CN116468615A - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116468615A CN116468615A CN202210029794.9A CN202210029794A CN116468615A CN 116468615 A CN116468615 A CN 116468615A CN 202210029794 A CN202210029794 A CN 202210029794A CN 116468615 A CN116468615 A CN 116468615A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel value
- target channel
- channel
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000005286 illumination Methods 0.000 claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 230000005055 memory storage Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T5/75—Unsharp masking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请提供的一种图像处理方法、装置、电子设备及存储介质,通过对对待去雾的原始图像进行下采样,得到第一图像;基于第一图像中各个颜色通道的像素值确定目标通道的像素值;对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值;基于所述目标通道的膨胀像素值和所述目标通道的像素值进行方框滤波优化得到第二图像;至少基于所述第二图像确定大气光照强度,并基于所述大气光照强度和所述第二图像确定去雾图像;对所述去雾图像进行伽玛校正得到校正图像,并对所述校正图像进行双线性插值处理,得到去雾增强图像,对边缘端MCU的内存存储和CPU运行频率要求低,运行功耗低,从而有利于在边缘端MCU上部署。
Description
技术领域
本申请涉及图像处理技术领域,特别地涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
雾霾天气下,摄像头采集的室外图像是大气中薄雾、灰尘等微粒吸收和散射后的退化图像,这些图像的对比度降低、色彩失真、纹理模块,对图像的解析、信息提取和识别造成很大影响,降低了图像的应用价值。监控、智能驾驶及目标跟踪等应用系统大多数需要提取图像特征,低能见度图像给户外机器视觉系统的正常工作带来了很大困难,因此室外图像去雾增强技术对提高视觉系统的可靠性和鲁棒性具有重要意义。相关技术中提供了一种基于深度学习的端到端图像去雾处理方法,该方法通过一训练好的深度卷积神经网络将有雾图像转换为无雾图像,其中所述深度卷积神经网络包括特征提取模块、特征池化模块,恢复模块,层间跳跃连接层,融合多尺度特征图谱,该方法使用多层卷积、反卷积、池化等复杂运算,生成的权重文件大,为了提高实时性,依赖运行在具有卷积和反卷积硬件IP的高性能SOC平台上,增加了硬件成本和功耗,不利于边缘端微控制单元MCU上部署。
发明内容
针对上述相关技术中的问题本申请提供一种图像处理方法、装置、电子设备及存储介质,通过对对待去雾的原始图像进行下采样,得到第一图像;基于第一图像中各个颜色通道的像素值确定目标通道的像素值;对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值;基于所述目标通道的膨胀像素值和所述目标通道的像素值进行方框滤波优化得到第二图像;至少基于所述第二图像确定大气光照强度,并基于所述大气光照强度和所述第二图像确定去雾图像;对所述去雾图像进行伽玛校正得到校正图像,并对所述校正图像进行双线性插值处理,得到去雾增强图像,对边缘端MCU的内存存储和CPU运行频率要求低,运行功耗低,从而有利于在边缘端MCU上部署。
本申请提供了一种图像处理方法,所述方法包括:
对待去雾的原始图像进行下采样,得到第一图像;
基于第一图像中各个颜色通道的像素值确定目标通道的像素值;
对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值;
基于所述目标通道的膨胀像素值和所述目标通道的像素值进行方框滤波优化得到第二图像;
至少基于所述第二图像确定大气光照强度,并基于所述大气光照强度和所述第二图像确定去雾图像;
对所述去雾图像进行伽玛校正得到校正图像,并对所述校正图像进行双线性插值处理,得到去雾增强图像。
在一些实施例中,所述基于第一图像中各个颜色通道的像素值确定目标通道的像素值,包括:
对所述第一图像进行RGB通道分离得到各个颜色通道;
提取各个颜色通道的像素值,以确定第一图像中各个颜色通道的像素值;
基于各个颜色通道的像素值确定目标通道的像素值。
在一些实施例中,各个颜色通道包括:b通道、r通道、g通道,所述基于各个颜色通道的像素值确定目标通道的像素值,包括:
基于b通道、r通道、g通道对应的像素值,采用第一函数式确定目标通道的像素值,其中,所述第一函数式为:
其中,Pd(y)为通道的像素值,Ffogch(y)为图像在RGB色彩空间中各个通道函数,Win(x)表示以x为中心的一个窗口。
在一些实施例中,所述对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值,包括:
基于第二函数式对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值,其中,所述第二函数式为:
Pe=cv2.erode(Pd,np.ones((2*r+1,2*r+1)));
其中,Pe为膨胀像素值,r为半径。
在一些实施例中,所述至少基于所述第二图像确定大气光照强度,包括:
获取直方图的条形参数;
基于所述条形参数和所述第二图像计算所述直方图;
基于所述直方图和所述第二图像确定大气光强度。
在一些实施例中,所述基于所述大气光照强度和所述第二图像确定去雾图像,包括:
基于所述大气光照强度和所述第二图像采用去雾增强算法得到去雾图像。
在一些实施例中,所述基于所述大气光照强度和所述第二图像确定去雾图像,包括:
将所述大气光照强度和所述第二图像输入至训练好的神经网络模型中确定去雾图像。
本申请实施例提供一种图像处理装置,包括:
下采样模块,用于对待去雾的原始图像进行下采样,得到第一图像;
第一确定模块,用于基于第一图像中各个颜色通道的像素值确定目标通道的像素值;
膨胀处理模块,用于对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值;
滤波模块,用于基于所述目标通道的膨胀像素值和所述目标通道的像素值进行方框滤波优化得到第二图像;
第二确定模块,用于至少基于所述第二图像确定大气光照强度,并基于所述大气光照强度和所述第二图像确定去雾图像;
第三确定模块,用于对所述去雾图像进行伽玛校正得到校正图像,并对所述校正图像进行双线性插值处理,得到去雾增强图像。
本申请实施例提供一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,该计算机程序被所述处理器执行时,执行上述任意一项所述图像处理方法。
本申请实施例提供一种存储介质,该存储介质存储的计算机程序,能够被一个或多个处理器执行,能够用来实现上述任一项所述图像处理方法。
本申请提供的一种图像处理方法、装置、电子设备及存储介质,通过对对待去雾的原始图像进行下采样,得到第一图像;基于第一图像中各个颜色通道的像素值确定目标通道的像素值;对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值;基于所述目标通道的膨胀像素值和所述目标通道的像素值进行方框滤波优化得到第二图像;至少基于所述第二图像确定大气光照强度,并基于所述大气光照强度和所述第二图像确定去雾图像;对所述去雾图像进行伽玛校正得到校正图像,并对所述校正图像进行双线性插值处理,得到去雾增强图像,对边缘端MCU的内存存储和CPU运行频率要求低,运行功耗低,从而有利于在边缘端MCU上部署。
附图说明
在下文中将基于实施例并参考附图来对本申请进行更详细的描述。
图1为本申请实施例提供的一种图像处理方法的实现流程示意图;
图2为本申请实施例提供的另一种图像处理方法的实现流程示意图;
图3为本申请实施例提供的一种图像处理装置的结构示意图;
图4为本申请实施例提供的电子设备的组成结构示意图。
在附图中,相同的部件使用相同的附图标记,附图并未按照实际的比例绘制。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
如果申请文件中出现“第一\第二\第三”的类似描述则增加以下的说明,在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
基于相关技术中存在的问题,本申请实施例提供一种图像处理方法,所述方法应用于电子设备,所述电子设备可以移动终端、计算机等。本申请实施例提供的图像处理方法所实现的功能可以通过电子设备的处理器调用程序代码来实现,其中,程序代码可以保存在计算机存储介质中。
本申请实施例提供一种图像处理方法,图1为本申请实施例提供的一种图像处理方法的实现流程示意图,如图1所示,包括:
步骤S1,对待去雾的原始图像进行下采样,得到第一图像。
本申请实施例中,电子设备可以与摄像头连接,通过摄像头采集待去雾的原始图像,在一些实施例中,可以通过输入设备的输入来获取待去雾的原始图像,所述输入设备可以是键盘、鼠标、语音输入设备等;也可以通过外接存储设备的输入来获取待去雾的原始图像,所述外接存储设备可以是U盘、机械硬盘等;也可以通过网络接收的方式来获取待去雾的原始图像,例如因特网、局域网;也可以通过读取本地数据来获取等。本申请实施例中,所述原始图像的大小可以用M*N表示,示例性地,可以是640*480,对于原始图像尺寸为M*N,对其进行s倍下采样,即得到(M/s)*(N/s)尺寸的分辨率图像,s是M和N的公约数,把原始图像s*s窗口内的图像变成一个像素,这个像素点的值就是窗口内所有像素的均值,用以下公式用于计算第一图像的像素值,
其中,s表示窗口的的大小,Ii表示在原图像中像素值,i表示索引号,win(k)表示以k为中心的窗口。
步骤S2,基于第一图像中各个颜色通道的像素值确定目标通道的像素值。
本申请实施例中,可以对所述第一图像进行RGB通道分离得到各个颜色通道;然后提取各个颜色通道的像素值,以确定第一图像中各个颜色通道的像素值;基于各个颜色通道的像素值确定目标通道的像素值。
本申请实施例中,对所述第一图像进行RGB通道分离得到各个颜色通道;提取各个颜色通道的像素值,以确定第一图像中各个颜色通道的像素值可以通过以下代码实现:
img=imread('frog.bmp');
red=zeros(256,256,3);%构造红色,绿色,蓝色的图像矩阵
green=zeros(256,256,3);
blue=zeros(256,256,3);
red(:,:,1)=img(:,:,1);%提取红色的色彩值
red=uint8(red);%将double类型转换成8bits类型
green(:,:,2)=img(:,:,2);
green=uint8(green);
blue(:,:,3)=img(:,:,3);
blue=uint8(blue);
本申请实施例中,第一图像由文件头和数据组成,包括:
1.位图文件头(bitmap-file header)、2.位图信息头(bitmap-informationheader)、3.颜色表(color table)、4.颜色点阵数据(bits data);
24位真彩色位图没有颜色表,所以只有1、2、4这三部分。以24位真彩色位图为例进行说明。
img=imread('frog.bmp');通过imread函数可以获取第一图像文件头、位图信息图、颜色表、图像的分辨率,函数返回颜色矩阵img数据,以rgbrgbrgb…方式排列。通过red(:,:,1)=img(:,:,1),green(:,:,2)=img(:,:,2),blue(:,:,3)=img(:,:,3);提取相应通道数据并转换为uint8(unsigned char)类型即可。img(:,:,1)表示获取第一个通道数据,img(:,:,2)表示获取第二个通道数据,img(:,:,3)表示获取第三个通道数据。blue=uint8(blue);表示将数据转换为unsigned char类型数据。
本申请实施例中,图像的清晰度受到直接衰减项和大气渗透项两部分的影响。大气散射模型参见以下公式:
Ffog(x)=P(x)tr(x)+AT(1-tr(x))Tv;
其中AT是大气光强度,tr(x)表示大气透射率,P(x)表示观察到的清晰图像的场景透射,Ffog表示观察到的模糊图像的场景透射。在天空中局部区域中,Ffogch表示有雾图像(RGB色彩空间)某一个通道的像素值,有雾图像Ffog像素总会有一个颜色通道具有较小的值,则可以将较小像素值对应的颜色通道确定为目标通道,从而确定目标通道的像素值。
本申请实施例中,各个颜色通道包括:b通道、r通道、g通道,所述基于各个颜色通道的像素值确定目标通道的像素值,包括:
基于b通道、r通道、g通道对应的像素值,采用第一函数式确定目标通道的像素值,其中,所述第一函数式为:
其中,Pd(y)为通道的像素值,Ffogch(y)为图像在RGB色彩空间中各个通道函数,Win(x)表示以x为中心的一个窗口。
步骤S3,对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值。
本申请实施例中,膨胀处理是将图像A与任意形状的结构元素B进行卷积,而结构元素B拥有一个可定义的参考点,称之为锚点,进行膨胀操作时就是将结构元素B滑过图像A(卷积),并将B覆盖区域的像素点的最小值赋给参考点指定的像素,这一操作会使图像中的暗区域逐渐扩展。
可以基于第二函数式对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值,其中,所述第二函数式为:
Pe=cv2.erode(Pd,np.ones((2*r+1,2*r+1)));
其中,Pe为膨胀像素值,r为半径。本申请实施例中,r可以是7。
步骤S4,基于所述目标通道的膨胀像素值和所述目标通道的像素值进行方框滤波优化得到第二图像。
本申请实施例中,可以将Pd和Pe作为输入,并设置半径R,进行方框滤波优化,示例性地,R为81,方框Filter滤波的kernel可以用以下公式表示:
确定第二图像可以用以下代码实现:
其中Tv为第二图像。
步骤S5,至少基于所述第二图像确定大气光照强度,并基于所述大气光照强度和所述第二图像确定去雾图像。
本申请实施例中,可以获取直方图的条形参数;基于所述条形参数和所述第二图像计算所述直方图;基于所述直方图和所述第二图像确定大气光强度。
示例性地,直方图的条形参数用bins表示,计算大气光强度可以通过以下代码实现:
AT即为大气大气光强度。
本申请实施例中,可以基于所述大气光照强度和所述第二图像采用去雾增强算法得到去雾图像,对图像进行去雾增强算法伪代码如式下所示:
for fogch in range(3):
P(x)[:,:,fogch]=(Ffog[:,:,fogch]-Tv)/(1-Tv/AT)
在一些实施例中,可以将所述大气光照强度和所述第二图像输入至训练好的神经网络模型中确定去雾图像。
步骤S6,对所述去雾图像进行伽玛校正得到校正图像,并对所述校正图像进行双线性插值处理,得到去雾增强图像。
本申请实施例中,伽玛校正是对图像的伽玛曲线进行编辑,以对图像进行非线性色调编辑的方法,检出图像信号中的深色部分和浅色部分,并使两者比例增大,从而提高图像对比度效果。
本申请实施例中,伽马校正的代码可以用以下表示:
P(x)=P(x)**(np.log(0.5)/np.log(P(x).mean()));
本申请提供的一种图像处理方法、装置、电子设备及存储介质,通过对对待去雾的原始图像进行下采样,得到第一图像;基于第一图像中各个颜色通道的像素值确定目标通道的像素值;对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值;基于所述目标通道的膨胀像素值和所述目标通道的像素值进行方框滤波优化确定第二图像;至少基于所述第二图像确定大气光照强度,并基于所述大气光照强度和所述第二图像确定去雾图像;对所述去雾图像进行伽玛校正得到校正图像,并对所述校正图像进行双线性插值处理,得到去雾增强图像,对边缘端MCU的内存存储和CPU运行频率要求低,运行功耗低,从而有利于在边缘端MCU上部署。
本申请实施例提供的图像处理方法,在对采集图像进行应用所需的分析、处理、识别或理解等操作之前,从雾图中还原出真实场景图像,本方法对边缘端MCU的内存存储和CPU运行频率要求低,运行功耗低。在保证复原图像视觉效果的前提下,在实时性、效率方面提高了算法的性能。且得到的去雾增强图像的色彩更加柔和,天空区域的恢复较好,图像整体结构感强,场景轮廓清晰。
基于前述的各个实施例,本申请实施例再提供一种图像处理方法,图2为本申请实施例提供的一种图像处理方法的实现流程示意图,如图2所示,所述方法包括:
步骤S101,读取一帧有雾图像;
步骤S102,图像下采样。
步骤S103,图像RGB通道分离。
步骤S104,计算Pd通道图像。
步骤S105,对Pd通道图像进行滤波得到Tv图像。
步骤S106,根据Tv图像计算直方图ht。
步骤S107,根据Tv和ht计算大气光照。
步骤S108,对图像去雾得到P(x)。
步骤S109,对P(x)图像gamma校正。
步骤S110,对图像双线性插值增强图像。
基于前述的实施例,本申请实施例提供一种图像处理装置,该装置包括的各模块、以及各模块包括的各单元,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU,Central ProcessingUnit)、微处理器(MPU,Microprocessor Unit)、数字信号处理器(DSP,Digital SignalProcessing)或现场可编程门阵列(FPGA,Field Programmable Gate Array)等。
本申请实施例提供一种图像处理装置,图3为本申请实施例提供的一种图像处理装置的结构示意图,如图3所示,图像处理装置300包括:
下采样模块301,用于对待去雾的原始图像进行下采样,得到第一图像;
第一确定模块302,用于基于第一图像中各个颜色通道的像素值确定目标通道的像素值;
膨胀处理模块303,用于对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值;
滤波模块304,用于基于所述目标通道的膨胀像素值和所述目标通道的像素值进行方框滤波优化得到第二图像;
第二确定模块305,用于至少基于所述第二图像确定大气光照强度,并基于所述大气光照强度和所述第二图像确定去雾图像;
第三确定模块306,用于对所述去雾图像进行伽玛校正得到校正图像,并对所述校正图像进行双线性插值处理,得到去雾增强图像。
在一些实施例中,第一确定模块302包括:
分离单元,用于对所述第一图像进行RGB通道分离得到各个颜色通道;
提取单元,用于提取各个颜色通道的像素值,以确定第一图像中各个颜色通道的像素值;
第一确定单元,用于基于各个颜色通道的像素值确定目标通道的像素值。
在一些实施例中,各个颜色通道包括:b通道、r通道、g通道,第一确定单元,包括:
确定子单元,用于基于b通道、r通道、g通道对应的像素值,采用第一函数式确定目标通道的像素值,其中,所述第一函数式为:
其中,Pd(y)为通道的像素值,Ffogch(y)为图像在RGB色彩空间中各个通道函数,Win(x)表示以x为中心的一个窗口。
在一些实施例中,膨胀处理模块303包括:
膨胀处理单元,用于基于第二函数式对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值,其中,所述第二函数式为:
Pe=cv2.erode(Pd,np.ones((2*r+1,2*r+1)));
其中,Pe为膨胀像素值,r为半径。
在一些实施例中,第二确定模块305,包括:
获取单元,用于获取直方图的条形参数;
第二确定单元,用于基于所述条形参数和所述第二图像计算所述直方图;
第三确定单元,用于基于所述直方图和所述第二图像确定大气光强度。
在一些实施例中,第二确定模块305,还包括:
第四确定单元,用于基于所述大气光照强度和所述第二图像采用去雾增强算法得到去雾图像。
在一些实施例中,第二确定模块305,还包括:
第五确定单元,用于将所述大气光照强度和所述第二图像输入至训练好的神经网络模型中确定去雾图像。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的图像处理方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,ReadOnly Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
相应地,本申请实施例提供一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现上述实施例中提供的图像处理方法中的步骤。
本申请实施例提供一种电子设备;图4为本申请实施例提供的电子设备的组成结构示意图,如图4所示,所述电子设备400包括:一个处理器401、至少一个通信总线402、用户接口403、至少一个外部通信接口404、存储器405。其中,通信总线402配置为实现这些组件之间的连接通信。其中,用户接口403可以包括显示屏,外部通信接口404可以包括标准的有线接口和无线接口。所述处理器401配置为执行存储器中存储的图像处理方法的程序,以实现以上述实施例提供的图像处理方法中的步骤。
这里需要指出的是:以上存储介质和电子设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、对象或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、对象或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、对象或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台控制器执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
对待去雾的原始图像进行下采样,得到第一图像;
基于所述第一图像中各个颜色通道的像素值确定目标通道的像素值;
对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值;
基于所述目标通道的膨胀像素值和所述目标通道的像素值进行方框滤波优化得到第二图像;
至少基于所述第二图像确定大气光照强度,并基于所述大气光照强度和所述第二图像确定去雾图像;
对所述去雾图像进行伽玛校正得到校正图像,并对所述校正图像进行双线性插值处理,得到去雾增强图像。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一图像中各个颜色通道的像素值确定目标通道的像素值,包括:
对所述第一图像进行RGB通道分离得到各个颜色通道;
提取各个颜色通道的像素值,以确定第一图像中各个颜色通道的像素值;
基于各个颜色通道的像素值确定目标通道的像素值。
3.根据权利要求2所述的方法,其特征在于,各个颜色通道包括:b通道、r通道、g通道,所述基于各个颜色通道的像素值确定目标通道的像素值,包括:
基于b通道、r通道、g通道对应的像素值,采用第一函数式确定目标通道的像素值,其中,所述第一函数式为:
其中,Pd(y)为通道的像素值,Ffogch(y)为图像在RGB色彩空间中各个通道函数,Win(x)表示以x为中心的一个窗口。
4.根据权利要求3所述的方法,其特征在于,所述对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值,包括:
基于第二函数式对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值,其中,所述第二函数式为:
Pe=cv2.erode(Pd,np.ones((2*r+1,2*r+1)));
其中,Pe为膨胀像素值,r为半径。
5.根据权利要求1所述的方法,其特征在于,所述至少基于所述第二图像确定大气光照强度,包括:
获取直方图的条形参数;
基于所述条形参数和所述第二图像计算所述直方图;
基于所述直方图和所述第二图像确定大气光强度。
6.根据权利要求1所述的方法,其特征在于,所述基于所述大气光照强度和所述第二图像确定去雾图像,包括:
基于所述大气光照强度和所述第二图像采用去雾增强算法得到去雾图像。
7.根据权利要求1所述的方法,其特征在于,所述基于所述大气光照强度和所述第二图像确定去雾图像,包括:
将所述大气光照强度和所述第二图像输入至训练好的神经网络模型中确定去雾图像。
8.一种图像处理装置,其特征在于,包括:
下采样模块,用于对待去雾的原始图像进行下采样,得到第一图像;
第一确定模块,用于基于第一图像中各个颜色通道的像素值确定目标通道的像素值;
膨胀处理模块,用于对所述目标通道的像素值进行膨胀处理,得到目标通道的膨胀像素值;
滤波模块,用于基于所述目标通道的膨胀像素值和所述目标通道的像素值进行方框滤波优化得到第二图像;
第二确定模块,用于至少基于所述第二图像确定大气光照强度,并基于所述大气光照强度和所述第二图像确定去雾图像;
第三确定模块,用于对所述去雾图像进行伽玛校正得到校正图像,并对所述校正图像进行双线性插值处理,得到去雾增强图像。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器上存储有计算机程序,该计算机程序被所述处理器执行时,执行如权利要求1至7任意一项所述图像处理方法。
10.一种存储介质,其特征在于,该存储介质存储的计算机程序,能够被一个或多个处理器执行,能够用来实现如权利要求1至7任意一项所述图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029794.9A CN116468615A (zh) | 2022-01-12 | 2022-01-12 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029794.9A CN116468615A (zh) | 2022-01-12 | 2022-01-12 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468615A true CN116468615A (zh) | 2023-07-21 |
Family
ID=87175831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210029794.9A Pending CN116468615A (zh) | 2022-01-12 | 2022-01-12 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468615A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522742A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市欧冶半导体有限公司 | 图像处理方法、架构、装置和计算机设备 |
-
2022
- 2022-01-12 CN CN202210029794.9A patent/CN116468615A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522742A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市欧冶半导体有限公司 | 图像处理方法、架构、装置和计算机设备 |
CN117522742B (zh) * | 2024-01-04 | 2024-03-22 | 深圳市欧冶半导体有限公司 | 图像处理方法、架构、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Normalised gamma transformation‐based contrast‐limited adaptive histogram equalisation with colour correction for sand–dust image enhancement | |
US11151723B2 (en) | Image segmentation method, apparatus, and fully convolutional network system | |
CN111062892B (zh) | 一种基于复合残差网络和深层监督的单幅图像去雨方法 | |
CN112102204B (zh) | 图像增强方法、装置及电子设备 | |
CN108875619B (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
CN104091310A (zh) | 一种图像去雾方法和装置 | |
CN111784605B (zh) | 一种基于区域指导的图像降噪方法、计算机装置及计算机可读存储介质 | |
CN113168669B (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN109993804A (zh) | 一种基于条件生成对抗网络的道路场景去雾方法 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
WO2014148114A1 (ja) | 画像処理装置、撮像装置、監視システム、符号化装置、画像処理方法 | |
CN110599554A (zh) | 人脸肤色的识别方法和装置、存储介质及电子装置 | |
CN111031241B (zh) | 图像处理方法及其装置、终端和计算机可读存储介质 | |
CN112435184A (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
CN116468615A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN107424134B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
CN110838088A (zh) | 一种基于深度学习的多帧降噪方法、装置及终端设备 | |
CN116109511A (zh) | 红外图像边缘增强的方法和系统 | |
Hong et al. | A single image dehazing method based on adaptive gamma correction | |
CN114862707A (zh) | 一种多尺度特征恢复图像增强方法、装置及存储介质 | |
CN107886480A (zh) | 基于v系统的图像去雾方法 | |
CN108769521A (zh) | 一种拍照方法、移动终端及计算机可读存储介质 | |
CN113888421A (zh) | 一种多光谱卫星遥感图像融合方法 |
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 |