CN113077422B - 起雾图像检测方法、模型训练方法及装置 - Google Patents
起雾图像检测方法、模型训练方法及装置 Download PDFInfo
- Publication number
- CN113077422B CN113077422B CN202110302650.1A CN202110302650A CN113077422B CN 113077422 B CN113077422 B CN 113077422B CN 202110302650 A CN202110302650 A CN 202110302650A CN 113077422 B CN113077422 B CN 113077422B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- detected
- gray
- foggy
- 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
- 238000012549 training Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种起雾图像检测方法、模型训练方法及装置。其中,该起雾图像检测方法包括:计算待检测图像中所有像素点的灰度差分值的均值,得到第一值;对待检测图像进行滤波,以得到滤波图像;计算滤波图像中所有像素点的灰度差分值的均值,得到第二值;基于待检测图像的第一值和第二值,确认待检测图像是否为起雾图像。本申请可以提高起雾图像检测的准确率。
Description
技术领域
本申请涉及图像技术领域,特别是涉及一种起雾图像检测方法、模型训练方法及装置。
背景技术
随着科技的发展,起雾图像检测可应用在越来越多的场景中,例如火灾检测场景或镜头起雾检测场景。
现有存在通过图像清晰度判断待检测图像是否为起雾图像的方案,但是这种方案检测准确率较低。
发明内容
本申请提供一种起雾图像检测方法、模型训练方法及装置,可以提高起雾图像检测的准确率。
为达到上述目的,本申请提供一种起雾图像检测方法,该方法包括:
计算待检测图像中所有像素点的灰度差分值的均值,得到第一值;
对所述待检测图像进行滤波,以得到滤波图像;
计算所述滤波图像中所有像素点的灰度差分值的均值,得到第二值;
基于所述待检测图像的第一值和第二值,确认所述待检测图像是否为起雾图像。
其中,所述基于所述待检测图像的第一值和第二值,确认所述待检测图像是否为起雾图像,包括:
将所述第一值和所述第二值输入已训练的分类器,以得到所述待检测图像的特征值;
若所述特征值大于阈值,则所述待检测图像为起雾图像。
其中,所述将所述第一值和所述第二值输入已训练的分类器,之前包括:
基于灰度范围等分而成的n个灰度值区间,确定待检测图像中落入到各个灰度值区间的像素点个数与像素点总数的比例,以得到各个区间比例;
将所有所述区间比例相乘,以得到第三值;
所述将所述第一值和所述第二值输入已训练的分类器,以得到所述待检测图像的特征值,包括:
将所述第一值、所述第二值和所述第三值输入所述分类器,以得到所述待检测图像的特征值。
其中,所述若所述特征值大于阈值,则所述待检测图像为起雾图像,之前包括:
计算所述待检测图像的所有像素点灰度值的均值;
所述若所述特征值大于阈值,则所述待检测图像为起雾图像,包括:
若所述均值大于亮度阈值,且所述特征值大于亮场景阈值,则所述待检测图像为起雾图像;
若所述均值小于亮度阈值,且所述特征值大于暗场景阈值,则所述待检测图像为起雾图像;
其中,所述亮场景阈值与所述暗场景阈值不相等。
其中,所述计算所述待检测图像中所有像素点的灰度差分值的均值,之前包括:
对所述待检测图像进行伽玛增强处理,得到增强图像;
计算所述待检测图像中所有像素点的灰度差分值的均值,包括:
计算所述增强图像中所有像素点的灰度差分值的均值,得到第一值;
所述对所述待检测图像进行滤波,以得到滤波图像,包括:
对所述增强图像进行滤波,以得到所述滤波图像。
其中,所述对所述待检测图像进行滤波,包括:
对所述待检测图像进行高斯滤波。
为达到上述目的,本申请提供一种起雾图像检测模型训练方法,该方法包括:
计算训练图像中所有像素点的灰度差分值的均值,得到第一值;
对所述训练图像进行滤波,以得到滤波图像;
计算所述滤波图像中所有像素点的灰度差分值的均值,得到第二值;
基于所有所述训练图像的第一值和第二值,对所述起雾图像检测模型进行训练。
其中,所述基于所有所述训练图像的第一值和第二值,对所述分类器进行训练,之前包括:
确定训练图像中落入到各个灰度值区间的像素点个数与像素点总数的比例,以得到各个区间比例;
将所有所述区间比例相乘,以得到第三值;
所述基于所有所述训练图像的第一值和第二值,对所述起雾图像检测模型进行训练,包括:
基于所有所述训练图像的第一值、第二值和第三值,对所述起雾图像检测模型进行训练。
为达到上述目的,本申请提供一种电子设备,该电子设备包括处理器;处理器用于执行指令以实现上述方法中的步骤。
为达到上述目的,本申请提供一种计算机可读存储介质,其用于存储指令/程序数据,指令/程序数据能够被执行以实现上述方法。
本申请计算待检测图像中所有像素点的灰度差分值的均值,得到第一值;对待检测图像进行滤波,以得到滤波图像;计算滤波图像中所有像素点的灰度差分值的均值,得到第二值;基于待检测图像的第一值和第二值,确认待检测图像是否为起雾图像;以便利用滤波前后待检测图像中所有像素点的灰度差分值的均值进行起雾图像检测,可以提高起雾图像检测的准确率。
附图说明
图1是本申请起雾图像检测方法一实施方式的流程示意图;
图2是本申请起雾图像检测方法另一实施方式的流程示意图;
图3是本申请起雾图像检测模型训练方法一实施方式的流程示意图;
图4是本申请起雾图像检测模型训练方法另一实施方式的流程示意图;
图5是本申请电子设备一实施方式的结构示意图;
图6是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本申请所提供的起雾图像检测方法、模型训练方法及装置做进一步详细描述。
具体请参阅图1,图1是本申请起雾图像检测方法第一实施方式的流程示意图。本实施方式起雾图像检测方法包括以下步骤。需要注意的是,以下编号仅用于简化说明,并不旨在限制步骤的执行顺序,本实施方式的各步骤可以在不违背本申请技术思想的基础上,任意更换执行顺序。
S101:计算待检测图像中所有像素点的灰度差分值的均值,得到第一值。
其中,计算出待检测图像中所有像素点的灰度差分值的均值,以便综合滤波后的图像的所有像素点的灰度差分值的均值进行确认待检测图像是否为起雾图像。
可选地,本申请可以计算出待检测图像中每个像素点的灰度差分值,然后计算待检测图像中所有像素点的灰度差分值的均值。
其中,可以基于待检测图像中每个像素点及其邻域的至少一个像素点,计算出待检测图像中每个像素点的灰度差分值。例如,可以通过公式“gray_smd(x,y)=|Gray(x,y)-Gray(x,y-1)|*|Gray(x,y)-Gray(x-1,y)|*|Gray(x,y)-Gray(x,y+1)|*|Gray(x,y)-Gray(x+1,y)|”,对待检测图像中每个像素点Gray(x,y)及其邻域的四个像素点(Gray(x,y-1),Gray(x-1,y),Gray(x,y+1)和Gray(x+1,y))进行计算,以得到待检测图像中每个像素点的灰度差分值gray_smd(x,y)。又例如,也可通过公式“gray_smd(x,y)=|Gray(x,y)-Gray(x,y-1)|”,对待检测图像中每个像素点Gray(x,y)及其邻域的一个像素点Gray(x,y-1)进行计算,以得到待检测图像中每个像素点的灰度差分值gray_smd(x,y)。
S102:对待检测图像进行滤波,以得到滤波图像。
可以对待检测图像进行滤波处理,以得到滤波图像,以便后续计算出待检测图像滤波后的所有像素点的灰度差分值的均值。
其中,步骤S102中的滤波方法不受限制,例如可对待检测图像进行高斯滤波、均值滤波或方框滤波等。
并且,若对待检测图像进行高斯滤波,可以使用各种规格的高斯核。
例如,可以选择方差为25、核半径为9的高斯核:
并通过公式lur_Gray(x,y)=sum(I(x-4,y-4)*guassian(1,1)+…+I(x+4,y+4)*guassian(9,9))计算出滤波图像中各个像素点的值。
当然,在其他实施例中,可以使用方差为1、核半径为5的高斯核对待检测图像进行高斯滤波。
可以理解的是,步骤S102的执行顺序不受限制,只有在步骤S103之前执行即可,例如可与步骤S101同时执行,也可在步骤S101之前执行。
S103:计算滤波图像中所有像素点的灰度差分值的均值,得到第二值。
对待检测图像进行滤波后,可以计算滤波图像中所有像素点的灰度差分值的均值,得到第二值。
可选地,本申请可以计算出滤波图像中每个像素点的灰度差分值,然后计算滤波图像中所有像素点的灰度差分值的均值。
其中,可以基于滤波图像中每个像素点及其邻域的至少一个像素点,计算出滤波图像中每个像素点的灰度差分值。例如,可以通过公式“blur_smd(x,y)=|Blur_Gray(x,y)-Blur_Gray(x,y-1)|*|Blur_Gray(x,y)-Blur_Gray(x-1,y)|*|Blur_Gray(x,y)-Blur_Gray(x,y+1)|*|Blur_Gray(x,y)-Blur_Gray(x+1,y)|”,对滤波图像中每个像素点Blur_Gray(x,y)及其邻域的四个像素点(Blur_Gray(x,y-1),Blur_Gray(x-1,y),Blur_Gray(x,y+1)和Blur_Gray(x+1,y))进行计算,以得到滤波图像中每个像素点的灰度差分值Blur_smd(x,y)。
S104:基于待检测图像的第一值和第二值,确认待检测图像是否为起雾图像。
基于上述步骤计算出待检测图像滤波前后所有像素点的灰度差分值的均值后,可以基于检测图像的第一值和第二值,确认待检测图像是否为起雾图像。
可选地,可以将待检测图像的第一值和第二值输入到已训练的检测模型,以确认待检测图像是否为起雾图像。
进一步地,可以将待检测图像的第一值和第二值输入到已训练的分类器,以得到待检测图像的特征值;若特征值大于阈值,则待检测图像为起雾图像,这样基于机器学习的方法,不需要准备大量的数据集,容易适应各种场景,且相比于计算量大的深度学习模型,分类器更加容易地移植到小型设备中。
其中,分类器可以是任意类型的分类器,例如可为Logistic回归模型、支持向量机SVM、Adaboost等。
在本实施方式中,计算待检测图像中所有像素点的灰度差分值的均值,得到第一值;对待检测图像进行滤波,以得到滤波图像;计算滤波图像中所有像素点的灰度差分值的均值,得到第二值;基于待检测图像的第一值和第二值,确认待检测图像是否为起雾图像;以便利用滤波前后待检测图像中所有像素点的灰度差分值的均值进行起雾图像检测,可以提高起雾图像检测的准确率。
考虑到亮场景和暗场景的差异会对上述实施方式起雾图像检测的准确率带来一定影响,基于分类器计算出的特征值检测起雾图像的方案,本申请提出了两种方法以减少亮暗场景对起雾图像检测带来的影响,当然不限于此。
在一实现方式中,本申请可以基于待检测图像的平均灰度,以确认待检测图像是亮场景图像还是暗场景图像;并针对亮场景和暗场景各设置一个阈值,利用亮场景阈值更加准确地确认出亮场景图像是否是起雾图像,并利用暗场景阈值更加准确地确认出暗场景图像是否是起雾图像。示例性地,可以计算待检测图像的所有像素点灰度值的均值;若均值大于亮度阈值,则待检测图像为亮场景图像,若均值小于亮度阈值,则待检测图像为暗场景图像;从而若待检测图像为亮场景图像,则确认基于分类器得到的特征值是否大于亮场景阈值,若大于亮场景阈值,则待检测图像为起雾图像,若小于亮场景阈值,则待检测图像为非起雾图像(即正常图像);从而若待检测图像为暗场景图像,则确认基于分类器得到的特征值是否大于暗场景阈值,若大于暗场景阈值,则待检测图像为起雾图像,若小于暗场景阈值,则待检测图像为非起雾图像。可选地,本申请的亮度阈值、亮场景阈值和暗场景阈值可以基于实际情况进行设定,在此不做限定,例如,亮度阈值可为150或170,亮场景阈值可为0或-0.1,暗场景阈值可为0.1或0。其中,亮场景阈值与所述暗场景阈值可以不相等。
在另一实现方式中,可以利用待检测图像的直方图特征区分亮场景和暗场景,并将待检测图像的直方图特征代入到分类器中;以利用分类器对第一值、第二值和直方图特征进行计算,得到能够更加准确地代表图像是否有雾的特征值,这样可以适用于白天/晚上等各种场景,以较好地检测到镜头起雾的情况。
示例性地,待检测图像的直方图特征的一种计算方式可如下所示:
可以基于灰度范围等分而成的n个灰度值区间和待检测图像,确定待检测图像中落入到各个灰度值区间的像素点个数;然后将各个灰度值区间的像素点个数归一化;将所有归一化后的值相乘,以得到第三值。
具体请参阅图2,图2是本申请起雾图像检测方法第二实施方式的流程示意图。本实施方式起雾图像检测方法包括以下步骤。需要注意的是,以下编号仅用于简化说明,并不旨在限制步骤的执行顺序,本实施方式的各步骤可以在不违背本申请技术思想的基础上,任意更换执行顺序。
S201:获取待检测图像的灰度图像。
可选地,是否有雾主要会体现在图像的亮度信息上,直接基于图像的亮度信息可更为准确地知晓待检测图像是否为起雾图像,从而可以先确定待检测图像的灰度图像,以后后续基于灰度图像确定待检测图像是否为起雾图像。
若待检测图像为RGB图像,可基于RGB图像转灰度图像的公式,计算得到待检测图像的灰度图像。具体地,可以利用公式Gray=0.299*R+0.587*G+0.114*B,将RGB图像转化为灰度图像Gray。
若待检测图像为YUV图像,可以直接将待检测图像的Y分量作为待检测图像的灰度图像。
S202:对灰度图像进行伽玛增强处理,得到增强图像。
确定待检测图像的灰度图像后,可以对灰度图像进行伽玛(gamma)增强处理,以缩小待检测图像的亮度分布差距,从而提高起雾图像的检测结果。
示例性地,可通过公式Gray(x,y)=f(Gray(x,y))=Gray(x,y)γ对灰度图像进行gamma增强处理。其中,γ可以根据实际情况进行设定,在此不做限定,例如可为0.5。
S203:计算增强图像中所有像素点的灰度差分值的均值,得到第一值。
得到gamma增强后的图像后,可以以步骤S101中的方法计算增强图像中所有像素点的灰度差分值的均值,在此不做赘述。
S204:基于灰度范围等分而成的n个灰度值区间,确定增强图像中落入到各个灰度值区间的像素点个数与像素点总数的比例,以得到各个区间比例。
其中,本申请的灰度范围即为待检测图像的灰度范围,可为(0,1)或(0,255)。n可根据实际情况进行设定,在此不做限定,例如可为5、8或10。
示例性地,灰度范围为(0,255),可将0-255范围内灰度值划分为8个灰度值区间bin1,…,bin8:0-31,32-63,64-95,96-127,128-159,160-191,192-223,224-256;然后统计增强图像中灰度值落入到每个灰度值区间的像素点个数——bin1_num,bin2_num,……bin8_num;进而计算每个灰度值区间的像素点个数与待检测图像的总像素数量的比例值——bin1_num/sum,…,bin8_num/sum。
S205:将所有区间比例相乘,以得到第三值。
基于步骤S204计算得到n个区间的比例后,可以将所有区间比例相乘,以得到第三值。
示例性地,假设将灰度范围划分为8个灰度值区间,得到8个区间比例——bin1_num/sum,…,bin8_num/sum后,可以将8个区间比例相乘以得到第三值:hist_value=(bin1_num/sum)*…*(bin8_num/sum)。
S206:对增强图像进行滤波,以得到滤波图像。
S207:计算滤波图像中所有像素点的灰度差分值的均值,得到第二值。
S208:将待检测图像的第一值、第二值和第三值输入已训练的分类器,以得到待检测图像的特征值。
S209:若特征值大于阈值,则待检测图像为起雾图像。
其中,特征值可根据实际情况进行设定,在此不做限定,例如可为0或1等。
具体请参阅图3,图3是本申请起雾图像检测模型训练方法第一实施方式的流程示意图。本实施方式起雾图像检测模型训练方法包括以下步骤。需要注意的是,以下编号仅用于简化说明,并不旨在限制步骤的执行顺序,本实施方式的各步骤可以在不违背本申请技术思想的基础上,任意更换执行顺序。
S301:计算训练图像中所有像素点的灰度差分值的均值,得到第一值。
在步骤S301之前,可以先搜集训练样本集,以便在步骤S301基于训练样本集中的训练图像对起雾图像检测模型进行训练。其中,训练样本集可包括起雾图像和非起雾图像。例如,可由镜头起雾所拍摄的图像50张和镜头正常所拍摄的图像50张构成训练样本集,以通过训练样本集对起雾图像检测模型进行训练,从而得到检测镜头起雾的起雾图像检测模型。
S302:对训练图像进行滤波,以得到滤波图像。
S303:计算训练图像中所有像素点的灰度差分值的均值,得到第二值。
S304:基于所有训练图像的第一值和第二值,对起雾图像检测模型进行训练。
可以利用梯度下降法或牛顿法等优化学习方法对起雾图像检测模型进行训练。
起雾图像检测模型可以是分类器模块,也可以CNN等神经网络模型,当然不限于此。
具体请参阅图4,图4是本申请起雾图像检测模型训练方法第二实施方式的流程示意图。
S401:获取训练图像的灰度图像。
S402:对灰度图像进行伽玛增强处理,得到增强图像。
S403:计算增强图像中所有像素点的灰度差分值的均值,得到第一值。
S404:基于灰度范围等分而成的n个灰度值区间,确定增强图像中落入到各个灰度值区间的像素点个数与像素点总数的比例,以得到各个区间比例。
S405:将所有区间比例相乘,以得到第三值。
S406:对增强图像进行滤波,以得到滤波图像。
S407:计算滤波图像中所有像素点的灰度差分值的均值,得到第二值。
S408:基于所有训练图像的第一值、第二值和第三值,对分类器进行训练。
示例性地,假设分类器为Logistic回归模型,建立模型如下:
本提案中x=[第一值gray_smd,第三值hist_value,第二值blur_smd],随机初始化θ=[θ1,θ2,θ3]’,使用梯度下降法更新参数θ。
请参阅图5,图5是本申请电子设备10一实施方式的结构示意图。本申请电子设备10包括处理器12,处理器12用于执行指令以实现上述本申请起雾图像检测方法和起雾图像检测模型训练方法任一实施方式及任意不冲突的组合所提供的方法。
电子设备10可为手机或摄像头等装置。
处理器12还可以称为CPU(Central Processing Unit,中央处理单元)。处理器12可能是一种集成电路芯片,具有信号的处理能力。处理器12还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器,或者该处理器12也可以是任何常规的处理器等。
电子设备10还可进一步包括存储器11,用于存储处理器12运行所需的指令和数据。
请参阅图6,图6为本申请实施方式中计算机可读存储介质的结构示意图。本申请实施例的计算机可读存储介质20存储有指令/程序数据21,该指令/程序数据21被执行时实现本申请上述方法任一实施方法以及任意不冲突的组合所提供的方法。其中,该指令/程序数据21可以形成程序文件以软件产品的形式存储在上述存储介质20中,以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质20包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种起雾图像检测方法,其特征在于,所述方法包括:
计算待检测图像中所有像素点的灰度差分值的均值,得到第一值;
对所述待检测图像进行滤波,以得到滤波图像;
计算所述滤波图像中所有像素点的灰度差分值的均值,得到第二值;
基于所述待检测图像的第一值和第二值,确认所述待检测图像是否为起雾图像;
其中,所述基于所述待检测图像的第一值和第二值,确认所述待检测图像是否为起雾图像,包括:
将所述第一值、所述第二值和第三值输入分类器,以得到所述待检测图像的特征值;若所述特征值大于阈值,则所述待检测图像为起雾图像;其中,所述第三值为所有区间比例的乘积,各个所述区间比例为所述待检测图像中落入到各个灰度值区间的像素点个数与像素点总数的比例;或,
将所述第一值和所述第二值输入已训练的分类器,以得到所述待检测图像的特征值;若所述待检测图像的所有像素点灰度值的均值大于亮度阈值,且所述特征值大于亮场景阈值,则所述待检测图像为起雾图像;若所述均值小于亮度阈值,且所述特征值大于暗场景阈值,则所述待检测图像为起雾图像;其中,所述亮场景阈值与所述暗场景阈值不相等。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一值和所述第二值输入已训练的分类器,之前包括:
基于灰度范围等分而成的n个灰度值区间,确定n个所述区间比例;
将n个所述区间比例相乘,以得到所述第三值。
3.根据权利要求1所述的方法,其特征在于,所述计算所述待检测图像中所有像素点的灰度差分值的均值,之前包括:
对所述待检测图像进行伽玛增强处理,得到增强图像;
计算所述待检测图像中所有像素点的灰度差分值的均值,包括:
计算所述增强图像中所有像素点的灰度差分值的均值,得到第一值;
所述对所述待检测图像进行滤波,以得到滤波图像,包括:
对所述增强图像进行滤波,以得到所述滤波图像。
4.根据权利要求1所述的方法,其特征在于,所述对所述待检测图像进行滤波,包括:
对所述待检测图像进行高斯滤波。
5.一种起雾图像检测模型训练方法,其特征在于,所述方法包括:
计算训练图像中所有像素点的灰度差分值的均值,得到第一值;
对所述训练图像进行滤波,以得到滤波图像;
计算所述滤波图像中所有像素点的灰度差分值的均值,得到第二值;
基于所有所述训练图像的第一值、第二值和第三值,对所述起雾图像检测模型进行训练,其中,所述第三值为所有区间比例的乘积,各个所述区间比例为所述起雾图像中落入到各个灰度值区间的像素点个数与像素点总数的比例。
6.根据权利要求5所述的方法,其特征在于,所述基于所有所述训练图像的第一值和第二值,对所述起雾图像检测模型进行训练,之前包括:
基于灰度范围等分而成的n个灰度值区间,确定训练图像中落入到各个灰度值区间的像素点个数与像素点总数的比例,以得到各个区间比例;
将所有所述区间比例相乘,以得到第三值。
7.一种电子设备,其特征在于,所述电子设备包括处理器;所述处理器用于执行指令以实现如权利要求1-6任一项所述的方法。
8.一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能够实现权利要求1-6中任一项方法的程序文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110302650.1A CN113077422B (zh) | 2021-03-22 | 2021-03-22 | 起雾图像检测方法、模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110302650.1A CN113077422B (zh) | 2021-03-22 | 2021-03-22 | 起雾图像检测方法、模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077422A CN113077422A (zh) | 2021-07-06 |
CN113077422B true CN113077422B (zh) | 2023-08-15 |
Family
ID=76613217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110302650.1A Active CN113077422B (zh) | 2021-03-22 | 2021-03-22 | 起雾图像检测方法、模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077422B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013018101A1 (en) * | 2011-08-03 | 2013-02-07 | Indian Institute Of Technology, Kharagpur | Method and system for removal of fog, mist or haze from images and videos |
CN104834912A (zh) * | 2015-05-14 | 2015-08-12 | 北京邮电大学 | 一种基于图像信息检测的天气识别方法及装置 |
CN105872373A (zh) * | 2016-03-31 | 2016-08-17 | 北京奇虎科技有限公司 | 一种自动去雾拍照方法、装置和设备 |
CN108765316A (zh) * | 2018-05-07 | 2018-11-06 | 珠海全志科技股份有限公司 | 雾气浓度自适应判断方法 |
CN109740639A (zh) * | 2018-12-15 | 2019-05-10 | 中国科学院深圳先进技术研究院 | 一种风云卫星遥感影像云检测方法、系统及电子设备 |
CN109934781A (zh) * | 2019-02-27 | 2019-06-25 | 合刃科技(深圳)有限公司 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
CN111145120A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 能见度检测方法、装置、计算机设备和存储介质 |
CN111415317A (zh) * | 2020-03-20 | 2020-07-14 | 苏州杰锐思智能科技股份有限公司 | 图像处理方法及装置、电子设备、计算机可读存储介质 |
CN112149476A (zh) * | 2019-06-28 | 2020-12-29 | 北京海益同展信息科技有限公司 | 目标检测方法、装置、设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4321591B2 (ja) * | 2007-01-11 | 2009-08-26 | 株式会社デンソー | 車載霧判定装置 |
DE102010002488A1 (de) * | 2010-03-02 | 2011-09-08 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Nebelerkennung mittels Spektroskopie |
WO2015031478A1 (en) * | 2013-08-28 | 2015-03-05 | Gentex Corporation | Imaging system and method for fog detection |
US9734425B2 (en) * | 2015-02-11 | 2017-08-15 | Qualcomm Incorporated | Environmental scene condition detection |
US9305339B2 (en) * | 2014-07-01 | 2016-04-05 | Adobe Systems Incorporated | Multi-feature image haze removal |
EP3477548B1 (en) * | 2017-10-24 | 2020-02-19 | Axis AB | Method and image capturing device for detecting fog in a scene |
-
2021
- 2021-03-22 CN CN202110302650.1A patent/CN113077422B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013018101A1 (en) * | 2011-08-03 | 2013-02-07 | Indian Institute Of Technology, Kharagpur | Method and system for removal of fog, mist or haze from images and videos |
CN104834912A (zh) * | 2015-05-14 | 2015-08-12 | 北京邮电大学 | 一种基于图像信息检测的天气识别方法及装置 |
CN105872373A (zh) * | 2016-03-31 | 2016-08-17 | 北京奇虎科技有限公司 | 一种自动去雾拍照方法、装置和设备 |
CN108765316A (zh) * | 2018-05-07 | 2018-11-06 | 珠海全志科技股份有限公司 | 雾气浓度自适应判断方法 |
CN109740639A (zh) * | 2018-12-15 | 2019-05-10 | 中国科学院深圳先进技术研究院 | 一种风云卫星遥感影像云检测方法、系统及电子设备 |
CN109934781A (zh) * | 2019-02-27 | 2019-06-25 | 合刃科技(深圳)有限公司 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
CN112149476A (zh) * | 2019-06-28 | 2020-12-29 | 北京海益同展信息科技有限公司 | 目标检测方法、装置、设备和存储介质 |
CN111145120A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 能见度检测方法、装置、计算机设备和存储介质 |
CN111415317A (zh) * | 2020-03-20 | 2020-07-14 | 苏州杰锐思智能科技股份有限公司 | 图像处理方法及装置、电子设备、计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
车载摄像机的起雾机理及其消除方法研究;韩朋;中国优秀硕士学位论文全文数据库 信息科技辑;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113077422A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103916603B (zh) | 逆光检测方法及设备 | |
CN110796041B (zh) | 主体识别方法和装置、电子设备、计算机可读存储介质 | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
WO2017215527A1 (zh) | Hdr场景侦测方法、装置和计算机存储介质 | |
CN111368587B (zh) | 场景检测方法、装置、终端设备及计算机可读存储介质 | |
CN111127358B (zh) | 图像处理方法、装置及存储介质 | |
CN108961260B (zh) | 图像二值化方法及装置、计算机存储介质 | |
CN108961209B (zh) | 行人图像质量评价方法、电子设备及计算机可读介质 | |
CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
CN115239653A (zh) | 支持多分屏的黑屏检测方法、装置、电子设备及可读存储介质 | |
CN111340722B (zh) | 图像处理方法、处理装置、终端设备及可读存储介质 | |
CN113077422B (zh) | 起雾图像检测方法、模型训练方法及装置 | |
CN110910429B (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN110688926B (zh) | 主体检测方法和装置、电子设备、计算机可读存储介质 | |
CN112070682B (zh) | 图像亮度补偿的方法和装置 | |
CN111539975A (zh) | 一种运动目标的检测方法、装置、设备及存储介质 | |
CN108805883B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN116758373A (zh) | 深度学习模型的训练方法、图像处理方法、装置和设备 | |
CN111787310A (zh) | 防抖性能测试方法、装置、计算机设备及存储介质 | |
EP2919149A2 (en) | Image processing apparatus and image processing method | |
CN116017129A (zh) | 一种补光灯角度调整方法、装置、系统、设备和介质 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN113870210A (zh) | 一种图像质量评估方法、装置、设备及存储介质 | |
CN116189276A (zh) | 运动检测方法、计算机程序产品、电子设备及存储介质 | |
CN113628192A (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 |
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 |