CN117197068A - 雾浓度估计方法、装置、设备及存储介质 - Google Patents
雾浓度估计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117197068A CN117197068A CN202311147430.1A CN202311147430A CN117197068A CN 117197068 A CN117197068 A CN 117197068A CN 202311147430 A CN202311147430 A CN 202311147430A CN 117197068 A CN117197068 A CN 117197068A
- Authority
- CN
- China
- Prior art keywords
- image
- fog concentration
- color
- fog
- determining
- 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 56
- 239000003595 mist Substances 0.000 title claims description 31
- 238000004590 computer program Methods 0.000 claims description 19
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 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
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本申请涉及成像领域,尤其涉及一种雾浓度估计方法、装置、设备及存储介质。该方法包括:获取包括待检测场景的图像;根据所述图像中像素的亮度,确定所述图像的第一雾浓度;根据所述图像中像素的纹理强度,确定所述图像的第二雾浓度;根据所述图像中像素颜色与白色的色彩偏差程度,确定所述图像的第三雾浓度;根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度。由于估计雾浓度的过程不需要特定的假设,因而有利于提高方法对场景的适应性,并且只需要根据图像的亮度、纹理强度和色彩偏差程度进行计算,有利于简化雾浓度估计,提高雾浓度估计效率。
Description
技术领域
本申请涉及成像领域,尤其涉及一种雾浓度估计方法、装置、设备及存储介质。
背景技术
针对有雾气、水汽、扬尘、雨雪、雾霾等饱含杂质的空气环境,监控摄像机内部通常会增加专门的透雾滤光片来过滤空气中杂质对影像的影响,从而可以清晰获取监控物体的影像。然而,由于可穿透空气杂质的不可见光没有对应的可见光色彩信息,经摄像机处理后的图像为黑白色,不能满足一般场景下用户对画面成像的要求。
为了能够得到清晰图像,可以基于雾浓度进行计算估计。比如,可以基于雾天图像退化模型计算清晰图像。经典的基于雾天图像退化模型计算清晰图像的方法,需要估计雾浓度的大小。通常假设无雾图像的每个小区域至少在RGB三通道中有一个通道值比较小,即存在一个暗通道,但是这种假设并非对所有的场景适用,部分场景可能会存在偏差,导致估计结果准确度不高;并且在估计雾浓度时,还需要使用引导滤波来优化透射率,时间和空间复杂度都比较大。
发明内容
有鉴于此,本申请实施例提供了一种雾浓度估计方法、装置、设备及存储介质,以解决现有技术中确定雾浓度时,准确率不高,计算较为复杂的问题。
本申请实施例的第一方面提供了一种雾浓度估计方法,所述方法包括:
获取包括待检测场景的图像;
根据所述图像中像素的亮度,确定所述图像的第一雾浓度;
根据所述图像中像素的纹理强度,确定所述图像的第二雾浓度;
根据所述图像中像素颜色与白色的色彩偏差程度,确定所述图像的第三雾浓度;
根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度。
结合第一方面,在第一方面的第一种可能实现方式中,在根据所述图像中像素的亮度,确定所述图像的第一雾浓度之前,所述方法还包括:
根据预定的分块规则,将所述图像划分为多个图像块;
所述第一雾浓度、第二雾浓度和第三雾浓度为根据各个图像块所确定的雾浓度;根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度,包括:
根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,确定各个图像块的雾浓度;
根据所述各个图像块的雾浓度,估计所述待检测场景的雾浓度。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,根据所述图像中像素的亮度,确定所述图像的第一雾浓度,包括:
根据所述图像块中像素的色彩通道值,结合预先设定的色彩类型对应的色彩权重系数,确定所述图像块中像素的亮度;
根据所述图像块中像素的亮度,确定所述图像块的亮度;
根据预设的亮度与雾浓度的对应关系,确定所述图像块的第一雾浓度,其中,所述色彩类型包括红色、绿色和蓝色,所述绿色的色彩权重系数大于所述红色的色彩权重系数,所述红色的色彩权重系数大于所述蓝色的色彩权重系数。
结合第一方面的第一种可能实现方式,在第一方面的第三种可能实现方式中,根据所述图像中像素的纹理强度,确定所述图像的第二雾浓度,包括:
根据预先设定的梯度算子确定所述图像块中的像素的纵向梯度和横向梯度;
根据所述像素的纵向梯度和所述像素的横向梯度,确定所述图像块中像素的纹理强度,根据所述图像块中的像素的纹理强度确定所述图像块的纹理强度;
根据预先设定的纹理强度与雾浓度的对应关系,确定所述图像块的第二雾浓度。
结合第一方面的第一种可能实现方式,在第一方面的第四种可能实现方式中,根据所述图像中像素颜色与白色的色彩偏差程度,确定所述图像的第三雾浓度,包括:
确定所述图像块中像素的色彩类型的比值;
根据所述色彩类型的比值确定所述图像块中的像素颜色与白色的色彩偏差程度;
根据所述像素颜色与白色的色彩偏差程度确定所述图像块的第三雾浓度。
结合第一方面的第四种可能实现方式,在第一方面的第五种可能实现方式中,根据所述色彩类型的比值确定所述图像块中的像素颜色与白色的色彩偏差程度,包括:
根据所述像素的红色通道值与绿色通道值确定第一比值,所述像素的蓝色通道值与绿色通道值确定第二比值,所述像素的红色通道值与蓝色通道值确定第三比值;
根据所述第一比值、第二比值和所述第三比值得到平均比值;
根据所述平均比值与预设的标准值之间的差异,确定所述图像块中的像素颜色与白色的色彩偏差程度。
结合第一方面、第一方面的第一种实现方式至第一方面的第五种实现方式中的任意一种,在第一方面的第六种可能实现方式中,在根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度之后,所述方法还包括:
根据预设的雾浓度权重系数估计得到的同一场景的不同雾浓度,对所述图像进行去雾处理;
根据去雾处理后的图像与去雾处理前的图像的差异,更新计算所述待检测场景的雾浓度权重系数。
本申请实施例的第二方面提供了一种雾浓度估计装置,所述装置包括:
图像获取单元,用于获取包括待检测场景的图像;
第一雾浓度确定单元,用于根据所述图像中像素的亮度,确定所述图像的第一雾浓度;
第二雾浓度确定单元,用于根据所述图像中像素的纹理强度,确定所述图像的第二雾浓度;
第三雾浓度确定单元,用于根据所述图像中像素颜色与白色的色彩偏差程度,确定所述图像的第三雾浓度;
雾浓度估计单元,用于根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度。
本申请实施例的第三方面提供了雾浓度估计设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述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第一方面任一项所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请实施例根据包括待检测场景的图像中的像素的亮度值确定图像的第一雾浓度,根据图像中像素的纹理强度确定第二雾浓度,根据图像中像素颜色与白色的色彩偏差程度,确定第三雾浓度,根据第一雾浓度、第二雾浓度和第三雾浓度估计待检测场景的雾浓度。由于估计雾浓度的过程不需要特定的假设,因而有利于提高方法对场景的适应性,并且只需要根据图像中像素的亮度、纹理强度和色彩偏差程度进行计算,有利于简化雾浓度估计,提高雾浓度估计效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种雾浓度估计方法的实现流程示意图;
图2是本申请实施例提供的一种根据色彩偏差程度确定第三雾浓度方法的实现流程示意图;
图3是本申请实施例提供的一种雾浓度估计装置的示意图;
图4是本申请实施例提供的一种雾浓度估计设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
在实现雾浓度估计时,可基于雾天图像退化模型进行雾浓度估计。雾天图像退化模型可以表示为:
I(x)=J(x)t(x)+A(1-I(x))
其中,x表示像素点在图像上的坐标位置,I(x)为图像采集设备捕获的退化图像,即含雾图像;J(x)为待复原的无雾清晰图像;A为全局大气光成分,是一个常量,t(x)为图像的透射率函数,通常取值范围是[0,1],t(x)的值越大,表明光线的透射能力越强,即雾浓度越弱,t(x)值越小,表示雾浓度越强。
根据雾天图像退化模型,求取雾浓度即为求解t(x)的过程。目前常用的求解算法有:利用迭代思想估计透射率以及基于暗通道先验估计方法求解透射率,并且在求解透射率之前,还要计算出全局大气光值A。目前尚未有准确的计算全局大气光和透射率的算法,而且计算复杂度较高。另外,在基于暗通道先验方法估计雾浓度时,需要基于无雾图像的每个小区域至少在RGB三通道中有一个通道值较小的假设,即假设存在一个暗通道。如果场景不存在暗通道,则计算结果会出现偏差。
基于此,为解决上述问题,如图1所示,本申请实施例提出了一种雾浓度估计方法,基于图像的亮度、纹理强度和色彩偏差程度确定待检测场景的雾浓度,使得雾浓度估计的适应性更强,且能够有效的减少计算复杂度,有利于提高雾浓度获取效率。
在S101中,获取包括待检测场景的图像。
本申请实施例中的待检测场景,可以包括不同位置的监控场景。比如,待检测场景可以包括如小区的户外监控场景,森林的防火监控场景、交通运输领域的公路监控场景等。
本申请实施例中所获取的图像,可以为图像采集设备安装在待检测场景后,该图像采集设备实时采集的图像。比如,通过图像采集设备实时采集图像,基于所采集的图像估计当前的雾浓度。在当前的雾浓度满足预设的去雾要求时,启动去雾操作,使得到的图像更为清晰可靠。
或者,本申请实施例用于估计雾浓度的图像,也可以为雾浓度估计开关触发时进行采集。比如,图像采集设备可以包括透雾模式和非透雾模式。当图像采集设备运行于非透雾模式时,即不需要对图像进行去雾处理时,可以不触发用于雾浓度估计的计算。当图像采集设备运行于透雾模式时,即需要对图像进行去雾处理,则需要触发获取待检测场景的图像。比如,在图像采集设备接收到去雾指令时,触发获取待检测场景的图像,基于所获取的图像进行雾浓度估计,以便于根据雾浓度对图像进行去雾处理。
其中,触发雾浓度估计的条件,还可以包括其它设定条件。比如,通过其它平台获取天气信息。在获取的天气信息符合预设的天气条件时,触发获取待检测场景的图像,基于所获取的图像进行雾浓度估计,以便于根据雾浓度对图像进行去雾处理。
在S102中,根据所述图像中像素的亮度,确定所述图像的第一雾浓度。
本申请实施例中的步骤S102-S104中确定图像的第一雾浓度、第二雾浓度和第三雾浓度的顺序可以根据需要灵活设定。
本申请实施例在基于图像中的像素的亮度确定第一雾浓度之前,可以按照预定的分块规则,对图像进行分块处理,得到多个图像块。基于所划分的图像块,分别计算各个图像块的第一雾浓度、第二雾浓度和第三雾浓度。根据各个图像块的雾浓度计算得到图像的平均雾浓度,作为多个图像块所构成的图像的雾浓度,该图像的雾浓度即为待检测场景的雾浓度。
或者,本申请实施例可以根据图像中的各个像素的第一雾浓度、第二雾浓度和第三雾浓度,结合预定的权值系数,计算各个像素的雾浓度,根据各个像素的雾浓度计算平均值,得到包括各个像素的整个图像的雾浓度,即待检测场景的雾浓度。
根据图像中像素的亮度确定图像的第一雾浓度时,可以在图像划分为多个图像块后,根据预先设定不同类型的色彩类型对应的色彩权重系数,结合每个像素的色彩通道值,计算得到各个像素的亮度。比如,色彩类型可以包括红色、蓝色和绿色,可以为红色、蓝色和绿色设定的不同的色彩权重系数,比如可以设定色彩权重系数包括第一色彩权重系数、第二色彩权重系数和第三色彩权重系数。根据像素中包括的不同类型的色彩通道值与对应的色彩权重系数,即可计算得到由色彩通道值所确定的该像素的亮度。根据图像块中各个像素的亮度,可以通过计算图像块中各个像素的亮度的平均值的方式,得到各个图像块的亮度。根据预先设定的亮度与雾浓度的对应关系,可以确定图像块的第一雾浓度。
或者,当第一雾浓度为图像中的单个像素的雾浓度时,则可以直接根据像素的亮度计算得到像素的第一雾浓度,结合后续得到的像素的第二雾浓度、第三雾浓度,得到像素的雾浓度。根据像素的雾浓度计算平均值,或按照雾浓度权值系数计算,得到待检测场景的雾浓度。
在可能的实现方式中,为了优化像素的雾浓度计算结果,可以设定第三色彩权重系数大于第一色彩权重系数,第一色彩权重系数大于第二色彩权重系数,从而使得计算结果更为准确。比如,像素的亮度计算公式可以表示为:Y=0.299×R+0.587×G+0.114×B,其中,Y为像素的亮度,R为像素的红色通道值、G为像素的绿色通道值,B为像素的蓝色通道值。根据计算的像素的亮度,结合预先设定的亮度与像素的雾浓度的对应关系,确定由像素的亮度所得到的像素的雾浓度。
在可能的实现方式中,由于不同的检测场景所包括的图像内容可能不同。因此,不同场景的图像对检测结果可能也存在影响。为了能够提高检测结果的准确性,可以预先获取未起雾的图像,即雾浓度为0的图像。根据未起雾的图像确定图像中的一个或者多个检测区域。可以为不同颜色的检测区域设定不同的雾浓度与亮度的对应关系。比如,红色检测区域和白色检测区域设定不同的雾浓度与亮度的对应关系。
在S103中,根据所述图像中像素的纹理强度,确定所述图像的第二雾浓度。
由于被雾气笼罩的区域,通常得不到图像清晰的边缘等细节信息。比如,图像中街道,树木等内容,由于被雾气所笼罩,在图像中不能清晰的得到该内容的纹理数据。并且,雾气的浓度越高,图像中的纹理强度越低。因此,可以根据纹理强度的大小,确定当前场景的第二雾浓度。
将图像分块计算后,在确定图像块的第二雾浓度时,可以先确定图像块的纹理强度。在计算图像块的纹理强度时,可以计算像素的横向梯度和纵向梯度,根据横向梯度确定像素的横向纹理,根据纵向梯度确定像素的纵向纹理,根据像素的横向纹理和纵向纹理计算像素的纹理强度,根据图像块内的像素的纹理强度的平均值,得到图像块的纹理强度。可以理解的是,还可以增加其它方向的纹理计算。
比如,在计算纹理强度时,可以采用sobel算子计算像素的横向梯度和纵向梯度。其中,sobel算子可以包括横向梯度检测因子和纵向梯度检测因子。横向梯度检测因子可以包括如纵向梯度检测因子可以包括如:/>等。
根据横向梯度检测因子和纵向梯度检测因子分别进行横向梯度和纵向梯度的计算,根据所计算的横向梯度和纵向梯度的绝对值取平均,即可得到像素的纹理强度。可以基于多个像素的纹理强度的平均值确定图像块的纹理强度。根据预先设定的纹理强度与雾浓度的对应关系,得到由图像块的纹理强度所确定的图像块的第二雾浓度。
或者,当第二雾浓度为图像中的像素的雾浓度时,可以根据像素的纹理强度,直接查找得到像素的纹理强度对应的第二雾浓度。
由于不同检测场景下不同物体的纹理强度会存在区别。为了能够有效的适应不同检测场景下的雾浓度的估计,进一步提升雾浓度的估计精度,可以在确定第二雾浓度之前,获取未起雾的场景图像。根据未起雾的场景图像中的纹理强度的分布,确定不同的纹理区域。即将纹理强度相似的图像,或者纹理强度的相似度满足预定要求的像素划分为同一区域。可以根据不同的纹理区域设定不同的纹理强度与雾浓度的对应关系,根据所检测到的纹理强度,结合纹理强度所在的区域,查找该区域预先设定的对应关系,确定图像的第二雾浓度。
在S104中,根据所述图像中像素颜色与白色的色彩偏差程度,确定所述图像的第三雾浓度。
图像中雾气区域往往接近白色,所以可以根据图像偏离白色的色彩偏差程度确定第三雾浓度。
本申请实施例中的色彩偏差程度,为检测点或检测像素的颜色与白色的偏差程度。如果像素的颜色越偏离白色,比如像素颜色为红色、为绿色或为蓝色等颜色,则表示像素颜色与白色偏离程度越大。
在起雾场景下,根据检测场景的亮度不同,白色的亮度会有所不同。在起雾场景下,如果场景亮度较亮,所检测的颜色为白色;如果场景亮度较低,所检测的颜色可能为灰色。即检测的图像中的像素中,不同像素的比值较为接近。当其中任意一种或两种颜色的数值偏离平均数值越大,则表示偏离白色的色彩偏差程度越大。
在可能的实现方式中,可以根据图像块中像素颜色与白色的色彩偏差程度,确定图像块的第三雾浓度,实现流程可以如图2所示,包括:
在S201中,确定所述图像块中像素的色彩类型的比值。
由于雾浓度较大场景下,所采集的图像的像素为白色或灰色,即图像中的各个颜色类型的数值较为接近。因此,可以基于比值的大小确定像素颜色与白色或灰色的偏差程度。
在可能的实现方式中,如果像素为RGB像素,则可以根据像素中包括的色彩类型为红色、蓝色和绿色。可以根据像素中的RGB值,确定像素的色彩类型的比值。
在S202中,根据所述色彩类型的比值确定所述图像块中的像素颜色与白色的色彩偏差程度。
在确定色彩类型的比值时,任意一种色彩类型需要与像素中包括的其它所有色彩类型作比值。比如,可以将像素中的红色通道值与绿色通道值的比值,作为第一比值,像素的蓝色通道值与绿色通道值的比值,作为第二比值,像素的红色通道值与蓝色通道值的比值,作为第三比值。
根据上述定义,色彩偏差程度可以表示为:其中,R表示像素的红色的色彩通道值,B表示像素的蓝色的色彩通道值,G表示像素的绿色的色彩通道值。
可以理解的是,不必局限于上述确定第一比值、第二比值和第三比值的方式,也可以调换任意两个色彩通道值的位置,得到第一比值、第二比值和第三比值的不同表达式。
其中,在确定色彩偏差程度时,通过将第一比值、第二比值和第三比值取平均值,得到平均比值。如果其中任意一种颜色的色彩通道值远大于其它两个色彩通道值,且其它两个色彩通道值接近,则会使得平均比值远大于1(比如上式中R或B远大于其它两个色彩通道值),或远小于1(比如上式中G远大于R和B,且R和B接近)。可以将平均值与预先设定的标准,比如与1进行比较,确定二者的差值。
在可能的实现方式中,色彩偏差程度还可以表示为:当其中任意一个色彩通道值与其它两个色彩通道值的偏差程度越大,使得计算结果的数值越大。
在S203中,根据所述像素的白色的色彩偏差程度确定所述图像块的第三雾浓度。
根据所计算得到的色彩偏差程度,当其中任意色彩通道值与其它色彩通道值的相差程度越大,则计算的像素颜色与白色或灰色的色彩偏差程度越大,因而表示当前的雾浓度越小。可以预先设定雾浓度与色彩偏差程度的对应关系。
当第三浓度为图像块的雾浓度时,可以根据所计算的图像块中多个像素的色彩偏差程度计算平均值,得到图像块与白色的色彩偏差程度。根据图像块与白色的色彩偏差程度,结合预先设定的色彩偏差程度与雾浓度的对应关系,可以查找得到图像块对应的雾浓度,即色彩偏差程度所确定的第三雾浓度。
当第三雾浓度为图像中像素的雾浓度时,可以计算图像中像素颜色与白色的色彩偏差程度,根据预先设定的色彩偏差程度与雾浓度的对应关系,确定像素对应的第三雾浓度。
由于不同检测场景可能会存在颜色上的差异。为了减少场景中的颜色对计算结果的影响。可以根据场景中的颜色对图像进行区域划分。根据不同的颜色建立色彩偏差程度与雾浓度的对应关系,从而得到更为准确的计算结果。
在S105中,根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度。
可以预先设定第一雾浓度、第二雾浓度和第三雾浓度所对应的雾浓度权重系数,根据雾浓度权重系数计算得到待检测场景的图像分块后的图像块的雾浓度。比如,雾浓度权重系数可以设定为相同权值,可以在其中一种检测结果出现误差值时,仍可以得到较为准确的待检测场景的雾浓度估计结果。
在确定各个图像块的雾浓度后,可以计算估计各个图像块的雾浓度的平均值的方式,或者根据预先设定的各个图像块的图像块权重系数,计算得到整个图像的雾浓度,整个图像的雾浓度即为待检测场景的雾浓度。
或者,本申请实施例可以通过不同的权重系数(包括图像块的色彩权重系数、雾浓度权重系数、图像块权重系数等),估计得到同一图像或同一场景在同一时刻的不同雾浓度,根据估计的不同雾浓度进行去雾处理,确定同一图像在估计的雾浓度不同时的去雾效果,根据同一图像的去雾效果的差异,确定更为准确的第四雾浓度为该场景的雾浓度。根据所确定的更为准确的第四雾浓度对应的权重系数(包括图像块的色彩权重系数、雾浓度权重系数、图像块权重系数等),得到优化后的雾浓度估计的权重系数,从而可以基于优化的权重系数进行待检测场景的雾浓度估计。
应理解,上述实施例中各步骤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。
图3为本申请实施例提供的一种雾浓度估计装置的示意图。如图3所示,该装置包括:
图像获取单元301,用于获取包括待检测场景的图像;
第一雾浓度确定单元302,用于根据所述图像中像素的亮度,确定所述图像的第一雾浓度;
第二雾浓度确定单元303,用于根据所述图像中像素的纹理强度,确定所述图像的第二雾浓度;
第三雾浓度确定单元304,用于根据所述图像中像素颜色与白色的色彩偏差程度,确定所述图像的第三雾浓度;
雾浓度估计单元305,用于根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度。
图3所示的雾浓度估计装置,与图1所示的雾浓度估计方法对应。
图4是本申请实施例提供的雾浓度估计设备的示意图。如图4所示,该实施例的雾浓度估计设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42,例如雾浓度估计程序。所述处理器40执行所述计算机程序42时实现上述各个雾浓度估计方法实施例中的步骤。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述雾浓度估计设备4中的执行过程。
所述雾浓度估计设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是雾浓度估计设备4的示例,并不构成对雾浓度估计设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述雾浓度估计设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述雾浓度估计设备4的内部存储单元,例如雾浓度估计设备4的硬盘或内存。所述存储器41也可以是所述雾浓度估计设备4的外部存储设备,例如所述雾浓度估计设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述雾浓度估计设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述雾浓度估计设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,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,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序指令相关的硬件来完成,所述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种雾浓度估计方法,其特征在于,所述方法包括:
获取包括待检测场景的图像;
根据所述图像中像素的亮度,确定所述图像的第一雾浓度;
根据所述图像中像素的纹理强度,确定所述图像的第二雾浓度;
根据所述图像中像素颜色与白色的色彩偏差程度,确定所述图像的第三雾浓度;
根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度。
2.根据权利要求1所述的方法,其特征在于,在根据所述图像中像素的亮度,确定所述图像的第一雾浓度之前,所述方法还包括:
根据预定的分块规则,将所述图像划分为多个图像块;
所述第一雾浓度、第二雾浓度和第三雾浓度为根据各个图像块所确定的雾浓度;根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度,包括:
根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,确定各个图像块的雾浓度;
根据所述各个图像块的雾浓度,估计所述待检测场景的雾浓度。
3.根据权利要求2所述的方法,其特征在于,根据所述图像中像素的亮度,确定所述图像的第一雾浓度,包括:
根据所述图像块中像素的色彩通道值,结合预先设定的色彩类型对应的色彩权重系数,确定所述图像块中像素的亮度;
根据所述图像块中像素的亮度,确定所述图像块的亮度;
根据预设的亮度与雾浓度的对应关系,确定所述图像块的第一雾浓度,其中,所述色彩类型包括红色、绿色和蓝色,所述绿色的色彩权重系数大于所述红色的色彩权重系数,所述红色的色彩权重系数大于所述蓝色的色彩权重系数。
4.根据权利要求2所述的方法,其特征在于,根据所述图像中像素的纹理强度,确定所述图像的第二雾浓度,包括:
根据预先设定的梯度算子确定所述图像块中的像素的纵向梯度和横向梯度;
根据所述像素的纵向梯度和所述像素的横向梯度,确定所述图像块中像素的纹理强度,根据所述图像块中的像素的纹理强度确定所述图像块的纹理强度;
根据预先设定的纹理强度与雾浓度的对应关系,确定所述图像块的第二雾浓度。
5.根据权利要求2所述的方法,其特征在于,根据所述图像中像素颜色与白色的色彩偏差程度,确定所述图像的第三雾浓度,包括:
确定所述图像块中像素的色彩类型的比值;
根据所述色彩类型的比值确定所述图像块中的像素颜色与白色的色彩偏差程度;
根据所述图像块中的像素颜色与白色的色彩偏差程度确定所述图像块的第三雾浓度。
6.根据权利要求5所述的方法,其特征在于,根据所述色彩类型的比值确定所述图像块中的像素颜色与白色的色彩偏差程度,包括:
根据所述像素的红色通道值与绿色通道值确定第一比值,所述像素的蓝色通道值与绿色通道值确定第二比值,所述像素的红色通道值与蓝色通道值确定第三比值;
根据所述第一比值、第二比值和所述第三比值得到平均比值;
根据所述平均比值与预设的标准值之间的差异,确定所述图像块中的像素颜色与白色的色彩偏差程度。
7.根据权利要求1-6任一项所述的方法,其特征在于,在根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度之后,所述方法还包括:
根据预设的雾浓度权重系数估计得到的同一场景的不同雾浓度,对所述图像进行去雾处理;
根据去雾处理后的图像与去雾处理前的图像的差异,更新计算所述待检测场景的雾浓度权重系数。
8.一种雾浓度估计装置,其特征在于,所述装置包括:
图像获取单元,用于获取包括待检测场景的图像;
第一雾浓度确定单元,用于根据所述图像中像素的亮度,确定所述图像的第一雾浓度;
第二雾浓度确定单元,用于根据所述图像中像素的纹理强度,确定所述图像的第二雾浓度;
第三雾浓度确定单元,用于根据所述图像中像素颜色与白色的色彩偏差程度,确定所述图像的第三雾浓度;
雾浓度估计单元,用于根据所述第一雾浓度、所述第二雾浓度和所述第三雾浓度,估计所述待检测场景的雾浓度。
9.一种雾浓度估计设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述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至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147430.1A CN117197068A (zh) | 2023-09-06 | 2023-09-06 | 雾浓度估计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147430.1A CN117197068A (zh) | 2023-09-06 | 2023-09-06 | 雾浓度估计方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117197068A true CN117197068A (zh) | 2023-12-08 |
Family
ID=88986375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311147430.1A Pending CN117197068A (zh) | 2023-09-06 | 2023-09-06 | 雾浓度估计方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197068A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423068A (zh) * | 2023-12-18 | 2024-01-19 | 东莞市杰瑞智能科技有限公司 | 用于智慧城市的车辆火灾检测方法及系统 |
-
2023
- 2023-09-06 CN CN202311147430.1A patent/CN117197068A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423068A (zh) * | 2023-12-18 | 2024-01-19 | 东莞市杰瑞智能科技有限公司 | 用于智慧城市的车辆火灾检测方法及系统 |
CN117423068B (zh) * | 2023-12-18 | 2024-04-02 | 东莞市杰瑞智能科技有限公司 | 用于智慧城市的车辆火灾检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080526B (zh) | 航拍图像的农田面积的测算方法、装置、设备及介质 | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
US20080304742A1 (en) | Combining multiple cues in a visual object detection system | |
CN111368587B (zh) | 场景检测方法、装置、终端设备及计算机可读存储介质 | |
CN107301624A (zh) | 基于区域划分及浓雾预处理的卷积神经网络去雾算法 | |
CN117197068A (zh) | 雾浓度估计方法、装置、设备及存储介质 | |
CN108063926B (zh) | 图像处理方法及装置、计算机可读存储介质和计算机设备 | |
US20190068891A1 (en) | Method and apparatus for rapid improvement of smog/low-light-level image using mapping table | |
CN110175967B (zh) | 图像去雾处理方法、系统、计算机设备和存储介质 | |
Cheng et al. | Blue channel and fusion for sandstorm image enhancement | |
CN111539975B (zh) | 一种运动目标的检测方法、装置、设备及存储介质 | |
KR20180064028A (ko) | 영상 처리 방법 및 장치 | |
CN108737821B (zh) | 基于多通道浅层特征的视频兴趣区域快速预选方法及系统 | |
CN116263942A (zh) | 一种调整图像对比度的方法、存储介质及计算机程序产品 | |
CN111429534B (zh) | 一种图像偏色矫正方法及装置 | |
CN106960421A (zh) | 基于统计特性和亮度估计的夜晚图像去雾方法 | |
CN114170565A (zh) | 一种基于无人机航拍的图像对比方法、装置及终端设备 | |
CN111127362A (zh) | 基于图像增强的视频除尘方法、系统、装置及可存储介质 | |
CN111405260A (zh) | 一种自适应白平衡控制方法及其系统 | |
US20230162325A1 (en) | Blended gray image enhancement | |
CN116824166B (zh) | 输电线路烟雾识别方法、装置、计算机设备和存储介质 | |
CN117078562B (zh) | 一种视频图像去雾方法、装置、计算机设备及介质 | |
CN114331920B (zh) | 图像处理方法及装置、存储介质、电子装置 | |
CN116071247A (zh) | 车辆阴影去除方法及系统 | |
US20150010232A1 (en) | Shadow detection in a multiple colour channel image |
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 |