TWI423166B - 判斷輸入影像是否為霧化影像之方法、判斷輸入影像的霧級數之方法及霧化影像濾清方法 - Google Patents

判斷輸入影像是否為霧化影像之方法、判斷輸入影像的霧級數之方法及霧化影像濾清方法 Download PDF

Info

Publication number
TWI423166B
TWI423166B TW098141501A TW98141501A TWI423166B TW I423166 B TWI423166 B TW I423166B TW 098141501 A TW098141501 A TW 098141501A TW 98141501 A TW98141501 A TW 98141501A TW I423166 B TWI423166 B TW I423166B
Authority
TW
Taiwan
Prior art keywords
image
fog
value
color
brightness
Prior art date
Application number
TW098141501A
Other languages
English (en)
Other versions
TW201120814A (en
Inventor
Chao Ho Chen
Wen Wei Tsai
Original Assignee
Huper Lab Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huper Lab Co Ltd filed Critical Huper Lab Co Ltd
Priority to TW098141501A priority Critical patent/TWI423166B/zh
Priority to US12/793,707 priority patent/US8417053B2/en
Publication of TW201120814A publication Critical patent/TW201120814A/zh
Application granted granted Critical
Publication of TWI423166B publication Critical patent/TWI423166B/zh

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/73Deblurring; Sharpening
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/20Image enhancement or restoration using local operators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/40Image enhancement or restoration using histogram techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10016Video; Image sequence
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20076Probabilistic image processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30236Traffic on road, railway or crossing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Description

判斷輸入影像是否為霧化影像之方法、判斷輸入影像的霧級數之方法及霧化影像濾清方法
本發明係提供一種霧化影像濾清方法,尤指一種基於大氣散射原理暨色彩分析之霧化影像濾清方法。
近年來,經濟的發展促使交通問題愈來愈受到重視,由於交通監控系統越來越廣泛的採用電腦視覺和和圖像處理技術,交通運輸量逐年增加,而激發各種類型的交通相關技術的研究與發展。由於大量的交通監控相關研究之興起,在這些相關研究中,智慧型交通運輸系統(Intelligent Transportation System,ITS)則是被用來解決交通問題的方法之一,它整合了通訊,控制,電子與資訊等技術,使有限之運輸資源作最有效的利用,以提高交通安全,改善人民生活品質及強化經濟競爭力。智慧型交通運輸系統的技術包括了微電子技術、自動化人工智慧、感測技術、通訊系統)及控制等,其中一個最重要的項目則是電腦視覺的應用。因為ITS的有效運作,有賴於正確之即時交通監控參數,而應用影像處理與電腦視覺技術,不僅成本低廉(大量降低人力成本)與安裝容易,且可獲得較大區域之量測與監控,獲得較多樣之資訊,除了擷取傳統的交通參數外,如交通流量、車速等,可進一步偵測擁塞車陣、擁塞情形或預測交通事故等。
然而,由於季節性的天候所產生濃霧的影響,使得電腦視覺應用在交通監控時,因為能見度的降低,造成擷取的畫面影像變的模糊不清無法辨識,讓電腦視覺在處理時無法得到正確的色彩資訊。根據氣象學的觀點來看霧的凝結過程與雲相同,主要都是靠冷卻,但是冷卻的原因卻不相同。霧的種類很多,其形成的原因也不盡相同,成霧的物理過程和條件也相當複雜,如在海岸或海面上常遇到的為平流霧,而陸地或山區則稱為輻射霧。但氣象學上規定,當懸浮在近地面氣層的水汽凝結物,小水滴或小冰晶使水平能見距離在1000米以下的,就稱為霧。
霧是在交通或生活中影響最大的天候之一,由於霧在環境中,會影響視覺上的能見度,導致交通管制產生極大的阻力,例如:機場塔台的管制、道路交通的監控、港務局的海面船隻管制,都會因霧而受到影響,發生危險的機率也隨之增加,除了交通管控外,一些需利用監控系統協助的設施,也會因霧氣的影響,而大幅降低影像監控的實用價值。因濃霧所造成的交通災害連年來頻傳,根據交通部臺灣區國道高速公路局從民國92年至97年間因大霧所發生的交通事故統計,根據肇事緣故分析,多數事故是由於在行駛時所造成,駕駛者在長途駕駛的過程中,因大霧或各種天候所造成的能見度降低的情形下,以致駕駛者即使集中注意力,仍舊可能因視線不清而不及查覺突發狀況的發生,導致釀成不可預期的災禍(生命與財產損失),特別是在山區的大霧下行駛,或是在有霧的海面上航行時,更為容易造成事故,而且海上的船隻若因霧的影響而發生事故,損傷更是很大。雖然現今的GPS系統雖然會告知路況,但在濃霧的情形下,就會產生無法接收的後果,且GPS系統不見得能迅速回報眼前的突發狀況,勢必還是需要肉眼的察覺及反應,為此希望能在影像處理的輔助下,有助於提升在霧中行駛的識別度。由於海面上大氣中含有豐富的水氣,船舶航行中經常遇到霧氣瀰漫,航行大海中船舶雖有航向定位導引器領航,然對於船隻近處海域還是需要提防他船碰撞事件,而在船隻附近最有效的防撞策略是目視手動航行,特別是在船隻往來頻繁的港口海域內。再者,濃霧的影響,除了導路交通外,也會使光學器材或網路設備在擷取時產生無法辨識或接收的情況,如監測、監控、自動導航、移動物追蹤,都會造成極高的誤差與不可預期的後果。
一般而言,在交通監控的系統中,電腦視覺技術和視訊處理技術具有更大的優勢。其優點如下:
1.能提供高品質的圖像訊息,以高效能、高準確性、安全可靠的方式完成交通的監視和控制工作。
2.由攝影機所得到的交通信息透過電腦處理且方便和網路做連接,有利於實現即時交通監視和控制。
目前關於霧化影像濾清方法,已有不少學者提出了一些方法,以下所列出的則是有關的參考文獻:
[1]Srinivasa G. Narasimhan and Shree K. Nayar,“Vision and the Atmosphere,”Internation Journal of Computer Vision,Vol. 48,No. 3,pp.233-254,Aug.2002.
[2]Srinivasa G. Narasimhan and Shree K. Nayar,“Contrast Restoration of Weather Degraded Images”,IEEE Trans. On Pattern Analysis and Machine Intelligence,Vol. 25,No. 6,pp. 713-724,2003.
[3]Srinivasa G. Narasimhan and Shree K. Nayar,“Interactive(De)Weathering of an Image using Physical Models,”Proceedings of the ICCV workshop on Color and Photometric Methods in Computer Vision,pp. 1387-1394,2003.
[4]Robby T. Tan,Niklas Pettersson and Lars Petersson,“Visibility Enhancement for Roads with Foggy or Hazy Scenes,”IEEE. On Intelligent Vehicles Symposium,pp. 19-24,June. 2007.
[5]Robby T. Tan,“Visibility in Bad Weather from a Single Image”,I IEEE Conf. Computer Vision and Pattern Recognition,pp.1-8,June. 2008
[6]Didier Aubert and Nicolas Hautiere,“Contrast Restoration of Foggy Images through use of an Onboard Camera,”IEEE Conf. On IntelligenceTransportation Systems,pp. 601-606,Sept. 2005.
[7]Hiroshi Murase,Kenji Mori,Ichiro Ide,Tomokazu Takahashi,Takayuki Miyahara and Yukimasa Tamatsu,“Recognition of foggy conditions by in-vehicle camera an millimeter wave radar”,2007 IEEE Intelligent Vehicles Symposium,Vol.3,No.5,pp.87-92,June. 2007.
[8]Yoav Y. Schechner,Srinivasa G. Narasimhan,and Shree K. Nayar“Polarization-based vision through haze”,Applied Optics,Vol. 42,No. 3. January. 2003.
[9]R. Fattal“Single image dehazing”,International Conf. on Computer Graphics and Interactive Techniques,No. 72,pp.1-9 2008.
[10]Kenji Mori,Tomokazu Takahashi,Ichiro Ide,Hiroshi Murase,Takayuki Miyahara and Yukimasa Tamatsu,“Fog density recognition by in-vehicle camera and millimeter wave radar”,Internation Journal of Innovative Computing,Information and Control,Vol.3,No.5,pp.1173-1182,Oct. 2007
為了將影像中霧去除,近年來己有相關研究,主要是藉由大氣散射原理(Atmospheric Scattering theory)以計算出影像霧化所形成的原始參數,再利用這些參數做反推導的復原處理(Restoration),而達到影像去霧的目的。像是於參考文獻[1-2]中所提到的利用兩張不同時間相同地點的影像,來得到兩張影像的不同深度資訊,再針對此深度影像去做霧濾清的動作,然而參考文獻[1-2]中的技術多半需要二張不同時間的環境影像,來進行修正目前已遭霧氣所影響的影像,使用者需先得到二張影像的背景資訊,由此並無法達到實際應用於未知環境的處理,變得條件極為限制狹隘。參考文獻[3-5]中所提到的是利用深度估計的方式來找尋消失的點,再利用此方式去做濾清的動作;在參考文獻[3]中,是選取消失點的區塊,再從消失的區塊計算大氣光(Airlight),接著利用深入啟發的方式,計算距離d,而β值是利用自行輸入的方式,因此若要應用在即時影像視訊顯示中,必需要計算出適當的值,才能退化有霧的影像,如此藉更改不同的衰退係數(β)值及影像的深度值d來減化霧氣的影響,但要如何計算出合適的值則是一個困難所在;參考文獻[4]中則是利用色度的方式,分成影像色度、亮度色度、物件色度,所謂影像色度,指的就是攝影機所擷取到的影像,而亮光色度,指的就是影像中所呈現的顏色,將物體被光照射的亮光系數給提取出來,就是所謂的亮光色度,物件色度,指的就是將亮光係數給提出後的物件影像稱之,而透過此三種不同的色度方式以進行計算,而此方法最重要的過程為就是計算色度的計算,計算此色度,可求得新的色度,而求得新色度的方法為經由反色度及光的空間(Inverse Chromaticity-Light Space)的技術,在進行反色度及光的空間(Inverse Chromaticity-Light Space)處理時,將求得的投射至霍氏空間(Hough space)進而得到適當的亮度色度系數,才能進行消除霧的影響,然而對於處理速度而言色度及光的空間(Chromaticity-Light Space)在處理時必需將影像的資訊先全部投射至色度及光的空間(Chromaticity-Light Space)的霍氏空間(Hough space),並經由角度的計算才能得到適當的消除係數值,而且必需RGB三原色都要計算此數值,因此計算量較大而不利於即時應用,且會有影像偏色的現象;而參考文獻[5]中也是利用前述的影像色度、亮度色度、物件色度,進行去霧的動作,需先將影像取得一個最大對比對度的影像區塊,接著再進行去霧的動作,而此方法在求大氣光(Airlight)時是利用馬可夫隨機域(Markov Random Field)求得,此方法復原一張640*480影像就要5至7分鐘的時間,因此亦不利於即時應用。由於交通監控系統必需即時處理,有鑒於此,依照即時處理影像的觀念,改善影像處理速度,並且能夠完善得到即時影像濾清的效果。而參考文獻[6]中是將黑白攝影機架設在車上擋風玻璃上,針對道路進行去霧的處理,先校準攝影機,並求得攝影機離最近處跟最遠處的距離,利用道路的號誌線量測出道路的寬度,藉以求出衰退係數(β)值及影像的深度值d以代入去霧復原式子,但若道路上沒有號誌線(海面上亦無交通號誌線),則此方法將失去效用,此外,車用攝影機在擷取時畫面是會變更的,若道路的最遠處有變更(此情景經常碰到),此方法的距離就必需做調整,因此適應性的距離調整是必需再做探討的,且此方法的實驗是利用黑白攝影機,若利用於彩色攝影機,會因距離的變更,使得RGB三色的色彩會有所變動,會造成影像的色彩有不協調的情況產生,故此方法是不適合使用彩色攝影機。而在參考文獻[7]中則利用車內攝影機所拍攝出的影像,將前車的移動車輛給切割出,再利用毫米波雷達(mm-W radar)的距離量測機器測出裝置於車上的攝影機與前車之間的距離資訊,此方法可利用機器量測的方式,接著利用變異數的方式,測量出深度值d,再利用d來求出β(衰退係數),再進行去霧的處理,此方法雖然可利用機器量測出的距離可以有效的利用,但必需前面有可用的物體才能估測得出,若將場景變換,則求出的距離就不一定可求出正確的β值,但由於海面上因海浪的晃動,船舶無法如車子一樣選取一個前方的參考物體,因此若此法應用於船舶身上架設攝影機,則此方法將無效果。而參考文獻[8]中則是利用偏振濾波器(Polarization Filter)的方法去做去霧的動作,但此方法必需先得兩張不同的影像並計算其最糟偏振(Worst Polarization)及最佳偏振(Best Polarization)或是計算其影像偏振角度才能做去霧的動作,因此若只有一張影像可用的話,則此方法將不適用。參考文獻[9]中的方法先是計算圖像的變化程度,再利用大氣散原理的方式去做去霧的動作,但處理一張圖卻耗時35秒,對於監控系統來說,並不適用。
在霧的濃度分級方面,參考文獻[10]中就將影像利用離散餘弦(DCT)轉換,再將影像分頻,經由高低頻的資訊,再經由曼哈頓距離,分類影像中霧的濃度,但這只針對影像中的某一個區塊,並未針對整體影像來加以分類。
因此,為了改善上述習知方法有耗時的缺點及需要參考不同時間影像的問題,本發明提出一種基於大氣散射原理暨色彩分析之影像除霧方法,可使用於即時視訊畫面的除霧,並應用於智慧型視訊監控系統及交通運輸工具視訊監控系統。例如,可在船隻上裝設單或複數支攝影機,對攝入的視訊利用大氣散射原理暨色彩分析以達成除霧功能,再將清楚的畫面顯示在螢幕上(駕駛艙)以利航行。本發明方法之基本原理係針對RGB色彩模組及三色激勵值,進行改良式的指數型影像對比增強方法,增強因霧氣所導致的低能見度影像,其方法過程是以影像中的RGB色彩模型為主,分析影像中RGB各通道中色彩的資訊,經由朗伯-比耳(Lambert-Beer)物理模型,分析因霧氣所造成散射光的亮度資訊;接著分析RGB三色的色彩激勵值;再利用雙色大氣散射原理的物理模型,進而去做指數型對比度增強的處理,如此可有效地去除影像霧化現象,復原彩色退化影像,進一步求得所需的原始影像色彩資訊,以提高海上交通安全。此外,對於一般濃霧瀰漫的道路上,本發明方法可排除霧視的影響,改善交通影像監控系統,以得到較精確的影像資訊,亦可應用(嵌入)於車用攝影機以濾除霧視而清晰化駕駛人的視野,以提高行車交通安全。
本發明的一實施例揭露一種判斷輸入影像是否為霧化影像之方法。該方法包含判斷一輸入影像的一平均亮度灰階值,當該輸入影像的該平均亮度灰階值介於一第一影像平均亮度和一第二影像平均亮度之間時,對該輸入影像進行一索貝爾(Sobel)影像處理,得到該輸入影像的一索貝爾(Sobel)影像,判斷該索貝爾(Sobel)影像的一第一正規化值和一第二正規化值,當該第一正規化值和該第二正規化值皆小於一第一臨界值時,判斷該索貝爾(Sobel)影像的一平均值及一標準差,及當該平均值及該標準差的和小於一第二臨界值時,判斷該輸入影像為一霧化影像。
本發明的另一實施例揭露一種判斷輸入影像的霧級數之方法。該方法包含判斷一輸入影像的一平均亮度灰階值,當該輸入影像的該平均亮度灰階值介於一第一影像平均亮度和一第二影像平均亮度之間時,對該輸入影像進行一索貝爾(Sobel)影像處理,得到該輸入影像的一索貝爾(Sobel)影像,判斷該索貝爾(Sobel)影像的一第一正規化值和一第二正規化值,當該第一正規化值和該第二正規化值皆小於一第一臨界值時,判斷該索貝爾(Sobel)影像的一平均值及一標準差,及當該平均值及該標準差的和小於一第二臨界值時,判斷該輸入影像為一霧化影像,當該平均值和該標準差皆小於一霧級數分級值時,分別判定該平均值的霧化水準和該標準差的霧化水準,及用該平均值的霧化水準和該標準差的霧化水準去查閱一霧化級數表以得該輸入影像的一霧級數。
本發明的另一實施例揭露一種霧化影像濾清之方法。該方法包含利用一輸入影像的一亮度色度(Light chromaticity,LC)的一激勵值得到一大氣光亮度,利用該輸入影像的RGB三色的色彩激勵值得到一衰退係數,利用該大氣光亮度和該衰退係數對該輸入影像進行影像復原,以得到一初級除霧影像,將該初級除霧影像轉至一YCbCr的色彩模型空間,並提高該初級除霧影像的一Cb及一Cr的值,以對該初級除霧影像執行增強彩度,對增強彩度後的該初級除霧影像中RGB各通道的灰階直方圖(Histogram)機率密度函數做權重的重新分配,及經由一直方圖均衡化(Histogram Equalization),以提高增強彩度後的該初級除霧影像的亮度,而得到一最後除霧影像。
本發明欲申請一種基於大氣散射原理暨色彩分析之霧化影像濾清方法,第1圖示出本發明方法之流程圖。首先,會判斷影像中是否有受霧的影響,若有,計算其有霧影像的級數,再分析其霧化影像在色彩中的變化,並除去霧的影響,而有霧的影像色彩通常會有不足,且去霧後的影像會有偏暗或偏色的影響,因此針對去霧的影像增加彩度,接著再提高影像中的能見度,如此,一張有霧的影像,就能透過本發明方法達成濾清的效果。
本發明可應用在特定交通區域,例如船隻出入海港、車輛行駛於道路、飛航管制(飛機升降落時),提升在能見度低環境下的交通安全。此外,可應用於智慧型交通數位視訊錄影機(DVR)系統(含視覺辨識功能)之前級處理技術,並可結合資料庫,並利用復原後的清晰影像,便於將重要關鍵的移動物件切割出來並,以利後續視覺辨識處理暨應用,並協助交通(海域、公路)智慧型視訊監控處理。
攝影機所擷取到的影像,不一定都是有霧的影像,本發明使用三個判斷條件式以決定所擷取到的影像是否為有霧的影像,方法流程如第2圖所示。
1.1分析影像環境亮度
首先,針對第2圖中所提出條件1(Condition 1)分析影像的亮度以區別所擷取的影像環境亮度是否為霧的環境。在霧的環境所生成的影像,其影像平均亮度不會太暗,也不會太亮,透過分析的方式,其霧化影像的平均亮度灰階值是大都介於100~200之間,而直方圖(Histogram)的變化也都是介於63~191之間。因此,透過此分析,將霧化影像的平均亮度定義一個範圍,以做為區別出霧化影像存在的條件之一,在影像中可透過直方圖(Histogram)觀察出灰階亮度由暗到亮的分佈情況,其影像的平均亮度若低於31則可稱之為暗部,若影像的平均亮度大於223則可稱之為亮部,且透過分析可得知霧化影像的平均亮度是介於100到200之間,因此判斷條件1:是透過影像的平均亮度,分析出所擷取的影像中,是否存在著霧化的影像,其判斷流程如第3圖所示。
1.2分析索貝爾(Sobel)影像的邊緣數量
索貝爾(Sobel)運算子主要用來檢測影像的邊緣,它運用了偏導數運算原理,對整張影像處理以建立出梯度(Gradient)影像(亦即處理後的影像又稱為邊緣影像)。一般型索貝爾(Sobel)濾波器包含了兩個遮罩,分別是Gx(X軸方向)和Gy(Y軸方向),負責偵測X與Y方向的邊緣變化情形,如第4圖所示。
針對索貝爾(Sobel)影像的邊緣梯度變化來分析有霧跟沒有霧的影像之間的差別,透過分析索貝爾(Sobel)影像之直方圖的機率密度函數,索貝爾(Sobel)影像的邊緣像素的灰階值可視為介於250~255,當Sobel影像的灰階值為250~255與255的兩種像素數目均變高時,表示此影像是為無霧的現象,而兩種數目均變低時,表示此影像是為有霧的現象,因此透過此分析,可判斷當灰階值介於250~255之間與灰階值是255的兩種像素數目均大於某個臨界值時,則為無霧,若小於某個臨界值,則為有霧,上述使用250~255與255的兩種數目判斷主要是為了避免誤判。由於影像大小可能會不一,所以再除以影像的大小值去做正規化處理,可以得到該索貝爾(Sobel)影像的兩種像素數目之正規化值SL01與SL02分別為:
SL01=Sobel_light_250_to_255_/Image_size (1)
SL02=Sobel_light_255_/Image_size (2)
Image_size代表影像的大小,Sobel_light_250_to_255代表灰階值250~255之間所累計的像素數目,Sobel_light_255代表灰階值255所累計的像素數目,利用此(1)式中SL01及(2)式中SL02是否小於臨界值TH1來判斷霧的存在與否,判斷流程如第5圖所示。
1.3分析索貝爾(Sobel)影像的平均值及標準差
霧化的環境會產生低能見度的影像,因此一張霧化的影像經常是模糊且不清晰的,若用影像的角度來看,則是屬於平滑的影像,而一張清晰的影像則屬於複雜的影像,因此,利用索貝爾(Sobel)邊緣檢測的方式來分析一張霧化影像的梯度變化,並將索貝爾(Sobel)處理後的影像取其平均值與標準差,可用來判斷是否為霧化影像。使用一般型索貝爾(Sobel)濾波器遮罩(第4圖)計算得出經過索貝爾(Sobel)濾波後的影像的像素平均值:
其中,S_μ代表整張索貝爾(Sobel)影像的平均值,而S_Pi為索貝爾(Sobel)影像中的每一個像素點,n*m代表影像的大小。一張有霧的影像其索貝爾(Sobel)影像的梯度值的變化程度較為稀疏,在無霧的環境中索貝爾(Sobel)影像的梯度值的變化程度較為突顯。
一般來說,標準差可當做一張影像的離均程度,標準差的值愈大代表影像的像素值變化大,也就表示影像對比度較大;而標準差愈小,則像素值變化程度小,對比度也相對較小。首先,先計算整張影像的平均值,分析此平均值在有霧及無霧的影像中的變化程度,由於平均值愈大則表示影像之平均亮度愈亮,愈小則影像較暗,透過下式(4)可以計算得出:
上式中,μ代表整張影像的平均值,Pi為原始影像中某一個像素點i,n*m代表影像的大小。再經由此平均值μ,透過下式(5)可得出影像標準差σ。
再透過上述索貝爾(Sobel)的影像並計算其平均值S_μ與整張影像的標準差σ建立一個霧的判斷條件3,如第6圖所示,如果(S_μ+σ)<TH2(TH2為一臨界值),則為有霧影像;否則,為無霧影像。
因此,透過以上三個判斷條件1,條件2,條件3,就可分辨出影像是否有霧的存在。因此,判斷有霧時才執行除霧處理,若沒霧時,則不除霧,維持原始影像的畫面。
由於在不同天候狀況下,各種不同的霧,所呈現的影像都會有所不同。一張有霧的影像其經索貝爾(Sobel)運算處理後的影像值(梯度)的變化程度較為稀疏,而在無霧的影像經索貝爾(Sobel)運算處理後的影像值(梯度)的變化程度較為突顯。本發明利用索貝爾(Sobel)影像平均值S_μ和原始影像標準差σ來判斷影像中霧氣級數,其中S_μ代表該影像的邊緣資訊多寡,而σ代表該影像的像素值變化程度,流程圖如第7圖所示。
第7圖中霧的級數判定是由下列步驟完成:步驟700:輸入影像;步驟702:計算標準差(σ);步驟704:計算索貝爾(Sobel)影像平均數(S_μ);步驟706:如果S_μ小於等於Z,則Level(x)S_μ ;步驟708:如果σ小於等於Z,則Level(x)σ ;步驟710:霧的級數判定Fog_Level=FD(Level(x)S_μ ,Level(x)σ );步驟712:得到霧的級數。
其中,Z的數值大小各別決定S_μ的等級Level(x)(記為Level(x)s_μ )與σ的等級Level(x)(記為Level(x)σ ),設定Z是0~15則決定等級為Level(7),設定Z是16~30則決定等級為Level(6),設定Z是31~45則決定等級為Level(5),設定Z是46~60則決定等級為Level(4),設定Z是61~75則決定等級為Level(3),設定Z是76~90則決定等級為Level(2),設定Z是90以上則決定等級為Level(1),Level(x)越低,則S_μ代表該影像的邊緣資訊越多,而σ代表該影像的像素值變化程度愈大。FD函數是利用Level(x)s_μ 與Level(x)σ 共同來決定原始影像的霧級數(Fog_Level),霧級數決定是由第8圖來執行。圖中數字代表為霧的級數,分為7、6、5、4、3、2、1等7級,第7級表示為霧害嚴重的影像,第1級表示為無霧或是極微霧害的影像。霧的級數是個判斷霧氣濃淡的指標,分析霧的級數可給使用監控影像的人員藉由攝取的影像得知此霧影響環境的程度,並可做為後續處置的基準依據。
基本上,經由朗伯-比耳(Lambert-Beer)定律得知,當一束平行的單色光通過含有均勻的吸光物質(氣體、固體)時,光的一部分被溶液吸收,一部分透過溶液,一部分被吸收表面反射;簡單理解為:被測組成物質對紫外光或可見光具有吸收,且吸收強度與物質濃度成正比。此關係引用到光線受到空氣中含水份粒子影響而導致有霧害的影像,也可透過此關係反應到大氣散射原理的狀態。
3.1霧化影像的形成
在有霧的天候情況下,空氣中瀰漫著霧微粒子的影響,使得原本純淨的影像受到干擾,以至於攝影機所擷取的影像受到大氣散射及大氣散射光(Airlight)的影響下,將得到一個退化(degraded)的影像,也就形成在螢幕上顯示所謂的霧化影像(foggy image),而距離(Distance)越遠,所接收到的影像資訊就越薄弱,對於影像中物體辨識就越不清晰,而對於影像處理就越無法得到正確的物體資訊。由於霧微粒子的影響下,受到衰退因子的影響,及大氣散射光(Airlight)的影響下,此退化的影像E(x)可由衰退係數及大氣散射光組成而得到一個衰退的線性組合,如式(6):
E(x)=Ed (x)+Ea (x) (6)
Ed (x)=E (x)ρ(x)e-βd(x)  (7)
Ea (x)=E (x)(1-e-βd(x) ) (8)
Ed(x)代表經由大氣衰減後所得到的景物輻射光,也就是能見度衰退的影像,如式(7);Ea(x)代表的大氣懸浮微粒所產生的散射光,也就是大氣散射光,如式(8);其中E∞(x)表示大氣散射環境下的大氣光亮度,ρ(x)表示一個影像的正規化輻射度,也就是景點的反射係數,β為代表大氣衰退係數,d(x)表示攝影機至物體的距離,而一張霧害的影像E(x)可經由Ed(x)及Ea(x)的線性組合所產生,如式(6)。
由上述可分析出,一張霧害的影像是由β(大氣衰退係數)、E∞(x)(大氣光亮度)及d(x)(距離)所產生的,因此為了將霧害的影像還原,必需估測出此三係數,因此將衰退的線性式做反向的推導,就可得到復原式(9)。
然而在一張影像的畫面中,由於無法正確得出β、E∞(x)及d(x),因此必需由影像中的資訊而估測出,在衰退影像中是由物體的表面係數及大氣散射係數所建構而成的衰退模式,若結合RGB色彩模型,可以雙色大氣散射模型(Dichromatic atmospheric scattering model)來表示,如第9圖所示:第9圖中的表示三原色向量座標軸,代表在景點中影像的資訊是未被大氣散射所影響的單位向量資訊,而表示在影像範圍中,為在霧的環境下亮光所及的區域的單位向量資訊。假設在晴朗的天候跟有霧的天候下,他們的明度有相同的光譜散射,因此,可以將式(6)改寫為式(10):
E(x)=pD+qA (10)
其中D和A分別是代表之單位向量的大小值,而p代表直接發射(Direct transmission)的量也就是E (x)ρ(x)e-βd(x) ,q代表大氣散射光(Airlight)的量也就是E (x)(1-e-βd(x) )。因此,假設D和A不變的話,那麼就會得到大氣衰退的資訊了,也就是如式(6)所示,因此透過RGB模型及大氣散射原理的解釋後,本發明再利用RGB的三色度係數來當做霧化影像的能見度增強法。
3.2改良型能見度增強法
經由大氣散射原理,得知因為光和霧氣微粒子的影響,以及雙色大氣散射模型的原理,接著,將影像分析為影像色度(Image chromaticity,簡稱IC)、亮度色度(Light chromaticity,簡稱LC)和物體色度(Object chromaticity,簡稱OC),接著透過三色激勵值的方式,得到RGB各通道的三種不同的色度。首先,定義影像色度係數方面,由於一張原始影像的每個RGB各通道的像素(Pixel)值透過特定的色彩比例而組成一個顏色的資訊,而此比例的量就稱為三色激勵值,RGB各通道的激勵資訊可由下式(11)之定義得出影像色度激勵值IC(x):
式(11)中的下標(c) 表示色彩通道,也就是R、G、B三色彩通道。而在大氣散射的衰退線性組合中(式(6)),若將d(x)定義為∞,也就是e-βd(x) 近似於0,則可得出影像的亮度色度的激勵值LC(x),如下式(12):
若把e-βd(x) 假設為1,可由式(6)看出,影像移除亮光的成份,則定義出物體色度激勵值OC(x),如下式(13):
因此,可以將式(6)定義成另一種形式,也就是:
E(x)=B(x)*OC(c) (x)+F(x)*LC(c) (x) (14)
而上式中所提及的B(x)及F(x)代表純量,而其衍生式(15)與(16)如下所示:
B(x)=[E∞(r) (x)ρ(r) (x)+E∞(g) (x)ρ(g) (x)+E∞(b) (x)ρ(b) (x)]e-βd(x)  (15)
F(x)=(E∞(r) (x)+E∞(g) (x)+E∞(b) (x))(1-e-βd(x) ) (16)
上述各色度之三通道激勵值相加起來的和都會等於1,也就是:
ΣIC(C) (x)=IC(r) (x)+IC(g) (x)+IC(b) (x)=1 (17)
ΣLC(C) (x)=LC(r) (x)+LC(g) (x)+LC(b) (x)=1 (18)
ΣOC(C) (x)=OC(r) (x)+OC(g) (x)+OC(b) (x)=1 (19)
一般技術而言,欲利用上述三色激勵值的方式,改變其影像的顏色資訊,以增強因霧害所造成能見度低迷的影像,則需先估測出衰退係數及大氣光亮度。在估測LC(c) (x)時必需估測出準確的係數,才能經由此係數得到良好的復原效果,若估測錯誤,則RGB三原色則反而會因LC(c) (x)估測的數值不正確而導致畫面色彩有顏色跳動的問題,且在有移動物的情況下,LC(c) (x)的估測必定會跟前一張畫面不相同,因此視訊畫面顏色跳動的問題也就越明顯。
因此,本發明將F(X)*LC(c) (x)改良為E’(I) *LC(rgb) 也就是,讓LC(rgb) 為固定值,只估測大氣光亮度E’(I) ,如此就可解決畫面顏色跳動的問題。
3.3估測大氣光亮度
由於影像在霧中,能見度通常會減弱,鑒於此,故提高影像中的亮度以儘量降低霧化的影響而達到復原的目的,因此利用亮度色度(LC)的激勵值,求得大氣光亮度,也就是估測每個像素所能得到的能見度的值E’(c)_max ,如下式(20)所示:
上式中的下標(c) 表示色彩通道,也就是R、G、B三色彩通道,因此,在能見度提高的狀況下,也能將色彩資訊提高。
大氣光強度的強度越強,影像色彩的亮度對比度就越明顯,在此本發明採用色調、飽和度、亮度(Hue、Saturation and Intensity,HIS)色彩模型中的I值來做為影像的亮度強度,採用I值的原因是由於得到的資訊為也就是R、G、B三色平均的數據,如下式(21)所示,近似於大氣光強度的強度資訊,而將此強度轉換成E’(I)_max ,也就是所需要能見度的強度資訊:
由於每個像素值的能見度的強度資訊,並沒有那麼強烈,因此本發明再將此估測強度資訊給定一個臨界值,如下式(22)所示,Image_avg表示影像中所有像素之平均值,也就是:
並依據下列規則式(23)以決定最後的E’(I) :
3.4估測衰退係數
由於衰退係數e-βd(x) 是影響霧化影像最重要的係數,必需得知衰退的影響程度,才能透過此係數推導還原影像的式子,利用三色激勵值的方式估測出此係數。如前述,由於E’(I) *LC(rgb) 為大氣光散射的系數,與式(12)及式(16)合併後的式子相符,因此,可推導出以下另一個恒等式:
若將上式之E∞(r)+E∞(g)+E∞(b)移除,利用估測出的E’(I) ,則可得到式(25)
再將式(25)做下列推導,則可得到衰退係數e-βd(x)
由於ΣLC(C) (x)=LC(r) (x)+LC(g) (x)+LC(b) (x)=1,因此,可得到衰退係數e-βd(x) ,如下式(26)所示:
,故由上述的式子得知,可由衰退係數反推導出增強系數eβd(x)
3.4改良影像復原式
計算出及eβd(x) 後,就可進行影像復原的工作,首先,分析出利用色度知識所得出的受影像的式子,再將式(14)做反轉換的方式,就可求得影像復原式:
E(restore) (x)=[E(x)-F(x)*LC(C) (x)]*eβd(x)  (27)
而前述有提及由於LC(C) 是針對RGB三原色個別去處理,若是處理單張影像,此方法是可行的,但若濾除視訊影像,則畫面會有顏色不穩定的問題,譬如時而畫面偏紅,時而畫面偏藍,因此,本發明將LC(C) 改良為LC(rgb)
如此將R、G、B三色激勵值取其平均數,就可解決顏色跳動的問題。也就是將影像復原式改良為:
3.5增強影像彩度及亮度
雖然式(29)已可進行影像復原處理,但其結果影像會有彩度降低的現象,令影像的顏色顯得不鮮豔,使得去霧後的影像產生色彩飽和度不足的情況。因為本文將增強後的影像轉至YCbCr的色彩模型空間,加強其Cb及Cr的值,由於加強50%影像會過於鮮豔,使得色彩會產生色調偏差的現象,因此,本發明將式(29)復原後的影像轉至YCbCr的色彩模型空間,加強其Cb及Cr的值,對有霧的影像則增加k%來提高彩度的係數(k太小則彩度不足,k太大則彩度過豔而導致色調偏差)。
另一方面,經由式(29)進行影像復原處理後之結果影像也會有亮度降低的現象,因此,本發明將使用一種改良式的直方圖均衡化的方法來提高復原結果影像的亮度。首先,將影像RGB各別分離成灰階的圖像,再統計各通道的灰階的直方圖機率密度函數,將影像原始亮度機率分布圖做權重的重新分配,分配方式如式(30)所示:
上述TH為一個臨界值,將各通道中直方圖的機率密度函數P(k)做調整,如第10圖。上式(30)中之Pn (k)為重新調配的機率密度函數,r為調整密度函數的值,r介於0~1之間,r的求法如式(31)所示:
上式(31)中之S_μ是Sobel影像平均值,σ是原始影像的標準差,m為所設定的臨界值。
依上述將影像原始亮度機率分布圖做權重的重新分配(第10圖),再經由直方圖均衡化(Histogram Equalization)的方式,以提高復原結果影像(式(29))的亮度。
以上所述僅為本發明之較佳實施例,凡依本發明申請專利範圍所做之均等變化與修飾,皆應屬本發明之涵蓋範圍。
100-112、200-210、300-306、500-506、600-606、700-712...步驟
第1圖係本發明揭露之霧化影像濾清方法之流程圖。
第2圖係本發明揭露之霧化影像判斷之流程圖。
第3圖係本發明揭露之利用亮度來判斷是否存在霧化影像之流程圖。
第4圖係說明一般型索貝爾(Sobel)濾波器遮罩。
第5圖係本發明揭露之利用索貝爾(Sobel)邊緣影像的特性來判斷是否存在霧化影像之流程圖。
第6圖係本發明揭露之利用索貝爾(Sobel)影像的平均值及標準差來判斷是否存在霧化影像之流程圖。
第7圖係本發明揭露之霧的級數判斷流程圖。
第8圖係本發明揭露之霧級數(Fog_Level)決定表。
第9圖係說明雙色大氣散射模型。
第10圖係說明機率密度調整示意圖。
100-112...步驟

Claims (3)

  1. 一種霧化影像濾清方法,包含:利用一輸入影像的一亮度色度(Light chromaticity,LC)的一激勵值得到一大氣光亮度;利用該輸入影像的RGB三色的色彩激勵值得到一衰退係數;利用該大氣光亮度和該衰退係數對該輸入影像進行影像復原,以得到一初級除霧影像;將該初級除霧影像轉至一YCbCr的色彩模型空間,並提高該初級除霧影像的一Cb及一Cr的值,以對該初級除霧影像執行增強彩度;對增強彩度後的該初級除霧影像中RGB各通道的灰階直方圖(Histogram)機率密度函數做權重的重新分配,其中對RGB各通道的灰階直方圖(Histogram)機率密度函數做權重的重新分配,其分配方式如下列數學式所示: 其中TH為一個臨界值,Pn (k)為重新調配的機率密度函數,r為調整密度函數的值,r介於0~1之間,r的求法如下列數學式所示: 其中S_μ是索貝爾(Sobel)影像平均值,σ是原始影像的標準差,m為所設定的臨界值;及經由一直方圖均衡化(Histogram Equalization),以提高增強彩度後的該初級除霧影像的亮度,而得到一最後除霧影像。
  2. 如請求項1所述之方法,另包含將該輸入影像之RGB三色的三個色彩激勵值相加後除以三以得到該亮度色度的該激勵值,以得到顏色穩定的該初級除霧影像。
  3. 如請求項1所述之方法,其中利用該大氣光亮度和該衰退係數對該輸入影像進行影像復原,包含以該大氣光亮度和該衰退係數代入一指數型影像對比增強的方式增強因霧氣所導致的低能見度,再利用雙色大氣散射原理去做指數型對比度增強的處理。
TW098141501A 2009-12-04 2009-12-04 判斷輸入影像是否為霧化影像之方法、判斷輸入影像的霧級數之方法及霧化影像濾清方法 TWI423166B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW098141501A TWI423166B (zh) 2009-12-04 2009-12-04 判斷輸入影像是否為霧化影像之方法、判斷輸入影像的霧級數之方法及霧化影像濾清方法
US12/793,707 US8417053B2 (en) 2009-12-04 2010-06-04 Cleaning method for foggy images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW098141501A TWI423166B (zh) 2009-12-04 2009-12-04 判斷輸入影像是否為霧化影像之方法、判斷輸入影像的霧級數之方法及霧化影像濾清方法

Publications (2)

Publication Number Publication Date
TW201120814A TW201120814A (en) 2011-06-16
TWI423166B true TWI423166B (zh) 2014-01-11

Family

ID=44082075

Family Applications (1)

Application Number Title Priority Date Filing Date
TW098141501A TWI423166B (zh) 2009-12-04 2009-12-04 判斷輸入影像是否為霧化影像之方法、判斷輸入影像的霧級數之方法及霧化影像濾清方法

Country Status (2)

Country Link
US (1) US8417053B2 (zh)
TW (1) TWI423166B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI673685B (zh) * 2018-06-14 2019-10-01 元智大學 電子影像除霧系統及其方法
TWI724375B (zh) * 2018-02-23 2021-04-11 富智捷股份有限公司 圖像去霧霾方法、電子設備及電腦可讀取記錄媒體
KR102439149B1 (ko) 2021-03-04 2022-08-31 동아대학교 산학협력단 흐릿함 정도 평가기 및 이를 이용한 안개 밀도 추정 방법

Families Citing this family (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012049845A1 (ja) * 2010-10-12 2012-04-19 パナソニック株式会社 色信号処理装置
DE102011017649B3 (de) * 2011-04-28 2012-10-11 Robert Bosch Gmbh Verfahren und Vorrichtung zur Erkennung einer Intensität eines Aerosols in einem Sichtfeld einer Kamera eines Fahrzeugs
JP2012243049A (ja) * 2011-05-19 2012-12-10 Fuji Heavy Ind Ltd 環境認識装置および環境認識方法
KR101568971B1 (ko) * 2011-08-03 2015-11-13 인디안 인스티튜트 오브 테크놀로지, 카라그푸르 화상 및 동영상에서 안개를 제거하는 방법 및 시스템
KR101341243B1 (ko) * 2012-04-04 2013-12-12 (주) 넥스트칩 기상 현상으로 인해 훼손된 영상을 복원하는 장치 및 방법
KR101582479B1 (ko) * 2012-05-15 2016-01-19 에스케이 텔레콤주식회사 동영상에 포함된 헤이즈 제거를 위한 영상 처리 장치 및 그 방법
US9111362B2 (en) * 2012-08-22 2015-08-18 Sony Corporation Method, system and apparatus for applying histogram equalization to an image
JP6390847B2 (ja) * 2012-11-13 2018-09-19 日本電気株式会社 画像処理装置、画像処理方法及びプログラム
TWI489416B (zh) * 2013-03-06 2015-06-21 Novatek Microelectronics Corp 影像還原方法
CN103279928B (zh) * 2013-05-23 2016-06-01 北京汉邦高科数字技术股份有限公司 一种基于大气散射模型的图像增强方法
KR101470831B1 (ko) * 2013-05-28 2014-12-10 전남대학교산학협력단 사용자 제어가 가능한 거듭제곱근 연산자를 이용한 안개영상 개선 장치
WO2014210381A1 (en) * 2013-06-27 2014-12-31 Kla-Tencor Corporation Polarization measurements of metrology targets and corresponding target designs
CN104331703A (zh) * 2013-07-22 2015-02-04 博世汽车部件(苏州)有限公司 监测车辆行驶状态的方法及实现该方法的汽车导航设备
CN104346774B (zh) * 2013-07-29 2018-04-03 诺基亚技术有限公司 用于图像增强的方法和装置
JP5906224B2 (ja) * 2013-09-27 2016-04-20 富士重工業株式会社 車外環境認識装置
CN103761134A (zh) * 2014-01-28 2014-04-30 华为技术有限公司 一种处理图片的方法及电子设备
KR102207939B1 (ko) * 2014-03-27 2021-01-26 한화테크윈 주식회사 안개 제거 시스템 및 안개 제거 방법
EP3156968B1 (en) * 2014-06-12 2019-02-27 EIZO Corporation Haze removal device and image generation method
CN104008535B (zh) * 2014-06-16 2017-05-03 北方工业大学 基于CbCr角度归一化直方图的图像增强方法及系统
US9305242B2 (en) * 2014-08-15 2016-04-05 National Taipei University Of Technology Method and image processing apparatus for image visibility restoration using fisher's linear discriminant based dual dark channel prior
US9177363B1 (en) * 2014-09-02 2015-11-03 National Taipei University Of Technology Method and image processing apparatus for image visibility restoration
US9361670B2 (en) * 2014-09-04 2016-06-07 National Taipei University Of Technology Method and system for image haze removal based on hybrid dark channel prior
CN105989371B (zh) * 2015-03-03 2019-08-23 香港中文大学深圳研究院 一种核磁共振影像的灰度标准化方法和装置
KR102390918B1 (ko) * 2015-05-08 2022-04-26 한화테크윈 주식회사 안개 제거 시스템
CN105184746B (zh) * 2015-08-26 2018-04-17 中国科学院上海高等研究院 基于直方图均衡的彩色图像增强处理方法
KR102461144B1 (ko) 2015-10-16 2022-10-31 삼성전자주식회사 영상 연무 제거 장치
CN106408520B (zh) * 2015-12-27 2019-05-14 华南理工大学 一种高颜色保真度的图像去雾方法
CN105701783B (zh) * 2016-01-14 2018-08-07 浙江大学 一种基于环境光模型的单幅图像去雾方法及装置
TWI591583B (zh) * 2016-04-13 2017-07-11 瑞昱半導體股份有限公司 影像對比增強方法及其裝置
US10007854B2 (en) * 2016-07-07 2018-06-26 Ants Technology (Hk) Limited Computer vision based driver assistance devices, systems, methods and associated computer executable code
CN107180439B (zh) * 2016-07-15 2020-02-04 重庆大学 一种基于Lab色度空间的色偏特征提取和色偏检测方法
CN106404720B (zh) * 2016-08-24 2019-02-26 中国气象科学研究院 一种能见度观测方法
US10176557B2 (en) * 2016-09-07 2019-01-08 The Boeing Company Apparatus, system, and method for enhancing image video data
US10269098B2 (en) * 2016-11-01 2019-04-23 Chun Ming Tsang Systems and methods for removing haze in digital photos
CN108122217B (zh) * 2016-11-30 2021-07-20 北京航天计量测试技术研究所 一种自适应场景的实时红外图像增强方法
CN108230288B (zh) * 2016-12-21 2020-06-16 杭州海康威视数字技术股份有限公司 一种确定雾性状况的方法和装置
EP3358844A1 (en) * 2017-02-07 2018-08-08 Koninklijke Philips N.V. Method and apparatus for processing an image property map
CN107248146B (zh) * 2017-05-22 2020-09-11 哈尔滨工程大学 一种uuv近海面可见光图像去雾方法
US10549853B2 (en) 2017-05-26 2020-02-04 The Boeing Company Apparatus, system, and method for determining an object's location in image video data
US10789682B2 (en) * 2017-06-16 2020-09-29 The Boeing Company Apparatus, system, and method for enhancing an image
CN107317968B (zh) * 2017-07-27 2020-01-10 Oppo广东移动通信有限公司 图像去雾方法、装置、计算机可存储介质和移动终端
CN108230257A (zh) * 2017-11-15 2018-06-29 北京市商汤科技开发有限公司 图像处理方法、装置、电子设备及存储介质
US10643311B2 (en) * 2018-03-22 2020-05-05 Hiwin Technologies Corp. Method for correcting dehazed medical image
CN110784624B (zh) * 2018-07-27 2021-08-31 浙江宇视科技有限公司 除雾控制方法及装置
CN109448397B (zh) * 2018-11-20 2020-11-13 山东交通学院 一种基于大数据的团雾监测方法
CN109754372B (zh) * 2018-12-03 2020-12-08 浙江大华技术股份有限公司 一种图像去雾处理方法及装置
CN109658359B (zh) * 2018-12-26 2023-06-13 联创汽车电子有限公司 大气悬浮物检测系统及其检测方法
CN109886920A (zh) * 2019-01-16 2019-06-14 安徽谛听信息科技有限公司 一种雾天分级方法、雾天分级系统
JP7227785B2 (ja) * 2019-02-18 2023-02-22 キヤノン株式会社 画像処理装置、画像処理方法およびコンピュータプログラム
CN109961412A (zh) * 2019-03-18 2019-07-02 浙江大华技术股份有限公司 一种视频帧图像去雾方法及设备
CN111738939B (zh) * 2020-06-02 2022-02-15 大连理工大学 一种基于半训练生成器的复杂场景图像去雾方法
CN111951194B (zh) * 2020-08-26 2024-02-02 重庆紫光华山智安科技有限公司 图像处理方法、装置、电子设备和计算机可读存储介质
US11528435B2 (en) * 2020-12-25 2022-12-13 Industrial Technology Research Institute Image dehazing method and image dehazing apparatus using the same
CN113129273B (zh) * 2021-03-30 2023-04-07 武汉伏佳安达电气技术有限公司 一种输电线路雾天自动巡视方法及系统
US11788972B2 (en) 2021-04-29 2023-10-17 Industrial Technology Research Institute Method of automatically setting optical parameters and automated optical inspection system using the same
CN113658052A (zh) * 2021-06-30 2021-11-16 西人马帝言(北京)科技有限公司 一种图像处理方法、装置、设备及存储介质
KR20240048097A (ko) * 2022-10-06 2024-04-15 대한민국(기상청 국립기상과학원장) 카메라 이미지 기반의 안개 입자 검출 및 안개 특성 산출방법
CN116573366B (zh) * 2023-07-07 2023-11-21 江西小马机器人有限公司 基于视觉的皮带跑偏检测方法、系统、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040091169A1 (en) * 2002-11-07 2004-05-13 Samsung Electronics Co., Ltd. Contrast compensation apparatus and method thereof
US20050275736A1 (en) * 2004-06-10 2005-12-15 Chiu Andrew C Advanced chroma enhancement

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3809298B2 (ja) * 1998-05-26 2006-08-16 キヤノン株式会社 画像処理方法、装置および記録媒体
KR101321396B1 (ko) * 2007-07-20 2013-10-25 삼성전자주식회사 영상의 색 향상 장치 및 이를 이용한 영상의 색 향상 방법.
US8396324B2 (en) * 2008-08-18 2013-03-12 Samsung Techwin Co., Ltd. Image processing method and apparatus for correcting distortion caused by air particles as in fog

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040091169A1 (en) * 2002-11-07 2004-05-13 Samsung Electronics Co., Ltd. Contrast compensation apparatus and method thereof
US20050275736A1 (en) * 2004-06-10 2005-12-15 Chiu Andrew C Advanced chroma enhancement

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
S. Bronte, L. M. Bergasa, and P. F. Alcantarilla, "Fog Detection System Based on Computer Vision Techniques," presented at 12th International IEEE Conference on Intelligent Transportation Systems, p.p. 1~6 Oct., 2009. *
Tan, R. T. "Visibility in bad weather from a single image," Proceedings of IEEE CVPR, 2008. *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI724375B (zh) * 2018-02-23 2021-04-11 富智捷股份有限公司 圖像去霧霾方法、電子設備及電腦可讀取記錄媒體
TWI673685B (zh) * 2018-06-14 2019-10-01 元智大學 電子影像除霧系統及其方法
KR102439149B1 (ko) 2021-03-04 2022-08-31 동아대학교 산학협력단 흐릿함 정도 평가기 및 이를 이용한 안개 밀도 추정 방법

Also Published As

Publication number Publication date
US20110135200A1 (en) 2011-06-09
TW201120814A (en) 2011-06-16
US8417053B2 (en) 2013-04-09

Similar Documents

Publication Publication Date Title
TWI423166B (zh) 判斷輸入影像是否為霧化影像之方法、判斷輸入影像的霧級數之方法及霧化影像濾清方法
Hautière et al. Towards fog-free in-vehicle vision systems through contrast restoration
CN105512623B (zh) 基于多传感器雾天行车视觉增强与能见度预警系统及方法
US9384532B2 (en) Apparatus for improving fogged image using user-controllable root operator
US9070023B2 (en) System and method of alerting a driver that visual perception of pedestrian may be difficult
US9418402B2 (en) System for improving foggy luminance image using fog reduction estimation model
CN110415544B (zh) 一种灾害天气预警方法及汽车ar-hud系统
CN105701783B (zh) 一种基于环境光模型的单幅图像去雾方法及装置
CN103985091A (zh) 基于亮度暗先验与双边滤波的单幅图像去雾方法
CN111553214B (zh) 一种驾驶员吸烟行为检测方法及系统
KR101788660B1 (ko) 단일 영상 내의 안개 제거 장치 및 방법
CN109919062A (zh) 一种基于特征量融合的道路场景天气识别方法
CN103021179A (zh) 基于实时监控视频中的安全带检测方法
Miclea et al. Visibility detection in foggy environment
CN112419745A (zh) 一种基于深度融合网络的高速公路团雾预警系统
Vaibhav et al. Real-time fog visibility range estimation for autonomous driving applications
Alami et al. Local fog detection based on saturation and RGB-correlation
Wongsaree et al. Distance detection technique using enhancing inverse perspective mapping
Wang et al. Haze removal algorithm based on single-images with chromatic properties
CN106780362A (zh) 基于双色反射模型与双边滤波的道路视频去雾方法
CN104050678A (zh) 水下监测彩色图像质量测量方法
CN111332306A (zh) 一种基于机器视觉的交通道路感知辅助驾驶预警装置
Park et al. Fog-degraded image restoration using characteristics of RGB channel in single monocular image
Jeong et al. Fast fog detection for de-fogging of road driving images
CN115294486B (zh) 一种基于无人机和人工智能的违章垃圾识别和判定方法