CN102646267A - 退化图像复原方法及*** - Google Patents
退化图像复原方法及*** Download PDFInfo
- Publication number
- CN102646267A CN102646267A CN2012100395825A CN201210039582A CN102646267A CN 102646267 A CN102646267 A CN 102646267A CN 2012100395825 A CN2012100395825 A CN 2012100395825A CN 201210039582 A CN201210039582 A CN 201210039582A CN 102646267 A CN102646267 A CN 102646267A
- Authority
- CN
- China
- Prior art keywords
- atmosphere
- matrix
- image
- degraded image
- layer
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
一种退化图像复原方法包括以下步骤:获取退化图像;建立退化图像关于大气掩盖层的数学模型;根据所述的数学模型,对退化图像利用奇异值分解,获得大气掩盖层的估算矩阵;根据估算矩阵计算大气掩盖层;选取大气光矩阵,运算得到大气掩盖层的传输系数矩阵;根据大气掩盖层及传输系数矩阵,求取复原图像。上述退化图像复原方法建立的数学模型含有大气掩盖层变量,通过优化计算得到较为精确的大气掩盖层及传输系数,则经修复的复原图也能够具有较高的对比度。本方法没有使用白化平衡、色调映射和伽玛校正技术,对退化图像的局部细节恢复效果较好,处理结果的颜***真度、清晰度也较好。还提供了一种退化图像复原***。
Description
【技术领域】
本发明涉及了图像处理技术,尤其涉及一种退化图像复原方法及***。
【背景技术】
当今,恶劣天气条件下的退化图像的复原技术成为研究的热点。但是,目前的图像复原方法要么是引入图像抠图技术后的改进算法,要么是采用两次中值滤波来求退化图像中大气掩盖层,造成图像部分细节严重丢失,计算量相对较大,而且还使用白化平衡、色调映射和伽玛校正技术来提高颜***真度,对恶劣天气条件下的某些退化图像处理效果不够理想。
方法一采用暗原色先验来对单一图像去雾,能够处理彩色图像和灰度图像,但是计算量很大。方法二采用中值滤波来求退化图像中云雾掩盖层。采用两次中值滤波来求退化图像中云雾掩盖层,造成图像部分细节严重丢失,计算量相对较大,而且还使用白化平衡、色调映射和伽玛校正技术来提高颜***真度,对恶劣天气条件下的某些退化图像处理效果都不够理想。
【发明内容】
基于此,有必要提供一种能减少计算量并能提高退化图像的复原效果的退化图像复原方法。
一种退化图像复原方法包括以下步骤:
获取退化图像;
建立所述退化图像关于大气掩盖层的数学模型;
对所述数学模型,利用奇异值分解,获得所述大气掩盖层的估算矩阵;
根据所述估算矩阵计算大气掩盖层;
选取大气光矩阵,运算得到大气掩盖层的传输系数矩阵;
根据所述大气掩盖层及传输系数矩阵,求取复原图像。
进一步地,所述建立所述退化图像的数学模型为:
I(x)=J(x)(1-B(x)/A)+B(x),
其中,x为图像中像素坐标,I为采集的退化图像且I∈Cm×n,J为场景辐射亮度,A为描述大气光颜色的大气光矩阵,B(x)为大气掩盖层,且B(x)=A(1-t(x)),大气掩盖层来源于空气中微粒引起的散射光,t(x)为传输系数矩阵。
进一步地,所述建立所述退化图像的数学模型还包括以下步骤:
对所述退化图像进行初始化、归一化处理;
输入参数。
进一步地,所述对所述数学模型,利用奇异值分解,获得大气掩盖层的估算矩阵的步骤包括以下步骤:
求取所述退化图像的每个像素坐标位置处的亮度最小值构成云雾矩阵;
对所述云雾矩阵进行奇异值分解,得到奇异值矩阵;
截取所述奇异值矩阵的主要元素构成所述大气掩盖层的主成分矩阵;
对所述主成分矩阵进行奇异值分解的逆变换,重建得到所述大气掩盖层的估算矩阵。
进一步地,所述对所述数学模型,利用奇异值分解,获得所述大气掩盖层的估算矩阵步骤中,还可以利用小波变换、傅立叶变换或离散余弦变换来获得大气掩盖层的估算矩阵。
进一步地,所述根据估算矩阵计算大气掩盖层步骤包括:
按照如下公式计算大气掩盖层:
本发明还提供一种退化图像复原***包括:
获取模块,用于获取退化图像;
建模模块,用于建立所述退化图像关于大气掩盖层的数学模型;
分解模块,用于对所述数学模型,利用奇异值分解,获得大气掩盖层的估算矩阵;
计算模块,用于根据所述估算矩阵计算大气掩盖层;
选取模块,选取大气光矩阵,运算得到大气掩盖层的传输系数矩阵;
成像模块,用于根据所述大气掩盖层及传输系数矩阵,求取复原图像。
进一步地,所述建模模块建立的所述图像的数学模型为:
I(x)=J(x)(1-B(x)/A)+B(x)
其中,x为图像中像素坐标,I为采集的退化图像,且I∈Cm×n,J为场景辐射亮度,A为描述大气光颜色的大气光矩阵,B(x)称为大气掩盖层B(x)=A(1-t(x)),来源于空气中微粒引起的散射光,t(x)为传输系数矩阵。
进一步地,所述分解模块包括:求最小单元,用于求取所述退化图像的每个像素坐标位置处的最小值构成云雾矩阵;
奇异值分解单元,用于对所述云雾矩阵进行奇异值分解,得到奇异值矩阵;
截取单元,用于截取所述奇异值矩阵的主要元素构成所述大气掩盖层的主成分矩阵;
重建单元,用于对所述主成分矩阵,利用奇异值分解的逆变换,重建得到所述大气掩盖层的估算矩阵。
上述恶劣天气条件下退化图像复原方法和***中,通过对原始图像进行数学建模,建立的数学模型含有大气掩盖层变量,并对该数学模型,利用奇异值分解来获得截取的该原始图像的干扰信号的主要成分,根据矩阵分解的逆变换,获得大气掩盖层的估算矩阵。根据得到的估算矩阵计算大气掩盖层及传输系数,最终得到图像的复原图。上述恶劣天气条件下退化图像复原方法通过在退化图像的数学模型中引入大气掩盖层变量,通过优化计算得到较为准确的大气掩盖层,则经修复的复原图也能够具有较高的对比度。上述恶劣天气条件下退化图像复原方法和***还能够处理由阴雨天气造成的退化图像,并且没有使用白化平衡、色调映射和伽玛校正技术,对退化图像的局部细节恢复效果较好,处理结果的颜***真度、清晰度也较好。
【附图说明】
图1为一实施方式的退化图像复原方法的流程图;
图2为一实施例中建立关于图像的数学模型的具体流程图;
图3为另一实施例中对数学模型,利用矩阵分解,获得大气掩盖层的估计值的具体流程图;
图4为一实施方式的退化图像复原***的结构示意图;
图5-1为道路大气退化灰度图像;
图5-2为根据方法一对图5-1所示的道路大气退化图像的复原图;
图5-3为根据方法二对图5-1所示的道路大气退化图像的复原图;
图5-4为根据图1所示的复原方法对图5-1所示的道路大气退化图像的复原图;
图6-1为森林大气退化彩色图像;
图6-2为根据方法一对图6-1所示的森林大气退化图像的复原图;
图6-3为根据方法二对图6-1所示的森林大气退化图像的复原图;
图6-4为根据图1所示的复原方法对图6-1所示的森林大气退化图像的复原图;
图7-1为房屋雨雾退化彩色图像;
图7-2为根据方法一对图7-1所示的房屋大气退化图像的复原图;
图7-3为根据方法二对图7-1所示的房屋大气退化图像的复原图;
图7-4为根据图1所示的复原方法对图7-1所示的房屋大气退化图像的复原图;
图8-1为雨天道路退化彩色图像;
图8-2为根据方法一对图8-1所示的雨天道路退化图像的复原图;
图8-3为根据方法二对图8-1所示的雨天道路退化图像的复原图;
图8-4为根据图1所示的复原方法对图8-1所示的雨天道路退化图像的复原图。
【具体实施方式】
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
请参阅图1,本实施例的退化图像复原方法100包括以下步骤:
步骤S110,获取退化图像。
在云雾天气下,获取的图像会因为大气掩盖层的低频干扰信号和高频干扰信号对图像质量造成影响,经研究表明,图像退化的主要原因来自于低频干扰信号。退化图像为单帧图像。
在一实施例中,退化图像为灰度图像或彩色图像。
步骤S120,建立退化图像关于大气掩盖层的数学模型。
由于大气云雾等恶劣天气条件造成的图像退化,对于单帧图像来说,没有已知的场景结构信息,因此不能直接利用退化图像的对比度增强模型。引入大气掩盖层变量:
B(x)=A(1-t(x)) (1)
则该退化图像的数学模型为:
I(x)=J(x)(1-B(x)/A)+B(x) (2)
其中,x为图像中像素坐标,I为采集的退化图像且I∈Cm×n,J为场景辐射亮度,A为描述大气光颜色的大气光矩阵。公式(2)右边第一项J(x)(1-B(x)/A)称为直接衰减,描述场景辐射在媒质中的衰减;第二项B(x)称为大气掩盖层,主要来源于空气中微粒引起的散射光,会造成场景颜色变化。数学模型是建立在恶劣天气条件对外景图像或视频造成影响的基础上。
如图2所示,在一实施例中,步骤S120建立退化图像关于大气掩盖层的数学模型还包括以下步骤:
步骤S121,对所述退化图像进行初始化、归一化处理。
将退化图像进行归一化处理,使退化图像在以后的处理过程中,能够按照统一的标准对其进行处理。
步骤S122,输入参数p、q。p为截取主成分矩阵的重要元素。根据p确定主成分矩阵的元素个数。q通常取0.9~0.95之间的任意一值,q用于保证大气掩盖层的干扰信号低于图像的目标成像信号,设q<1能够保证图像的成像信号能够大于干扰信号,保证能够采集到图像。
步骤S130,对数学模型进行奇异值分解,获得大气掩盖层的估算矩阵。
对退化图像的数学模型,利用奇异值分解,得到该退化图像的奇异值矩阵,对该奇异值矩阵的主要成分矩阵进行奇异值分解的逆变换求得大气掩盖层的估算矩阵。
由于退化图像I可以为彩色图像或是灰度图像。当退化图像为彩色图像的时候,由于彩色图像的像素具有多个分量,所以在进行奇异值分解的时候需要预处理。
如图3所示,在一实施例中,步骤S130还包括以下步骤:步骤S131,求取退化图像I每个像素坐标位置处的最小值构成云雾矩阵w。彩色图像的3个分量的信号包括R、G、B信息,根据下式分别求取信号的3个分量的最小值:
w=min(I,[],3) (3)
保证云雾干扰信号强度小于目标信号的信号强度,由此,得到大气干扰图像成像的云雾矩阵w。
当退化图像I为灰度图像时:
w=I (4)
由此,当退化图像I为灰度图像时,退化图像I的像素亮度的最小值就是退化图像I的本身。
因此可以统一对云雾矩阵w进行矩阵分解。
步骤S132,对云雾矩阵w进行奇异值分解,得到奇异值矩阵。
对输入退化图像I∈Cm×n,则由退化图像I像素亮度的最小值构成的云雾矩阵w的奇异值分解式及其对角矩阵分别为:
[USV]=svd(w),r=rank(S) (5)
其中,酉矩阵U∈Cm×m和V∈Cn×n,S为w矩阵的奇异值矩阵,r为奇异值矩阵S的秩,对角矩阵∑r=diag{σ1,σ2,…,σr},且对角元素排列顺序为σ1≥σ2≥…≥σr>0,其中σi(i=1,2,…,r),以及σr+1=σr+2=…=σn=0称为云雾矩阵w的奇异值。
步骤S133,截取奇异值矩阵S的主要元素构成大气掩盖层的主成分矩阵Sk,截取对角矩阵S的主要元素个数k=ceil(p·r),p为步骤S122输入的参数p。主成分元素∑k=diag{σ1,σ2,…,σk},主成分矩阵Sk=[∑k,0;0,0]。其中k=ceil(p·r)表示:k取大于p·r的最小正整数。由于图像退化的主要原因来源于大气掩盖层的低频干扰信号,对角矩阵的左上角元素为大气掩盖层的干扰信号的主要成分。对获得的对角矩阵S划分变化域,获得大气掩盖层的主成分矩阵Sk。
步骤S134,对主成分矩阵Sk进行奇异值分解的逆变换,重建得到大气掩盖层的估算矩阵,即:
由于原图像I的数学模型利用奇异值分解将大气掩盖层的主要干扰信号截取出来,得到该主成分矩阵Sk,主成分矩阵Sk只包括了大气掩盖层的主要干扰信号,即大气掩盖层的低频干扰信号。所以需要利用奇异值分解的逆变换对主成分矩阵进行重建,得到估算矩阵
根据大气掩盖层的估计值与图像像素亮度的最小值w对大气掩盖层B进一步修正,其中,用于保证大气掩盖层的信号强度小于图像像素亮度的最小值,若由于大气掩盖层的信号强度大于图像像素亮度的最小值,则不能获得目标图像。q为步骤S120中输入的参数,q通常取0.9~0.95之间的任意一值,q用于保证大气掩盖层的干扰信号低于图像的成像信号,设q<1能够保证图像的成像信号能够大于干扰信号,保证能够采集到目标图像。
在一个实施例中,步骤S150包括一下步骤:步骤S151,选取大气光矩阵A。
可以按照如下公式选取大气光矩阵A:
A=ones([m,n]) (9)
其中,ones([m,n])表示生成m×n的全1矩阵。
步骤S152,在一个实施例中,按照如下公式得到传输系数矩阵t(x):
t(x)=1-B(x)/A (10)
t(x)表示描述目标辐射光线经过散射作用后进入摄像头的比例的媒质传输系数。
步骤S160,根据传输系数获取退化图像的复原计算式,根据复原计算式求取复原图像。
具体的,在一个实施例中,按照如下公式求取复原图像,成像退化图像I的复原图为:
J(x)=(I(x)-B(x))/(1-B(x)/A) (11)
在其他实施例中,对退化图像I的数学模型利用的矩阵分解还可以为特征值分解、QR分解、LU分解、Cholesky分解、Jordan分解、Schur分解、QZ分解、傅里叶变换、小波变换或者离散余弦变换其中的一种或几种矩阵变换。根据矩阵变换,选取其有关成分,来计算大气掩盖层,同样可以得到对比度较高的复原图。
请参阅图4,还提供了一种退化图像复原***200包括获取模块210、建模模块220、分解模块230、计算模块240及成像模块250。
获取模块210用于获取退化图像。退化图像包含大气掩盖层的低频干扰信号及高频干扰信号。可以理解,获取模块210可以为摄像机、扫描仪等。
建模模块220用于建立退化图像的数学模型。建模模块220建立的图像的数学模型为:I(x)=J(x)(1-B(x)/A)+B(x)
其中,x为图像中像素坐标,I为采集的退化图像,且I∈Cm×n,J为场景辐射亮度,A为描述大气光颜色的大气光矩阵,B(x)称为大气掩盖层B(x)=A(1-t(x)),主要来源于空气中微粒引起的散射光,t(x)为传输系数矩阵。
在一实施例中t建模模块220还用于对退化的图像进行归一化处理、获取大气掩盖层的低频干扰信号,输入参数。建模模块220包括归一化单元221及输入单元223。归一化单元221用于对退化图像进行初始化、归一化处理。输入单元223用于输入参数p、q。p用于截取主成分矩阵的重要元素。根据p确定主成分矩阵的元素个数。q通常取0.9~0.95之间的任意一值,q用于保证大气掩盖层的干扰信号低于图像的成像信号,设q<1能够保证图像的成像信号能够大于干扰信号,保证能够采集到目标图像。
分解模块230用于对退化图像的数学模型,利用奇异值分解,获得大气掩盖层的估算矩阵。在一实施例中,分解模块230还可以用于对数学模型,利用小波变换、傅立叶变换或离散余弦变换来获得大气掩盖层的估算矩阵。在一实施例中,分解模块230包括求最小单元231、奇异值分解单元233、截取单元235及重建单元237。
求最小单元231用于求取退化图像的每个像素坐标位置处的最小值构成退化图像的数学模型。
奇异值分解单元233用于对数学模型进行奇异值分解。在一实施例中,奇异值分解单元233可以为低频滤波器。
截取单元235用于截取奇异值矩阵的主要元素构成主成分矩阵。
重建单元237用于对主成分矩阵进行奇异值分解的逆变换,重建主成分矩阵。
计算模块240用于根据大气掩盖层的估算矩阵计算大气掩盖层,
在一实施例中,计算模块240按照如下公式计算大气掩盖层:
根据大气掩盖层的估计值与图像像素亮度的最小值w对大气掩盖层B进一步修正,其中,保证大气掩盖层的信号强度小于图像像素亮度的最小值。q为输入单元223输入的参数,q通常取0.9~0.95之间的任意一值,q用于保证大气掩盖层的干扰信号低于图像的成像信号,设q<1能够保证图像的成像信号能够大于干扰信号,保证能够采集到目标图像。
选取模块250用于选取大气光矩阵,运算得到传输系数矩阵。
选取模块250包括选取单元251及运算单元253。选取单元251用于选取大气光矩阵A,可以按照如下公式选取大气光矩阵A:
A=ones([m,n]) (13)
其中,ones([m,n])表示生成m×n的全1矩阵。
运算单元253用于运算得到传输系数矩阵,按照如下公式得到传输系数矩阵t(x):
t(x)=1-B(x)/A (14)
t(x)表示描述目标辐射光线经过散射作用后进入摄像头的比例的媒质传输系数。
成像模块260用于根据传输系数获取退化图像的复原计算式,求取复原图像。
上述退化图像复原***200中,获取单元210获取退化图像。建模模块220建立退化图像的数学模型。分解模块230对退化图像的数学模型,利用奇异值分解,得到大气掩盖层的估算矩阵。计算模块240根据大气掩盖层的估算矩阵计算得到大气掩盖层。选取模块250用于选取大气光矩阵,运算得到传输系数矩阵。成像模块260根据传输系数获取退化图像的复原计算式,求取复原图像。退化图像复原***200能够显著地减小了计算量,较精确地估算大气掩盖层,增强了复原图像的对比度。上述退化图像复原方法100和***200不限于处理云、雾、雨等恶劣天气造成的退化图像或视频,也可以用于其它领域的图像或视频处理。
请参阅图5~8,对恶劣天气条件下拍摄的退化图像以及相关文献选用的测试图片,利用本发明所述的图像复原方法,针对不同类型的图像分别进行很多次的实验,并与方法一、二所处理的结果比较。实验结果表明:上述退化图像复原方法100和***200是切实可行的,与方法一、二对比,增强了复原图像的对比度。请参阅图5为根据方法一、二及上述图像复原方法得到的道路大气灰度图像的处理结果的对比。图5-1为道路大气退化灰度图像;图5-2为根据方法一对图5-1所示的道路大气退化图像的复原图;图5-3为根据方法二对图5-1所示的道路大气退化图像的复原图;图5-4为根据图1所示的复原方法对图5-1所示的道路大气退化图像的复原图。请参阅图6为根据方法一、二及上述图像复原方法得到的森林云雾退化的彩色图像的处理结果的对比。图6-1为森林大气退化彩色图像;图6-2为根据方法一对图6-1所示的森林大气退化图像的复原图;图6-3为根据方法二对图6-1所示的森林大气退化图像的复原图;图6-4为根据图1所示的复原方法对图6-1所示的森林大气退化图像的复原图。请参阅图7为利用方法一、二及上述图像复原方法得到的房屋云雾退化的彩色图像的处理结果的对比。图7-1为房屋雨雾退化彩色图像;图7-2为根据方法一对图7-1所示的房屋大气退化图像的复原图;图7-3为根据方法二对图7-1所示的房屋大气退化图像的复原图;图7-4为根据图1所示的复原方法对图7-1所示的房屋大气退化图像的复原图。请参阅图8为利用方法一、二及上述图像复原方法得到的道路雨天退化的彩色图像的处理结果的对比。图8-1为雨天道路退化彩色图像;图8-2为根据方法一对图8-1所示的雨天道路退化图像的复原图;图8-3为根据方法二对图8-1所示的雨天道路退化图像的复原图;图8-4为根据图1所示的复原方法对图8-1所示的雨天道路退化图像的复原图。根据上述图像复原方法100能够显著地降低同类图像复原算法的计算量。经过与方法一、二比较,发现利用上述图像复原方法100复原的图像具有较好的效果,消除云、雾、雨等恶劣天气对单帧灰度图像、彩色图像以及视频的影响,同时具有较好的处理效果。再次验证了本发明的优越性。
并且与方法一、二相比,本退化图像复原方法100和***200,能够显著地减小了计算量,具有比较满意的处理结果,并且适用范围更广。对于灰度为300×100像素的图片,利用方法一的处理复原图像的时间为9.37秒,利用方法二处理复原图像的时间为0.25秒,但是利用本发明所提供的图像复原方法,处理复原的时间为0.07秒。对于彩色为300×100像素的图片,利用方法一的处理复原图像的时间为8.55秒,利用方法二处理复原图像的时间为0.70秒,但是利用本发明所提供的图像复原方法,处理复原的时间为0.09秒。对于彩色为250×400像素的图片,利用方法一的处理复原图像的时间为14.61秒,利用方法二处理复原图像的时间为1.69秒,但是利用本发明所提供的图像复原方法,处理复原的时间为0.16秒。上述退化图像复原方法100中,通过对原始图像进行数学建模,并对该模型利用矩阵分解,通过矩阵分解将该原始图像的截取干扰信号的主要成分,根据矩阵分解逆运算,重建该退化的图像的估算矩阵。能够更精确的估算出大气掩盖层的估算矩阵,根据得到的估算矩阵计算大气掩盖层及传输系数,并通过复原计算,得到对比度增强的恶劣天气条件下退化图像的复原图。上述退化图像复原方法考虑造成图像退化的主要因素,并将该主要因素提取出来,通过计算得到较为准确的大气掩盖层,则经修复的复原图也能够具有较高的对比度。且上述退化图像复原方法,计算量相对较小,处理时间较快,增强了该方法在实际生产中的应用能力,可以在视频技术、拍摄技术中得到广泛应用。
上述退化图像复原方法100和***200还能够处理由阴雨天气造成的退化图像,并且没有使用白化平衡、色调映射和伽玛校正技术,对退化图像的局部细节恢复效果较好,处理结果的颜***真度、清晰度也较好。
上述退化图像复原方法100和***200是仅利用单帧退化的图像就能够实现较好的可见度增强,显著地减小计算量,不仅适用于灰度图像,还适用于彩色图像,对云、雾、雨等恶劣天气造成的降质图像,具有较好的处理效果,拓宽了图像复原算法的应用领域。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。
上所述实施方式仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种退化图像复原方法,包括以下步骤:
获取退化图像;
建立所述退化图像关于大气掩盖层的数学模型;
对所述数学模型,利用奇异值分解,获得所述大气掩盖层的估算矩阵;
根据所述估算矩阵计算大气掩盖层;
选取大气光矩阵,运算得到所述大气掩盖层的传输系数矩阵;
根据所述大气掩盖层及传输系数矩阵,求取复原图像。
2.根据权利要求1所述的退化图像复原方法,其特征在于,所述建立所述退化图像的数学模型为:
I(x)=J(x)(1-B(x)/A)+B(x)
其中,x为图像中像素坐标,I为采集的退化图像且I∈Cm×n,J为场景辐射亮度,A为描述大气光颜色的大气光矩阵,B(x)为大气掩盖层,且B(x)=A(1-t(x)),大气掩盖层来源于空气中微粒引起的散射光,t(x)为传输系数矩阵。
3.根据权利要求1所述的退化图像复原方法,其特征在于,所述建立所述退化图像的数学模型还包括以下步骤:
对所述退化图像进行初始化、归一化处理;
输入参数。
4.根据权利要求1所述的退化图像复原方法,其特征在于,所述对所述数学模型,利用奇异值分解,获得大气掩盖层的估算矩阵的步骤包括以下步骤:
求取所述退化图像的每个像素坐标位置处的最小值构成云雾矩阵;
对所述云雾矩阵进行奇异值分解,得到奇异值矩阵;
截取所述奇异值矩阵的主要元素构成所述大气掩盖层的主成分矩阵;
对所述主成分矩阵进行奇异值分解的逆变换,重建得到所述大气掩盖层的估算矩阵。
5.根据权利要求1所述的退化图像复原方法,其特征在于,所述对所述数学模型,利用奇异值分解,获得所述大气掩盖层的估算矩阵步骤中,还可以利用小波变换、傅立叶变换或离散余弦变换来获得大气掩盖层的估算矩阵。
7.一种退化图像复原***,其特征在于,包括
获取模块,用于获取退化图像;
建模模块,用于建立所述退化图像关于大气掩盖层的数学模型;
分解模块,用于对所述数学模型,利用奇异值分解,获得大气掩盖层的估算矩阵;
计算模块,用于根据所述估算矩阵计算大气掩盖层;
选取模块,选取大气光矩阵,运算得到所述大气掩盖层的传输系数矩阵;
成像模块,用于根据所述大气掩盖层及传输系数矩阵,求取复原图像。
8.根据权利要求7所述的退化图像复原***,其特征在于,所述建模模块建立的所述图像的数学模型为:
I(x)=J(x)(1-B(x)/A)+B(x)
其中,x为图像中像素坐标,I为采集的退化图像,且I∈Cm×n,J为场景辐射亮度,A为描述大气光颜色的大气光矩阵,B(x)称为大气掩盖层,B(x)=A(1-t(x)),来源于空气中微粒引起的散射光,t(x)为传输系数矩阵。
9.根据权利要求7所述的退化图像复原***,其特征在于,所述分解模块包括:求最小单元,用于求取所述退化图像的每个像素坐标位置处的亮度最小值构成云雾矩阵;
奇异值分解模块,用于对所述云雾矩阵进行奇异值分解,得到奇异值矩阵;
截取单元,用于截取所述奇异值矩阵的主要元素构成所述大气掩盖层的主成分矩阵;
重建单元,用于对所述主成分矩阵进行奇异值分解的逆变换,重建得到所述大气掩盖层的估算矩阵。
10.根据权利要求7所述的退化图像复原***,其特征在于,所述分解模块还适用于对所述数学模型,利用小波变换、傅立叶变换或离散余弦变换来获得大气掩盖层的估算矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210039582.5A CN102646267B (zh) | 2011-12-12 | 2012-02-21 | 退化图像复原方法及*** |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110412106.9 | 2011-12-12 | ||
CN201110412106 | 2011-12-12 | ||
CN201210039582.5A CN102646267B (zh) | 2011-12-12 | 2012-02-21 | 退化图像复原方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102646267A true CN102646267A (zh) | 2012-08-22 |
CN102646267B CN102646267B (zh) | 2014-07-02 |
Family
ID=46659079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210039582.5A Active CN102646267B (zh) | 2011-12-12 | 2012-02-21 | 退化图像复原方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102646267B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093439A (zh) * | 2013-01-23 | 2013-05-08 | 岑夏凤 | 基于多次散射退化模型的图像盲复原方法 |
CN103440620A (zh) * | 2013-06-17 | 2013-12-11 | 中国航天科工集团第三研究院第八三五八研究所 | 一种退化图像的自动辨识和复原方法 |
CN105096272A (zh) * | 2015-08-19 | 2015-11-25 | 常州工学院 | 一种基于双树复小波的除雾方法 |
CN107833195A (zh) * | 2017-11-24 | 2018-03-23 | 北京空间机电研究所 | 在轨海洋暗弱目标光学图像增强方法 |
CN108304883A (zh) * | 2018-02-12 | 2018-07-20 | 西安电子科技大学 | 基于改进sift的sar图像匹配方法 |
CN111179158A (zh) * | 2019-12-30 | 2020-05-19 | 深圳市商汤科技有限公司 | 图像处理方法、装置、电子设备及介质 |
US20210080400A1 (en) * | 2019-09-12 | 2021-03-18 | Aisin Seiki Kabushiki Kaisha | Image restoration apparatus, image restoration method, image restoration program, restorer generation apparatus, restorer generation method, restorer generation program, determiner generation apparatus, determiner generation method, determiner generation program, article determination apparatus, article determination method, and article determination program |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243758A (zh) * | 2011-07-14 | 2011-11-16 | 浙江大学 | 基于雾天图像复原和图像融合的图像去雾方法 |
-
2012
- 2012-02-21 CN CN201210039582.5A patent/CN102646267B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243758A (zh) * | 2011-07-14 | 2011-11-16 | 浙江大学 | 基于雾天图像复原和图像融合的图像去雾方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093439A (zh) * | 2013-01-23 | 2013-05-08 | 岑夏凤 | 基于多次散射退化模型的图像盲复原方法 |
CN103440620A (zh) * | 2013-06-17 | 2013-12-11 | 中国航天科工集团第三研究院第八三五八研究所 | 一种退化图像的自动辨识和复原方法 |
CN105096272A (zh) * | 2015-08-19 | 2015-11-25 | 常州工学院 | 一种基于双树复小波的除雾方法 |
CN105096272B (zh) * | 2015-08-19 | 2018-02-02 | 常州工学院 | 一种基于双树复小波的除雾方法 |
CN107833195A (zh) * | 2017-11-24 | 2018-03-23 | 北京空间机电研究所 | 在轨海洋暗弱目标光学图像增强方法 |
CN107833195B (zh) * | 2017-11-24 | 2020-10-23 | 北京空间机电研究所 | 在轨海洋暗弱目标光学图像增强方法 |
CN108304883A (zh) * | 2018-02-12 | 2018-07-20 | 西安电子科技大学 | 基于改进sift的sar图像匹配方法 |
CN108304883B (zh) * | 2018-02-12 | 2022-09-16 | 西安电子科技大学 | 基于改进sift的sar图像匹配方法 |
US20210080400A1 (en) * | 2019-09-12 | 2021-03-18 | Aisin Seiki Kabushiki Kaisha | Image restoration apparatus, image restoration method, image restoration program, restorer generation apparatus, restorer generation method, restorer generation program, determiner generation apparatus, determiner generation method, determiner generation program, article determination apparatus, article determination method, and article determination program |
US11815468B2 (en) * | 2019-09-12 | 2023-11-14 | Aisin Corporation | Image restoration apparatus, image restoration method, image restoration program, restorer generation apparatus, restorer generation method, restorer generation program, determiner generation apparatus, determiner generation method, determiner generation program, article determination apparatus, article determination method, and article determination program |
CN111179158A (zh) * | 2019-12-30 | 2020-05-19 | 深圳市商汤科技有限公司 | 图像处理方法、装置、电子设备及介质 |
CN111179158B (zh) * | 2019-12-30 | 2023-07-18 | 深圳市商汤科技有限公司 | 图像处理方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102646267B (zh) | 2014-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaur et al. | Color image dehazing using gradient channel prior and guided l0 filter | |
CN102646267B (zh) | 退化图像复原方法及*** | |
Galdran et al. | Enhanced variational image dehazing | |
US10672112B2 (en) | Method and system for real-time noise removal and image enhancement of high-dynamic range images | |
Singh et al. | A novel dehazing model for remote sensing images | |
Singh et al. | Image dehazing using Moore neighborhood-based gradient profile prior | |
Li et al. | A multi-scale fusion scheme based on haze-relevant features for single image dehazing | |
Jiang et al. | Fog density estimation and image defogging based on surrogate modeling for optical depth | |
Dharejo et al. | A color enhancement scene estimation approach for single image haze removal | |
Guo et al. | Automatic image haze removal based on luminance component | |
Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
Chaudhry et al. | A framework for outdoor RGB image enhancement and dehazing | |
Pan et al. | De-scattering and edge-enhancement algorithms for underwater image restoration | |
CN110827218A (zh) | 基于图像hsv透射率加权校正的机载图像去雾方法 | |
Ling et al. | Perception oriented transmission estimation for high quality image dehazing | |
Tang et al. | A local flatness based variational approach to retinex | |
Yu et al. | Image and video dehazing using view-based cluster segmentation | |
Zhang et al. | Image dehazing based on dark channel prior and brightness enhancement for agricultural remote sensing images from consumer-grade cameras | |
Gao et al. | Single fog image restoration with multi-focus image fusion | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
Fu et al. | An anisotropic Gaussian filtering model for image de-hazing | |
Raikwar et al. | An improved linear depth model for single image fog removal | |
Raikwar et al. | Tight lower bound on transmission for single image dehazing | |
CN103778605A (zh) | 一种雾天图像增强方法 | |
CN104168402A (zh) | 一种视频帧图像去雾方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |