CN114998147A - 一种数字孪生下的交通图像加雾方法 - Google Patents
一种数字孪生下的交通图像加雾方法 Download PDFInfo
- Publication number
- CN114998147A CN114998147A CN202210676030.9A CN202210676030A CN114998147A CN 114998147 A CN114998147 A CN 114998147A CN 202210676030 A CN202210676030 A CN 202210676030A CN 114998147 A CN114998147 A CN 114998147A
- Authority
- CN
- China
- Prior art keywords
- image
- fogging
- channel
- pixel
- transmittance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000002834 transmittance Methods 0.000 claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种数字孪生下的交通图像加雾方法,获取无雾交通图像I;将无雾交通图像I转换为HSV图像,通过V通道与S通道做差得到图像景深图Id(x);将图像景深图代入初始透射模型,设置初始大气散射系数β0得到初始透射率t0(x);设定雾霾系数α,根据初始透射率t0(x),计算加雾透射率t;根据暗通道先验,求解大气光值A;根据大气加雾模型,利用加雾透射率t及大气光值A,计算雾霾系数为α的加雾图像。本发明在大气散射模型的基础上,提出大气加雾模型,利用颜色衰减先验计算图像景深,并由此求图像初始透射率,根据所需雾霾浓度设置雾霾系数,计算加雾透射率,由暗通道中亮度前0.1%像素点所对应像素均值作为大气光值,代入大气加雾模型实现图像加雾。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种数字孪生下的交通图像加雾方法。
背景技术
数字孪生是充分利用物理模型、传感器等数据,实现仿真过程,在虚拟空间中完成映射,可以被视为一个或多个重要的、彼此依赖的数字映射系统。其仿真效果可以模拟一些现实中不便实现或不能实现的虚拟环境,以测试系统或算法在不同环境下的性能。
含雾图像往往存在着能见度低、色彩饱和度低等问题。由于这些图像与真实场景偏差较大,不能准确反映场景信息,严重影响后续图像处理和信息提取。对视觉系统的识别判断等处理出现严重错误,在实际应用中会在成不可估量的损失。尤其是在交通领域,但仅依靠现实生活中采集的雾霾图像不足以满足准确去雾,因此依靠数字孪生对场景进行加雾技术研究具有重要的意义。
发明内容
本发明的目的在于提供一种数字孪生下的交通图像加雾方法,以解决现有技术存在的问题,本发明在大气散射模型的基础上,提出大气加雾模型,利用颜色衰减先验计算图像景深,并由此求图像初始透射率,根据所需雾霾浓度设置雾霾系数,计算加雾透射率,由暗通道中亮度前0.1%像素点所对应像素均值作为大气光值,代入大气加雾模型实现图像加雾。
为达到上述目的,本发明采用如下技术方案:
一种数字孪生下的交通图像加雾方法,包括以下步骤:
步骤1:获取无雾交通图像I;
步骤2:将无雾交通图像I转换为HSV图像,通过V通道与S通道做差得到图像景深图Id(x);
步骤3:将图像景深图代入初始透射模型,设置初始大气散射系数β0得到初始透射率t0(x);
步骤4:设定雾霾系数α,根据步骤3中所求初始透射率t0(x),计算加雾透射率t;
步骤5:根据暗通道先验,求解大气光值A;
步骤6:根据大气加雾模型,利用步骤4所求加雾透射率t及步骤5所求大气光值A,计算雾霾系数为α的加雾图像。
进一步地,步骤2中图像景深图Id(x)的获取方法为:
Id(x)=Iv(x)-Is(x)
其中,Id(x)为图像景深图在x处的值,Iv(x)和Is(x)分别为在HSV图像中像素点x对应的V通道和S通道。
进一步地,步骤3中初始透射率模型为:
其中,t0(x)为初始透射率在像素x处的值,β0为初始大气散射系数,Id(x) 为图像景深图在x处的值,Iv(x)和Is(x)分别为在HSV图像中像素点x对应的 V通道和S通道。
进一步地,β0取值为0.005。
进一步地,步骤4中加雾透射率t的计算公式为:
t(x)=t0(x)e-α=kt0(x)
其中,t(x)为加雾透射率,t0(x)为初始透射率,k=e-α为雾霾因子,α为雾霾系数。
进一步地,步骤5中根据暗通道先验,求解大气光值A,具体为:
步骤5.1:求无雾交通图像I暗通道;
步骤5.2:对暗通道内各值排序,取前0.1%的像素点;
步骤5.3:将步骤5.2求得前0.1%的像素点对应的像素值取均值作为该通道大气光值。
进一步地,步骤5.1中暗通道求解方法为:
其中,Jdark表示所求的暗通道,Jc表示RGB图像的任意一通道,其中c∈{r, g,b},Ω(x)表示以像素x为中心的一个窗口,窗口大小为(2*N+1)×(2*N+1),其中N为窗口半径。
进一步地,N=15。
进一步地,步骤5.2中取前0.1%的像素点的公式为:
其中,s为前0.1%的像素点对应坐标,sort()为排序函数,arg为求参函数,输出为对应坐标点,Jdark(x)为图像暗通道的像素值;
步骤5.3中大气光值的求解方法为:
A=ave(I(s))
其中,A为大气光值,s为前0.1%的像素点对应坐标,I(s)为图像中像素坐标s对应的像素值,ave()为均值函数。
进一步地,步骤6中大气加雾模型为:
J(x)=kI(x)t0(x)+A(1-kt0(x))
其中,k为雾霾因子,A为步骤5所求大气光值,t0(x)为步骤4所求初始透射率,J(x)为加雾后图像在像素点x处像素值,I(x)为未加雾图像在像素点 x处像素值;
所述雾霾因子的公式为:
k=e-α
其中,α为雾霾系数,e为自然常数。
与现有技术相比,本发明具有以下有益的技术效果:
通过本发明可有效实现无雾场景的添加不同浓度雾霾,完成数字孪生中的数字映射过程,构造相应数字场景。本发明的主要思路是根据大气散射模型提出大气加雾模型,实现不同雾霾浓度的图像加雾。首先通过暗通道中提到的大气光值估计方法获得全局大气光,设计了基于方差波动的补偿方法得到补偿大气光。其次利用散射衰减先验估计场景深度,求得初始透射率,根据设定雾霾系数得到加雾透射率。将大气光估计与大气加雾透射率代入加雾模型,得到加雾图像。本发明可实现对图像加不同浓雾的雾,加雾后图像随雾霾系数增大整体逐渐模糊,取得加雾效果与实际无异。
附图说明
说明书附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明的流程示意图;
图2是本发明实现不同浓度下加雾图像,其中,(a)为原始无雾图像, (b)α=0.1,(c)α=0.3,(d)α=0.5,(e)α=0.7,(f)α=0.9。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1,本发明提供一种数字孪生下的交通图像加雾方法,在大气散射模型基础上,提出大气加雾模型。首先,利用颜色衰减先验计算图像景深,并由此求图像初始透射率。根据所需雾霾浓度设置雾霾系数,计算加雾透射率,其次根据暗通道原理,求暗通道图像,由暗通道图像中前0.1%所在像素位置,对应像素值取均值作为大气光值,最后将加雾透射率和大气光值代入大气加雾模型实现图像加雾。具体步骤如下:
步骤1:获取无雾交通图像I;
步骤2:将无雾交通图像I转换为HSV图像,通过V通道与S通道做差得到图像景深图Id(x),公式如下:
Id(x)=Iv(x)-Is(x) (1)
其中,Id(x)为图像景深图在x处的值,Iv(x)和Is(x)分别为在HSV图像中像素点x对应的V通道和S通道。
步骤3:将图像景深图代入初始透射模型,初始透射率模型为:
其中,t0(x)为初始透射率在像素x处的值,β0为初始大气散射系数,Id(x) 为图像景深图在x处的值,Iv(x)和Is(x)分别为在HSV图像中像素点x对应的V通道和S通道。β0取值为0.005。
步骤4:设定雾霾系数α,计算加雾透射率t;加雾透射率计算公式为:
t(x)=t0(x)e-α=kt0(x) (3)
其中,t(x)为加雾透射率,t0(x)为初始透射率,k=e-α为雾霾因子,α为雾霾系数。
步骤5:根据暗通道先验,求解大气光值A,其方法为:
步骤5.1:求图像暗通道,其公式为:
其中,Jdark表示所求的暗通道。Jc表示RGB图像的任意一通道,其中c∈{r, g,b},Ω(x)表示以像素x为中心的一个窗口。窗口大小为(2*N+1)×(2*N+1),其中N为窗口半径,N=15。
步骤5.2:对暗通道内各值排序,取前0.1%的像素点的公式为:
其中,s为前0.1%的像素点对应坐标,sort()为排序函数,arg为求参函数,输出为对应坐标点,Jdark(x)为图像暗通道的像素值。
步骤5.3:将步骤5.2求得前0.1%的像素点对应的像素值取均值作为该通道大气光值,求解方法为:
A=ave(I(s)) (6)
其中A为大气光值,s为前0.1%的像素点对应坐标,I(s)为图像中像素坐标s对应的像素值,ave()为均值函数。
步骤6:根据改进大气加雾模型,利用加雾透射率t及大气光值A,计算雾霾浓度为α的加雾图像。
改进大气加雾模型为:
J(x)=kI(x)t0(x)+A(1-kt0(x)) (7)
其中,k为雾霾因子,A为步骤5所求大气光,t0(x)为步骤4所求初始透射率。J(x)为加雾后图像在像素点x处像素值,I(x)为未加雾图像在像素点x 处像素值。
雾霾因子的公式为:
k=e-α (8)
其中,k为雾霾因子,α为雾霾系数,e为自然常数。
图2是本发明实现不同浓度下加雾图像,其中,(a)为原始无雾图像, (b)为将雾霾系数α设置0.1后得到的加雾图像,相较无雾图像,图中建筑的纹理已出现模糊的现象,(c)为将雾霾系数α设置0.3后得到的加雾图像,图中纹理信息明显更加模糊(d)为将雾霾系数α设置0.5后得到的加雾图像,加雾后图像在损失纹理信息的同时整体亮度有所提升,(e)为将雾霾系数α设置0.7后得到的加雾图像,图像中纹理信息明显模糊,整体图像模糊发白(f)为将雾霾系数α设置0.9后得到的加雾图像,图像信息损失严重,与实际雾霾相似,模糊的同时图像发白发暗。
最后应说明的是:以上各实施例仅仅为本发明的较优实施例用以说明本发明的技术方案,而非对其限制,当然更不是限制本发明的专利范围;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围;也就是说,但凡在本发明的主体设计思想和精神上做出的毫无实质意义的改动或润色,其所解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内;另外,将本发明的技术方案直接或间接的运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种数字孪生下的交通图像加雾方法,其特征在于,包括以下步骤:
步骤1:获取无雾交通图像I;
步骤2:将无雾交通图像I转换为HSV图像,通过V通道与S通道做差得到图像景深图Id(x);
步骤3:将图像景深图代入初始透射模型,设置初始大气散射系数β0得到初始透射率t0(x);
步骤4:设定雾霾系数α,根据步骤3中所求初始透射率t0(x),计算加雾透射率t;
步骤5:根据暗通道先验,求解大气光值A;
步骤6:根据大气加雾模型,利用步骤4所求加雾透射率t及步骤5所求大气光值A,计算雾霾系数为α的加雾图像。
2.根据权利要求1所述的一种数字孪生下的交通图像加雾方法,其特征在于,步骤2中图像景深图Id(x)的获取方法为:
Id(x)=Iv(x)-Is(x)
其中,Id(x)为图像景深图在x处的值,Iv(x)和Is(x)分别为在HSV图像中像素点x对应的V通道和S通道。
4.根据权利要求3所述的一种数字孪生下的交通图像加雾方法,其特征在于,β0取值为0.005。
5.根据权利要求1所述的一种数字孪生下的交通图像加雾方法,其特征在于,步骤4中加雾透射率t的计算公式为:
t(x)=t0(x)e-α=kt0(x)
其中,t(x)为加雾透射率,t0(x)为初始透射率,k=e-α为雾霾因子,α为雾霾系数。
6.根据权利要求1所述的一种数字孪生下的交通图像加雾方法,其特征在于,步骤5中根据暗通道先验,求解大气光值A,具体为:
步骤5.1:求无雾交通图像I暗通道;
步骤5.2:对暗通道内各值排序,取前0.1%的像素点;
步骤5.3:将步骤5.2求得前0.1%的像素点对应的像素值取均值作为该通道大气光值。
8.根据权利要求7所述的一种数字孪生下的交通图像加雾方法,其特征在于,N=15。
10.根据权利要求1所述的一种数字孪生下的交通图像加雾方法,其特征在于,步骤6中大气加雾模型为:
J(x)=kI(x)t0(x)+A(1-kt0(x))
其中,k为雾霾因子,A为步骤5所求大气光值,t0(x)为步骤4所求初始透射率,J(x)为加雾后图像在像素点x处像素值,I(x)为未加雾图像在像素点x处像素值;
所述雾霾因子的公式为:
k=e-α
其中,α为雾霾系数,e为自然常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676030.9A CN114998147A (zh) | 2022-06-15 | 2022-06-15 | 一种数字孪生下的交通图像加雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676030.9A CN114998147A (zh) | 2022-06-15 | 2022-06-15 | 一种数字孪生下的交通图像加雾方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998147A true CN114998147A (zh) | 2022-09-02 |
Family
ID=83035444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210676030.9A Pending CN114998147A (zh) | 2022-06-15 | 2022-06-15 | 一种数字孪生下的交通图像加雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409740A (zh) * | 2022-11-01 | 2022-11-29 | 国网湖北省电力有限公司 | 一种基于暗通道先验引导图像滤波去除图像雾霾的方法 |
-
2022
- 2022-06-15 CN CN202210676030.9A patent/CN114998147A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409740A (zh) * | 2022-11-01 | 2022-11-29 | 国网湖北省电力有限公司 | 一种基于暗通道先验引导图像滤波去除图像雾霾的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106910175B (zh) | 一种基于深度学习的单幅图像去雾算法 | |
CN106875437B (zh) | 一种面向rgbd三维重建的关键帧提取方法 | |
CN110827218B (zh) | 基于图像hsv透射率加权校正的机载图像去雾方法 | |
CN107424133A (zh) | 图像去雾方法、装置、计算机可存储介质和移动终端 | |
CN110570365A (zh) | 基于先验信息的图像去雾方法 | |
CN105701783B (zh) | 一种基于环境光模型的单幅图像去雾方法及装置 | |
CN106780380A (zh) | 一种图像去雾方法及系统 | |
CN108022225A (zh) | 基于快速导向滤波改进的暗通道先验图像去雾算法 | |
WO2024060576A1 (zh) | 一种基于暗通道先验的图像去雾方法 | |
CN110570435A (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
CN105447825A (zh) | 图像去雾方法及其系统 | |
CN113744146A (zh) | 一种基于对比学习和知识蒸馏的图像去雾方法 | |
CN114998147A (zh) | 一种数字孪生下的交通图像加雾方法 | |
CN112822479A (zh) | 一种用于2d-3d视频转换的深度图生成方法及装置 | |
CN104253994B (zh) | 一种基于稀疏编码融合的夜间监控视频实时增强方法 | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
CN111598793A (zh) | 一种用于输电线路图像去雾的方法、系统及存储介质 | |
CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN112215766B (zh) | 一种图像复原与图像增强相融合的图像去雾方法及其卷积网络 | |
CN107301625B (zh) | 基于亮度融合网络的图像去雾方法 | |
CN113570554A (zh) | 一种基于场景深度的单幅图像能见度检测方法 | |
CN112907461A (zh) | 一种红外雾天降质图像去雾增强方法 | |
CN114882095B (zh) | 一种基于轮廓匹配的物体高度在线测量方法 |
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 |