低,操作方便,无需额外信息与标定,稳定性好等显著特点。且在国内外资料中,暂无发现直接利用暗原色先验算法进行雾霾检测与程度分级判别的方法,因此本方法具备很强的创新性。
参考文献:
[1]丁雪龙.高速公路团雾检测技术研究[D].2016.
[2]李易润.基于视频分析技术的高速公路团雾预警系统设计[D].
[3]He K,Sun J,Fellow,et al.Single Image Haze Removal Using DarkChannel Prior[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2011,33(12):2341-2353.
[4]赵瑞.基于暗原色先验理论的大气能见度测量[J].激光与光电子学进展,2016(53):72-79.
[5]王月琴,张文菊,谈玲珑.基于BP神经网络的高速公路团雾预测研究[J].佳木斯大学学报(自然科学版),2017,35(003):485-487.
[6]胡众义,刘清,郭建明,等.一种基于SVM分类的雾图自动检测方法[J].计算机仿真,2015,32(2):342-346.
发明内容
本发明针对雾霾天气情况下采集图像的整体色调特点,以计算机视觉技术为基础,通过暗原色先验理论基础,提供了一种基于监控视频画面分析的雾霾检测与程度分级判别算法,最终完成特定的雾霾图像分类目的。技术方案如下:
1.一种基于暗原色先验理论的雾霾检测与分级方法,包括下列步骤:
(1)输入图像的暗通道图生成
输入一张有雾图像I,先求出各像素点rgb通道中像素的最小值,然后将其依次存进和有雾图像I尺寸相同的灰度图中的对应位置,再对此灰度图进行最小值滤波,获得对应的暗通道图Idark。
(2)输入图像的去雾图像获取
建立散射介质成像模型,模型包括背景光信息A与透射率参数t,根据暗原色先验理论,通过已有的有雾图像I,进行模型反演,获取其对应的去雾清晰图像J;
(3)图像雾霾信息表征值获得
对步骤(1)中获得的暗通道图Idark的亮度均值与步骤(2)得到的去雾图像J的亮度均值做差,获取图像雾霾信息的单一映射表征值V;
(4)雾霾程度分级判定
设置四种类别雾霾情况对应的雾霾信息的单一映射表征值V的判定阈值,对有雾图像I进行雾霾程度分级,四种类别雾霾情况为:无雾情况,低浓度雾情况,高浓度雾情况和强浓度雾情况。
优选地,无雾情况:V<-50;低浓度雾情况:-50<V<-30;高浓度雾情况:-30<V<-16;强浓度雾情况:-16<V。
本发明内容主要分为暗通道图像生成、基于暗原色先验与散射介质中的物理成像模型的图像去雾以及图像雾霾信息表征值获取三部分。在测试使用过程中,对检测系统输入待检图像画面,便可通过本雾霾检测预警与分级算法,输出其对应的图像雾霾信息表征值V,将这一数值结果与预先确定的判定阈值进行匹配,即可完成对输入画面雾霾情况分类任务。算法框架如图1所示。与现有技术相比,本发明提出的算法简单高效,准确率高,具有较好的扩展性。
附图说明
图1算法整体流程框架
图2不同雾霾等级的高速公路监控视频画面与本专利提出算法的分类测评结果示例
具体实施方式
为使本发明的技术方案更加清楚,下面结合附图对本发明做进一步阐述。本发明按以下步骤具体实现:
第一步,输入图像的暗通道图生成。
暗原色先验来源于对大量无雾清晰图像的统计,在无雾图像中,每一个局部区域都很有可能会有阴影,或者是纯颜色的东西,又或者是黑色的东西。因此,每一个局部区域的rgb三个颜色通道中,都很有可能有至少一个颜色通道会有很低的值,几乎趋向于0。因此,无雾清晰图像对应的暗通道图亮度值很小或趋近于0。但由于雾总是灰白色的,一旦采集到的图像受到雾的影响,那么这些本来应该很暗的暗通道图就会变得灰白。我们就可以根据这些场景的灰白程度来判断相应的雾的浓度,进而实现基于监控画面的雾霾检测与程度分级判别。输入一张有雾图像I,由暗原色先验理论,其对应的暗通道图Idark获取过程如下:
其中,x和y代表图像中的像素点,Ω(x)表示以x为中心的局部块,c为rgb三个通道中的某一个通道,Ic表示图像I的彩色通道图像。求解暗通道图Idark的过程即为先求出各像素点rgb通道中像素的最小值,然后将其依次存进和原始图像尺寸相同的灰度图中的对应位置,再对该灰度图进行最小值滤波的过程。
得到雾天图像的暗通道图Idark后,其画面整体亮度值即可作为检测雾霾有无以及进行雾的浓度分级判别的衡量准则。
第二步,输入图像的去雾图像获取
接下来,借助已有的基于暗原色先验的图像去雾算法,通过已有的有雾图像I,获取其对应的去雾清晰图像J。某篇基于暗原色先验的图像去雾算法的经典文献来源:
He K,Sun J,Fellow,et al.Single Image Haze Removal Using Dark ChannelPrior[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2011,33(12):2341-2353.
雾霾天气下的图像获取过程遵循如下散射介质中的成像模型:
I(x)=J(x)t(x)+A(1-t(x)), (2)
x为图像中的像素点,I(x)为成像设备捕捉到的亮度值,即为有雾图像I中的像素值。J(x)为目标像素点表面反射的像素值,即为清晰图像J中对应的像素值。A为图像全局一致的环境光矢量,t是介质透射率,用于描述未被散射的最终到达摄像头的光与原始辐射光的比率。基于暗原色先验的图像去雾过程即为借助暗通道图与暗通道理论,估计成像模型中的参数A和t,并进行模型反演得到清晰图像的过程。
对于参数A的求解,对于任意一幅输入图像,取其暗通道图像灰度值最大的0.1%的像素点对应于原输入图像的像素位置的每个通道的灰度值的平均值,从而计算出每个通道的环境光矢量,即环境光矢量A是一个三元素向量,每一个元素对应于每一个颜色通道。
对于介质透射率t的求解,首先将成像模型归一化,即两边同时除以每个通道的环境光矢量:
而由暗原色先验理论,Jdark→0,即
且A为正值,故带入(4)式,可求得:
由此得到成像模型中的参数A和t后,带入成像模型(2),反演得到清晰去雾图像J。
第三步,图像雾霾信息表征值获得。
暗通道图包含雾的浓度信息,我们可以将采集到的图像转换为暗通道图后的画面整体亮度值作为检测雾霾有无以及进行雾的浓度分级判别的衡量准则。但仅凭借暗通道图的亮度信息反映雾霾浓度,会导致较大的分级判别错误率。原因在于原有图像中,可能就存在大片亮色区域,如高速公路监控摄像头拍摄的画面中有白色的车辆等,这样会导致输入图像获取的暗通道图像整体亮度均值偏大,造成对雾气级别的错误分类。也就是说,由输入图像I获取的暗通道图Idark不仅包含图像中雾的浓度信息,也包含图像内容的部分信息。因此,在本算法中,通过步骤2对去雾图像进行了获取,而得到的去雾图像J可以认为是对图像内容信息的反应。
对步骤1中获得的暗通道图Idark的亮度均值与步骤2得到的去雾图像J的亮度均值做差,即可获取图像雾霾信息的单一映射表征值V:
通过对输入图像求得的雾霾信息表征值,结合预先由实验分析确定的判定阈值,即可实现雾霾检测与程度分级判别任务。
通过对获取的大量高速公路监控画面雾霾图像以及气象学判别分析,将雾霾情况分为s0,s1,s2,s3共四级,分别对应无雾清晰图像,以及从低浓度雾霾到强浓度雾霾的四种类别。并通过对大量图像数据的实验分析,设置了四种类别雾霾情况对应的雾霾信息的单一映射表征值V的判定阈值:s0(无雾情况):V<-50;s1(低浓度雾情况):-50<V<-30;s2(高浓度雾情况):-30<V<-16;s3(强浓度雾情况):-16<V。由此,只要对检测系统输入待检图像,便可通过本雾霾检测预警与分级算法,输出其对应的图像雾霾信息表征值V,将这一数值结果与确定好的判定阈值进行匹配,即可完成对输入画面雾霾情况分类任务。
Claims (2)
1.一种基于暗原色先验理论的雾霾检测与分级方法,包括下列步骤:
(1)输入图像的暗通道图生成
输入一张有雾图像I,先求出各像素点rgb通道中像素的最小值,然后将其依次存进和有雾图像I尺寸相同的灰度图中的对应位置,再对此灰度图进行最小值滤波,获得对应的暗通道图Idark。
(2)输入图像的去雾图像获取
建立散射介质成像模型,模型包括背景光信息A与透射率参数t,根据暗原色先验理论,通过已有的有雾图像I,进行模型反演,获取其对应的去雾清晰图像J;
(3)图像雾霾信息表征值获得
对步骤(1)中获得的暗通道图Idark的亮度均值与步骤(2)得到的去雾图像J的亮度均值做差,获取图像雾霾信息的单一映射表征值V;
(4)雾霾程度分级判定
设置四种类别雾霾情况对应的雾霾信息的单一映射表征值V的判定阈值,对有雾图像I进行雾霾程度分级,四种类别雾霾情况为:无雾情况,低浓度雾情况,高浓度雾情况和强浓度雾情况。
2.根据权利要求1所述的雾霾检测与分级方法,其特征在于,无雾情况:V<-50;低浓度雾情况:-50<V<-30;高浓度雾情况:-30<V<-16;强浓度雾情况:-16<V。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291375.8A CN113065420A (zh) | 2021-03-18 | 2021-03-18 | 基于暗原色先验理论的雾霾检测与分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291375.8A CN113065420A (zh) | 2021-03-18 | 2021-03-18 | 基于暗原色先验理论的雾霾检测与分级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065420A true CN113065420A (zh) | 2021-07-02 |
Family
ID=76562003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291375.8A Pending CN113065420A (zh) | 2021-03-18 | 2021-03-18 | 基于暗原色先验理论的雾霾检测与分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065420A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204491A (zh) * | 2016-07-12 | 2016-12-07 | 中国科学技术大学 | 一种基于暗通道先验的自适应图像去雾方法 |
CN106548461A (zh) * | 2016-10-25 | 2017-03-29 | 湘潭大学 | 图像去雾方法 |
CN108681990A (zh) * | 2018-04-04 | 2018-10-19 | 高明合 | 一种实时雾霾预警方法及系统 |
CN110211096A (zh) * | 2019-04-30 | 2019-09-06 | 安徽四创电子股份有限公司 | 一种雾霾图像的检测方法 |
-
2021
- 2021-03-18 CN CN202110291375.8A patent/CN113065420A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204491A (zh) * | 2016-07-12 | 2016-12-07 | 中国科学技术大学 | 一种基于暗通道先验的自适应图像去雾方法 |
CN106548461A (zh) * | 2016-10-25 | 2017-03-29 | 湘潭大学 | 图像去雾方法 |
CN108681990A (zh) * | 2018-04-04 | 2018-10-19 | 高明合 | 一种实时雾霾预警方法及系统 |
CN110211096A (zh) * | 2019-04-30 | 2019-09-06 | 安徽四创电子股份有限公司 | 一种雾霾图像的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Santra et al. | Learning a patch quality comparator for single image dehazing | |
CN108304813B (zh) | 一种智能识别圆形交通信号灯状态的方法 | |
Hautiere et al. | Blind contrast enhancement assessment by gradient ratioing at visible edges | |
CN107103591B (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控系统 | |
CN111161160B (zh) | 一种雾天障碍物检测方法、装置、电子设备和存储介质 | |
CN108022225A (zh) | 基于快速导向滤波改进的暗通道先验图像去雾算法 | |
CN115330623A (zh) | 一种基于生成对抗网络的图像去雾模型的构建方法和系统 | |
CN109919062A (zh) | 一种基于特征量融合的道路场景天气识别方法 | |
CN112419745A (zh) | 一种基于深度融合网络的高速公路团雾预警系统 | |
CN110533626B (zh) | 一种全天候水质识别方法 | |
CN115713736A (zh) | 一种基于仿射变换的全天候车牌单目测距方法及装置 | |
Khan et al. | Recent advancement in haze removal approaches | |
CN116664448B (zh) | 一种基于图像去雾的中高能见度计算方法及计算系统 | |
CN107992799B (zh) | 面向烟雾检测应用的预处理方法 | |
CN110188693B (zh) | 改进的复杂环境车辆特征提取和停车判别方法 | |
Husain et al. | VRHAZE: The simulation of synthetic haze based on visibility range for dehazing method in single image | |
CN113065420A (zh) | 基于暗原色先验理论的雾霾检测与分级方法 | |
CN116524877A (zh) | 车载屏幕亮度调节方法、装置、电子设备和存储介质 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
Xiang et al. | A new model for daytime visibility index estimation fused average sobel gradient and dark channel ratio | |
CN113822105B (zh) | 基于svm水标尺在线二分类器的人工智能水位监测系统 | |
CN114494054A (zh) | 一种夜间车辆检测方法及存储介质 | |
CN114486916A (zh) | 基于机器视觉的手机玻璃盖板缺陷检测方法 | |
CN113269768A (zh) | 一种交通拥堵分析方法、装置及分析设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210702 |
|
WD01 | Invention patent application deemed withdrawn after publication |