CN113298730B - 一种基于图像分解的去雾复原方法 - Google Patents
一种基于图像分解的去雾复原方法 Download PDFInfo
- Publication number
- CN113298730B CN113298730B CN202110563426.8A CN202110563426A CN113298730B CN 113298730 B CN113298730 B CN 113298730B CN 202110563426 A CN202110563426 A CN 202110563426A CN 113298730 B CN113298730 B CN 113298730B
- Authority
- CN
- China
- Prior art keywords
- image
- atmospheric
- formula
- transmittance
- defogging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 10
- 238000002834 transmittance Methods 0.000 claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 5
- 239000002994 raw material Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T5/73—Deblurring; Sharpening
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种基于图像分解的去雾复原方法,涉及数字图像处理技术领域,解决现有去雾复原方法中先验信息失效时对透过率估计不准确及自适应差的问题,本发明所述的去雾复原方法,根据大气散射模型,本算法将有雾图像最小通道图像分解成稀疏衰减和低秩大气光两部分,通过稀疏大气光部分的准确估计,从而得到细节丰富的透过率图,利用引导滤波对透过率图像进行平滑滤波处理,即可准确的透过率估计,算法处理效果较好且自适应能力强。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种基于图像分解的去雾复原方法。
背景技术
户外可见光光学成像系统光成像系统经常面临雾、霾等自然天气条件的影响,由于大气中悬浮颗粒物产生的散射、吸收和反射作用,从而导致成像传感器无法采集到清晰的高质量图像或图像序列,严重影响了后续的目标识别、跟踪、配准、分割等工作,在很大程度上限制了户外成像设备效用的发挥。
近年来,由于雾霾等恶劣天气引起的能见度降低和视觉质量下降所导致的重大交通事故、公路交通阻断以及航班延误或取消等情况时有发生。雾霾作为常态化天气受到普通民众的广泛关注。相应地,对图像去雾技术的研究自然成为机器视觉与图像处理领域的一个重要问题。因此,提高退化图像的对比度、动态范围及清晰度,增加图像的可视度,针对单幅图像的质量提升成为当前研究的热点。
目前,对于基于单幅图像去雾复原方法分为基于非模型的去雾方法和基于模型的去雾方法。基于非模型的方法简单快速,但是通常在增强图像细节信息的同时会导致其他信息的损失,如直方图均衡、色彩恒常算法、自动色阶法等。基于物理模型的去雾方法是基于成像的退化模型而建立的,一般会通过一些先验信息把对大气透过率和环境光估计求解的非适定性转换为适定性,如暗原色先验法、颜色衰减先验法、几何先验法等。但是当这些先验信息失效时,将会导致对局部大气透过率估计出现明显偏差,去雾后的图像出现颜色失真、图像细节恢复不清晰以及晕环现象,很难取得理想的去雾复原效果。同时算法中由于模型的不适定性,导致采用先验信息去雾时,需要大量的参数设置,导致算法的自适应性差。
发明内容
本发明为解决去雾复原方法中先验信息失效时对透过率估计不准确及自适应差的问题,提供一种基于图像分解的去雾复原方法。
一种基于图像分解的去雾复原方法,该方法由以下步骤实现:
步骤一、
将基于大气散射成像模型的公式取最小值通道,用下式表示为:
式中,A为全球大气光,t(x)为大气透过率,J(x)t(x)衰减模型,A(1-t(x))为大气光模型;c∈{r,g,b},为有雾图像的最小通道, 为无雾图像的最小通道,令L(x)=A(1-t(x)),可得:
步骤二、
采用交替方向乘子法对上式的稀疏性部分和低秩性部分进行求解;选取D(x)中像素值最大的前10%的像素对应的I(x)值求平均,获得大气光值A的估计值;
根据L(x)=A(1-t(x)),获得透过率的估计值为:
式中,η为调整因子,采用平滑滤波进行平滑处理得到透过率t(x);
步骤三、
根据大气散射模型,实现对无雾场景的复原,如下式所示:
式中,t0为调节量,I(x)为有雾场景图像,J(x)为无雾场景图像。
本发明的有益效果:本发明所述的去雾复原方法,根据大气散射模型,本算法将有雾图像最小通道图像分解成稀疏衰减和低秩大气光两部分,通过稀疏大气光部分的准确估计,从而得到细节丰富的透过率图,利用引导滤波对透过率图像进行平滑滤波处理,即可准确的透过率估计,算法处理效果较好且自适应能力强。
附图说明
图1为大气散射模型原理图;
图2为采用本发明所述的基于图像分解的去雾复原方法进行去雾的效果图;其中(a)为原图,(b)为暗通道先验结果;(c)为本发明处理结果(d)为本发明估计的透过率图。
具体实施方式
结合图1和图2说明本实施方式,基于图像分解的去雾复原方法,该方法的具体实现过程为:如图1所示。衰减的反射光造成入射到成像系统的光线减弱,淹没了图像的细节信息和色彩信息,成像对比度降低。而参与成像的大气光进入成像视场,导致图像的高频分量被抑制,低频分量突出,进一步导致图像细节丢失,对比度和清晰度退化。
本实施方式中,基于大气散射成像模型如下式所示:
其中,I(x)为有雾场景图像,J(x)为无雾场景图像,A为全球大气光,t(x)为大气透过率,J(x)t(x)衰减模型,A(1-t(x))大气光模型。将(1)式取最小值通道可得:
根据大量的试验统计,发现具有弱稀疏性,而0<t(x)<1,可知所以D(x)具有更明显的稀疏性,而L(x)=A(1-t(x))大气光部分,导致图像的高频分量被抑制,图像细节信息丢失,因此该部分具有低秩性,所以本发明采用交替方向乘子法对式(3)稀疏部分和低秩部分进行迭代求解。
根据得到的D(x),选取D(x)中像素值最大的前10%的像素对应的I(x)值求平均,得到大气光值A的估计。根据L(x)=A(1-t(x)),可得透过率的估计值为:
然后根据大气散射模型,实现对无雾场景的复原,如下式所示:
t0为调节量,本实施方式中设置为0.01。经过上式恢复的图像一般会比较暗,我们采用自动色阶的方法进行增强。处理结果如图2所示。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种基于图像分解的去雾复原方法,其特征是:该方法由以下步骤实现:
步骤一、
将基于大气散射成像模型的公式取最小值通道,用下式表示为:
步骤二、
采用交替方向乘子法对上式的稀疏性部分和低秩性部分进行求解;选取D(x)中像素值最大的前10%的像素对应的I(x)值求平均,获得大气光值A的估计值;
根据L(x)=A(1-t(x)),获得透过率的估计值为:
式中,η为调整因子,采用平滑滤波进行平滑处理得到透过率t(x);
步骤三、
根据大气散射模型,实现对无雾场景的复原,如下式所示:
式中,t0为调节量,I(x)为有雾场景图像,J(x)为无雾场景图像。
2.根据权利要求1所述的一种基于图像分解的去雾复原方法,其特征在于:最终获得的无雾场景图像采用自动色阶的方法进行增强处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563426.8A CN113298730B (zh) | 2021-05-24 | 2021-05-24 | 一种基于图像分解的去雾复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563426.8A CN113298730B (zh) | 2021-05-24 | 2021-05-24 | 一种基于图像分解的去雾复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298730A CN113298730A (zh) | 2021-08-24 |
CN113298730B true CN113298730B (zh) | 2022-11-01 |
Family
ID=77324305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110563426.8A Active CN113298730B (zh) | 2021-05-24 | 2021-05-24 | 一种基于图像分解的去雾复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298730B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298729B (zh) * | 2021-05-24 | 2022-04-26 | 中国科学院长春光学精密机械与物理研究所 | 基于最小值通道的快速单幅图像去雾方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292258A (zh) * | 2020-01-15 | 2020-06-16 | 长安大学 | 一种基于暗通道和亮通道先验的图像去雾方法 |
CN111598811A (zh) * | 2020-05-25 | 2020-08-28 | 中国科学院长春光学精密机械与物理研究所 | 一种单幅全色遥感雾霾图像清晰化方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243670B (zh) * | 2015-10-23 | 2018-04-06 | 北京航空航天大学 | 一种稀疏和低秩联合表达的视频前景对象精准提取方法 |
CN106846263B (zh) * | 2016-12-28 | 2019-11-29 | 中国科学院长春光学精密机械与物理研究所 | 基于融合通道且对天空免疫的图像去雾方法 |
CN108154482A (zh) * | 2017-10-24 | 2018-06-12 | 天津大学 | 基于暗通道先验和多方向加权tv的图像盲去模糊方法 |
CN109064419A (zh) * | 2018-07-12 | 2018-12-21 | 四川大学 | 一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法 |
CN109087270B (zh) * | 2018-09-04 | 2019-05-14 | 中国矿业大学(北京) | 一种基于改进的卷积匹配追踪管道视频图像去雾增强方法 |
CN111598812B (zh) * | 2020-05-25 | 2022-03-01 | 中国科学院长春光学精密机械与物理研究所 | 一种基于rgb和hsv双颜色空间的图像去雾方法 |
CN111598886B (zh) * | 2020-05-25 | 2022-03-22 | 中国科学院长春光学精密机械与物理研究所 | 一种基于单幅图像的像素级透过率估计方法 |
CN111968054B (zh) * | 2020-08-14 | 2022-06-24 | 中国海洋大学 | 基于潜在低秩表示和图像融合的水下图像颜色增强方法 |
-
2021
- 2021-05-24 CN CN202110563426.8A patent/CN113298730B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292258A (zh) * | 2020-01-15 | 2020-06-16 | 长安大学 | 一种基于暗通道和亮通道先验的图像去雾方法 |
CN111598811A (zh) * | 2020-05-25 | 2020-08-28 | 中国科学院长春光学精密机械与物理研究所 | 一种单幅全色遥感雾霾图像清晰化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113298730A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
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 | |
Tripathi et al. | Single image fog removal using bilateral filter | |
CN111292258B (zh) | 一种基于暗通道和亮通道先验的图像去雾方法 | |
CN109087254B (zh) | 无人机航拍图像雾霾天空和白色区域自适应处理方法 | |
CN106875351A (zh) | 一种面向大面积天空区域图像的去雾方法 | |
CN108154492B (zh) | 一种基于非局部均值滤波的图像去雾霾方法 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN109118450B (zh) | 一种沙尘天气条件下的低质图像增强方法 | |
Kumari et al. | Single image fog removal using gamma transformation and median filtering | |
CN111598800B (zh) | 基于空间域同态滤波和暗通道先验的单幅图像去雾方法 | |
CN107977941B (zh) | 一种明亮区域色彩保真及对比度增强的图像去雾方法 | |
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 | |
CN106327450A (zh) | 一种基于时空累积和图像退化模型的低照度视频图像增强方法 | |
CN110349113B (zh) | 一种基于暗原色先验改进的自适应图像去雾方法 | |
CN113298730B (zh) | 一种基于图像分解的去雾复原方法 | |
CN111598814A (zh) | 基于极端散射通道的单图像去雾方法 | |
CN112419163A (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
CN112750089B (zh) | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 | |
Jiwani et al. | Single image fog removal using depth estimation based on blur estimation | |
CN110852971B (zh) | 基于暗原色先验和Retinex的视频去雾方法及存储介质 | |
CN110852957A (zh) | 一种基于视网膜特性的快速图像去雾方法 | |
CN113379631B (zh) | 一种图像去雾的方法及装置 | |
CN107203979B (zh) | 一种低照度图像增强的方法 |
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 |