TWI514323B - 基於混合暗通道先驗的影像除霧方法及其系統 - Google Patents
基於混合暗通道先驗的影像除霧方法及其系統 Download PDFInfo
- Publication number
- TWI514323B TWI514323B TW103131776A TW103131776A TWI514323B TW I514323 B TWI514323 B TW I514323B TW 103131776 A TW103131776 A TW 103131776A TW 103131776 A TW103131776 A TW 103131776A TW I514323 B TWI514323 B TW I514323B
- Authority
- TW
- Taiwan
- Prior art keywords
- color
- channel
- dark channel
- image
- input
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 54
- 238000001228 spectrum Methods 0.000 claims description 43
- 230000008439 repair process Effects 0.000 claims description 29
- 230000005855 radiation Effects 0.000 claims description 26
- 230000003287 optical effect Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010420 art technique Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002834 transmittance Methods 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06T2207/20004—Adaptive image processing
- G06T2207/20008—Globally adaptive
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Description
本揭露是有關於一種基於混合暗通道先驗的影像除霧方法及其系統。
在戶外場景中所拍攝的影像往往會因為霧氣、霾、沙塵暴等大氣現象而導致能見度的降低,其係為大氣粒子吸收並且散射光線所導致。這些影像低能見度的問題會使得例如是行車紀錄器、交通監控系統等必須運作在任何天氣狀況下的智慧型運輸系統(Intelligent Transportation Systems,ITS)失效。前述光線所吸收以及散射的量主要是依據相機與場景之間的深度不同而改變。因此,場景的深度資訊在針對有霧環境下所擷取的影像的場景輻射(scene radiance)進行修復極為重要。
為了改善霧氣影像的能見度,許多影像除霧技術相繼被提出。這些影像除霧技術可以分為兩大主要類別:基於深度已知的方式以及基於深度未知的方式。
在基於深度已知的方式中,主要是利用已知的深度資訊來修復霧氣影像。由於此方式需要使用者提供深度資訊,較不適用於實際上的應用,因此許多研究已導向至以估測未知深度的方式來修復霧氣影像中的場景輻射。
在基於深度未知的方式可分為兩大類:多張影像修復技術(multiple-image restoration)以及單張影像修復技術(single-image restoration)。多張影像修復技術需要複雜的運算或是額外的硬體設備,而造成昂貴的修復成本。因此,目前研究主要是朝向以無需額外資訊來估測深度的單張影像修復技術來修復霧氣影像中的場景輻射。
在一種習知技術所提出的單張影像除霧方法中,其觀察到相對於拍攝到的霧氣影像,修復影像具有較高的對比度,因此可藉由將局部對比度最大化的方式來修復場景輻射。然而,此種方式會使得深度邊緣產生假影(artifact)。另一種習知技術所提出的單張影像除霧方法中,其係基於透射率和表面投影在局部上是沒有關聯的假設上來估測場景的反照率並且推導介質圖(transmission map)。然而,此種方法不適用於霧氣密度較大的影像。此外,另一種習知技術提出在梯度域中較小的光透射強度具有較大的係數,而較大的光透射強度具有較小的係數之特性。據此,其在光透射強度較小的區域採用多階(multi-scale)的方式來修復霧氣影像。然而,此種方法往往過度地修復影像中的天空區域。
另一種習知技術中,其觀察到在戶外無霧影像中,局部區域的像素在至少一個色彩通道中具有較低的像素值,因此提出一種以單像影像並且利用暗通道先驗(dark channel prior)來有效地移除霧氣的影像除霧演算法。目前為止,此種以單張影像來有效地進行除霧已在本領域引起廣泛的研究與討論。延續上述暗通道先驗技術,另一種影像除霧演算法採用暗通道先驗以及多階仿視覺(multi-scale Retinex)的技術來快速地進行影像的修復。
然而,在具有局部光源或是沙塵暴而造成色偏(color-shift)的情況下拍攝的影像,在經由前述暗通道先驗技術所修復的場景輻射往往會產生嚴重的假影,因而使得在許多駕駛情境下會產生問題。舉例而言,在惡劣的氣候下,駕駛往往會開車頭燈並且街燈亦會被開啟以改善能見度。在此情境下,前述暗通道先驗技術將會無法得到滿意的修復結果。
有鑑於此,本揭露提供一種基於混合暗通道先驗(hybrid dark channel prior)的影像除霧方法及其系統,其可在各種實際拍攝情況中有效地針對單張影像進行除霧。
本揭露提出一種基於混合暗通道先驗的影像除霧方法,適用於電子裝置。此方法包括下列步驟:接收包括多個輸入像素的輸入霧氣影像;對於各所述輸入像素,根據大局部區塊的第一最小暗通道以及小局部區塊的第二最小暗通道,判定混合暗通
道;根據混合暗通道先驗、所述混合暗通道以及關聯於輸入霧氣影像於每一多個色彩通道的大氣光,判定所述輸入像素的介質圖;判定對應於各所述色彩通道的色彩頻譜調整參數;對於各所述色彩通道,根據色彩頻譜調整參數、介質圖以及大氣光,修復各所述輸入像素於該色彩通道的場景輻射,據以產生除霧影像;以及輸出除霧影像。
在本揭露的一實施例中,上述對於各所述輸入像素,根據大局部區塊的第一最小暗通道以及小局部區塊的第二最小暗通道,判定混合暗通道的步驟如下。對於各所述輸入像素:對於大局部區塊的每一多個大局部區塊像素,針對所述色彩通道進行最小值運算,並且針對大局部區塊進行最小值濾波處理,以計算出第一最大暗通道;對於小局部區塊的每一多個小局部區塊像素,針對所述色彩通道進行最小值運算,並且針對小局部區塊進行最小值濾波處理,以計算出第二最小暗通道;分別配置第一權重以及第二權重於第一最小暗通道以及第二最小暗通道,以取得第一加權最小暗通道以及第二加權最小暗通道,其中第一權重以及第二權重為介於0與1的正整數,並且第一權重與第二權重的總和為1;以及結合第一加權最小暗通道與第二加權最小暗通道,以取得混合暗通道。
在本揭露的一實施例中,上述對於各所述輸入像素,根據大局部區塊的第一最小暗通道以及小局部區塊的第二最小暗通道,判定混合暗通道的公式包括方程式(1):
其中J c
為除霧影像於色彩通道c
的像素值;Ω(x
,y
)以及μ
(x
,y
)分別為以(x
,y
)為中心的大局部區塊以及小局部區塊;以及分別
為第一權重以及第二權重;J dark
(x
,y
)為位於(x
,y
)的輸入像素所對應的混合暗通道,為第一加權最小暗通道,以
及為第二加權最小暗通道;為第一最小暗通道,以及為第二最小暗通道。
在本揭露的一實施例中,上述根據混合暗通道先驗、所述混合暗通道以及關聯於輸入霧氣影像於各所述色彩通道的大氣光,判定所述輸入像素的介質圖的步驟包括:設定各所述輸入像素所對應的混合暗通道為零:以及根據光學模型以及所述混合暗通道,取得所述輸入像素的介質圖,其中光學模型是基於關聯於輸入霧氣影像於各所述色彩通道的大氣光所建構。
在本揭露的一實施例中,上述根據混合暗通道先驗、所述混合暗通道以及關聯於輸入霧氣影像於各所述色彩通道的大氣光,判定所述輸入像素的介質圖的公式包括方程式(2.2):
其中c {r
,g
,b
},t h
為介質圖,I c
為輸入霧氣影像於彩色通道c
的像素
值,以及ω
為介於0與1之間的常數。
在本揭露的一實施例中,上述判定對應於各所述色彩通道的色彩頻譜調整參數的步驟包括:分別計算所述輸入像素於各所述彩色通道的一平均像素值,據以計算對應於各所述色彩通道的色彩頻譜調整參數。
在本揭露的一實施例中,上述判定對應於各所述色彩通道的色彩頻譜調整參數的公式包括方程式(3)以及方程式(4):
其中I r
(x
,y
)、I g
(x
,y
)以及I b
(x
,y
)分別為輸入霧氣影像於各所述彩色通道的像素值,MN
為所述輸入像素的數量,以及γ c
為色彩通道c
的色彩頻譜調整參數。
在本揭露的一實施例中,上述對於各所述色彩通道,根據色彩頻譜調整參數、介質圖以及大氣光,修復各所述輸入像素於色彩通道的場景輻射,據以產生除霧影像的步驟包括:針對各所述色彩通道,根據光學模型、色彩頻譜調整參數以及大氣光調整參數,計算各所述輸入像素的場景輻射。
在本揭露的一實施例中,上述對於各所述色彩通道,根據色彩頻譜調整參數、介質圖以及大氣光,修復各所述輸入像素於色彩通道的場景輻射,據以產生除霧影像的公式包括方程式(5)、方程式(5.1)以及方程式(5.2):
其中c {r
,g
,b
},其中J c
為除霧影像於色彩通道c
的場景輻射,I c
(x
,y
)為輸入霧氣影像於色彩通道c
的像素值,A c
為於色彩通道c
的大氣光,t h
為介質圖,t 0
為介質下限,γ c
以及σ c
分別為於色彩通道c
的色彩頻譜調整參數以及大氣光調整參數;為像素值為的所述輸入像素的數量,L
為常數並且設定為所述輸入像素中的最大像素值,以及PMF
(.)為機率密度函數。
本揭露提出一種影像除霧系統,包括儲存單元以及處理單元,其中處理單元耦接儲存單元。儲存單元用以記錄多個模組。處理單元用以存取並且執行記錄於儲存單元的所述模組,其中所述模組包括:影像接收模組、混合暗通道先驗模組、色彩分析模組、能見度修復模組以及影像輸出模組。影像接收模組用以接收包括多個輸入像素的輸入霧氣影像。對於各所述輸入像素,混合
暗通道先驗模組用以根據大局部區塊的第一最小暗通道以及小局部區塊的第二最小暗通道,判定混合暗通道,並且根據混合暗通道先驗、所述混合暗通道以及關聯於輸入霧氣影像於每一多個色彩通道的大氣光,判定所述輸入像素的介質圖。色彩分析模組用以判定對應於各所述色彩通道的色彩頻譜調整參數。對於各所述色彩通道,能見度修復模組用以根據色彩頻譜調整參數、介質圖以及大氣光,修復各所述輸入像素於該色彩通道的場景輻射,據以產生除霧影像。影像輸出模組用以輸出除霧影像。
在本揭露的一實施例中,對於各所述輸入像素:混合暗通道先驗模組對於大局部區塊的每一多個大局部區塊像素,針對所述色彩通道進行最小值運算,並且針對大局部區塊進行最小值濾波處理,以計算出第一最大暗通道;混合暗通道先驗模組又對於小局部區塊的每一多個小局部區塊像素,針對所述色彩通道進行最小值運算,並且針對小局部區塊進行最小值濾波處理,以計算出第二最小暗通道;混合暗通道先驗模組再分別配置第一權重以及第二權重於第一最小暗通道以及第二最小暗通道,以取得第一加權最小暗通道以及第二加權最小暗通道,其中第一權重以及第二權重為介於0與1的正整數,並且第一權重與第二權重的總和為1;以及混合暗通道先驗模組結合第一加權最小暗通道與第二加權最小暗通道,以取得混合暗通道。
在本揭露的一實施例中,對於各所述輸入像素,上述混合暗通道先驗模組根據第一最小暗通道以及小局部區塊的第二最
小暗通道,判定混合暗通道的公式包括方程式(1):
其中J c
為除霧影像於色彩通道c
的像素值;Ω(x
,y
)以及μ
(x
,y
)分別為以(x
,y
)為中心的大局部區塊以及小局部區塊;以及分別為第一權重以及第二權重;J dark
(x
,y
)為位於(x
,y
)的輸入像素所對應的混合暗通道,為第一加權最小暗通道,以
及為第二加權最小暗通道;為第一最小暗通道,以及為第二最小暗通道。
在本揭露的一實施例中,上述混合暗通道先驗模組設定各所述輸入像素所對應的混合暗通道為零,以及根據光學模型以及所述混合暗通道,取得所述輸入像素的介質圖,其中光學模型是基於關聯於輸入霧氣影像於各所述色彩通道的大氣光所建構。
在本揭露的一實施例中,上述混合暗通道先驗模組根據混合暗通道先驗、所述混合暗通道以及關聯於輸入霧氣影像於各所述色彩通道的大氣光,判定所述輸入像素的介質圖的公式包括方程式(2.2):
其中c {r
,g
,b
},t h
為介質圖,I c
為輸入霧氣影像於彩色通道c
的像素
值,以及ω
為介於0與1之間的常數。
在本揭露的一實施例中,上述色彩分析模組分別計算所述輸入像素於各所述彩色通道的平均像素值,據以計算對應於各所述色彩通道的色彩頻譜調整參數。
在本揭露的一實施例中,上述色彩分析模組判定對應於各所述色彩通道的色彩頻譜調整參數的公式包括方程式(3)以及方程式(4):
其中I r
(x
,y
)、I g
(x
,y
)以及I b
(x
,y
)分別為輸入霧氣影像於各所述彩色通道的像素值,MN
為所述輸入像素的數量,以及γ c
為色彩通道c
的色彩頻譜調整參數。
在本揭露的一實施例中,針對各所述色彩通道,上述能見度修復模組根據光學模型、色彩頻譜調整參數以及大氣光調整參數,計算各所述輸入像素的場景輻射。
在本揭露的一實施例中,對於各所述色彩通道,上述能見度修復模組根據色彩頻譜調整參數、介質圖以及大氣光,修復
各所述輸入像素於色彩通道的場景輻射,據以產生除霧影像的公式包括方程式(5)、方程式(5.1)以及方程式(5.2):
其中c {r
,g
,b
},其中J c
為除霧影像於色彩通道c
的場景輻射,I c
(x
,y
)為輸入霧氣影像於色彩通道c
的像素值,A c
為於色彩通道c
的大氣光,t h
為介質圖,t 0
為介質下限,γ c
以及σ c
分別為於色彩通道c
的色彩頻譜調整參數以及大氣光調整參數;為像素值為的所述輸入像素的數量,L
為常數並且設定為所述輸入像素中的最大像素值,以及PMF
(.)為機率密度函數。
基於上述,本揭露可在擷取具有局部光源或是色偏問題的街景影像時有效地隱藏局部光源並且抑制色偏的產生。藉此,此基於混合暗通道先驗的技術可在不同的環境下所拍攝的單張影像有效地進行除霧,不但可避免假影的產生,更可將其還原至真實的色彩。
為讓本揭露的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
100‧‧‧影像除霧系統
10‧‧‧儲存單元
110、410‧‧‧影像接收模組
120、420‧‧‧混合暗通道先驗模組
130、430‧‧‧色彩分析模組
140、440‧‧‧能見度修復模組
150、450‧‧‧影像輸出模組
20‧‧‧處理單元
S202~S212‧‧‧影像除霧方法的流程
300‧‧‧車輛
305‧‧‧介質
310‧‧‧直接衰減
320‧‧‧空氣光
330‧‧‧散射光
340‧‧‧街景
411‧‧‧輸入霧氣影像
421‧‧‧雙暗通道先驗
422‧‧‧採用3x3區塊大小的暗通道先驗
424‧‧‧用45x45區塊大小的暗通道先驗
426‧‧‧估測介質圖
428‧‧‧估測大氣光
451‧‧‧除霧影像
圖1繪示依據本揭露一實施例之影像除霧方法所提出的一種硬體系統架構。
圖2繪示依據本揭露一實施例之影像除霧方法的流程圖。
圖3繪示用以表示真實大氣情況下的霧氣影像資訊之光學模型。
圖4繪示依據本揭露一實施例之影像除霧方法的功能方塊圖。
本揭露的部份實施例接下來將會配合附圖來詳細描述,以下的描述所引用的元件符號,當不同附圖出現相同的元件符號將視為相同或相似的元件。這些實施例只是本揭露的一部份,並未揭示所有本揭露的可實施方式。更確切的說,這些實施例只是本揭露的專利申請範圍中的裝置與方法的範例。
圖1繪示依據本揭露一實施例之影像除霧方法所提出的一種硬體系統架構。請參照圖1,影像除霧系統100包括儲存單元10以及處理單元20,其中處理單元20耦接於儲存單元10。
影像除霧系統100可以是外接或是內建於例如是個人電腦、筆記型電腦、數位相機、數位攝影機、網路攝影機、智慧型手機、平板電腦、行車紀錄器、汽車影音系統等電子裝置。
儲存單元10可以例如是任意型式的固定式或可移動式隨
機存取記憶體(Random Access Memory,RAM)、唯讀記憶體(Read-Only Memory,ROM)、快閃記憶體(Flash memory)、硬碟、其他類似裝置或是這些裝置的組合,其係用以記錄可由處理器20執行的多個模組。這些模組包括影像接收模組110、混合暗通道先驗模組120、色彩分析模組130、能見度修復模組140以及影像輸出模組150。這些模組可載入至處理單元20以對數位影像進行除霧處理。
處理單元20可以例如是中央處理單元(Central Processing Unit,CPU),或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位訊號處理器(Digital Signal Processor,DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits,ASIC)、可程式化邏輯裝置(Programmable Logic Device,PLD)或其他類似裝置或這些裝置的組合。處理單元20可存取以及執行記錄於儲存單元10的模組以執行影像除霧方法。
圖2繪示依據本揭露一實施例之影像除霧方法的流程圖。本實施例所提出的影像除霧方法可由圖1的影像除霧系統100來執行。
請同時參照圖1以及圖2,首先,影像接收模組110接收包括多個輸入像素的輸入霧氣影像(步驟S202)。本實施例所提出的方法是建立在RGB色域中,其包括紅(red,R)、綠(green,G)以及藍(blue,B)三個色彩通道。
傳統的暗通道先驗技術在針對不具有局部光源的環境下所擷取到的影像進行除霧處理往往可得到良好的效果。此技術採用較大的區塊來對所擷取的影像進行處理,以取得精確的大氣光資訊。然而,利用較大的區塊會使得修復影像中具有光暈效應(halo effect)。另一方面,利用較小的區塊會將局部光線誤判為大氣光。據此,對於各所述輸入像素,混合暗通道先驗模組120將根據大局部區塊的第一最小暗通道以及小局部區塊的第二最小暗通道,判定混合暗通道(步驟S204)。混合暗通道先驗模組120在基於混合暗通道先驗的技術來對輸入霧氣影像進行除霧處理時,可精確地估測大氣光以及避免後續產生光暈效應。
為了有效地估測輸入霧氣影像中的霧氣濃度,混合暗通道先驗模組120可利用不同權重的配置來結合大小區塊兩者的優點。必須說明的是,各所述輸入像素的處理方式皆相同,因此以下僅針對其中之一者進行描述。詳言之,針對欲處理的輸入像素,混合暗通道先驗模組120可對其所對應的大局部區塊的輸入像素(在此定義為「大局部區塊像素」)來對所述色彩通道進行最小值運算,並且再對此大局部區塊進行最小值濾波處理,以計算出第一最大暗通道。此外,混合暗通道先驗模組120又可對其所對應的小局部區塊的輸入像素(在此定義為「小局部區塊像素」)來對所述色彩通道進行最小值運算,並且再對此小局部區塊進行最小值濾波處理,以計算出第二最大暗通道。接著,混合暗通道先驗模組120可將第一權重以及第二權重分別配置於第一最小暗通道
以及第二最小暗通道,以取得第一加權最小暗通道以及第二加權最小暗通道,其中第一權重以及第二權重為介於0與1的正整數,並且第一權重與第二權重的總和為1。之後,混合暗通道先驗模組120可將第一加權最小暗通道與第二加權最小暗通道結合,以取得混合暗通道。
在一實施例中,混合暗通道先驗模組120可根據方程式(1)來判定混合暗通道:
其中J c
為除霧影像於色彩通道c
的像素值;Ω(x
,y
)以及μ
(x
,y
)分別為以(x
,y
)為中心的大局部區塊以及小局部區塊;以及分別為第一權重以及第二權重;J dark
(x
,y
)為位於(x
,y
)的輸入像素所對應的混合暗通道,為第一加權最小暗通道,以
及為第二加權最小暗通道;為第一最小暗通道,以及為第二最小暗通道。
在電腦視覺與圖形分析的領域中,方程式(1)的光學模型常用以描述在真實大氣情況下於RGB色域中的霧氣影像:I c
(x
,y
)=J c
(x
,y
)t
(x
,y
)+A c
(1-t
(x
,y
)) 方程式(1.1)
其中c {r
,g
,b
},I c
(x
,y
)為擷取影像,J c
(x
,y
)為場景輻射(亦即,理想狀態下的無霧影像),A c
為於色彩通道c
的大氣光,t
(x
,y
)為用來描
述光線投射到例如是行車紀錄器的過程中沒有被散射掉的部分的介質圖。舉例而言,圖3繪示用以表示真實大氣情況下的霧氣影像資訊之光學模型,其中霧氣影像資訊可取得自車輛300的行車紀錄器。上述光學模型的第一項次J c
(x
,y
)t
(x
,y
)為直接衰減310,其係用以描述場景輻射停留在媒介305的部份。上述光學模型的第一項次A c
(1-t
(x
,y
))為散射光330所產生的空氣光320進而造成街景340在影像中的色彩產生偏移。
基此,混合暗通道先驗模組120在取得混合暗通道後,可根據混合暗通道先驗、混合暗通道以及關聯於輸入霧氣影像於各色彩通道的大氣光,判定所述輸入像素的介質圖(步驟S206)。
混合暗通道先驗是基於在無霧的輸入影像中所觀察到的現象,即非天空區域的混合暗通道具有較低的像素值。也就是說,無霧影像中的混合暗通道的數值接近0並且可以方程式(1.2)來表示:J dark
→ 0 方程式(1.2)
混合暗通道先驗模組120可根據方程式(1)、方程式(1.1)以及方程式(1.2)來估測輸入影像的介質圖,其中介質圖t h
可以方程式(2.1)來表示:
此外,為了呈現較為自然的影像,可藉由常數ω
在影像中保留少部份的霧氣於遠距離的物件。據此,介質圖可以方程式(2.2)
來表示:
其中ω
可根據實驗設定為0.95。須注意的是,α
以及β
分別為對應於大局部區塊以及小局部區塊的常數,以達到最佳的除霧結果。根據混合暗通道影像J dark
(x
,y
)中的前0.1%最亮的像素,大氣光A c
為輸入霧氣影像於色彩通道c
中具有最大像素值的像素。
再者,如果在沙塵暴的環境下拍攝影像時,沙塵的大氣粒子將會吸收特定的色彩光譜進而造成影像產生色偏的現象,並且各色彩通道將會呈現不同的分佈。習知的暗通道先驗技術針對所有通道採用相同的公式來修復場景輻射,將使得修復後的影像產生嚴重的色偏。為了解決此問題,色彩分析模組130將判定對應於各色彩通道的色彩頻譜調整參數(步驟S208)。
詳言之,色彩分析模組130是根據灰色世界假設(gray world assumption)所設置,其中灰色世界假設認為一張影像的各色彩通道的平均像素值為相等。基此,色彩分析模組130可先根據方程式(3)分別計算所有輸入像素於各所述彩色通道的平均像素值:
其中I r
(x
,y
)、I g
(x
,y
)以及I b
(x
,y
)分別為輸入霧氣影像於各所述彩色通道的像素值,MN
為所述輸入像素的數量。根據上述假設,色彩分析模組130可再根據方程式(4)計算對應於各色彩通道的色彩頻譜調整參數,以避免修復影像中產生色偏現象:
其中γ c
為色彩通道c
的色彩頻譜調整參數。
接著,為了在不同環境皆能取得高品質的除霧影像,能見度修復模組140將會結合混合暗通道先驗模組120以及色彩分析模組130所提供的資訊來有效地修復場景輻射。換言之,對於各色彩通道,能見度修復模組140根據色彩頻譜調整參數、介質圖以及大氣光,修復各所述輸入像素於色彩通道的場景輻射,據以產生除霧影像(步驟S210),其可以方程式(5)來表示:
其中c {r
,g
,b
},J c
為除霧影像於色彩通道c
的場景輻射,I c
(x
,y
)為於各種環境下所拍攝的輸入霧氣影像於色彩通道c
的像素值,A c
為於色彩通道c
的大氣光,t h
為介質圖,t 0
為一介質下限(lower bound)並且一般可將被設定為0.1,γ c
以及σ c
分別為於色彩通道c
的色彩頻譜調整參數以大氣光調整參數。
值得注意的是,由於在不同氣候環境,大氣粒子將會吸收特定的色彩光譜,能見度修復模組140可利用前述的參數σ
來調
整大氣變量,如方程式(5.1)所示,其可先藉由機率密度函數來計算各色彩通道的像素統計值以取得色彩資訊:
其中c {r
,g
,b
},MN
為所有輸入像素的數量,為像素值為的輸入像素的數量,L
為常數並且設定為所有輸入像素中的最大像素值。最後,各所述色彩通道的大氣調整參數σ
可根據方程式(5.2)而產生:
能見度修復模組140在產生除霧影像後,影像輸出模組150將輸出除霧影像(步驟S212),而影像除霧系統100即完成影像除霧的程序。
前述的影像除霧方法可利用圖4依據本揭露一實施例所繪示的功能方塊圖來進行總結。請參照圖4,混合暗通道先驗模組420自影像接收模組410接收輸入霧氣影像411。混合暗通道先驗模組420將採用基於雙暗通道先驗421的混合暗通道先驗技術,其中雙暗通道先驗42結合例如是3×3區塊大小的暗通道先驗422與例如是45×45區塊大小的暗通道先驗424。接著,混合暗通道先驗模組420將估測介質圖420以及大氣光428。色彩分析模組430根據灰色世界假設有效地取得輸入霧氣影像411的色彩資訊以避免修復後的影像產生色偏的現象。能見度修復模組440將結合自
混合暗通道先驗模組420與色彩分析模組430所取得的資訊避免嚴重的假影產生,以在各種氣候下取得高品質的除霧影像。影像輸出模組450將輸出除霧影像451,而結束影像除霧的方法流程。
綜上所述,本揭露可在擷取具有局部光源或是色偏問題的街景影像時有效地隱藏局部光源並且抑制色偏的產生。藉此,此基於混合暗通道先驗的技術可在不同的環境下所拍攝的單張影像有效地進行除霧,不但可避免假影的產生,更可將其還原至真實的色彩。
雖然本揭露已以實施例揭露如上,然其並非用以限定本揭露,任何所屬技術領域中具有通常知識者,在不脫離本揭露的精神和範圍內,當可作些許的更動與潤飾,故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
S202~S212‧‧‧影像除霧方法的流程
Claims (18)
- 一種基於混合暗通道先驗的影像除霧方法,適用於一電子裝置,該方法包括:接收包括多個輸入像素的一輸入霧氣影像;對於各所述輸入像素,根據一大局部區塊的一第一最小暗通道以及一小局部區塊的一第二最小暗通道,判定一混合暗通道;根據該混合暗通道先驗、所述混合暗通道以及關聯於該輸入霧氣影像於每一多個色彩通道的一大氣光,判定所述輸入像素的一介質圖;判定對應於各所述色彩通道的一色彩頻譜調整參數;對於各所述色彩通道,根據該色彩頻譜調整參數、該介質圖以及該大氣光,修復各所述輸入像素於該色彩通道的一場景輻射,據以產生一除霧影像;以及輸出該除霧影像。
- 如申請專利範圍第1項所述的方法,其中對於各所述輸入像素,根據該大局部區塊的該第一最小暗通道以及該小局部區塊的該第二最小暗通道,判定該混合暗通道的步驟包括:對於各所述輸入像素:對於該大局部區塊的每一多個大局部區塊像素,針對所述色彩通道進行最小值運算,並且針對該大局部區塊進行最小值濾波處理,以計算出該第一最大暗通道;對於該小局部區塊的每一多個小局部區塊像素,針對所 述色彩通道進行最小值運算,並且針對該小局部區塊進行最小值濾波處理,以計算出該第二最小暗通道;分別配置一第一權重以及一第二權重於該第一最小暗通道以及該第二最小暗通道,以取得一第一加權最小暗通道以及一第二加權最小暗通道,其中該第一權重以及該第二權重為介於0與1的正整數,並且該第一權重與該第二權重的總和為1;以及結合該第一加權最小暗通道與該第二加權最小暗通道,以取得該混合暗通道。
- 如申請專利範圍第2項所述的方法,其中對於各所述輸入像素,根據該大局部區塊的該第一最小暗通道以及該小局部區塊的該第二最小暗通道,判定該混合暗通道的公式包括方程式(1):
- 如申請專利範圍第3項所述的方法,其中根據該混合暗通 道先驗、所述混合暗通道以及關聯於該輸入霧氣影像於各所述色彩通道的該大氣光,判定所述輸入像素的該介質圖的步驟包括:設定各所述輸入像素所對應的該混合暗通道為零:以及根據一光學模型以及所述混合暗通道,取得所述輸入像素的該介質圖,其中該光學模型是基於關聯於該輸入霧氣影像於各所述色彩通道的該大氣光所建構。
- 如申請專利範圍第4項所述的方法,其中根據該混合暗通道先驗、所述混合暗通道以及關聯於該輸入霧氣影像於各所述色彩通道的該大氣光,判定所述輸入像素的該介質圖的公式包括方程式(2.2):
- 如申請專利範圍第5項所述的方法,其中判定對應於各所述色彩通道的該色彩頻譜調整參數的步驟包括:分別計算所述輸入像素於各所述彩色通道的一平均像素值,據以計算對應於各所述色彩通道的該色彩頻譜調整參數。
- 如申請專利範圍第6項所述的方法,其中判定對應於各所述色彩通道的該色彩頻譜調整參數的公式包括方程式(3)以及方程式(4):
- 如申請專利範圍第7項所述的方法,其中對於各所述色彩通道,根據該色彩頻譜調整參數、該介質圖以及該大氣光,修復各所述輸入像素於該色彩通道的該場景輻射,據以產生該除霧影像的步驟包括:針對各所述色彩通道,根據該光學模型、該色彩頻譜調整參數以及一大氣光調整參數,計算各所述輸入像素的該場景輻射。
- 如申請專利範圍第8項所述的方法,其中對於各所述色彩通道,根據該色彩頻譜調整參數、該介質圖以及該大氣光,修復各所述輸入像素於該色彩通道的該場景輻射,據以產生該除霧影像的公式包括方程式(5)、方程式(5.1)以及方程式(5.2):
- 一種影像除霧系統,包括:一儲存單元,記錄多個模組,以及一處理單元,耦接該儲存單元,以存取並且執行記錄於該儲存單元的所述模組,其中所述模組包括:一影像接收模組,接收包括多個輸入像素的一輸入霧氣影像;一混合暗通道先驗模組,對於各所述輸入像素,根據一大局部區塊的一第一最小暗通道以及一小局部區塊的一第二最小暗通道,判定一混合暗通道,並且根據該混合暗通道先驗、所述混合暗通道以及關聯於該輸入霧氣影像於每一多個色彩通道的一大氣光,判定所述輸入像素的一介質圖;一色彩分析模組,判定對應於各所述色彩通道的一色彩頻譜調整參數; 一能見度修復模組,對於各所述色彩通道,根據該色彩頻譜調整參數、該介質圖以及該大氣光,修復各所述輸入像素於該色彩通道的一場景輻射,據以產生一除霧影像;以及一影像輸出模組,輸出該除霧影像。
- 如申請專利範圍第10項所述的影像除霧系統,其中對於各所述輸入像素:該混合暗通道先驗模組對於該大局部區塊的每一多個大局部區塊像素,針對所述色彩通道進行最小值運算,並且針對該大局部區塊進行最小值濾波處理,以計算出該第一最大暗通道;該混合暗通道先驗模組對於該小局部區塊的每一多個小局部區塊像素,針對所述色彩通道進行最小值運算,並且針對該小局部區塊進行最小值濾波處理,以計算出該第二最小暗通道;該混合暗通道先驗模組分別配置一第一權重以及一第二權重於該第一最小暗通道以及該第二最小暗通道,以取得一第一加權最小暗通道以及一第二加權最小暗通道,其中該第一權重以及該第二權重為介於0與1的正整數,並且該第一權重與該第二權重的總和為1;以及該混合暗通道先驗模組結合該第一加權最小暗通道與該第二加權最小暗通道,以取得該混合暗通道。
- 如申請專利範圍第11項所述的影像除霧系統,其中對於各所述輸入像素,該混合暗通道先驗模組根據該第一最小暗通道以及該小局部區塊的該第二最小暗通道,判定該混合暗通道的公 式包括方程式(1):
- 如申請專利範圍第12項所述的影像除霧系統,其中該混合暗通道先驗模組設定各所述輸入像素所對應的該混合暗通道為零,以及根據一光學模型以及所述混合暗通道,取得所述輸入像素的該介質圖,其中該光學模型是基於關聯於該輸入霧氣影像於各所述色彩通道的該大氣光所建構。
- 如申請專利範圍第13項所述的影像除霧系統,其中該混合暗通道先驗模組根據該混合暗通道先驗、所述混合暗通道以及關聯於該輸入霧氣影像於各所述色彩通道的該大氣光,判定所述輸入像素的該介質圖的公式包括方程式(2.2):
- 如申請專利範圍第14項所述的影像除霧系統,其中該色彩分析模組分別計算所述輸入像素於各所述彩色通道的一平均像素值,據以計算對應於各所述色彩通道的該色彩頻譜調整參數。
- 如申請專利範圍第15項所述的影像除霧系統,其中該色彩分析模組判定對應於各所述色彩通道的該色彩頻譜調整參數的公式包括方程式(3)以及方程式(4):
- 如申請專利範圍第16項所述的影像除霧系統,針對各所述色彩通道,該能見度修復模組根據該光學模型、該色彩頻譜調整參數以及一大氣光調整參數,計算各所述輸入像素的該場景輻射。
- 如申請專利範圍第17項所述的影像除霧系統,其中對於各所述色彩通道,該能見度修復模組根據該色彩頻譜調整參數、該介質圖以及該大氣光,修復各所述輸入像素於該色彩通道的該場景輻射,據以產生該除霧影像的公式包括方程式(5)、方程式(5.1)以及方程式(5.2):
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/476,751 US9361670B2 (en) | 2014-09-04 | 2014-09-04 | Method and system for image haze removal based on hybrid dark channel prior |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI514323B true TWI514323B (zh) | 2015-12-21 |
TW201610912A TW201610912A (zh) | 2016-03-16 |
Family
ID=55407905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103131776A TWI514323B (zh) | 2014-09-04 | 2014-09-15 | 基於混合暗通道先驗的影像除霧方法及其系統 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9361670B2 (zh) |
TW (1) | TWI514323B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10810705B2 (en) | 2018-03-15 | 2020-10-20 | National Chiao Tung University | Video dehazing device and method |
Families Citing this family (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9478016B2 (en) * | 2014-09-16 | 2016-10-25 | National Taipei University Of Technology | Image restoration method and image processing apparatus using the same |
KR102300531B1 (ko) * | 2015-09-18 | 2021-09-09 | 서강대학교산학협력단 | 영상 연무 제거 장치 및 영상 연무 제거 방법 |
WO2017056834A1 (ja) * | 2015-09-29 | 2017-04-06 | 富士フイルム株式会社 | 画像処理装置及び画像処理方法 |
TWI580266B (zh) * | 2016-02-15 | 2017-04-21 | 聯詠科技股份有限公司 | 影像處理裝置 |
CN105931220B (zh) * | 2016-04-13 | 2018-08-21 | 南京邮电大学 | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 |
CN106101489B (zh) * | 2016-06-30 | 2019-01-01 | 河海大学常州校区 | 基于云平台的模板匹配监控视频去雾系统及其去雾方法 |
CN107203981B (zh) * | 2017-06-16 | 2019-10-01 | 南京信息职业技术学院 | 一种基于雾气浓度特征的图像去雾方法 |
US10367976B2 (en) | 2017-09-21 | 2019-07-30 | The United States Of America As Represented By The Secretary Of The Navy | Single image haze removal |
CN108288267B (zh) * | 2018-01-17 | 2022-04-05 | 中国矿业大学 | 一种基于暗通道的扫描电镜图像清晰度无参考评价方法 |
CN108765309B (zh) * | 2018-04-26 | 2022-05-17 | 西安汇智信息科技有限公司 | 基于暗通道的线状自适应改进全局大气光的图像去雾方法 |
CN109325920B (zh) * | 2018-08-06 | 2022-02-22 | 深圳大学 | 雾霾图像清晰化方法、系统及可存储介质 |
CN109255804A (zh) * | 2018-08-10 | 2019-01-22 | 重庆大数据研究院有限公司 | 一种雾霾浓度估计方法 |
CN110874823A (zh) * | 2018-09-03 | 2020-03-10 | 中国矿业大学(北京) | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 |
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 |
CN109801241A (zh) * | 2019-01-22 | 2019-05-24 | 三峡大学 | 一种基于改进型暗通道优先算法的太阳耀斑图像去云方法 |
CN110033521B (zh) * | 2019-04-01 | 2020-01-14 | 重庆固成未来教育科技有限公司 | 一种基于vr与ar技术的三维可视化系统 |
CN110148093B (zh) * | 2019-04-17 | 2023-05-16 | 中山大学 | 一种基于暗通道先验的图像去雾改进方法 |
CN110197465B (zh) * | 2019-05-28 | 2023-09-12 | 深圳供电规划设计院有限公司 | 一种有雾图像增强方法 |
CN110288539B (zh) * | 2019-06-03 | 2022-11-18 | 哈尔滨工程大学 | 一种结合颜色空间移动与暗通道先验的水下图像清晰方法 |
CN110349093B (zh) * | 2019-06-11 | 2022-11-29 | 西安电子科技大学 | 基于多级沙漏结构的单幅图像去雾模型构建及去雾方法 |
CN110197469B (zh) * | 2019-06-11 | 2023-04-28 | 青岛大学 | 一种图像去雾方法、系统及电子设备和存储介质 |
CN110232666B (zh) * | 2019-06-17 | 2020-04-28 | 中国矿业大学(北京) | 基于暗原色先验的地下管道图像快速去雾方法 |
CN110298809B (zh) * | 2019-07-08 | 2021-03-30 | 广东工业大学 | 一种图像去雾方法及装置 |
CN110473155B (zh) * | 2019-08-02 | 2023-07-18 | 西安工程大学 | 一种基于视网膜颜色感知暗通道原理的图像去雾方法 |
CN112312108B (zh) * | 2019-08-02 | 2022-09-13 | 浙江宇视科技有限公司 | 一种白平衡的异常确定方法、装置、存储介质及电子设备 |
CN111311502A (zh) * | 2019-09-04 | 2020-06-19 | 中国科学院合肥物质科学研究院 | 使用双向加权融合处理雾天图像的方法 |
CN111223052B (zh) * | 2019-10-24 | 2023-05-09 | 江苏大学 | 一种基于改进容差机制的图像去雾方法 |
CN110852971B (zh) * | 2019-11-11 | 2022-02-18 | 昆明理工大学 | 基于暗原色先验和Retinex的视频去雾方法及存储介质 |
WO2021126248A1 (en) * | 2019-12-20 | 2021-06-24 | Google Llc | Spatially varying reduction of haze in images |
CN111292258B (zh) * | 2020-01-15 | 2023-03-10 | 长安大学 | 一种基于暗通道和亮通道先验的图像去雾方法 |
CN111353959B (zh) * | 2020-03-02 | 2023-07-18 | 莫登奎 | 一种高效的适用于大规模光学遥感影像雾霾去除的方法 |
CN111598814B (zh) * | 2020-05-26 | 2024-04-26 | 北京理工大学 | 基于极端散射通道的单图像去雾方法 |
CN111695514B (zh) * | 2020-06-12 | 2023-04-18 | 长安大学 | 一种基于深度学习的雾天下车辆检测方法 |
CN111784601B (zh) * | 2020-06-27 | 2024-05-14 | 浙江同善人工智能技术有限公司 | 一种图像去雾方法 |
KR20220018748A (ko) | 2020-08-07 | 2022-02-15 | 삼성전자주식회사 | 안개 제거를 위한 영상 처리 방법 및 장치 |
CN112184596A (zh) * | 2020-10-28 | 2021-01-05 | 青岛大学 | 一种图像去雾去噪方法、装置、设备及存储介质 |
CN112927157B (zh) * | 2021-03-08 | 2023-08-15 | 电子科技大学 | 采用加权最小二乘滤波的改进暗通道去雾方法 |
CN113344802A (zh) * | 2021-04-19 | 2021-09-03 | 大连海事大学 | 一种基于自适应的大气光融合的水下图像复原方法 |
US11663705B2 (en) * | 2021-09-17 | 2023-05-30 | Nanjing University Of Posts And Telecommunications | Image haze removal method and apparatus, and device |
US11803942B2 (en) | 2021-11-19 | 2023-10-31 | Stmicroelectronics (Research & Development) Limited | Blended gray image enhancement |
CN114240789B (zh) * | 2021-12-21 | 2024-04-16 | 华南农业大学 | 一种基于优化的保持亮度的红外图像直方图均衡增强方法 |
CN114708621B (zh) * | 2022-05-31 | 2022-08-19 | 广东海洋大学 | 水下海胆图像识别模型的训练方法、识别方法及装置 |
CN115861104B (zh) * | 2022-11-30 | 2023-10-17 | 西安电子科技大学 | 基于透射率细化的遥感图像去雾方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783012A (zh) * | 2010-04-06 | 2010-07-21 | 中南大学 | 一种基于暗原色的自动图像去雾方法 |
TW201120814A (en) * | 2009-12-04 | 2011-06-16 | Huper Lab Co Ltd | Method for determining if an input image is a foggy image, method for determining a foggy level of an input image and cleaning method for foggy images |
US20110211758A1 (en) * | 2010-03-01 | 2011-09-01 | Microsoft Corporation | Multi-image sharpening and denoising using lucky imaging |
CN103914820A (zh) * | 2014-03-31 | 2014-07-09 | 华中科技大学 | 一种基于图像分层增强的图像去雾方法及系统 |
CN103942758A (zh) * | 2014-04-04 | 2014-07-23 | 中国人民解放军国防科学技术大学 | 基于多尺度融合的暗通道先验图像去雾方法 |
CN103955905A (zh) * | 2014-05-13 | 2014-07-30 | 北京邮电大学 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8340461B2 (en) * | 2010-02-01 | 2012-12-25 | Microsoft Corporation | Single image haze removal using dark channel priors |
EP2740100A1 (en) * | 2011-08-03 | 2014-06-11 | Indian Institute Of Technology, Kharagpur | Method and system for removal of fog, mist or haze from images and videos |
US8755628B2 (en) * | 2012-09-10 | 2014-06-17 | Google Inc. | Image de-hazing by solving transmission value |
US9031345B2 (en) * | 2013-03-11 | 2015-05-12 | Adobe Systems Incorporated | Optical flow accounting for image haze |
US9177363B1 (en) * | 2014-09-02 | 2015-11-03 | National Taipei University Of Technology | Method and image processing apparatus for image visibility restoration |
-
2014
- 2014-09-04 US US14/476,751 patent/US9361670B2/en active Active
- 2014-09-15 TW TW103131776A patent/TWI514323B/zh not_active IP Right Cessation
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201120814A (en) * | 2009-12-04 | 2011-06-16 | Huper Lab Co Ltd | Method for determining if an input image is a foggy image, method for determining a foggy level of an input image and cleaning method for foggy images |
US20110211758A1 (en) * | 2010-03-01 | 2011-09-01 | Microsoft Corporation | Multi-image sharpening and denoising using lucky imaging |
CN101783012A (zh) * | 2010-04-06 | 2010-07-21 | 中南大学 | 一种基于暗原色的自动图像去雾方法 |
CN103914820A (zh) * | 2014-03-31 | 2014-07-09 | 华中科技大学 | 一种基于图像分层增强的图像去雾方法及系统 |
CN103942758A (zh) * | 2014-04-04 | 2014-07-23 | 中国人民解放军国防科学技术大学 | 基于多尺度融合的暗通道先验图像去雾方法 |
CN103955905A (zh) * | 2014-05-13 | 2014-07-30 | 北京邮电大学 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10810705B2 (en) | 2018-03-15 | 2020-10-20 | National Chiao Tung University | Video dehazing device and method |
Also Published As
Publication number | Publication date |
---|---|
US20160071244A1 (en) | 2016-03-10 |
TW201610912A (zh) | 2016-03-16 |
US9361670B2 (en) | 2016-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI514323B (zh) | 基於混合暗通道先驗的影像除霧方法及其系統 | |
TWI501194B (zh) | 基於費雪線性判別的雙暗通道先驗的影像能見度修復方法及其影像處理裝置 | |
TWI509567B (zh) | 影像能見度修復的方法及其影像處理裝置 | |
TWI518635B (zh) | 影像修復方法及使用該方法的影像處理裝置 | |
Huang et al. | Visibility restoration of single hazy images captured in real-world weather conditions | |
US9384532B2 (en) | Apparatus for improving fogged image using user-controllable root operator | |
Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
CN105631829B (zh) | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 | |
KR101756173B1 (ko) | 전달률 하한치의 변형에 의한 안개영상 개선 시스템 및 그 방법 | |
CN103955905B (zh) | 基于快速小波变换和加权图像融合的单幅图像去雾方法 | |
RU2658874C1 (ru) | Устройство удаления тумана и способ формирования изображений | |
US9418402B2 (en) | System for improving foggy luminance image using fog reduction estimation model | |
Peng et al. | Image haze removal using airlight white correction, local light filter, and aerial perspective prior | |
CN107292830B (zh) | 低照度图像增强及评价方法 | |
CN110288539B (zh) | 一种结合颜色空间移动与暗通道先验的水下图像清晰方法 | |
TWI489416B (zh) | 影像還原方法 | |
KR101917094B1 (ko) | 매핑테이블을 이용한 고속 스모그/저조도 영상 개선 방법 및 장치 | |
KR101881883B1 (ko) | 휘도-색차신호 색좌표계에서 안개/야간 영상의 가시성 향상을 위한 영상 시스템 | |
Cheng et al. | Visibility enhancement of single hazy images using hybrid dark channel prior | |
CN103778605A (zh) | 一种雾天图像增强方法 | |
Desai et al. | A fuzzy logic based approach to de-weather fog-degraded images | |
Abbaspour et al. | A new fast method for foggy image enhancement | |
Anwar et al. | Classification of foggy images for vision enhancement | |
KR101535630B1 (ko) | 밝기변환 모델을 이용한 야간 영상의 밝기 개선 장치 | |
Negru et al. | Exponential image enhancement in daytime fog conditions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |