CN113487509B - 一种像素聚类及透射率融合的遥感图像雾气去除方法 - Google Patents

一种像素聚类及透射率融合的遥感图像雾气去除方法 Download PDF

Info

Publication number
CN113487509B
CN113487509B CN202110792340.2A CN202110792340A CN113487509B CN 113487509 B CN113487509 B CN 113487509B CN 202110792340 A CN202110792340 A CN 202110792340A CN 113487509 B CN113487509 B CN 113487509B
Authority
CN
China
Prior art keywords
transmittance
pixel
transmissivity
atmospheric
fog
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
Application number
CN202110792340.2A
Other languages
English (en)
Other versions
CN113487509A (zh
Inventor
崔光茫
杨顺杰
赵巨峰
陈英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Beijing Institute of Space Research Mechanical and Electricity
Original Assignee
Hangzhou Dianzi University
Beijing Institute of Space Research Mechanical and Electricity
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University, Beijing Institute of Space Research Mechanical and Electricity filed Critical Hangzhou Dianzi University
Priority to CN202110792340.2A priority Critical patent/CN113487509B/zh
Publication of CN113487509A publication Critical patent/CN113487509A/zh
Application granted granted Critical
Publication of CN113487509B publication Critical patent/CN113487509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种像素聚类及透射率融合的遥感图像雾气去除方法，包括以下步骤，步骤一：计算矫正大气光；步骤二：建立大气雾模型；步骤三：建立球形空间坐标系；步骤四：对空间像素聚类分组；步骤五：估计大气透射率；步骤六：透射率误差修正以及优化；步骤七：透射率融合优化；步骤八：恢复无雾图像。本发明在遥感图像雾气的去除方法上面创新性的提出了像素聚类分组，以此来准确估计遥感图像透射率，同时结合暗通道方法透射率的频域融合，获得可靠且精细的融合透射率图；使得最后获得的复原图像，不会产生边缘块效应，无雾区域不会产生颜色失真以及细节丢失现象，且得到的复原图画面均衡，细节信息增加。

Description

一种像素聚类及透射率融合的遥感图像雾气去除方法
技术领域
本发明涉及图像去雾技术，尤其涉及一种像素聚类及透射率融合的遥感图像雾气去除方法。
背景技术
遥感是一种无接触的远距离探测方式，遥感技术按平台分类，可分为地面遥感，航空遥感，宇航遥感等方式。遥感图像由于其高分辨率，大视场，以及接受信息丰富的优势，被广泛运用在气象监测，资源调查，军事侦察等领域。
随着探测距离不断增加，获得的遥感图像的质量也会变差。这是因为光在传播的过程中，被大气中的浑浊介质吸收和散射的结果。大气介质衰减，以及大气散射现象导致传感器获取的图像变得模糊，对比度降低。
早期的研究人员使用传统的图像处理技术从单个图像中去除雾度，用的最多的是直方图均衡技术。然而这些技术去雾能力有限，无法有效恢复模糊信息。
在普通室外雾气去除方向中，比较常用的是基于先验和假设的算法，何凯明提出的基于室外无雾图像统计的暗通道先验来去除室外图像中雾霾的暗通道先验算法是最简单有效的，但是在处理遥感有雾图像时效果不佳。
随着深度学习的发展，通过利用大规模训练数据集，研究人员提出了许多基于深度卷积神经网络的方法用于图像去雾。多数深度学习雾气去除的方法设计了一套可训练的端到端系统，去除雾霾的关键是为输入的雾霾图像估计介质透射率图。
总结现有去雾方法，主要以室外均匀雾气去除为主，而针对遥感图像的方法较少且去雾效果较差，究其原因，主要体现在以下两方面：
1、透射率求取得到的投射图精细程度不够。
2常规计算透射率的方法不适用于遥感图像的雾气去除。
发明内容
本发明提供了一种像素聚类及透射率融合的遥感图像雾气去除方法，其通过透射率融合的方式提高透射率精细度，符合遥感场景雾气去除前提。
为解决上述问题，本发明通过在球形空间坐标系中建立像素聚类分组模型，计算遥感雾气图像粗透射率，再把粗透射率结果与暗通道先验计算雾气透射率进行频域的透射率融合，得到符合遥感场景的精细雾气透射率，最后利用大气雾气模型进行清晰图像恢复重建。
具体技术方案如下：
一种像素聚类及透射率融合的遥感图像雾气去除方法，包括以下步骤，
步骤一：计算矫正大气光；
步骤二：建立大气雾模型；
步骤三：建立球形空间坐标系；
步骤四：对空间像素聚类分组；
步骤五：估计大气透射率；
步骤六：透射率误差修正以及优化；
步骤七：透射率融合优化；
步骤八：恢复无雾图像。
进一步的，步骤一中计算矫正大气光，过程包括：获取每个通道的最小值，使用一个窗函数滤波获取每个窗口的最小值；并且选择暗通道图中最亮的0.1％元素的平均值作为大气光值A。
进一步的，步骤二、步骤三结合大气雾模型建立球形空间坐标系，对大气雾模型公式变形，建立一个以大气光为原点的球形坐标系，是一个能分离雾度和RGB原色的RGB空间模型。
进一步的，建立大气雾模型
I(x)＝t(x)·J(x)+[1-t(x)]·A
在描述单个图像的雾气光学模型时，使用郎伯比尔定律的衍生；其中，I(x)指的是图像强度，J(x)指需要恢复的场景辐射，A是指大气光，t(x)指的是通过介质的透射率；
进一步的，建立球形空间坐标系
为建立一个以大气光为原点的球形坐标系，大气雾模型两边减去大气光值A，得到如下公式
Iα(x)＝t(x)·[J(x)-A]
其中，Iα(x)就代表I(x)-A，此时可以将Iα(x)映射成以A为远点的球形坐标系：
Iα(x)＝[r(x),θ(x),φ(x)]
其中，r(x),θ(x),φ(x)就分别代表像素点距离原点的长度，经度，纬度。
进一步的，步骤四、步骤五利用球形空间坐标系，对图像中的像素点进行聚类分组，每一组是同一类相似颜色的清晰像素点；通过每一组的最大距离值，能够计算出每个像素点对应的透射率值。
进一步的，像素聚类
通过θ(x),φ(x)值为球形坐标系中的像素点分组；分组方法使用K-means聚类算法，过程如下：
(1)选择初始化的N个取样点作为聚类中心；
(2)针对坐标系中每一个像素点，基于像素点中的θ(x),φ(x)，计算它到N个取样点中对应θ(x),φ(x)的欧式距离，并且将其分到距离最小的聚类中心所对应的类中；
(3)针对每个类别，重新计算聚类中心；
(4)重复以上步骤；
进一步的，估计大气透射率
根据r(x)的计算公式如下：
r(x)＝t(x)‖J(x)-A‖,0≤t(x)≤1
当t(x)＝1时，代表清晰无雾的情况下r(x)的值，此时r(x)可以被表示为rmax粗略的透射率求取公式可以表示为：
为了估计最大坐标半径rmax，上一步骤中每一像素组的最大坐标半径值可以被近似为清晰无雾的情况下r(x)的值，公式描述如下：
H代表上一步骤中的每一个像素大类。
进一步的，步骤六、步骤七使用最小约束优化计算得到的像素聚类透射率，结合暗通道透射率；分别计算两种透射率的频域空间，融合低频信息和高频信息来获取最终精细的透射率结果。
进一步的，透射率误差修正以及优化
根据大气散射模型公式，以及J(x)≥0可以得出约束公式：
其中c∈{R,G,B}表示三个颜色通道的集合，tL(x)代表透射率的下限约束。
tθ(x)＝max{t(x),tL(x)}
对最后计算的透射率tθ(x)使用双边滤波，获得像素聚类的雾气图像透射率。
进一步的，透射率融合优化
引入一种暗通道透射率计算方法，暗通道的计算方式是，在一个区域内，获取每个通道的最小值，用公式表示为：
其中，x，y指的是不同像素点位置，tη(x)指暗通道方法计算得到的透射率，Ic(y)指原图像，指取RGB三通道中的最小值，Ω(x)指以x为中心的局部窗口，y∈Ω(x)指的是y像素范围取值在局部窗口Ω(x)中；
对tη(x)使用导向滤波得到精细的暗通道透射率；
本对暗通道先验得到的透射率进行傅里叶变换，并且对其进行高通滤波得到透射率为：
tH(x)＝GH{F[tη(x)]}
其中GH代表高斯高通滤波器，F代表傅里叶变换，tH(x)代表高频频域透射率。
进一步的，对颜色集合法得到的透射率进行傅里叶变换，并且对其进行低通滤波得到透射率为：
tL(x)＝GL{F[tθ(x)]}
其中GL代表高斯低通滤波器，tL(x)代表低频频域透射率；
将{tL,tH}在频域内相加，相互补偿丢失的信息，然后使用傅里叶逆变换得到融合后的透射率：
t(x)＝F-1{tL+tH}
进一步的，步骤八使用大气雾模型对图像进行复原；传感器接收的辐射由目标物体的辐射，以及天空辐射两部分组成，根据步骤二建立的大气雾模型，以及步骤一和步骤七求出的结果，可以恢复出最后去除雾气的图像。
与现有技术相比，本专利的优势在于：
本发明创新性的提出了像素聚类分组方法，以此来准确估计遥感图像透射率，同时结合暗通道方法透射率的频域融合，获得可靠且精细的融合透射率图，使得最后获得的复原图像，不会产生边缘块效应，不会产生颜色失真以及细节丢失现象，且得到的复原图画面均衡，细节信息增加。
附图说明
图1是去雾方法流程图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
以下结合附图1对本发明的实施作进一步说明。
一种像素聚类及透射率融合的遥感图像雾气去除方法，包括以下步骤，
步骤一：计算矫正大气光；首先获取需要被处理的雾气遥感图像，对图像做基本的裁切以及分类，使用一个4×4的窗口w对图像取局部最暗像素，通过图像边缘拓展再求暗通道图可以解决边缘点计算的问题，以此获取暗通道图；选择暗通道图中最亮的0.1％元素作为候选区域，在原图中找到对应的像素点并且计算其平均值，计算的平均值结果作为大气光值。
步骤二：建立大气雾模型；
步骤三：建立球形空间坐标系；对大气雾模型进行变换，大气雾模型两边减去大气光值A，建立一个以大气光为原点的球形坐标系，并且把空间直角坐标系转换成球形坐标系。该模型可以有效分离雾度和RGB空间坐标。
步骤四：对空间像素聚类分组；首先均匀地对单位球体进行1000个点的采样，作为一个预先存在的文件加载到matlab的变量池中，使用K-means聚类算法，把这1000个点作为初始的聚点，对空间像素进行分组计算。
步骤五：估计大气透射率；
步骤六：透射率误差修正以及优化；使用每一组像素聚类的最大距离来估计每一组所有像素的粗透射率。同时根据大气散射模型公式得出的最小透射率约束公式对计算得到的粗透射率进行优化。最后使用双边滤波器滤波得到最后的像素分组透射率。
步骤七：透射率融合优化；本方法对像素聚类法得到的透射率和暗通道法得到的透射率分别进行傅里叶变换获得频域透射率，素聚类法得到的频域透射率对其进行高通滤波，暗通道法得到的频域透射率对其进行低通滤波，将两种透射率在频域内相加后使用傅里叶逆变换得到融合后的透射率。
步骤八：恢复无雾图像；使用大气雾模型结合前几个步骤计算得到的透射率，可以恢复出清晰无雾的遥感图像。
其中，步骤一中计算矫正大气光，过程包括：获取每个通道的最小值，使用一个窗函数滤波获取每个窗口的最小值；并且选择暗通道图中最亮的0.1％元素的平均值作为大气光值A；即在原模糊图像中雾度最大的地方估算大气光值。直接对遥感图像计算暗通道值，并且选择暗通道图中最亮的0.1％元素作为候选区域，在原图中找到对应的像素点并且计算其平均值，计算的平均值结果作为大气光值A。
步骤二、步骤三结合大气雾模型建立球形空间坐标系，对大气雾模型公式变形，建立一个以大气光为原点的球形坐标系，是一个能分离雾度和RGB原色的RGB空间模型。
建立大气雾模型
I(x)＝t(x)·J(x)+[1-t(x)]·A
在描述单个图像的雾气光学模型时，使用郎伯比尔定律的衍生；其中，I(x)指的是图像强度，J(x)指需要恢复的场景辐射，A是指大气光，t(x)指的是通过介质的透射率；
建立球形空间坐标系
为建立一个以大气光为原点的球形坐标系，大气雾模型两边减去大气光值A，得到如下公式
Iα(x)＝t(x)·[J(x)-A]
其中，Iα(x)就代表I(x)-A，此时可以将Iα(x)映射成以A为远点的球形坐标系：
Iα(x)＝[r(x),θ(x),φ(x)]
其中，r(x),θ(x),φ(x)就分别代表像素点距离原点的长度，经度，纬度。坐标系原点代表的物理意义是大气光值A。该模型的物理意义为：当两个像素点在球形坐标系中的经度和纬度相似时，可以认为这些像素点在清晰无雾的图像中像素值是特别接近的。
步骤四、步骤五利用球形空间坐标系，对图像中的像素点进行聚类分组，每一组是同一类相似颜色的清晰像素点；通过每一组的最大距离值，能够计算出每个像素点对应的透射率值。
像素聚类
通过θ(x),φ(x)值为球形坐标系中的像素点分组；首先均匀地对单位球体进行1000个点的采样，基于每个像素点中θ(x),φ(x)值，与球表面上最接近的样本点分组；分组方法使用K-means聚类算法，过程如下：
(1)选择初始化的N个取样点作为聚类中心；
(2)针对坐标系中每一个像素点，基于像素点中的θ(x),φ(x)，计算它到N个取样点中对应θ(x),φ(x)的欧式距离，并且将其分到距离最小的聚类中心所对应的类中；
(3)针对每个类别，重新计算聚类中心；
(4)重复以上步骤；
每一组像素是一个像素大类，这些像素的无雾清晰值是极为相似的。
估计大气透射率
根据r(x)的计算公式如下：
r(x)＝t(x)‖J(x)-A‖,0≤t(x)≤1
当t(x)＝1时，代表清晰无雾的情况下r(x)的值，此时r(x)可以被表示为rmax粗略的透射率求取公式可以表示为：
为了估计最大坐标半径rmax，上一步骤中每一像素组的最大坐标半径值可以被近似为清晰无雾的情况下r(x)的值，公式描述如下：
H代表上一步骤中的每一个像素大类。
步骤六、步骤七使用最小约束优化计算得到的像素聚类透射率，结合暗通道透射率；分别计算两种透射率的频域空间，融合低频信息和高频信息来获取最终精细的透射率结果。
透射率误差修正以及优化
在以上计算过程中，由于rmax的值存在误差，一般估计的rmax值会略小于真实的rmax值，所以估计的t(x)值会略大于真实值。由于上一步中透射率计算工程是单点分离计算的，通常得到的透射率结果是不连续且有嘈杂噪声的透射率图，且个别像素点会有数值突变的情况，需要对透射图进行约束。
根据大气散射模型公式，以及J(x)≥0可以得出约束公式：
其中c∈{R,G,B}表示三个颜色通道的集合，tL(x)代表透射率的下限约束。
tθ(x)＝max{t(x),tL(x)}
对最后计算的透射率tθ(x)使用双边滤波，获得像素聚类的雾气图像透射率。
透射率融合优化
以上步骤计算得到的透射率tθ(x)包含绝大多数透射信息，为了进一步提高透射率的可靠性，引入一种暗通道透射率计算方法，结合两种透射率的低频信息和高频信息来获取最终结果。暗通道的计算方式是，在一个区域内，获取每个通道的最小值，用公式表示为：
其中，x，y指的是不同像素点位置，tη(x)指暗通道方法计算得到的透射率，Ic(y)指原图像，指取RGB三通道中的最小值，Ω(x)指以x为中心的局部窗口，y∈Ω(x)指的是y像素范围取值在局部窗口Ω(x)中；
对tη(x)使用导向滤波得到精细的暗通道透射率；
本对暗通道先验得到的透射率进行傅里叶变换，并且对其进行高通滤波得到透射率为：
tH(x)＝GH{F[tη(x)]}
其中GH代表高斯高通滤波器，F代表傅里叶变换，tH(x)代表高频频域透射率。
进一步的，对颜色集合法得到的透射率进行傅里叶变换，并且对其进行低通滤波得到透射率为：
tL(x)＝GL{F[tθ(x)]}
其中GL代表高斯低通滤波器，tL(x)代表低频频域透射率；
将{tL,tH}在频域内相加，相互补偿丢失的信息，然后使用傅里叶逆变换得到融合后的透射率：
t(x)＝F-1{tL+tH}
步骤八使用大气雾模型对图像进行复原；传感器接收的辐射由目标物体的辐射，以及天空辐射两部分组成，根据步骤二建立的大气雾模型，以及步骤一和步骤七求出的结果，可以恢复出最后去除雾气的图像。
具体公示如下：
如图1流程所示。
首先获取需要被处理的雾气遥感图像，对图像做基本的裁切以及分类，使用一个4×4的窗口w对图像取局部最暗像素，通过图像边缘拓展再求暗通道图可以解决边缘点计算的问题，以此获取暗通道图。
进一步，选择暗通道图中最亮的0.1％元素作为候选区域，在原图中找到对应的像素点并且计算其平均值，计算的平均值结果作为大气光值。
进一步，对大气雾模型进行变换，大气雾模型两边减去大气光值A，建立一个以大气光为原点的球形坐标系，并且把空间直角坐标系转换成球形坐标系。该模型可以有效分离雾度和RGB空间坐标。
进一步，对空间像素聚类分组，首先均匀地对单位球体进行1000个点的采样，作为一个预先存在的文件加载到matlab的变量池中，使用K-means聚类算法，把这1000个点作为初始的聚点，对空间像素进行分组计算。
进一步，使用每一组像素聚类的最大距离来估计每一组所有像素的粗透射率。同时根据大气散射模型公式得出的最小透射率约束公式对计算得到的粗透射率进行优化。最后使用双边滤波器滤波得到最后的像素分组透射率。
进一步，本方法对像素聚类法得到的透射率和暗通道法得到的透射率分别进行傅里叶变换获得频域透射率，素聚类法得到的频域透射率对其进行高通滤波，暗通道法得到的频域透射率对其进行低通滤波，将两种透射率在频域内相加后使用傅里叶逆变换得到融合后的透射率。
最后，使用大气雾模型结合前几个步骤计算得到的透射率，可以恢复出清晰无雾的遥感图像。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (10)

1.一种像素聚类及透射率融合的遥感图像雾气去除方法，其特征在于：包括以下步骤，
步骤一：计算矫正大气光；
步骤二：建立大气雾模型；
步骤三：建立球形空间坐标系；
步骤四：对空间像素聚类分组；
步骤五：估计大气透射率：
r(x)的计算公式如下：
r(x)＝t(x)||J(x)-A||,0≤t(x)≤1
当t(x)＝1时，代表清晰无雾的情况下r(x)的值，此时r(x)被表示为rmax，透射率求取公式表示为：
为了估计最大坐标半径rmax，上一步骤中每一像素组的最大坐标半径值被近似为清晰无雾的情况下r(x)的值，公式描述如下：
H代表上一步骤中的每一个像素大类；
步骤六：透射率误差修正以及优化：
根据大气散射模型公式，以及J(x)≥0得出约束公式：
其中c∈{R,G,B}表示三个颜色通道的集合，tL(x)代表透射率的下限约束；
tθ(x)＝max{t(x),tL(x)}
对最后计算的透射率tθ(x)使用双边滤波，获得像素聚类的雾气图像透射率；
步骤七：透射率融合优化；
步骤八：恢复无雾图像。
2.如权利要求1所述的一种像素聚类及透射率融合的遥感图像雾气去除方法，其特征在于：
步骤一中计算矫正大气光，过程包括：获取每个通道的最小值，使用一个窗函数滤波获取每个窗口的最小值；并且选择暗通道图中最亮的0.1％元素的平均值作为大气光值A。
3.如权利要求1所述的一种像素聚类及透射率融合的遥感图像雾气去除方法，其特征在于：
步骤二、步骤三结合大气雾模型建立球形空间坐标系，对大气雾模型公式变形，建立一个以大气光为原点的球形坐标系，是一个能分离雾度和RGB原色的RGB空间模型。
4.如权利要求1或3所述的一种像素聚类及透射率融合的遥感图像雾气去除方法，其特征在于：
建立大气雾模型
I(x)＝t(x)·J(x)+[1-t(x)]·A
在描述单个图像的雾气光学模型时，使用郎伯比尔定律的衍生；其中，I(x)指的是图像强度，J(x)指需要恢复的场景辐射，A是指大气光，t(x)指的是通过介质的透射率；
建立球形空间坐标系
为建立一个以大气光为原点的球形坐标系，大气雾模型两边减去大气光值A，得到如下公式
Iα(x)＝t(x)·[J(x)-A]
其中，Iα(x)就代表I(x)-A，此时将Iα(x)映射成以A为远点的球形坐标系：
Iα(x)＝[r(x),θ(x),φ(x)]
其中，r(x),θ(x),φ(x)就分别代表像素点距离原点的长度，经度，纬度。
5.如权利要求1所述的一种像素聚类及透射率融合的遥感图像雾气去除方法，其特征在于：
步骤四、步骤五利用球形空间坐标系，对图像中的像素点进行聚类分组，每一组是同一类相似颜色的清晰像素点；通过每一组的最大距离值，能够计算出每个像素点对应的透射率值。
6.如权利要求1或5所述的一种像素聚类及透射率融合的遥感图像雾气去除方法，其特征在于：
像素聚类
通过θ(x),φ(x)值为球形坐标系中的像素点分组；分组方法使用K-means聚类算法，过程如下：
(1)选择初始化的N个取样点作为聚类中心；
(2)针对坐标系中每一个像素点，基于像素点中的θ(x),φ(x)，计算它到N个取样点中对应θ(x),φ(x)的欧式距离，并且将其分到距离最小的聚类中心所对应的类中；
(3)针对每个类别，重新计算聚类中心；
(4)重复以上步骤。
7.如权利要求1所述的一种像素聚类及透射率融合的遥感图像雾气去除方法，其特征在于：
步骤六、步骤七使用最小约束优化计算得到的像素聚类透射率，结合暗通道透射率；分别计算两种透射率的频域空间，融合低频信息和高频信息来获取最终精细的透射率结果。
8.如权利要求1或7所述的一种像素聚类及透射率融合的遥感图像雾气去除方法，其特征在于：
透射率融合优化
引入一种暗通道透射率计算方法，暗通道的计算方式是，在一个区域内，获取每个通道的最小值，用公式表示为：
其中，x，y指的是不同像素点位置，tη(x)指暗通道方法计算得到的透射率，Ic(y)指原图像，指取RGB三通道中的最小值，Ω(x)指以x为中心的局部窗口，y∈Ω(x)指的是y像素范围取值在局部窗口Ω(x)中；
对tη(x)使用导向滤波得到精细的暗通道透射率；
本对暗通道先验得到的透射率进行傅里叶变换，并且对其进行高通滤波得到透射率为：
tH(x)＝GH{F[tη(x)]}
其中GH代表高斯高通滤波器，F代表傅里叶变换，tH(x)代表高频频域透射率。
9.如权利要求8所述的一种像素聚类及透射率融合的遥感图像雾气去除方法，其特征在于：
对颜色集合法得到的透射率进行傅里叶变换，并且对其进行低通滤波得到透射率为：
tL(x)＝GL{F[tθ(x)]}
其中GL代表高斯低通滤波器，tL(x)代表低频频域透射率；
将{tL,tH}在频域内相加，相互补偿丢失的信息，然后使用傅里叶逆变换得到融合后的透射率：t(x)＝F-1{tL+tH}。
10.如权利要求1所述的一种像素聚类及透射率融合的遥感图像雾气去除方法，其特征在于：
步骤八使用大气雾模型对图像进行复原；传感器接收的辐射由目标物体的辐射，以及天空辐射两部分组成，根据步骤二建立的大气雾模型，以及步骤一和步骤七求出的结果，恢复出最后去除雾气的图像。
CN202110792340.2A 2021-07-14 2021-07-14 一种像素聚类及透射率融合的遥感图像雾气去除方法 Active CN113487509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110792340.2A CN113487509B (zh) 2021-07-14 2021-07-14 一种像素聚类及透射率融合的遥感图像雾气去除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110792340.2A CN113487509B (zh) 2021-07-14 2021-07-14 一种像素聚类及透射率融合的遥感图像雾气去除方法

Publications (2)

Publication Number Publication Date
CN113487509A CN113487509A (zh) 2021-10-08
CN113487509B true CN113487509B (zh) 2024-02-02

Family

ID=77938588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110792340.2A Active CN113487509B (zh) 2021-07-14 2021-07-14 一种像素聚类及透射率融合的遥感图像雾气去除方法

Country Status (1)

Country Link
CN (1) CN113487509B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861104B (zh) * 2022-11-30 2023-10-17 西安电子科技大学 基于透射率细化的遥感图像去雾方法
CN117036207B (zh) * 2023-10-10 2024-01-19 慧医谷中医药科技(天津)股份有限公司 一种三维采集箱内红外图像增强方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160019788A (ko) * 2014-08-12 2016-02-22 부산대학교 산학협력단 가우시안 혼합모델을 이용한 위성 해무 탐지 시스템, 그리고 가우시안 혼합모델에 기초한 ｕｌ 안개탐지 방법
CN106101489A (zh) * 2016-06-30 2016-11-09 河海大学常州校区 基于云平台的模板匹配监控视频去雾系统及其去雾方法
CN106530246A (zh) * 2016-10-28 2017-03-22 大连理工大学 基于暗通道与非局部先验的图像去雾方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160019788A (ko) * 2014-08-12 2016-02-22 부산대학교 산학협력단 가우시안 혼합모델을 이용한 위성 해무 탐지 시스템, 그리고 가우시안 혼합모델에 기초한 ｕｌ 안개탐지 방법
CN106101489A (zh) * 2016-06-30 2016-11-09 河海大学常州校区 基于云平台的模板匹配监控视频去雾系统及其去雾方法
CN106530246A (zh) * 2016-10-28 2017-03-22 大连理工大学 基于暗通道与非局部先验的图像去雾方法及系统

Also Published As

Publication number Publication date
CN113487509A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN106910175B (zh) 一种基于深度学习的单幅图像去雾算法
CN112837233B (zh) 一种基于差分偏振获取透射率的偏振图像去雾方法
CN113487509B (zh) 一种像素聚类及透射率融合的遥感图像雾气去除方法
Chen et al. Hazy image restoration by bi-histogram modification
CN111161360B (zh) 基于Retinex理论的端到端网络的图像去雾方法
CN108765336A (zh) 基于暗亮原色先验与自适应参数优化的图像去雾方法
CN109993804A (zh) 一种基于条件生成对抗网络的道路场景去雾方法
CN111709888B (zh) 一种基于改进的生成对抗网络的航拍图像去雾方法
CN110245600B (zh) 自适应起始快速笔画宽度无人机道路检测方法
Ganguly et al. Single image haze removal with haze map optimization for various haze concentrations
CN111861896A (zh) 一种面向uuv的水下图像色彩补偿与恢复方法
CN110827218A (zh) 基于图像hsv透射率加权校正的机载图像去雾方法
CN111325688B (zh) 融合形态学聚类优化大气光的无人机图像去雾方法
CN109118450A (zh) 一种沙尘天气条件下的低质图像增强方法
CN112419163B (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
Satrasupalli et al. Single Image Haze Removal Based on transmission map estimation using Encoder-Decoder based deep learning architecture
CN109685735B (zh) 基于雾层平滑先验的单张图片去雾方法
CN110807743A (zh) 一种基于卷积神经网络的图像去雾方法
CN112767267A (zh) 基于仿真偏振带雾场景数据集的图像去雾方法
CN109191405B (zh) 一种基于透射率全局估计的航空影像去雾算法
CN115937021A (zh) 基于频率域特征分离和迭代优化大气光的偏振去雾方法
CN116385293A (zh) 基于卷积神经网络的雾天自适应目标检测方法
CN114140361A (zh) 融合多级特征的生成式对抗网络图像去雾方法
CN111105361B (zh) 基于场景先验的遥感图像增强方法
Shivakumar et al. Remote sensing and natural image dehazing using DCP based IDERS framework

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