CN115272103A - 一种沙尘图像清晰化方法、系统、介质、设备及终端 - Google Patents
一种沙尘图像清晰化方法、系统、介质、设备及终端 Download PDFInfo
- Publication number
- CN115272103A CN115272103A CN202210782252.9A CN202210782252A CN115272103A CN 115272103 A CN115272103 A CN 115272103A CN 202210782252 A CN202210782252 A CN 202210782252A CN 115272103 A CN115272103 A CN 115272103A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- dust
- algorithm
- brightness
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003707 image sharpening Methods 0.000 title claims abstract description 40
- 239000004576 sand Substances 0.000 title claims description 24
- 238000012937 correction Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims description 25
- 230000001965 increasing effect Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 7
- 238000002834 transmittance Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 abstract description 8
- 238000006731 degradation reaction Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 30
- 239000002609 medium Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000005352 clarification Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像视觉技术领域，公开了一种沙尘图像清晰化方法、系统、介质、设备及终端，采用改进的自动色阶算法对图像像素进行二次分配，降低图像偏色；融合伽马校正算法和改进暗通道先验算法，对每个图像像素进行亮度补偿，增强图像锐度；结合灰度世界算法平衡图像色彩，实现深浓度沙尘图像的清晰化。本发明通过结合图像增强和图像复两方面的优势，可以有效提升沙尘图像质量，提高降质图像的清晰度和锐利度，在沙尘天气下将模糊图像实现清晰化。本发明对深度退化的沙尘图像，可以有效提高图像的清晰度和锐利度。在沙尘较大的恶劣天气中采集的图像，通过本发明的处理可以恢复为清晰的图像，对安防监控、道路监测、人脸识别等有重要实践意义。
Description
技术领域
本发明属于图像视觉技术领域，尤其涉及一种沙尘图像清晰化方法、系统、介质、设备及终端。
背景技术
智慧安防是保障城市公共安全的重要防线，从平安城市、智慧交通等应用，安防监控应用已经深入到各行各业。然而在雨、雪、雾、霾等恶劣天气下，摄像头采集的图像清晰度和对比度严重下降。当前，针对恶劣天气下图像清晰化的研究主要面向雾、霾、雨等场景，由于悬浮微粒与光发生散射作用，图像会发生严重偏色，沙尘天气相比雨、雾、霾等场景更具有挑战性。现有图像清晰化方法分为三类：基于图像增强、基于图像复原、基于深度学习。基于图像增强的方法不考虑物体成像过程，根据特定需求直接选取相应的图像增强技术对像素进行调整。基于图像复原的方法根据图像退化原因，构建物理模型，根据先验知识对物理模型的参数进行估计，通过反演模型增加图像对比度。基于深度学习的方法通过网络感知器学习图像特征辅助参数估计，或直接学习模糊图像和清晰图像间的映射关系，实现模糊图像清晰化。
传统图像清晰化主要面向雨、雾、霾等场景，由于沙尘天气中悬浮沙粒对光具有吸收、散射作用，引起偏色严重、锐度下降等问题，导致沙尘天气下监控图像清晰化研究相比于雨、雾、霾等场景更具有挑战性。针对目前沙尘图像清晰化方法中对偏色程度深的图像，现有方法不能解决由于图像退化程度大引起的亮度不均匀问题，亟需设计一种新的沙尘图像清晰化方法。
通过上述分析，现有技术存在的问题及缺陷为：现有沙尘图像清晰化方法面向雨、雾、霾等场景，不能解决由于图像退化程度大引起的亮度不均匀问题。
发明内容
针对现有图像处理技术存在的问题，本发明提供了一种沙尘图像清晰化方法、系统、介质、设备及终端，尤其涉及一种基于深浓度的沙尘图像清晰化方法、系统、介质、设备及终端。
本发明是这样实现的，一种沙尘图像清晰化方法，所述沙尘图像清晰化方法包括：
采用改进的自动色阶算法对图像像素进行二次分配，降低图像偏色；融合伽马校正算法和改进暗通道先验算法，对每个图像像素进行亮度补偿，增强图像锐度；结合灰度世界算法平衡图像色彩，实现深浓度沙尘图像的清晰化。
进一步，所述沙尘图像清晰化方法包括以下步骤：
步骤一，通过对输入沙尘图像使用改进的自动色阶算法进行颜色校正，有效降低沙尘图像偏色问题；
步骤二，对调整色差后的图像采用伽马校正算法增加图像亮度，校正图像局部噪声；
步骤三，基于大气散射模型和暗通道先验知识，改进大气光值和透射率的估计，增加图像锐利度；
步骤四，对暗通道处理后的图像在Lab通道的L通道进行亮度补偿，提升对暗通道处理后的图像亮度；
步骤五，通过加权融合算法，结合伽马校正和亮度补偿后的图像进行加权融合，增强图像清晰度；
步骤六，使用灰度世界算法处理加权处理后的图像，平衡图像色彩，使图像色彩更加柔和、自然。
进一步，所述步骤一中的对沙尘图像进行偏色校正包括：
(1)统计分离后的颜色通道直方图，通过剪切比例计算上下限max和min；
(2)通过下式计算映射规则中的调节参数MAX和MIN，其中α是调节因子，当MAX>255时，MAX取255，当MIN<0时，MIN取0；
MAX＝max+(max-min)*α；
MIN＝min-(max-min)*α；
(3)对每个像素p通过映射转换为P；
当p<min时，P＝0；
当min<p<max时，
当p<max时，P＝255；
(4)将各通道像素值通过映射关系映射后进行融合。
进一步，所述步骤二中的对偏色校正后的图像进行伽马校正增强图像亮度包括：
(1)将图像像素P通过公式
归一化为实数E；
(2)对归一化后的值通过公式f＝E1/γ进行预补偿；
(3)通过公式P'＝f*256-0.5完成反变换；
(4)对每个通道的像素值进行变换。
进一步，所述步骤三中的对偏色校正后的图像进行暗通道处理，增加图像锐利度包括：
(1)根据大气散射模型I(x)＝J(x)t(x)+A(1-t(x))，暗通道先验可知RGB三个颜色通道中有一个颜色通道的值很低，几乎趋近于0，得出透射率为：
(2)改进大气光值估计法，在图像暗通道中找出亮度前1％的像素值，再对原图中1％的像素点亮度值求平均值；
(3)对暗通道处理后的图像在进行导向滤波处理，平滑图像边缘。
进一步，所述步骤四中，对导向滤波后的图像进行颜色通道分离，提取Lab颜空间的L分量，通过公式L'＝L*n进行亮度补偿；其中n是补偿参数，当n<1时，降低图像亮度；当n>1时，提高图像亮度。
所述步骤五中，对伽马校正和暗通道处理并亮度补偿后的图像进行加权融合，融合表达式为C＝αG+(1-α)D，其中C为融合后的图像，G为伽马校正后的图像，D为暗通道处理并进行亮度补偿后的图像。
所述步骤六中的对加权融合后的图像使用灰度世界算法平衡色彩包括：
(1)计算图像R、G、B三通道的平均值，记为R'、G'、B'，取
(2)计算R、G、B三通道的增益系数：
(3)对图像中每个像素P通过以下公式，调整R、G、B三通道分量：
P(R′)＝P(R)*kr，P(G′)＝P(G)*kg，P(B′)＝P(B)*kb；
(4)合成调整后的R、G、B分量图。
本发明的另一目的在于提供一种应用所述的沙尘图像清晰化方法的沙尘图像清晰化系统，所述沙尘图像清晰化系统包括：
颜色校正模块，用于通过对输入沙尘图像使用改进的自动色阶算法进行颜色校正，降低图像偏色；
伽马校正模块，用于对调整色差后的图像采用伽马校正算法增加图像亮度，校正图像局部噪声；
暗通道处理模块，用于基于大气散射模型和暗通道先验知识，改进大气光值和透射率的估计，增加图像锐利度；
亮度补偿模块，用于对暗通道处理后的图像在Lab通道的L通道进行亮度补偿；
加权融合模块，用于通过加权融合算法，结合伽马校正和亮度补偿后的图像进行加权融合，增强图像清晰度；
图像色彩平衡模块，用于使用灰度世界算法处理加权处理后的图像，平衡图像色彩。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的沙尘图像清晰化方法。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的沙尘图像清晰化方法。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的沙尘图像清晰化系统。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明公开了一种在沙尘天气下将图像进行清晰化处理的方法，旨在增加沙尘图像的清晰度和锐利度，使得在恶劣天气下采集的图像仍然能具有良好的视觉效果。本发明通过结合图像增强和图像复原两方面优势，其中包括改进的自动色阶算法、改进暗通道先验算法、伽马校正算法、加权融合算法、灰度世界算法等；针对偏色严重导致的像素灰度偏移问题，采用改进的自动色阶算法对图像像素二次分配，降低图像偏色；融合伽马校正和暗通道算法，对每个像素进行亮度补偿，增强图像锐度；最后结合灰度世界算法，平衡图像色彩，提高图像对比度，从而实现深浓度沙尘图像的清晰化。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明通过结合图像增强和图像复两方面的优势，可以有效提升沙尘图像质量，提高降质图像的清晰度和锐利度。本发明可以在沙尘天气下将模糊图像实现清晰化。本发明对深度退化的沙尘图像，可以有效的提高图像的清晰度和锐利度。在沙尘较大的恶劣天气中采集的图像，通过本发明处理可以恢复为清晰的图像。本发明对安防监控、道路监测、人脸识别等有重要实践意义。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案转化后的预期收益和商业价值为：
在沙尘天气场景下，通过集成本方法的摄像头可以将采集到的沙尘图直接转换为清晰图像。
(2)本发明的技术方案填补了国内外业内技术空白：
本发明的技术方案相比于国内外的沙尘图像清晰化方法，通过主观视觉效果和客观指标值进行对比后，均优于其他方法。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的沙尘图像清晰化方法流程图。
图2是本发明实施例提供的沙尘图像清晰化方法原理图。
图3是本发明实施例提供的原图。
图4是本发明实施例提供的自动色阶效果图。
图5是本发明实施例提供的伽马校正效果图。
图6是本发明实施例提供的暗通道处理效果图。
图7是本发明实施例提供的加权融合效果图。
图8是本发明实施例提供的灰度世界算法效果图。
图9是本发明实施例提供的沙尘图像清晰化对比效果图。
图10是本发明实施例提供的经典去雾算法对比效果图。
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以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种沙尘图像清晰化方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
本发明实施例提供的沙尘图像清晰化方法，结合图像增强和图像复原两方面优势，其中包括改进的自动色阶算法、改进暗通道先验算法、伽马校正算法、加权融合算法、灰度世界算法等。所述方法针对偏色严重导致的像素灰度偏移问题，采用改进的自动色阶算法对图像像素二次分配，降低图像偏色；融合伽马校正和暗通道算法，对每个像素进行亮度补偿，增强图像锐度；最后结合灰度世界算法，平衡色彩，提高图像对比度，从而实现深浓度沙尘图像的清晰化。
如图1所示，本发明实施例提供的沙尘图像清晰化方法包括以下步骤：
S101，通过对输入沙尘图像使用改进的自动色阶算法进行颜色校正，降低图像偏色；
S102，对调整色差后的图像采用伽马校正算法增加图像亮度，校正图像局部噪声；
S103，基于大气散射模型和暗通道先验知识，改进大气光值和透射率的估计，增加图像锐利度；
S104，对暗通道处理后的图像在Lab通道的L通道进行亮度补偿；
S105，通过加权融合算法，结合伽马校正和亮度补偿后的图像进行加权融合，增强图像清晰度；
S106，使用灰度世界算法处理加权处理后的图像，平衡图像色彩。
本发明实施例提供的自动色阶改进算法，统计分离后的颜色通道直方图，通过剪切比例计算上下限max和min；根据调节参数MAX和MIN对每个像素p进行映射为P，当p<min时，P＝0，当min<p<max时，
当p<max时，P＝255。通过像素重分配实现偏色校正。
本发明实施例提供的伽马校正算法，对偏色校正后的图像增强图像亮度。对每个像素，将图像像素P通过公式
归一化为实数E；对归一化后的值通过公式f＝E1/γ进行预补偿；通过公式P'＝f*256-0.5完成反变换。
本发明实施例提供的改进暗通道先验算法，改进了大气光值和透射率的方法，透射率去除了修正因子，对于大气光值估计法，在图像暗通道中先找出亮度前1％的像素值，再对原图中这1％的像素点亮度值求平均值。
本发明实施例提供的对暗通道处理后的图像进行亮度增强，提取Lab颜空间的L分量，通过公式L'＝L*n进行亮度补偿。其中n是补偿参数，当n<1时，降低图像亮度；当n>1时，提高图像亮度。
本发明实施例提供的对伽马校正和暗通道处理并亮度补偿后的图像进行加权融合，融合表达式为C＝αG+(1-α)D，其中C为融合后的图像，G为伽马校正后的图像，D为暗通道处理并进行亮度补偿后的图像。
本发明实施例提供的对加权融合后的图像使用灰度世界算法平衡色彩，首先计算图像R、G、B三通道的平均值，记为R'、G'、B'，取
计算R、G、B三通道的增益系数
对图像中每个像素P通过以下公式，调整R、G、B三通道分量：P(R')＝P(R)*kr，P(G')＝P(G)*kg，P(B')＝P(B)*kb；最后合成调整后的R、G、B分量图。
本发明实施例提供的沙尘图像清晰化系统包括：
颜色校正模块，用于通过对输入沙尘图像使用改进的自动色阶算法进行颜色校正，降低图像偏色；
伽马校正模块，用于对调整色差后的图像采用伽马校正算法增加图像亮度，校正图像局部噪声；
暗通道处理模块，用于基于大气散射模型和暗通道先验知识，改进大气光值和透射率的估计，增加图像锐利度；
亮度补偿模块，用于对暗通道处理后的图像在Lab通道的L通道进行亮度补偿；
加权融合模块，用于通过加权融合算法，结合伽马校正和亮度补偿后的图像进行加权融合，增强图像清晰度；
图像色彩平衡模块，用于使用灰度世界算法处理加权处理后的图像，平衡图像色彩。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
下列列举通过不同步骤处理的效果示意图。
如图3所示，本发明实施例提供的原图。
如图4所示，本发明实施例提供的自动色阶效果图。
如图5所示，本发明实施例提供的伽马校正效果图。
如图6所示，本发明实施例提供的暗通道处理效果图。
如图7所示，本发明实施例提供的加权融合效果图。
如图8所示，本发明实施例提供的灰度世界算法效果图。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的图表等进行描述。
图9展示了沙尘图像清晰化对比效果图和经典去雾算法效果对比效果图。沙尘图像清晰化对比图中，第一列是原图，可以看出图像的细节已经被沙尘严重覆盖，图像退化程度大，整体色彩偏暗黄色。第二列方法处理后图像失真严重，对比度下降。第三列的方法效果图，对图像整体颜色进行了校正，但是对于天空区域的处理，背景色彩有过度曝光现象。第四列中颜色也出现偏差，图像的清晰度退化更加严重。第五列整体色彩偏暗暗灰色，图像信息已经不能正常显示，在整组对比图中其图像质量退化最严重。第六列三张图处理过后图像色彩校正效果较差，整体图像色彩背景仍为黄色。第七列对图像中标志性物体产生了光圈。最后一列是本发明所提方法处理效果，可以看出图像经过偏色校正后色差得到了明显改善，非常有效的解决了偏色问题，色彩度更加柔和自然，图像的清晰度和锐利度得到了有效提升，从主观方面评价整体效果均优于其他方法。
如图10所示，经典去雾算法对比效果图中，第一列是原图。第二列使用的方法处理的效果，可以看出四张图像通过暗通道去雾算法处理后，图像的偏色加剧，每张图像都在原图的基础使昏黄色更加明显，图像整体的清晰度没有得到改善。第三列方法处理的效果图，其效果和原图差异小，偏色几乎没有改变，图像的清晰度仍然呈现和原图一样的模糊状，通过多组对比图可以看出，经典去雾方法对沙尘图像并不适用，其不能解决偏色问题，且对沙尘图像处理后退化会更加严重。第四列是基于Retinex处理的效果图，从整体效果可以看出图像整体色调偏暗，整体呈现为暗黑色和暗红色，更加加剧了图像的退化。最后一列是本发明算法的效果图，本发明算法有效实现了图像的偏色校正，增加了图像亮度，提升了整体图像的清晰度，本发明算法对深浓度沙尘图有效的实现了清晰化。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种沙尘图像清晰化方法，其特征在于，所述沙尘图像清晰化方法包括：
采用改进的自动色阶算法对图像像素进行二次分配，降低图像偏色；融合伽马校正算法和改进暗通道先验算法，对每个图像像素进行亮度补偿，增强图像锐度；结合灰度世界算法平衡图像色彩，实现深浓度沙尘图像的清晰化。
2.如权利要求1所述的沙尘图像清晰化方法，其特征在于，所述沙尘图像清晰化方法包括以下步骤：
步骤一，通过对输入沙尘图像使用改进的自动色阶算法进行颜色校正，降低图像偏色；
步骤二，对调整色差后的图像采用伽马校正算法增加图像亮度，校正图像局部噪声；
步骤三，基于大气散射模型和暗通道先验知识，改进大气光值和透射率的估计，增加图像锐利度；
步骤四，对暗通道处理后的图像在Lab通道的L通道进行亮度补偿；
步骤五，通过加权融合算法，结合伽马校正和亮度补偿后的图像进行加权融合，增强图像清晰度；
步骤六，使用灰度世界算法处理加权处理后的图像，平衡图像色彩。
3.如权利要求2所述的沙尘图像清晰化方法，其特征在于，所述步骤一中的对沙尘图像进行偏色校正包括：
(1)统计分离后的颜色通道直方图，通过剪切比例计算上下限max和min；
(2)通过下式计算映射规则中的调节参数MAX和MIN，其中α是调节因子，当MAX>255时，MAX取255，当MIN<0时，MIN取0；
MAX＝max+(max-min)*α；
MIN＝min-(max-min)*α；
(3)对每个像素p通过映射转换为P；
当p<min时，P＝0；
当min<p<max时，
当p<max时，P＝255；
(4)将各通道像素值通过映射关系映射后进行融合。
4.如权利要求2所述的沙尘图像清晰化方法，其特征在于，所述步骤二中的对偏色校正后的图像进行伽马校正增强图像亮度包括：
(1)将图像像素P通过公式
归一化为实数E；
(2)对归一化后的值通过公式f＝E1/γ进行预补偿；
(3)通过公式P'＝f*256-0.5完成反变换；
(4)对每个通道的像素值进行变换。
5.如权利要求2所述的沙尘图像清晰化方法，其特征在于，所述步骤三中的对偏色校正后的图像进行暗通道处理，增加图像锐利度包括：
(1)根据大气散射模型I(x)＝J(x)t(x)+A(1-t(x))，暗通道先验可知RGB三个颜色通道中有一个颜色通道的值很低，几乎趋近于0，得出透射率为：
(2)改进大气光值估计法，在图像暗通道中找出亮度前1％的像素值，再对原图中1％的像素点亮度值求平均值；
(3)对暗通道处理后的图像在进行导向滤波处理，平滑图像边缘。
6.如权利要求2所述的沙尘图像清晰化方法，其特征在于，所述步骤四中，对导向滤波后的图像进行颜色通道分离，提取Lab颜空间的L分量，通过公式L'＝L*n进行亮度补偿；其中n是补偿参数，当n<1时，降低图像亮度；当n>1时，提高图像亮度；
所述步骤五中，对伽马校正和暗通道处理并亮度补偿后的图像进行加权融合，融合表达式为C＝αG+(1-α)D，其中C为融合后的图像，G为伽马校正后的图像，D为暗通道处理并进行亮度补偿后的图像；
所述步骤六中的对加权融合后的图像使用灰度世界算法平衡色彩包括：
(1)计算图像R、G、B三通道的平均值，记为R'、G'、B'，取
(2)计算R、G、B三通道的增益系数：
(3)对图像中每个像素P通过以下公式，调整R、G、B三通道分量：
P(R′)＝P(R)*kr，P(G′)＝P(G)*kg，P(B′)＝P(B)*kb；
(4)合成调整后的R、G、B分量图。
7.一种应用如权利要求1～6任意一项所述的沙尘图像清晰化方法的沙尘图像清晰化系统，其特征在于，所述沙尘图像清晰化系统包括：
颜色校正模块，用于通过对输入沙尘图像使用改进的自动色阶算法进行颜色校正，降低图像偏色；
伽马校正模块，用于对调整色差后的图像采用伽马校正算法增加图像亮度，校正图像局部噪声；
暗通道处理模块，用于基于大气散射模型和暗通道先验知识，改进大气光值和透射率的估计，增加图像锐利度；
亮度补偿模块，用于对暗通道处理后的图像在Lab通道的L通道进行亮度补偿；
加权融合模块，用于通过加权融合算法，结合伽马校正和亮度补偿后的图像进行加权融合，增强图像清晰度；
图像色彩平衡模块，用于使用灰度世界算法处理加权处理后的图像，平衡图像色彩。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的沙尘图像清晰化方法。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的沙尘图像清晰化方法。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述的沙尘图像清晰化系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210782252.9A CN115272103A (zh) | 2022-07-05 | 2022-07-05 | 一种沙尘图像清晰化方法、系统、介质、设备及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210782252.9A CN115272103A (zh) | 2022-07-05 | 2022-07-05 | 一种沙尘图像清晰化方法、系统、介质、设备及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115272103A true CN115272103A (zh) | 2022-11-01 |
Family
ID=83762876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210782252.9A Pending CN115272103A (zh) | 2022-07-05 | 2022-07-05 | 一种沙尘图像清晰化方法、系统、介质、设备及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115272103A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197001A (zh) * | 2023-11-06 | 2023-12-08 | 青岛理工大学 | 一种沙尘图像清晰化方法、系统、设备及介质 |
-
2022
- 2022-07-05 CN CN202210782252.9A patent/CN115272103A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197001A (zh) * | 2023-11-06 | 2023-12-08 | 青岛理工大学 | 一种沙尘图像清晰化方法、系统、设备及介质 |
| CN117197001B (zh) * | 2023-11-06 | 2024-02-09 | 青岛理工大学 | 一种沙尘图像清晰化方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
| 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 | |
| CN111754440B (zh) | 车牌图像增强方法、系统、设备及存储介质 | |
| Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
| Park et al. | Sand-dust image enhancement using successive color balance with coincident chromatic histogram | |
| 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 | |
| CN110570360B (zh) | 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法 | |
| CN114331873B (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
| CN104867121B (zh) | 基于暗原色先验和Retinex理论的图像快速去雾法 | |
| CN115082361B (zh) | 基于图像处理的浑浊水体图像增强方法 | |
| CN103455979A (zh) | 一种低照度视频图像增强方法 | |
| CN112116536A (zh) | 一种低光照图像增强方法及系统 | |
| CN110827225A (zh) | 一种基于双重曝光框架的非均匀光照水下图像增强方法 | |
| CN112991222A (zh) | 图像雾霾去除处理方法、系统、计算机设备、终端及应用 | |
| 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 | |
| CN115272103A (zh) | 一种沙尘图像清晰化方法、系统、介质、设备及终端 | |
| CN112053302A (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
| CN115661008A (zh) | 一种图像增强处理方法、装置、设备及介质 | |
| CN116883868A (zh) | 基于自适应图像去雾的无人机智能巡航检测方法 | |
| CN111598811A (zh) | 一种单幅全色遥感雾霾图像清晰化方法 | |
| CN111476744A (zh) | 一种基于分类及大气成像模型的水下图像增强方法 | |
| CN107437241B (zh) | 一种结合边缘检测的暗通道图像去雾方法 | |
| Huang et al. | An end-to-end dehazing network with transitional convolution layer | |
| CN113450289B (zh) | 一种客运场景下人脸图像低照度自动增强的方法 | |
| CN114140344A (zh) | 一种低照度图像的图像增强方法及系统 |
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 |