CN116912149A - 图像增强方法、装置及电子设备 - Google Patents
图像增强方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116912149A CN116912149A CN202311179403.2A CN202311179403A CN116912149A CN 116912149 A CN116912149 A CN 116912149A CN 202311179403 A CN202311179403 A CN 202311179403A CN 116912149 A CN116912149 A CN 116912149A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- exposure
- enhanced
- dust
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000000428 dust Substances 0.000 claims abstract description 73
- 238000010410 dusting Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000002834 transmittance Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 abstract description 8
- 238000005286 illumination Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000003595 mist Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本公开提出一种图像增强方法、装置及电子设备，涉及图像处理技术领域。该方法包括：获取待增强图像；基于待增强图像对应的目标透射率及目标尘化程度，对待增强图像进行去尘处理，以获取去尘图像；确定去尘图像对应的多张曝光图像，其中，多张曝光图像对应的曝光比不同；将多张曝光图像进行融合，以获取待增强图像对应的增强图像。由此，可以将去尘增强方法与曝光融合方法相结合，先利用去尘增强对待增强图像中的粉尘进行去除，有效地消除图像中的粉尘现象，提高图像的亮度和色彩饱和度，之后利用曝光融合方法，降低去尘图像的噪声和增加去尘图像的对比度，提高去尘图像的清晰度和辨识度，从而实现了对待增强图像的增强，获取到清晰图像。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像增强方法、装置及电子设备。
背景技术
在井下场所，水雾、粉尘和低照度等因素会对摄像仪工作造成影响，导致采集到的图像质量低下，严重影响智能视频分析和安全监测等领域的应用。因此，提高井下环境下图像采集质量的技术需求迫切。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种图像增强方法，包括：
获取待增强图像；
确定所述待增强图像对应的目标透射率及目标尘化程度；
基于所述目标透射率及所述目标尘化程度，对所述待增强图像进行去尘处理，以获取去尘图像；
确定所述去尘图像对应的多张曝光图像，其中，所述多张曝光图像对应的曝光比不同；
将所述多张曝光图像进行融合，以获取所述待增强图像对应的增强图像。
本公开第二方面实施例提出了一种图像增强装置，包括：
第一获取模块，用于获取待增强图像；
第一确定模块，用于确定所述待增强图像对应的目标透射率及目标尘化程度；
第二获取模块，用于基于所述目标透射率及所述目标尘化程度，对所述待增强图像进行去尘处理，以获取去尘图像；
第二确定模块，用于确定所述去尘图像对应的多张曝光图像，其中，所述多张曝光图像对应的曝光比不同；
融合模块，用于将所述多张曝光图像进行融合，以获取所述待增强图像对应的增强图像。
本公开第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的图像增强方法。
本公开第四方面实施例提出了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，实现如本公开第一方面实施例提出的图像增强方法。
本公开提供的图像增强方法、装置及电子设备，存在如下有益效果：
首先获取待增强图像,之后确定待增强图像对应的目标透射率及目标尘化程度，进而基于目标透射率及目标尘化程度，对待增强图像进行去尘处理，以获取去尘图像，之后确定去尘图像对应的多张曝光图像，最后将多张曝光图像进行融合，以获取待增强图像对应的增强图像。由此，可以将去尘增强方法与曝光融合方法相结合，先利用去尘增强对待增强图像中的粉尘进行去除，有效地消除图像中的粉尘现象，提高图像的亮度和色彩饱和度，之后利用曝光融合方法，降低去尘图像的噪声和增加去尘图像的对比度，提高去尘图像的清晰度和辨识度，从而实现了对待增强图像的增强，获取到清晰图像。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本公开一实施例所提供的图像增强方法的流程示意图；
图2为本公开另一实施例所提供的图像增强方法的流程示意图；
图3为本公开一实施例所提供的图像增强装置的结构示意图；
图4示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的图像增强方法、装置及电子设备。
图1为本公开实施例所提供的图像增强方法的流程示意图。
本公开实施例以该图像增强方法被配置于图像增强装置中来举例说明，该图像增强装置可以应用于任一电子设备中，以使该电子设备可以执行图像增强功能。
其中，电子设备可以为个人电脑（Personal Computer，简称PC）、云端设备、移动设备等，移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该图像增强方法可以包括以下步骤：
步骤101，获取待增强图像。
其中，待增强图像可以为井下图像采集设备（如，摄像机）采集的待进行图像增强的图像。
步骤102，确定待增强图像对应的目标透射率及目标尘化程度。
在一些实施例中，确定待增强图像对应的目标透射率，包括以下步骤：
（1）对待增强图像进行划分，以获取多张子图像。
举例来说，可以将初始图片划分为3*3、或5*5、或10*10等多个子图像，从而每个部分可以独立计算，这样不仅能计算出图像每个部分的特征，同时还能节约计算资源，提高计算速度。
（2）确定每张子图像对应的深度通道图像。
暗原色先验原理表明，在图像RGB三个颜色通道中，像素值较低的像素点在至少一个通道中存在，而在尘化图像中，图像的反射部分可以通过这些像素值较低的像素点反映出来。因此，可以提取出这些像素值很低的像素点进行处理。
其中，暗原色先验理论可以通过下面的公式表示:
其中，表示子图像J中的任一颜色通道，/>是以像素点x为中心的块状区域，r为红色通道，g为绿色通道，b为蓝色通道。
如上述公式所示，即将子图像分成3个通道，并在每个通道的块状区域内找出最小值，比较3个最小值得出所有通道内的最小值，之后根据所得到的最小值，得出深度通道图像。
（3）确定每张子图像对应的子尘化程度。
其中，计算每个子图像对应的子尘化程度的公式如下所示：
其中，d是场景中子图像中的物体到摄像头的距离，是d为0时的光能，/>是经过传播距离d之后的光能，/>为子尘化程度，主要用于表示井下高粉尘高水雾等介质对于光传播的影响。
（4）将子尘化程度的平均值，确定目标尘化程度。
（5）根据每张子图像对应的深度通道图像、子尘化程度及目标尘化程度，确定每张子图像对应的透射率。
可选的，将每张子图像对应的深度通道图像、子尘化程度及目标尘化程度，代入预设的透射率函数，得到每张子图像对应的透射率，其中，预设的透射率函数中包括调整因子。
其中，透射率函数可以为：
其中，为透射率，/>为调整因子，/>表示距离d之内从m点到n点的透射率信息传递损耗，/>代表目标尘化程度，/>代表子图像对应的尘化权重，其中，/>为子尘化程度，/>是A的某个颜色通道，A表示尘化图像中的大气光照部分。
在一些实施例中，的取值范围可以为(0，1]，比如，可以为0.86。
需要说明的是，因为煤矿井下存在大量粉尘以及水雾导致井下摄像机获取的图像会相对模糊，但如果将粉尘完全去除的话，图像会显得缺乏真实感。本公开实施例中，引入调整因子、及待观测点与图像采集设备间的透射率信息传递，这样就可以在去除掉图像中粉尘的情况下又不使图像失真。
（6）根据每张子图像对应的透射率中的最大值，及预设的透射率下限，确定目标透射率。
可选的，为了避免直接复原得到的图像倾向于包含随机噪音，因此，本公开实施例中，设置了透射率下限。
步骤103，基于目标透射率及目标尘化程度，对待增强图像进行去尘处理，以获取去尘图像。
可选的，将目标透射率、目标尘化程度及待增强图像，代入预设的图像复原函数中，以获取去尘图像。
其中，预设的图像复原函数如下所示：
其中，为去尘图像，/>为待增强图像，t为每张子图像对应的透射率中的最大值，/>为透射率下限，/>代表目标尘化程度，A为尘化图像中的大气光照部分。
本公开实施例中，可以利用上述获取去尘图像的方法，有效地消除待增强图像中的雾霾现象，提高待增强图像的亮度和色彩饱和度。
步骤104，确定去尘图像对应的多张曝光图像，其中，多张曝光图像对应的曝光比不同。
在一些实施例中，可以先随机采样预设数量个曝光比，之后基于曝光比，对去尘图像进行处理，以获取去尘图像对应的多张曝光图像。
步骤105，将多张曝光图像进行融合，以获取待增强图像对应的增强图像。
可选的，根据每张曝光图像中每个像素点对应的强度值，确定每张曝光图像中每个像素点对应的目标权重，其中，多张曝光图像中同一个像素点的权重和为1，之后基于每张曝光图像中每个像素点对应的目标权重，将多张曝光图像中同一像素点进行融合，以获取增强图像。
在一些实施例中，多重曝光评估器可以评估生成的曝光图像中每个像素的强度值。对于同时输入到多重曝光评估器中的所有曝光图片，可以采用可解释的机器学习算法（如Local Interpretable Model-Agnostic Explanations，LIME）计算每张曝光图片对应的权值矩阵，权值矩阵大小和图片大小相同，所有曝光图片中同一像素点的所有权值的和为1。曝光好的像素的目标权重较大，曝光差的像素的目标权重较小。
之后可以使用多重曝光融合器将不同曝光度的曝光图片融合成一张高动态范围的图像（即增强图像）。
其中，融合公式如下所示：
其中，为增强图像，/>为像素点在第i张曝光图像对应的权重矩阵，/>第i张曝光图像，N为曝光图像的总数量。
本公开实施例中，首先获取待增强图像,之后确定待增强图像对应的目标透射率及目标尘化程度，进而基于目标透射率及目标尘化程度，对待增强图像进行去尘处理，以获取去尘图像，之后确定去尘图像对应的多张曝光图像，最后将多张曝光图像进行融合，以获取待增强图像对应的增强图像。由此，可以将去尘增强方法与曝光融合方法相结合，先利用去尘增强对待增强图像中的粉尘进行去除，有效地消除图像中的粉尘现象，提高图像的亮度和色彩饱和度，之后利用曝光融合方法，降低去尘图像的噪声和增加去尘图像的对比度，提高去尘图像的清晰度和辨识度，从而实现了对待增强图像的增强，获取到清晰图像。
图2为本公开一实施例所提供的图像增强方法的流程示意图，如图2所示，该图像增强方法可以包括以下步骤：
步骤201，获取待增强图像。
步骤202，确定待增强图像对应的目标透射率及目标尘化程度。
步骤203，基于目标透射率及目标尘化程度，对待增强图像进行去尘处理，以获取去尘图像。
步骤204，确定去尘图像对应的目标曝光比集合，其中，目标曝光比集合中包含多个目标曝光比。
在生成多张曝光图像之前，需要先确定需要多少张图像以及对应的曝光比。由于一些曝光比下的图像不能提供额外的信息，考虑这些图像会浪费计算资源，甚至可能恶化融合结果，因此，需要确定目标曝光比集合。可选的，可以利用多重曝光采样器，获取目标曝光比集合。
可选地，确定目标曝光比集合包括以下步骤：
（1）获取初始曝光比集合。
一个好的采样器可以通过选择适当的曝光比，使用尽可能少的图像来显示场景中的所有信息。采样器的输出是初始曝光比集合,其中N为生成图像的个数。
（2）基于初始曝光比集合中的每个初始曝光比，对去尘图像进行处理，以获取去尘图像在每个初始曝光比下对应的第一图像。
（3）对每张第一图像进行亮度分析，以获取每张第一图像对应的第二图像，其中，第二图像中的每个像素点对应的亮度低于阈值。
为了使用少量图像表示尽可能多的信息，需要找到一组较优的曝光比，使合成的增强图像在去尘图像曝光不足的区域曝光良好。因此，可以先排除曝光良好的像素，获得全局曝光不足的图像。提取低亮度像素公式如下：
其中，L为第二图像，只包含亮度不足的像素，P为第一图像，T为场景光照图。
具体地，可以通过寻找RGB三通道中的最大值，并分别估计每个像素的光照度，利用增强拉格朗日乘数法得到最终的光照图。
（4）确定每张第二图像的亮度对应的熵。
又因为不同曝光下的图像亮度变化明显，但颜色基本相同。在确定目标曝光比集合时，可以只考虑亮度分量。亮度分量B定义为三个通道（R、G、B）的几何平均值：
需要说明的时，高曝光图像的可见性高于低曝光/过曝光图像的可见性，可以提供更丰富的信息。因此，目标曝光比对应的第二图像应该提供最多的信息。
本公开实施例中，可以使用图像的熵作为衡量图像信息多少的指标，公式如下：
其中，代表曝光比为EV时的图像的亮度分量，/>为亮度分量/>的直方图中的第k个数值，它计算在256个灰度值中，第k个灰度值在图片中的数量。
（5）将预设数量个熵最大的第二图像对应的曝光比，确定为目标曝光比集合中的目标曝光比。
需要说明的是，图像熵越高，则代表图片信息越多，图片可见性越高。因此，可以将预设数量个熵最大的第二图像对应的曝光比，确定为目标曝光比集合中的目标曝光比。
在一些实施例中，也可以取平均图像熵以上的第二图像对应的曝光比作为目标曝光比集合中的目标曝光比。目标曝光比集合也可以是多重曝光采样器的输出。
在一些实时中，为了提高计算效率，可以将去尘图像的大小调整为50×50。
步骤205，基于目标曝光比集合中的每个目标曝光比，对去尘图像进行处理，以获取去尘图像在每个目标曝光比下对应的曝光图像。
在一些实施例中，可以采用多重曝光发生器，生成去尘图像在每个目标曝光比下对应的曝光图像。
多重曝光发生器可以根据指定的曝光比设置将去尘图像映射到多重曝光图像。多重曝光发生器的关键部分是相机响应模型，用于寻找合适的BTF映射。给定曝光比和BTF映射方程，可以将去尘图像P映射到曝光集合中的第i个图像为：
其中，为目标曝光比集合中第q个目标曝光比对应的曝光的曝光图像，/>为目标曝光比集合中第q个目标曝光比，P为去尘图像，/>和/>为摄像机的固定的内参，/>的取值可以为-0.2791、/>的取值可以为1.3152。
步骤206，将多张曝光图像进行融合，以获取待增强图像对应的增强图像。
本公开实施例，在获取去尘图像之后，可以根据每个初始曝光比下每张第一图像的亮度，得到第二图像，进而根据第二图像的熵，确定去尘图像对应的目标曝光比集合，进而基于目标曝光比集合中的每个目标曝光比，对去尘图像进行处理，以获取去尘图像在每个目标曝光比下对应的曝光图像。由此，可以基于每个初始曝光比下的第一图像的亮度、及第二图像的熵，更加准确地确定目标曝光比，进而使得融合得到的增强图像更加准确，进一步提高了增强图像的清晰度。
为了实现上述实施例，本公开还提出一种图像增强装置。
图3为本公开实施例所提供的图像增强装置的结构示意图。
如图3所示，该图像增强装置300可以包括：
第一获取模块301，用于获取待增强图像；
第一确定模块302，用于确定待增强图像对应的目标透射率及目标尘化程度；
第二获取模块303，用于基于目标透射率及目标尘化程度，对待增强图像进行去尘处理，以获取去尘图像；
第二确定模块304，用于确定去尘图像对应的多张曝光图像，其中，多张曝光图像对应的曝光比不同；
融合模块305，用于将多张曝光图像进行融合，以获取待增强图像对应的增强图像。
可选的，第一确定模块302，用于：
对待增强图像进行划分，以获取多张子图像；
基于暗原色先验原理，确定每张子图像对应的深度通道图像；
确定每张子图像对应的子尘化程度；
将子尘化程度的平均值，确定为目标尘化程度；
根据每张子图像对应的深度通道图像、子尘化程度及目标尘化程度，确定每张子图像对应的透射率；
根据每张子图像对应的透射率中的最大值及预设的透射率下限，确定目标透射率。
可选的，第一确定模块302，用于：
将每张子图像对应的深度通道图像、子尘化程度及目标尘化程度，代入预设的透射率函数，得到每张子图像对应的透射率，其中，预设的透射率函数中包括调整因子。
可选的，第二获取模块303，用于：
将目标透射率、目标尘化程度及待增强图像，代入预设的图像复原函数中，以获取去尘图像。
可选的，第二确定模块304，用于：
确定去尘图像对应的目标曝光比集合，其中，目标曝光比集合中包含多个目标曝光比；
基于目标曝光比集合中的每个目标曝光比，对去尘图像进行处理，以获取去尘图像在每个目标曝光比下对应的曝光图像。
可选的，第二确定模块304，用于：
获取初始曝光比集合；
基于初始曝光比集合中的每个初始曝光比，对去尘图像进行处理，以获取去尘图像在每个初始曝光比下对应的第一图像；
对每张第一图像进行亮度分析，以获取每张第一图像对应的第二图像，其中，第二图像中的每个像素点对应的亮度低于阈值；
确定每张第二图像的亮度对应的熵；
将预设数量个熵最大的第二图像对应的曝光比，确定为目标曝光比集合中的目标曝光比。
可选的，融合模块305，用于：
根据每张曝光图像中每个像素点对应的强度值，确定每张曝光图像中每个像素点对应的目标权重，其中，多张曝光图像中同一个像素点的权重和为1；
基于每张曝光图像中每个像素点对应的目标权重，将多张曝光图像中同一像素点进行融合，以获取增强图像。
本公开实施例中的上述各模块的功能及具体实现原理，可参照上述各方法实施例，此处不再赘述。
本公开实施例的图像增强装置，首先获取待增强图像,之后确定待增强图像对应的目标透射率及目标尘化程度，进而基于目标透射率及目标尘化程度，对待增强图像进行去尘处理，以获取去尘图像，之后确定去尘图像对应的多张曝光图像，最后将多张曝光图像进行融合，以获取待增强图像对应的增强图像。由此，可以将去尘增强方法与曝光融合方法相结合，先利用去尘增强对待增强图像中的粉尘进行去除，有效地消除图像中的粉尘现象，提高图像的亮度和色彩饱和度，之后利用曝光融合方法，降低去尘图像的噪声和增加去尘图像的对比度，提高去尘图像的清晰度和辨识度，从而实现了对待增强图像的增强，获取到清晰图像。
为了实现上述实施例，本公开还提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本公开前述实施例提出的图像增强方法。
为了实现上述实施例，本公开还提出了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，实现如本公开前述实施例提出的图像增强方法。
图4示出了适于用来实现本公开实施方式的示例性电子设备的框图。图4显示的电子设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件（包括系统存储器28和处理单元16）的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（Industry StandardArchitecture；以下简称：ISA）总线，微通道体系结构（Micro Channel Architecture；以下简称：MAC）总线，增强型ISA总线、视频电子标准协会（Video Electronics StandardsAssociation；以下简称：VESA）局域总线以及外围组件互连（Peripheral ComponentInterconnection；以下简称：PCI）总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（Random Access Memory；以下简称：RAM）30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质（图4未显示，通常称为“硬盘驱动器”）。尽管图4中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如：光盘只读存储器（Compact Disc Read OnlyMemory；以下简称：CD-ROM）、数字多功能只读光盘（Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM）或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组（至少一个）程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14（例如键盘、指向设备、显示器24等）通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络（例如局域网（Local Area Network；以下简称：LAN），广域网（Wide Area Network；以下简称：WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种图像增强方法，其特征在于，包括：
获取待增强图像；
确定所述待增强图像对应的目标透射率及目标尘化程度；
基于所述目标透射率及所述目标尘化程度，对所述待增强图像进行去尘处理，以获取去尘图像；
确定所述去尘图像对应的多张曝光图像，其中，所述多张曝光图像对应的曝光比不同；
将所述多张曝光图像进行融合，以获取所述待增强图像对应的增强图像。
2.根据权利要求1所述的方法，其特征在于，所述确定所述待增强图像对应的目标透射率及目标尘化程度，包括：
对所述待增强图像进行划分，以获取多张子图像；
基于暗原色先验原理，确定每张所述子图像对应的深度通道图像；
确定每张所述子图像对应的子尘化程度；
将所述子尘化程度的平均值，确定为所述目标尘化程度；
根据每张所述子图像对应的深度通道图像、所述子尘化程度及所述目标尘化程度，确定每张所述子图像对应的透射率；
根据每张所述子图像对应的透射率中的最大值及预设的透射率下限，确定所述目标透射率。
3.根据权利要求2所述的方法，其特征在于，所述根据每张所述子图像对应的深度通道图像、所述子尘化程度及所述目标尘化程度，确定每张所述子图像对应的透射率，包括：
将每张所述子图像对应的深度通道图像、所述子尘化程度及所述目标尘化程度，代入预设的透射率函数，得到每张所述子图像对应的透射率，其中，所述预设的透射率函数中包括调整因子。
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标透射率及所述目标尘化程度，对所述待增强图像进行去尘处理，以获取去尘图像，包括：
将所述目标透射率、所述目标尘化程度及所述待增强图像，代入预设的图像复原函数中，以获取所述去尘图像。
5.根据权利要求1所述的方法，其特征在于，所述确定所述去尘图像对应的多张曝光图像，包括：
确定所述去尘图像对应的目标曝光比集合，其中，所述目标曝光比集合中包含多个目标曝光比；
基于所述目标曝光比集合中的每个所述目标曝光比，对所述去尘图像进行处理，以获取所述去尘图像在每个所述目标曝光比下对应的曝光图像。
6.根据权利要求5所述的方法，其特征在于，所述确定所述去尘图像对应的目标曝光比集合，包括：
获取初始曝光比集合；
基于所述初始曝光比集合中的每个初始曝光比，对所述去尘图像进行处理，以获取所述去尘图像在每个所述初始曝光比下对应的第一图像；
对每张所述第一图像进行亮度分析，以获取每张所述第一图像对应的第二图像，其中，所述第二图像中的每个像素点对应的亮度低于阈值；
确定每张所述第二图像的亮度对应的熵；
将预设数量个熵最大的第二图像对应的曝光比，确定为所述目标曝光比集合中的目标曝光比。
7.根据权利要求1所述的方法，其特征在于，所述将所述多张曝光图像进行融合，以获取所述待增强图像对应的增强图像，包括：
根据每张所述曝光图像中每个像素点对应的强度值，确定每张曝光图像中每个像素点对应的目标权重，其中，所述多张曝光图像中同一个像素点的权重和为1；
基于每张所述曝光图像中每个像素点对应的目标权重，将所述多张曝光图像中同一像素点进行融合，以获取所述增强图像。
8.一种图像增强装置，其特征在于，包括：
第一获取模块，用于获取待增强图像；
第一确定模块，用于确定所述待增强图像对应的目标透射率及目标尘化程度；
第二获取模块，用于基于所述目标透射率及所述目标尘化程度，对所述待增强图像进行去尘处理，以获取去尘图像；
第二确定模块，用于确定所述去尘图像对应的多张曝光图像，其中，所述多张曝光图像对应的曝光比不同；
融合模块，用于将所述多张曝光图像进行融合，以获取所述待增强图像对应的增强图像。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-7中任一所述的图像增强方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7中任一所述的图像增强方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311179403.2A CN116912149B (zh) | 2023-09-13 | 2023-09-13 | 图像增强方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311179403.2A CN116912149B (zh) | 2023-09-13 | 2023-09-13 | 图像增强方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116912149A true CN116912149A (zh) | 2023-10-20 |
| CN116912149B CN116912149B (zh) | 2023-12-26 |
Family
ID=88353462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311179403.2A Active CN116912149B (zh) | 2023-09-13 | 2023-09-13 | 图像增强方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912149B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685725A (zh) * | 2018-11-21 | 2019-04-26 | 南京航空航天大学 | 一种基于暗通道先验的汽车表面图像去尘方法 |
| CN111127362A (zh) * | 2019-12-25 | 2020-05-08 | 南京苏胜天信息科技有限公司 | 基于图像增强的视频除尘方法、系统、装置及可存储介质 |
| CN115205151A (zh) * | 2022-07-25 | 2022-10-18 | 山东科技大学 | 基于大气散射模型的采煤工作面尘雾图像清晰化方法 |
-
2023
- 2023-09-13 CN CN202311179403.2A patent/CN116912149B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685725A (zh) * | 2018-11-21 | 2019-04-26 | 南京航空航天大学 | 一种基于暗通道先验的汽车表面图像去尘方法 |
| CN111127362A (zh) * | 2019-12-25 | 2020-05-08 | 南京苏胜天信息科技有限公司 | 基于图像增强的视频除尘方法、系统、装置及可存储介质 |
| CN115205151A (zh) * | 2022-07-25 | 2022-10-18 | 山东科技大学 | 基于大气散射模型的采煤工作面尘雾图像清晰化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴开兴;张琳;李丽宏;: "煤矿井下雾尘图像清晰化算法", 工矿自动化, no. 03, pages 70 - 75 * |
| 张谢华;张申;方帅;曹洋;: "煤矿智能视频监控中雾尘图像的清晰化研究", 煤炭学报, no. 01, pages 198 - 204 * |
| 杜明本;陈立潮;潘理虎;: "基于暗原色理论和自适应双边滤波的煤矿尘雾图像增强算法", 计算机应用, no. 05, pages 1435 - 1438 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116912149B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | An advanced single-image visibility restoration algorithm for real-world hazy scenes | |
| Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
| WO2019105154A1 (en) | Image processing method, apparatus and device | |
| Peng et al. | Image haze removal using airlight white correction, local light filter, and aerial perspective prior | |
| CN103400150B (zh) | 一种基于移动平台进行道路边缘识别的方法及装置 | |
| US9384532B2 (en) | Apparatus for improving fogged image using user-controllable root operator | |
| Luan et al. | Fast single image dehazing based on a regression model | |
| CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
| CN110572636B (zh) | 摄像头脏污检测方法、装置、存储介质及电子设备 | |
| CN112270745B (zh) | 一种图像生成方法、装置、设备以及存储介质 | |
| KR101917094B1 (ko) | 매핑테이블을 이용한 고속 스모그/저조도 영상 개선 방법 및 장치 | |
| CN112312001B (zh) | 一种图像检测的方法、装置、设备和计算机存储介质 | |
| CN112308797A (zh) | 角点检测方法、装置、电子设备及可读存储介质 | |
| CN115375581A (zh) | 基于事件时空同步的动态视觉事件流降噪效果评价方法 | |
| Khan et al. | Recent advancement in haze removal approaches | |
| CN110111341B (zh) | 图像前景获取方法、装置及设备 | |
| CN112767278B (zh) | 基于非均匀大气光先验的图像去雾方法及相关设备 | |
| Li et al. | Laplace dark channel attenuation-based single image defogging in ocean scenes | |
| CN116912149B (zh) | 图像增强方法、装置及电子设备 | |
| Al-Zubaidy et al. | Removal of atmospheric particles in poor visibility outdoor images | |
| Lai et al. | Single image dehazing with optimal transmission map | |
| WO2023001110A1 (zh) | 神经网络训练方法、装置及电子设备 | |
| Mai et al. | The latest challenges and opportunities in the current single image dehazing algorithms | |
| Liu et al. | Real-Time Shadow Detection from Live Outdoor Videos for Augmented Reality | |
| CN116403200A (zh) | 基于硬件加速的车牌实时识别系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |