CN110807406A - 一种雾天检测方法及装置 - Google Patents
一种雾天检测方法及装置 Download PDFInfo
- Publication number
- CN110807406A CN110807406A CN201911040282.7A CN201911040282A CN110807406A CN 110807406 A CN110807406 A CN 110807406A CN 201911040282 A CN201911040282 A CN 201911040282A CN 110807406 A CN110807406 A CN 110807406A
- Authority
- CN
- China
- Prior art keywords
- gradient
- sub
- value
- image
- primary color
- 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
Classifications
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种雾天检测方法及装置,该方法包括:获取待检测图像的暗原色图及梯度图;将所述待检测图像划分为多个子图,并根据所述梯度图确定每个子图的梯度,根据所述每个子图的梯度确定对应的感兴趣子块;根据所述暗原色图及设定雾天判定阈值统计各感兴趣子块的暗原色统计值,根据所述梯度图及设定雾天判定阈值、梯度阈值统计各感兴趣子块的梯度统计值,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值;对所述各兴趣子块的特征值进行平滑处理,将平滑处理结果与对应的阈值比较确定是否为雾天。采用本发明,获得的特征更接近于雾的基本特征,相关性更大。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种雾天检测方法及装置。
背景技术
雾会造成能见度降低,引发交通事故。雾天检测不仅可以为摄像头是否开启透雾功能提供参考,而且还可以及时预警,减少交通事故的发生。
但目前进行雾天检测的方案不足在于,不能很好的提取出雾天的特征,导致检测结果与雾天相关性不强。
发明内容
本发明提供了一种确定雾天检测方法及装置,用以解决雾天检测结果与雾天相关性不强的问题。
第一方面,本发明实施例中提供了一种雾天检测的方法,包括:
获取待检测图像的暗原色图及梯度图;
将所述待检测图像划分为多个子图,并根据所述梯度图确定每个子图的梯度,根据所述每个子图的梯度确定对应的感兴趣子块;
根据所述暗原色图及设定的雾天判定阈值统计各感兴趣子块的暗原色统计值,根据所述梯度图及设定雾天判定阈值、梯度阈值统计各感兴趣子块的梯度统计值,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值;
对所述各兴趣子块的特征值利用相应的权重进行平滑处理,将平滑处理结果与设定的雾天判定阈值比较确定是否为雾天。
实施中,对所述各兴趣子块的特征值利用相应的权重进行平滑处理,包括:
根据各感兴趣子块的灰度图确定各感兴趣子块的置信度,将各感兴趣子块的置信度作为该感兴趣子块的权重;
将各感兴趣子块的特征值与对应的权重乘积并求和,求和后除以所有置信度总和。
实施中,根据各感兴趣子块的灰度图确定各感兴趣子块的置信度,包括:
根据各感兴趣子块的灰度图确定该感兴趣子块的灰度平均值img_ave;
确定该感兴趣子块中小于img_ave的所有像素点灰度的平均值balck_ave,及大于所述img_ave的所有像素点灰度的平均值white_ave;
确定(white_ave-balck_ave)/img_ave为该感兴趣子块的置信度。
实施中,对所述各兴趣子块的特征值利用相应的权重进行平滑处理,包括:
将K个特征值按照大小进行排序,按照从小到大顺序选择k个感兴趣子块,或者选择位于中部的k个感兴趣子块,K为所有特征值的数量,k<K;
对所述k个兴趣子块的特征值利用相应的权重进行平滑处理。
实施中,根据所述暗原色图统计各感兴趣子块的暗原色统计值,根据所述梯度图统计各感兴趣子块的梯度统计值,包括:
对于任一感兴趣子块,遍历所述暗原色图中和梯度图中该感兴趣子块的像素点,若像素点的暗原色值小于雾天判定阈值,则暗原色值计数d加1,若暗原色值大于雾天判定阈值且该像素点的梯度值大于该感兴趣子块的梯度阈值时,梯度值计数g加1,所述梯度阈值为该感兴趣子块的最大梯度值与预设系数的乘积;
遍历每个感兴趣子块结束后,将d作为该感兴趣子块的暗原色统计值D并清零d,将g作为该感兴趣子块的梯度统计值G并清零g。
实施中,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值,包括:
确定每个感兴趣子块的特征值为threshold*G/(D+G),所述threshold为所述雾天判定阈值。
实施中,所述雾天判定阈值包括对应不同雾天等级的多个雾天判定阈值,则按照雾天判定阈值从小到大的顺序,针对每个雾天判定阈值,遍历所述暗原色图中和梯度图中该感兴趣子块的像素点,得到一个暗原色统计值和梯度统计值的联合比值ratio=G/(D+G);
若是第一个雾天判定阈值对应的ratio,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之后的一个雾天判定阈值的平均值;
若是最后一个雾天判定阈值对应的ratio,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之前的一个雾天判定阈值的差值;
否则,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之后的一个雾天判定阈值的平均值,并减去前一个ratio的系数;
将各ratio与对应的系数乘积后求和得到该感兴趣子块的特征值。
实施中,根据每个子图的梯度确定对应的感兴趣子块,包括:
对于任一子图,将每行像素点的梯度值求和得到该行的梯度投影,确定从第n/(2*j)行到n-j/2行的最大梯度投影max_n,将max_n乘以设定系数确定该子图的停止阈值,n为子图的像素点行数,j为感兴趣子块的像素点行数;
从第n/(2*j)行的梯度投影值开始搜索,搜索到大于停止阈值的梯度投影max_mid时,停止搜索;
以max_mid所在行为感兴趣子块的中间行,得到行数为j的感兴趣子块。
实施中,获取待检测图像的暗原色图,包括:
对于待检测图像中每个像素点,根据三原色的亮度最小值,得到初始暗原色图;
遍历初始暗原色图的每个像素点,确定该像素点设定半径范围内的亮度最小值为该像素点的亮度,得到暗原色图。
实施中,获取待检测图像的梯度图,包括:
通过计算待检测图像的横向一阶导数和纵向一阶导数,得到初始梯度图;
遍历初始梯度图的每个像素点,确定该像素点的多个局部区域,并分别计算局部梯度和,将最小的局部梯度和作为该像素点的梯度,得到梯度图。
第二方面,本发明实施例提供一种雾天检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述雾天检测方法。
第三方面,本发明实施例提供一种雾天检测装置,包括:
图像获取模块,用于获取待检测图像的暗原色图及梯度图;
感兴趣子块确定模块,用于将所述待检测图像划分为多个子图,并根据所述梯度图确定每个子图的梯度,根据所述每个子图的梯度确定对应的感兴趣子块;
特征值确定模块,用于根据所述暗原色图及设定雾天判定阈值统计各感兴趣子块的暗原色统计值,根据所述梯度图及设的雾天判定阈值、梯度阈值统计各感兴趣子块的梯度统计值,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值;
雾天判断模块,用于对所述各兴趣子块的特征值利用相应的权重进行平滑处理,将平滑处理结果与对应的雾天判定阈值比较确定是否为雾天。
第四方面,本发明实施例提供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执行上雾天检测述方法的计算机程序。
利用本发明提供雾天检测方法及装置,具有以下有益效果:
本发明实施例中提供的技术方案依据暗原色理论进行雾天检测,同时依据梯度信息来搜索感兴趣的区域,即弥补暗原色理论的不足,即不去统计天空,纯白色的区域,在感兴趣的子块,提取了新的特征值--暗原色与梯度并联合确定特征值,进一步弥补暗原色的不足。因此采用方案中获得的特征值更准确,更接近于雾的基本特征,相关性更大。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例中确定雾天的方法实施流程示意图;
图2为本发明实施例中基于暗原色与梯度的雾天检测方法实施流程示意图;
图3为本发明实施例提供的雾天检测装置结构示意图;
图4为本发明实施例提供的另一雾天检测装置结构示意图。
具体实施方式
发明人在发明过程中注意到:
目前进行雾天检测的方案不足在于,不能很好的总结出雾的特征,检测结果与雾天相关性不强。下面以几个常见的技术方案进行解释。
1、现有技术中采用了如下的方案:
(1)初始化,读入非雾天情况下的图像视频;
(2)对采集得到图像视频每隔n帧获取一帧彩色图像,一共统计m帧,作为m幅原图像I,其中图像大小为M×N×3,每一个像素的坐标为(x,y)(x=0,1,…,M-1;y=0,1,…,N-1),对这些彩色图像进行滤波,减少噪声的影响,得到结果图像I′;
(3)对结果图像I′进行固定光源的定位与感兴趣区域的选取;
(4)重新通过监控摄像机采集被测图像,针对图像进行雾天能见度分类的特征提取,具体提取的特征为饱和度、亮度;
(5)根据步骤(4)得到的两个特征进行雾天能见度分类,分为非雾天,小雾,大雾三个等级。
上述技术方案不足在于,该方案提取饱和度、亮度特征,不是很接近雾的本质,对大面积的白色物体不敏感。当图片中存在大量白色物体时,该方案的特征(饱和度、亮度)将不能区分白色物体与雾。
2、现有技术中采用了如下的方案:
(1)采用基于分块的技术估计大气光的值,判断当前是否采集到雾天降质图像;
(2)对雾天降质图像进行边缘检测并膨胀操作,提取原始有雾图像的边缘信息;
(3)根据获取的边缘信息图自适应选取窗口大小得到粗略透射率图;
(4)采用快速的梯度域导向滤波方法细化透射率图;
(5)引入容差系数和修正因子修正细化后的透射率图;
(6)利用雾天降质模型,代入大气光值和修正后的透射率图,可得到无雾图像。
上述技术方案目的是去雾,不是检测雾的等级,但也涉及到雾天的判断。该方案的不足在于,该方案是利用暗原色理论进行透射率估计,最后进行去雾。而暗原色理论认为生活中大部分场景的暗通道图都比较小,如果有雾,暗通道图数值将会变大。但暗原色理论的缺陷对某些高亮环境不能进行是否有雾判断,如天空,纯白色的汽车等。
3、现有技术中采用了如下的方案:
从监控摄像头获取监控图像,将图像的颜色空间从RGB转到HSV;
统计转换后的图像中色相H、饱和度S、明度V分量的值的总和SumS、SumV、SumH;
统计转换后的HSV图像中每个像素点H、S、V分量非零的数目,并计算平均方差值AveH、平均方差值AveS、平均方差值AveV特征;
根据AveH、AveS、AveV特征的值与雾天判定阈值比较,判断当前路段是否有雾,当判断当前图像为有雾时,***发出预警信息,提示当前路段有雾。
上述技术方案的不足在于,由于该方案直接利用传统特征,因此其全局性导致效果较差。当图片中大部分区域为天空或者图片中出现白色物体时,会误判为有雾,也即,当图像中大部分地方比较亮时,无雾图容易判断为有雾图。
基于此,本发明实施例中提供了一种雾天检测方法,为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为了方便理解,下面对本发明实施例中涉及的名词进行解释:
1)暗原色图:暗原色先验理论在图像去雾应用上获得了很好的结果,暗原色先验理论指出,在无雾图像的非天空区域里,若把图像分为多个子块,则在每个子块中都会有某些像素点的一个颜色通道的亮度接近于0;图像中的天空等明亮区域在暗原色图中是对应灰度值比较大的区域,非天空区域则符合暗原色理论,是属于灰度值接近于0的区域;
2)梯度图:可以把图像看成二维离散函数,图像梯度其实就是这个二维离散函数的求导:
图像梯度:G(x,y)=dx(i,j)+dy(i,j);
dx(i,j)=I(i+1,j)-I(i,j);
dy(i,j)=I(i,j+1)-I(i,j);
其中,I是图像像素的值(如:RGB值),(i,j)为像素的坐标。
图像梯度一般也可以用中值差分:
dx(i,j)=[I(i+1,j)-I(i-1,j)]/2;
dy(i,j)=[I(i,j+1)-I(i,j-1)]/2;
上面说的是简单的梯度定义,还有更多更复杂的梯度公式。
本发明实施例提供的雾天检测方法,如图1所示,包括:
步骤101,获取待检测图像的暗原色图及梯度图;
暗原色理论认为生活中大部分场景的暗通道图都比较小,有雾时,其值变大,适用于色彩鲜艳的花草树木,建筑物的阴影等,不适用于天空等区域。
原始RGB彩色图像中每个像素点有三原色R、G、B对应的3个亮度,本实施例对于待检测图像中每个像素点,根据三原色中的亮度最小值,得到初始暗原色图,如对于N行M列的图像,原始有3个通道,暗通道是指原始RGB彩色图像中每个像素点3个通道中,通道方向上亮度求最小值,得到初始暗原色图img0(1个通道,个数为N*M个);
遍历初始暗原色图的每个像素点,确定该像素点设定半径范围内的亮度最小值为该像素点的亮度,得到暗原色图。
遍历初始暗原色图的每个像素点时,对于每个像素点,确定该像素点的局部区域,一种可选的实施方式为设定半径r1,r1的大小为像素点的个数,之后以该像素点为中心,向左r1个像素点,向右r1个像素点,向上r1个像素点,及向下r1个像素点,得到该像素点的矩形局部区域,求局部区域的亮度最小值作为该像素点的亮度值,遍历结束后得到N*M的暗原色图。
获取待检测图像的梯度图时,需要通过计算待检测图像的横向一阶导数和纵向一阶导数,得到初始梯度图;遍历初始梯度图的每个像素点,确定该像素点的多个局部区域,并分别计算局部梯度和,将最小的局部梯度和作为该像素点的梯度,得到梯度图。
计算图像的横向一阶导数,纵向一阶导数,求其绝对值和来近似梯度,得到初始梯度图按常规手段处理即可,该方式可以节省计算量。
遍历初始梯度图的每个像素点时,对于每个像素点,确定该像素点的多个局部区域,一种可选的实施方式为设定半径r2,r2的大小为像素点的个数,之后以该像素点为中心,向左r2个像素点,向右r2个像素点,向上r2个像素点,及向下r2个像素点,得到该像素点的矩形局部区域,矩形局部区域为该像素点为中心呈田字形,将每个口作为局部区域,求4个局部区域的局部梯度和,将最小的局部梯度和作为该像素点的梯度,得到梯度图。
具体实施中,也可以采用其它方式来获取梯度图。采用田字形的方式示例,是因为局部梯度和的最小值是为了凸显花草树木,此部分梯度信息丰富,而暗原色理论适合此部分,效果更佳。
上述r1和r2为分别设定的半径,可以相等也可以不相等。
步骤102,将所述待检测图像划分为多个子图,并根据所述梯度图确定每个子图的梯度,根据所述每个子图的梯度确定对应的感兴趣子块;
作为一种可选的实施方式,对于N行M列的待检测图像,将其划分为K个子图,K的数量优选大于3,可以根据需要设定,则每个子图的大小为N行,M/K列。
实施中,在确定“感兴趣的子块”时,是指在一幅图像中,假定上面一半是天空,下面一半是陆地建筑等,本申请设定的最佳的感兴趣区域为:天空与地面交界的地方,其特点在于,此处梯度较大。
本实施例中每个子图依据梯度确定一个感兴趣的子块的大小为j行,M/K列,j<N。
如前所述,在确定感兴趣子块时,是确定梯度较大的位置,作为一种可选的实施方式,可以但不限于采用如下方式:
对于任一子图,将每行像素点的梯度值求和得到该行的梯度投影,确定从第n/(2*j)行到n-j/2行的最大梯度投影max_n,将max_n乘以设定系数确定该子图的停止阈值,n为子图的像素点行数,j为感兴趣子块的像素点行数,上述设定系数为介于0~1之间的一个数,可以认为是较大的梯度阈值,例如为0.4~0.7的范围;
从第n/(2*j)行的梯度投影值开始搜索,搜索到大于停止阈值的梯度投影max_mid时,停止搜索;
以max_mid所在行为感兴趣子块的中间行,得到行数为j的感兴趣子块。
以max_mid所在行为感兴趣子块的中间行,得到行数为j的感兴趣子块,一种可选的实施方式,可以是将max_mid所在行,与max_mid所在行上面的j/2行,及max_mid所在行下面的j/2-1行作为感兴趣子块。另一种可选的实施方式为,将max_mid所在行,与max_mid所在行上面的j/2-1行,及max_mid所在行下面的j/2行作为感兴趣子块。
步骤103,根据所述暗原色图及设定的雾天判定阈值统计各感兴趣子块的暗原色统计值,根据所述梯度图及设定雾天判定阈值、梯度阈值统计各感兴趣子块的梯度统计值,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值;
暗原色值具体为暗原色值小于雾天判定阈值的像素点的总数,梯度值统计值具体为暗原色值大于雾天判定阈值且梯度值大于一定值的像素点数量,具体统计时,对于任一感兴趣子块,遍历该感兴趣子块的像素点,若像素点的暗原色值小于雾天判定阈值,则暗原色值计数d加1,若暗原色值大于雾天判定阈值且该像素点的梯度值大于该感兴趣子块的梯度阈值时,梯度值计数g加1,所述梯度阈值为该感兴趣子块的最大梯度值与预设系数的乘积;
遍历每个感兴趣子块结束后,将d作为该感兴趣子块的暗原色值D并清零d,将g作为该感兴趣子块的梯度值G并清零g。
上述预设系数可以根据需要设定,优选的范围为0.2~0.4。
作为一种可选的实施方式,确定每个感兴趣子块的特征值为threshold*G/(D+G),所述threshold为所述雾天判定阈值。
步骤104,对所述各兴趣子块的特征值利用相应的权重进行平滑处理,将平滑处理结果与设定的雾天判定阈值比较确定是否为雾天。
本发明实施例中提供的技术方案依据暗原色理论进行雾天检测,同时依据梯度信息来搜索感兴趣的区域,即弥补暗原色理论的不足,即不去统计天空,纯白色的区域,在感兴趣的子块,提取了新的特征值--暗原色统计值与梯度统计值的联合比值作为特征值,并对各感兴趣子块的特征值加权求和并取平均值,进一步弥补暗原色的不足。因此采用方案中获得的特征更接近于雾的基本特征,相关性更大。
对所述各兴趣子块的特征值利用相应的权重进行平滑处理,可以是对各感兴趣子块的特征值进行加权求和并取平均值等,具体可以通过计算子块的评分值确定子块的置信度,即越接近纯色的区域的置信度越小,则权值越小。
作为一种可选的实施方式,对各兴趣子块的特征值利用相应的权重进行加权求和并取平均值,包括:
根据各感兴趣子块的灰度图确定各感兴趣子块的置信度,将各感兴趣子块的置信度作为该感兴趣子块的权重;
将各感兴趣子块的特征值与对应的权重乘积并求和,求和后除以对应的所有置信度总和。
在依据感兴趣子块的灰度图确定各感兴趣子块的置信度时,如果越接近纯色区域,则置信度越小,其中一种计算方式为:
根据各感兴趣子块的灰度图确定该感兴趣子块的灰度平均值img_ave;
利用该img_ave将灰度图中的像素点分为两类,其中一类为灰度小于img_ave的像素点,另一类为大于img_ave的像素点,并确定该感兴趣子块中小于img_ave的所有像素点灰度的平均值balck_ave,及大于所述img_ave的所有像素点灰度的平均值white_ave;
确定(white_ave-balck_ave)/img_ave为该感兴趣子块的置信度。
实施中,通过灰度图划分为2类,计算2类平均值的差值,是为了构造出子块的置信度-评分值,例如有5个感兴趣子块时,有5个特征值,其中有异常的子块(不适用于暗原色的子块,例如:天空、马路)等接近纯色的子块,通过评分值来作为特征值的权重,即可抑制掉异常子块。
例如,上述方式应用于交通视频中,在一个无雾的交通图像中,搜索的5个子块可能有异常子块,例如:某个子图全部是马路,截取的子块的像素点也全部都是马路,此子块计算的特征值将很大(暗原色理论只适用于黑色物体、花草树木、阴影、色彩鲜艳的物体等),通过评分得到较小的权重抑制掉该子块,即不适用于马路。
实施中,出于其他目的也可以采用其他方式,例如还可以构造方差法通过子块的方差/子块的平均值来确定置信度。
实施中,对所述各兴趣子块的特征值进行加权求和并取平均值,为了进一步抑制异常子块(天空、马路不符合暗原色),本发明实施例将K个特征值按照大小进行排序,按照从小到大顺序选择k个感兴趣子块,或者选择位于中部的k个感兴趣子块,K为所有特征值的数量,k<K;对所述k个兴趣子块的特征值进行加权求和并取平均值。
在考虑特征值排序时,实例中的特征值依据暗原色,暗原色理论有其局限性,即比较暗的可以认定为无雾,暗通道值比较大,可能是异常区域,例如马路。排序是为了剔除异常区域(天空、马路不符合暗原色),而采用上述两种特征值选取方式是为了进一步抑制异常区域。
例如,一共5个子块,挑选特征值较小的3个子块进行加权并取平均值得到结果result。
结果result的求取采用的加权平均在实施中采用常规手段即可,只要能够实现抑制掉异常区域的目的即可。
本发明上述实施例终端判断是否为雾天的雾天判定阈值,作为一种可选的实施方式可以为一个雾天判定阈值。
作为另一种可选的实施方式,可以包括对应不同雾天等级的多个雾天判定阈值,在有多个雾天判定阈值时,则按照雾天判定阈值从小到大的顺序进行排序,针对每个雾天判定阈值,遍历该感兴趣子块的像素点,得到一个暗原色统计值和梯度统计值的联合比值ratio=G/(D+G),则在确定各感兴趣子块的特征值时采用如下方式:
若是第一个雾天判定阈值对应的ratio,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之后的一个雾天判定阈值的平均值,该第一各雾天判定阈值对应的ratio为根据最小的雾天判定阈值统计得到的联合比值;
若是最后一个雾天判定阈值对应的ratio,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之前的一个雾天判定阈值的差值,该最后一个ratio为根据最大的雾天判定阈值统计得到的联合比值;
否则,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之后的一个雾天判定阈值的平均值,并减去前一个ratio的系数;
将各ratio与对应的系数乘积后求和得到该感兴趣子块的特征值。
下面给出本发明雾天检测方法的详细流程,如图2所示,包括:
步骤201,获取待检测图像的暗原色图;
具体的暗原色图获取方式参见上述实施例描述,r1可以但不限于采用7。
步骤202,获取待检测图像的梯度图;
具体的梯度图的获取方式参见上述实施例描述,r2可以但不限于采用5。
步骤203,将所述待检测图像划分为多个子图;
对于N行M列的待检测图像,将其划分为K个子块,K为大于3的正整数,每个子块的大小为N行,M/K列。
步骤204,根据每个子图的梯度确定对应的感兴趣子块;
将子图的每行像素点的梯度值求和得到子图的投影,本实施例假设感兴趣子块的行数为N/4行,则在行区间(N/8,7N/8)内,确定梯度投影的最大值max_n;
从N/8行开始搜索至搜索到梯度投影>=0.5*max_n的行,这是因为在停止搜索时,当前行作为子块的中间行,所以前后预留N/8行;
以该行为子块的中间行,确定高度为n/4,宽度为M/K的区域作为感兴趣的子块。
步骤205,按照雾天判定阈值从小到大的顺序,针对每个雾天判定阈值,遍历该感兴趣子块的像素点,计算一个暗原色统计值和梯度统计值的联合比值ratio=G/(D+G);
假定划分雾天等级的3个雾天判定阈值threshold1<threshold2<threshold3(实际取值例如可以是40、80、120),分别计算K个子块的暗原色统计值和梯度统计值,得到一个暗原色统计值和梯度统计值的联合比值,具体可以如下:
以雾天判定阈值threshold1为例,遍历感兴趣子块的每个像素点,如果暗原色值小于threshold1,暗原色计数d就加一,如果暗原色不小于threshold1,但当前梯度大于感兴趣子块中像素点梯度最大值的0.2倍,梯度计数g加一,遍历完该感兴趣字块后,将d作为该感兴趣子块的暗原色统计值D1并清零d,将g作为该感兴趣子块的梯度统计值G1并清零g;
针对每个感兴趣子块,确定暗原色统计值与梯度统计值的联合比值ratio1=G1/(D1+G1);
按同样的方式处理threshold2得到D2、G2,按同样的方式处理threshold3得到D3、G3;其中,取值0.2按常用手段选取即可,实例中取值0.2是通常认为0.2以下可能是噪声,此外,均匀物体自身也有细微的亮度变化,本例意在取出物体的边缘。
同理有threshold2、threshold3的联合比值ratio2=G2/(D2+G2)、ratio3=G3/(D3+G3),这样处理的原因在于,无雾图,D1较大,有雾图,G1较大,通过联合比值处理最终输出0-1的数值。本申请实例中,获得的3个联合比值ratio1、ratio2、ratio3,ratio1代表了小雾的程度,ratio2代表了大雾的程度,ratio3代表了浓雾的程度。
步骤206,确定感兴趣子块的各联合比值的系数,将各联合比值与对应的系数乘积后求和得到该感兴趣子块的特征值;
对应ratio1,确定对应的系数k1=(threshold1+threshold2)/2;
对于ratio2,确定对应的系数k2=(threshold2+threshold3)/2–k1;
对于ratio3,确定对应的系数k3=threshold3–threshold2;
则该感兴趣子块的特征值feature=k1*ratio1+k2*ratio2+k3*ratio3。
如果雾天判定阈值为40、80、120,feature=60*ratio1+40*ratio2+40*ratio3,对于特例的情况,暗原色统计值加上梯度统计值为零的情况,feature=k1+k2+k3);
按照上述方式得到K个子块的特征值。
采用上述方式处理,当图像中无雾时,以雾天判定阈值threshold为例进行统计时,暗原色计数d1较大,梯度计数g1较小,其比值ratio11=G1/(D1+G1)近似为0,当图片中有雾时,d1逐渐减小,此时g1增大,其比值ratio1=G1/(D1+G1)逐渐接近1,也即,本申请的特征值依据暗原色,与雾的本质接近。
对于雾天判定阈值threshold的选取,按照暗原色理论曾经统计过自然界中物体的暗通道直方图大约90%的像素的暗通道低于25。本申请实例中取值40,也即小于40认定无雾,此雾天判定阈值包含了绝大部分像素,后续雾天判定阈值自行设定即可。
雾天判定阈值threshold在实践中一般分为无雾、小雾、大雾、浓雾,即选取3个雾天判定阈值即可。
对于系数的确定,k1,k2…k(K-1)都是相邻阈值的中间值,kK选择比最高阈值大一点即可,也可以设定为大气亮度值(图像中最亮的)。
步骤207,根据各感兴趣子块的灰度图确定各感兴趣子块的置信度;
计算子块灰度图的平均值img_ave,以平均值img_ave将子块的像素点分为2类,计算出2个类的均值white_ave、balck_ave;
子块的评分值scores=(white_ave-balck_ave)/img_ave,将各子块的评分值作为子块的置信度。
步骤208,将所有特征值进行排序,按照从小到大的原则从中选取k个感兴趣子块;
此处也可以将K个子块的特征值排序,取中间的几个。
步骤209,将选取的感兴趣子块的置信度作为该感兴趣子块的权重,将各感兴趣子块的特征值与对应的权重乘积并取平均值;
将特征值排序,选择特征值较小的3个子块,将按照上述方式计算对应子块的评分值作为权重,与特征值加权平均得到最后结果。
result=(feature1*scores1+feature2*scores2+feature3*scores3)/(scores1+scores2+scores3);
步骤210,将得到的结果与多个雾天判定阈值进行比较,根据比较结果确定雾天等级。
具体地,result<=threshold1,判断为无雾;threshold1<result<=threshold2,判定为小雾;threshold2<result<=threshold3,判定为大雾;threshold3<result),判定为无雾。
本发明实施例由于没有采用传统特征—饱和度、亮度,而是提出了新的特征—暗原色与梯度的联合比值。相比之下,方案中提取的特征与雾的基本特征更相近,当前去雾效果最好的技术就是暗原色理论,有雾图像相比无雾图像,比较显著的另一个特征是梯度值下降,两者结合产生的新特征是对传统特征的增加。
方案中利用暗原色理论进行透射率估计,最后进行去雾,弥补暗原色的不足。
方案能克服直接利用传统特征,其全局性导致效果较差的问题。当图片中大部分区域为天空或者图片中出现白色物体时,不会误判为有雾。
基于同一发明构思,本发明实施例中还提供了一种计算机设备、存储介质、及雾天检测装置,由于这些设备解决问题的原理与雾天检测方法相似,因此这些设备的实施可以参见方法的实施,重复之处不再赘述。
实施例二
本发明实施例提供一种雾天检测装置,如图3所示,包括存储器301、处理器302及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
获取待检测图像的暗原色图及梯度图;
将所述待检测图像划分为多个子图,并根据所述梯度图确定每个子图的梯度,根据所述每个子图的梯度确定对应的感兴趣子块;
根据所述暗原色图及设定的雾天判定阈值统计各感兴趣子块的暗原色统计值,根据所述梯度图及设定的雾天判定阈值、梯度阈值统计各感兴趣子块的梯度统计值,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值;
对所述各兴趣子块的特征值利用相应的权重进行平滑处理,将平滑处理结果与设定的雾天判定阈值比较确定是否为雾天。
可选地,上述处理器对所述各兴趣子块的特征值利用相应的权重进行平滑处理,包括:
根据各感兴趣子块的灰度图确定各感兴趣子块的置信度,将各感兴趣子块的置信度作为该感兴趣子块的权重;
将各感兴趣子块的特征值与对应的权重乘积并求和,求和后除以所有置信度总和。
可选地,上述处理器根据各感兴趣子块的灰度图确定各感兴趣子块的置信度,包括:
根据各感兴趣子块的灰度图确定该感兴趣子块的灰度平均值img_ave;
确定该感兴趣子块中小于img_ave的所有像素点灰度的平均值balck_ave,及大于所述img_ave的所有像素点灰度的平均值white_ave;
确定(white_ave-balck_ave)/img_ave为该感兴趣子块的置信度。
可选地,上述处理器对所述各兴趣子块的特征值利用相应的权重进行平滑处理,包括:
将K个特征值按照大小进行排序,按照从小到大顺序选择k个感兴趣子块,或者选择位于中部的k个感兴趣子块,K为所有特征值的数量,k<K;
对所述k个兴趣子块的特征值利用相应的权重进行加权求和并取平均值。
可选地,上述处理器统计各感兴趣子块的暗原色统计值和梯度统计值,包括:
对于任一感兴趣子块,遍历所述暗原色图中和梯度图中该感兴趣子块的像素点,若像素点的暗原色值小于雾天判定阈值,则暗原色值计数d加1,若暗原色值大于雾天判定阈值且该像素点的梯度值大于该感兴趣子块的梯度阈值时,梯度值计数g加1,所述梯度阈值为该感兴趣子块的最大梯度值与预设系数的乘积;
遍历每个感兴趣子块结束后,将d作为该感兴趣子块的暗原色统计值D并清零d,将g作为该感兴趣子块的梯度统计值G并清零g1。
可选地,上述处理器根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值,包括:
确定每个感兴趣子块的特征值为threshold*G/(D+G),所述threshold为所述雾天判定阈值。
可选地,所述雾天判定阈值包括对应不同雾天等级的多个雾天判定阈值,则按照雾天判定阈值从小到大的顺序,针对每个雾天判定阈值,遍历所述暗原色图中和梯度图中该感兴趣子块的像素点,得到一个暗原色统计值和梯度统计值的联合比值ratio=G/(D+G);
若是第一个雾天判定阈值对应的ratio,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之后的一个雾天判定阈值的平均值;
若是最后一个雾天判定阈值对应的ratio,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之前的一个雾天判定阈值的差值;
否则,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之后的一个雾天判定阈值的平均值,并减去前一个ratio的系数;
将各ratio与对应的系数乘积后求和得到该感兴趣子块的特征值。
可选地,上述处理器根据每个子图的梯度确定对应的感兴趣子块,包括:
对于任一子图,将每行像素点的梯度值求和得到该行的梯度投影,确定从第n/(2*j)行到n-j/2行的最大梯度投影max_n,将max_n乘以设定系数确定该子图的停止阈值,n为子图的像素点行数,j为感兴趣子块的像素点行数;
从第n/(2*j)行的梯度投影值开始搜索,搜索到大于停止阈值的梯度投影max_mid时,停止搜索;
以max_mid所在行为感兴趣子块的中间行,得到行数为j的感兴趣子块。
可选地,上述处理器获取待检测图像的暗原色图,包括:
对于待检测图像中每个像素点,根据三原色的亮度最小值,得到初始暗原色图;
遍历初始暗原色图的每个像素点,确定该像素点设定半径范围内的亮度最小值为该像素点的亮度,得到暗原色图。
可选地,上述处理器获取待检测图像的梯度图,包括:
通过计算待检测图像的横向一阶导数和纵向一阶导数,得到初始梯度图;
遍历初始梯度图的每个像素点,确定该像素点的多个局部区域,并分别计算局部梯度和,将最小的局部梯度和作为该像素点的梯度,得到梯度图。
本发明实施例中还提供了一种雾天检测装置,为了描述的方便,以上所述装置的各部分以功能分为各种模块或单元分别描述。当然,在实施本发明时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
如图4所示,本发明实施例提供的雾天检测装置,包括:
图像获取模块401,用于获取待检测图像的暗原色图及梯度图;
感兴趣子块确定模块402,用于将所述待检测图像划分为多个子图,并根据所述梯度图确定每个子图的梯度,根据所述每个子图的梯度确定对应的感兴趣子块;
特征值确定模块403,用于根据所述暗原色图及设定的雾天判定阈值统计各感兴趣子块的暗原色统计值,根据所述梯度图及设定的雾天判定阈值、梯度阈值统计各感兴趣子块的梯度统计值,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值;
雾天判断模块404,用于对所述各兴趣子块的特征值利用相应的权重进行平滑处理,将平滑处理结果与设定的雾天判定阈值比较确定是否为雾天。
可选地,上述雾天判断模块404对所述各兴趣子块的特征值利用相应的权重进行平滑处理,包括:
根据各感兴趣子块的灰度图确定各感兴趣子块的置信度,将各感兴趣子块的置信度作为该感兴趣子块的权重;
将各感兴趣子块的特征值与对应的权重乘积并求和,求和后除以所有置信度总和。
可选地,上述雾天判断模块根据各感兴趣子块的灰度图确定各感兴趣子块的置信度,包括:
根据各感兴趣子块的灰度图确定该感兴趣子块的灰度平均值img_ave;
确定该感兴趣子块中小于img_ave的所有像素点灰度的平均值balck_ave,及大于所述img_ave的所有像素点灰度的平均值white_ave;
确定(white_ave-balck_ave)/img_ave为该感兴趣子块的置信度。
可选地,对所述各兴趣子块的特征值利用相应的权重进行平滑处理,包括:
将K个特征值按照大小进行排序,按照从小到大顺序选择k个感兴趣子块,或者选择位于中部的k个感兴趣子块,K为所有特征值的数量,k<K;
对所述k个兴趣子块的特征值利用相应的权重进行加权求和并取平均值。
可选地,根据所述暗原色图统计各感兴趣子块的暗原色统计值,根据所述梯度图统计各感兴趣子块的梯度统计值,包括:
对于任一感兴趣子块,遍历所述暗原色图中和梯度图中该感兴趣子块的像素点,若像素点的暗原色值小于雾天判定阈值,则暗原色值计数d加1,若暗原色值大于雾天判定阈值且该像素点的梯度值大于该感兴趣子块的梯度阈值时,梯度值计数g加1,所述梯度阈值为该感兴趣子块的最大梯度值与预设系数的乘积;
遍历每个感兴趣子块结束后,将d作为该感兴趣子块的暗原色统计值D并清零d,将g作为该感兴趣子块的梯度统计值G并清零g。
可选地,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值,包括:
确定每个感兴趣子块的特征值为threshold*G/(D+G),所述threshold为所述雾天判定阈值。
可选地,所述雾天判定阈值包括对应不同雾天等级的多个雾天判定阈值,则按照雾天判定阈值从小到大的顺序,针对每个雾天判定阈值,遍历所述暗原色图中和梯度图中该感兴趣子块的像素点,得到一个暗原色统计值和梯度统计值的联合比值ratio=G/(D+G);
若是第一个雾天判定阈值对应的ratio,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之后的一个雾天判定阈值的平均值;
若是最后一个雾天判定阈值对应的ratio,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之前的一个雾天判定阈值的差值;
否则,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之后的一个雾天判定阈值的平均值,并减去前一个ratio的系数;
将各ratio与对应的系数乘积后求和得到该感兴趣子块的特征值。
可选地,根据每个子图的梯度确定对应的感兴趣子块,包括:
对于任一子图,将每行像素点的梯度值求和得到该行的梯度投影,确定从第n/(2*j)行到n-j/2行的最大梯度投影max_n,将max_n乘以设定系数确定该子图的停止阈值,n为子图的像素点行数,j为感兴趣子块的像素点行数;
从第n/(2*j)行的梯度投影值开始搜索,搜索到大于停止阈值的梯度投影max_mid时,停止搜索;
以max_mid所在行为感兴趣子块的中间行,得到行数为j的感兴趣子块。
可选地,图像获取模块获取待检测图像的暗原色图,包括:
对于待检测图像中每个像素点,根据三原色的亮度最小值,得到初始暗原色图;
遍历初始暗原色图的每个像素点,确定该像素点设定半径范围内的亮度最小值为该像素点的亮度,得到暗原色图。
可选地,图像获取模块获取待检测图像的梯度图,包括:
通过计算待检测图像的横向一阶导数和纵向一阶导数,得到初始梯度图;
遍历初始梯度图的每个像素点,确定该像素点的多个局部区域,并分别计算局部梯度和,将最小的局部梯度和作为该像素点的梯度,得到梯度图。
本发明实施例中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执行上述确定雾天的方法的计算机程序。具体的,可以执行本发明上述实施例提供的雾天检测方法流程。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (13)
1.一种雾天检测方法,其特征在于,包括:
获取待检测图像的暗原色图及梯度图;
将所述待检测图像划分为多个子图,并根据所述梯度图确定每个子图的梯度,根据所述每个子图的梯度确定对应的感兴趣子块;
根据所述暗原色图及设定的雾天判定阈值统计各感兴趣子块的暗原色统计值,根据所述梯度图及设定的雾天判定阈值、梯度阈值统计各感兴趣子块的梯度统计值,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值;
对所述各兴趣子块的特征值利用相应的权重进行平滑处理,将平滑处理结果与设定的雾天判定阈值比较确定是否为雾天。
2.根据权利要求1所述的方法,其特征在于,对所述各兴趣子块的特征值利用相应的权重进行平滑处理,包括:
根据各感兴趣子块的灰度图确定各感兴趣子块的置信度,将各感兴趣子块的置信度作为该感兴趣子块的权重;
将各感兴趣子块的特征值与对应的权重乘积并求和,求和后除以所有置信度总和。
3.根据权利要求2所述的方法,其特征在于,根据各感兴趣子块的灰度图确定各感兴趣子块的置信度,包括:
根据各感兴趣子块的灰度图确定该感兴趣子块的灰度平均值img_ave;
确定该感兴趣子块中小于img_ave的所有像素点灰度的平均值balck_ave,及大于所述img_ave的所有像素点灰度的平均值white_ave;
确定(white_ave-balck_ave)/img_ave为该感兴趣子块的置信度。
4.根据权利要求1~3任一所述的方法,其特征在于,对所述各兴趣子块的特征值利用相应的权重进行平滑处理,包括:
将K个特征值按照大小进行排序,按照从小到大顺序选择k个感兴趣子块,或者选择位于中部的k个感兴趣子块,K为所有特征值的数量,k<K;
对所述k个兴趣子块的特征值利用相应的权重进行加权求和并取平均值。
5.根据权利要求1所述的方法,其特征在于,根据所述暗原色图及设定的雾天判定阈值统计各感兴趣子块的暗原色统计值,根据所述梯度图及设定的雾天判定阈值、梯度阈值统计各感兴趣子块的梯度统计值,包括:
对于任一感兴趣子块,遍历所述暗原色图中和梯度图中该感兴趣子块的像素点,若像素点的暗原色值小于设定的雾天判定阈值,则暗原色值计数d加1,若暗原色值大于设定的雾天判定阈值且该像素点的梯度值大于该感兴趣子块的梯度阈值时,梯度值计数g加1,所述梯度阈值为该感兴趣子块的最大梯度值与预设系数的乘积;
遍历每个感兴趣子块结束后,将d作为该感兴趣子块的暗原色统计值D并清零d,将g作为该感兴趣子块的梯度统计值G并清零g。
6.根据权利要求5所述的方法,其特征在于,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值,包括:
确定每个感兴趣子块的特征值为threshold*G/(D+G),所述threshold为所述阈值。
7.根据权利要求6所述的方法,其特征在于,所述设定的雾天判定阈值包括对应不同雾天等级的多个雾天判定阈值,则按照雾天判定阈值从小到大的顺序,针对每个雾天判定阈值,遍历所述暗原色图中和梯度图中该感兴趣子块的像素点,得到一个暗原色统计值和梯度统计值的联合比值ratio=G/(D+G);
若是第一个雾天判定阈值对应的ratio,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之后的一个雾天判定阈值的平均值;
若是最后一个雾天判定阈值对应的ratio,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之前的一个雾天判定阈值的差值;
否则,确定该ratio的系数为,该ratio对应的雾天判定阈值与该雾天判定阈值之后的一个雾天判定阈值的平均值,并减去前一个ratio的系数;
将各ratio与对应的系数乘积后求和得到该感兴趣子块的特征值。
8.根据权利要求1或5所述的方法,其特征在于,根据每个子图的梯度确定对应的感兴趣子块,包括:
对于任一子图,将每行像素点的梯度值求和得到该行的梯度投影,确定从第n/(2*j)行到n-j/2行的最大梯度投影max_n,将max_n乘以设定系数确定该子图的停止阈值,n为子图的像素点行数,j为感兴趣子块的像素点行数;
从第n/(2*j)行的梯度投影值开始搜索,搜索到大于停止阈值的梯度投影max_mid时,停止搜索;
以max_mid所在行为感兴趣子块的中间行,得到行数为j的感兴趣子块。
9.根据权利要求1所述的方法,其特征在于,获取待检测图像的暗原色图,包括:
对于待检测图像中每个像素点,根据三原色的亮度最小值,得到初始暗原色图;
遍历初始暗原色图的每个像素点,确定该像素点设定半径范围内的亮度最小值为该像素点的亮度,得到暗原色图。
10.根据权利要求1所述的方法,其特征在于,获取待检测图像的梯度图,包括:
通过计算待检测图像的横向一阶导数和纵向一阶导数,得到初始梯度图;
遍历初始梯度图的每个像素点,确定该像素点的多个局部区域,并分别计算局部梯度和,将最小的局部梯度和作为该像素点的梯度,得到梯度图。
11.一种雾天检测装置,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法。
12.一种雾天检测装置,其特征在于,包括:
图像获取模块,用于获取待检测图像的暗原色图及梯度图;
感兴趣子块确定模块,用于将所述待检测图像划分为多个子图,并根据所述梯度图确定每个子图的梯度,根据所述每个子图的梯度确定对应的感兴趣子块;
特征值确定模块,用于根据所述暗原色图及设定的雾天判定阈值统计各感兴趣子块的暗原色统计值,根据所述梯度图及设定雾天判定阈值、梯度阈值统计各感兴趣子块的梯度统计值,根据所述暗原色统计值和梯度统计值确定各感兴趣子块的特征值;
雾天判断模块,用于对所述各兴趣子块的特征值利用相应的权重进行平滑处理,将平滑处理结果与对应的雾天判定阈值比较确定是否为雾天。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至10任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040282.7A CN110807406B (zh) | 2019-10-29 | 2019-10-29 | 一种雾天检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040282.7A CN110807406B (zh) | 2019-10-29 | 2019-10-29 | 一种雾天检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807406A true CN110807406A (zh) | 2020-02-18 |
CN110807406B CN110807406B (zh) | 2022-03-01 |
Family
ID=69489498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911040282.7A Active CN110807406B (zh) | 2019-10-29 | 2019-10-29 | 一种雾天检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807406B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076997A (zh) * | 2021-03-31 | 2021-07-06 | 南昌欧菲光电技术有限公司 | 镜头带雾识别方法、摄像模组及终端设备 |
CN114004834A (zh) * | 2021-12-31 | 2022-02-01 | 山东信通电子股份有限公司 | 一种图像处理中的雾天情况分析方法、设备及装置 |
CN114299094A (zh) * | 2022-01-05 | 2022-04-08 | 哈尔滨工业大学 | 一种基于块选择与扩展的输液瓶图像感兴趣区域提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819286A (zh) * | 2010-04-09 | 2010-09-01 | 东南大学 | 一种基于图像灰度直方图的雾天检测方法 |
CN104240239A (zh) * | 2014-09-01 | 2014-12-24 | 西南交通大学 | 一种基于道路图像探测局域路段雾霾天气的检测方法 |
US20150339811A1 (en) * | 2014-05-20 | 2015-11-26 | Qualcomm Incorporated | Systems and methods for haziness detection |
CN107067375A (zh) * | 2016-12-23 | 2017-08-18 | 四川大学 | 一种基于暗通道先验和边缘信息的图像去雾方法 |
CN109241831A (zh) * | 2018-07-26 | 2019-01-18 | 东南大学 | 一种基于图像分析的夜间雾天能见度分类方法 |
CN109919062A (zh) * | 2019-02-27 | 2019-06-21 | 上海浪潮云计算服务有限公司 | 一种基于特征量融合的道路场景天气识别方法 |
-
2019
- 2019-10-29 CN CN201911040282.7A patent/CN110807406B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819286A (zh) * | 2010-04-09 | 2010-09-01 | 东南大学 | 一种基于图像灰度直方图的雾天检测方法 |
US20150339811A1 (en) * | 2014-05-20 | 2015-11-26 | Qualcomm Incorporated | Systems and methods for haziness detection |
CN104240239A (zh) * | 2014-09-01 | 2014-12-24 | 西南交通大学 | 一种基于道路图像探测局域路段雾霾天气的检测方法 |
CN107067375A (zh) * | 2016-12-23 | 2017-08-18 | 四川大学 | 一种基于暗通道先验和边缘信息的图像去雾方法 |
CN109241831A (zh) * | 2018-07-26 | 2019-01-18 | 东南大学 | 一种基于图像分析的夜间雾天能见度分类方法 |
CN109919062A (zh) * | 2019-02-27 | 2019-06-21 | 上海浪潮云计算服务有限公司 | 一种基于特征量融合的道路场景天气识别方法 |
Non-Patent Citations (3)
Title |
---|
WENSHU XIANG,ET AL: "《A new model for daytime visibility index estimation fused average sobel gradient and dark channel ratio》", 《PROCEEDINGS OF 2013 3RD INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND NETWORK TECHNOLOGY》 * |
乔美丽: "《基于雾浓度的去雾方法》", 《计算机科学与应用》 * |
项文书: "《基于交通视频的能见度估计研究》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076997A (zh) * | 2021-03-31 | 2021-07-06 | 南昌欧菲光电技术有限公司 | 镜头带雾识别方法、摄像模组及终端设备 |
CN114004834A (zh) * | 2021-12-31 | 2022-02-01 | 山东信通电子股份有限公司 | 一种图像处理中的雾天情况分析方法、设备及装置 |
CN114004834B (zh) * | 2021-12-31 | 2022-04-19 | 山东信通电子股份有限公司 | 一种图像处理中的雾天情况分析方法、设备及装置 |
CN114299094A (zh) * | 2022-01-05 | 2022-04-08 | 哈尔滨工业大学 | 一种基于块选择与扩展的输液瓶图像感兴趣区域提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110807406B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Multi-scale optimal fusion model for single image dehazing | |
Hautiere et al. | Blind contrast enhancement assessment by gradient ratioing at visible edges | |
CN110807406B (zh) | 一种雾天检测方法及装置 | |
Park et al. | Single image dehazing with image entropy and information fidelity | |
CN102202163B (zh) | 一种监控视频的自适应增强方法及其装置 | |
CN102385753B (zh) | 一种基于光照分类的自适应图像分割方法 | |
US8111943B2 (en) | Smart image enhancement process | |
CN107705254B (zh) | 一种基于街景图的城市环境评估方法 | |
CN104168478B (zh) | 基于Lab空间及相关性函数的视频图像偏色检测方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN102665034A (zh) | 一种针对摄像机采集视频的夜间效果去除方法 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN105959510B (zh) | 一种视频快速去雾方法 | |
CN107292830A (zh) | 低照度图像增强及评价方法 | |
CN114331873A (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
CN105447825A (zh) | 图像去雾方法及其*** | |
CN115512224A (zh) | 一种曲线拟合对比度增强的道路裂缝检测方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN105046670A (zh) | 一种图像去雨方法及*** | |
CN104318537A (zh) | 大雨场景视频数据中雨滴的检测和去除方法及*** | |
CN109118450A (zh) | 一种沙尘天气条件下的低质图像增强方法 | |
CN104299214A (zh) | 小雨场景视频数据中雨滴的检测与去除方法和*** | |
US9361527B1 (en) | Method and system for classifying painted road markings in an automotive driver vehicle-assistance device | |
CN104299234B (zh) | 视频数据中雨场去除的方法和*** | |
CN105913391A (zh) | 一种基于形状可变形态学重构的去雾方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |