CN111968062A - 基于暗通道先验镜面高光图像增强方法、装置及存储介质 - Google Patents
基于暗通道先验镜面高光图像增强方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111968062A CN111968062A CN202010929968.8A CN202010929968A CN111968062A CN 111968062 A CN111968062 A CN 111968062A CN 202010929968 A CN202010929968 A CN 202010929968A CN 111968062 A CN111968062 A CN 111968062A
- Authority
- CN
- China
- Prior art keywords
- image
- local
- color
- specular highlight
- dark channel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000002834 transmittance Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 21
- 239000013598 vector Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于暗通道先验的镜面高光图像增强方法、装置及存储介质,方法包括:选取输入图像中最模糊的像素,采用移动窗口最小滤波器对像素的每个颜色通道进行滤波,获取颜色通道的最大值并作为大气光成分的估计值;在边界约束上计算局部像素的色差来构造加权函数,根据加权函数构造细化的场景透射率的目标函数;基于改进的引导滤波优化目标函数,基于优化后的透射率、大气光成分的估计值输出最终的图像;用对比度受限的自适应直方图均衡对最终的图像进行处理,并改进局部对比度增强镜面高光图像的局部细节。本发明有效的增强了图像的清晰度和颜色特征,并解决了图像中被高光遮挡的区域纹理信息丢失的问题。
Description
技术领域
本发明涉及图像增强技术,属于图像处理领域,尤其涉及一种基于暗通道先验镜面高光图像增强方法、装置及存储介质。
背景技术
在计算机视觉领域中,大部分算法都假设物体表面是理想的漫反射表面,不考虑镜面反射的影响。而在现实世界中,镜面反射现象即高光现象是必然存在的,其中高光现象所表示的是光源的色度信息,在视觉效果上可以看作是物体的表面特征。图像中高光的存在往往会遮盖物体表面的纹理,损坏物体边缘的轮廓,改变物体表面的颜色,直接导致了物体表面局部区域的信息丢失。图像中的高光不仅会影响图像的质量,而且还给图像跟踪、景物分析、场景重建等应用研究带来了极大的干扰,因此增强图像中的高光区域就变得尤为重要。
尽管目前大多数高光去除算法取得了一些成就,但还存在以下若干问题:
第一、对输入图像有限制,输入图像需为特定场景中拍摄的镜面高光图像,应用场景较为单一;
第二、针对在现实生活场景中随机拍摄的镜面高光图像,已有的算法并不能很好的去除图像中的高光分量,而且处理后的图像会出现信息丢失的问题,其普及性和实用性仍存在一定的局限性。
发明内容
针对现实场景中的镜面高光图像存在信息丢失的问题,本发明提供了一种基于暗通道先验的镜面高光图像增强方法、装置及存储介质,通过本发明处理后的镜面高光图像,边缘对比度明显增强,而且较原图像能保留更多的细节特征,本发明有效的增强了图像的清晰度和颜色特征,并解决了图像中被高光遮挡的区域纹理信息丢失的问题,详见下文描述:
第一方面,一种基于暗通道先验的镜面高光图像增强方法,所述方法包括以下步骤:
选取输入图像中最模糊的像素,采用移动窗口最小滤波器对像素的每个颜色通道进行滤波,获取颜色通道的最大值并作为大气光成分的估计值;
在边界约束上计算局部像素的色差来构造加权函数,根据加权函数构造细化的场景透射率的目标函数;
基于改进的引导滤波优化目标函数,基于优化后的透射率、大气光成分的估计值输出最终的图像;
用对比度受限的自适应直方图均衡对最终的图像进行处理,并改进局部对比度增强镜面高光图像的局部细节。
其中,所述在边界约束上计算局部像素的色差来构造加权函数具体为:在边界约束上引入加权范数l1正则化以此来构造加权函数。
在一种实现方式中,所述基于改进的引导滤波优化目标函数具体为:
根据窗口的线性系数、像素的局部方差的平均值获取窗口的代价函数使得输入图像与输出图像之间的差值最小化;
根据线性回归分析得到线性系数的最优解;
基于最优解在整幅图像内采取窗口操作,最后取均值获取最终的线性关系。
在一种实现方式中,所述用对比度受限的自适应直方图均衡对最终的图像进行处理,并改进局部对比度增强镜面高光图像的局部细节具体为:
将处理后的图像从RGB空间转为LAB颜色空间中,并提取亮度分量,采用CLAHE对亮度分量进行处理,A,B分量自适应;
更新图像的亮度分量,最后将处理后的图像从LAB空间转换为RGB颜色空间。
第二方面,一种基于暗通道先验的镜面高光图像增强装置,所述装置包括:
获取模块,用于选取输入图像中最模糊的像素,采用移动窗口最小滤波器对像素的每个颜色通道进行滤波,获取颜色通道的最大值并作为大气光成分的估计值;
构造模块,用于在边界约束上计算局部像素的色差来构造加权函数,根据加权函数构造细化的场景透射率的目标函数;
输出模块,用于基于改进的引导滤波优化目标函数,基于优化后的透射率、大气光成分的估计值输出最终的图像;
处理及改进模块,用对比度受限的自适应直方图均衡对最终的图像进行处理,并改进局部对比度增强镜面高光图像的局部细节。
在一种实现方式中,所述输出模块包括:
最小化单元,用于根据窗口的线性系数、像素的局部方差的平均值获取窗口的代价函数使得输入图像与输出图像之间的差值最小化;
获取单元,用于根据线性回归分析得到线性系数的最优解;基于最优解在整幅图像内采取窗口操作,最后取均值获取最终的线性关系;
输出单元,用于基于优化后的透射率、大气光成分的估计值输出最终的图像。
在一种实现方式中,所述处理及改进模块包括:
转换及提取单元,用于将处理后的图像从RGB空间转为LAB颜色空间中,并提取亮度分量,采用CLAHE对亮度分量进行处理,A,B分量自适应;
更新及转换单元,用于更新图像的亮度分量,最后将处理后的图像从LAB空间转换为RGB颜色空间。
第三方面,一种基于暗通道先验的镜面高光图像增强装置,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行第一方面所述的方法步骤。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时使所述处理器执行第一方面所述的方法步骤。
本发明提供的技术方案的有益效果是:
1、本发明可以有效的增强现实生活场景中的镜面高光图像,具有一定的实际应用价值;
2、经本发明处理后的图像能够很好的恢复镜面高光图像中被遮挡的局部信息,较原图像能保留更多的细节特征;
3、采用本发明增强后的图像有效的提高了图像的对比度、清晰度和颜色特征,突显出边缘纹理等特征,达到良好的增强效果,满足了实际应用中的多种需要,扩展了应用性。
附图说明
图1为本发明提供的一种基于暗通道先验的镜面高光图像增强方法的流程图;
图2为本发明提供的一种基于暗通道先验的镜面高光图像增强方法的另一流程图;
图3为镜面高光图像的示意图;
图4为对图3增强处理后的目标图像的示意图;
图5为另一镜面高光图像的示意图;
图6为对图5增强处理后的目标图像的示意图;
图7为另一镜面高光图像的示意图;
图8为对图7增强处理后的目标图像的示意图;
图9为本发明提供的一种基于暗通道先验的镜面高光图像增强装置的结构示意图;
图10为输出模块的结构示意图;
图11为处理及改进模块的结构示意图;
图12为本发明提供的一种基于暗通道先验的镜面高光图像增强装置的另一结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
参见图1,本发明实施例提出了一种基于暗通道先验的镜面高光图像增强方法,该方法包括以下步骤:
步骤101:以暗通道先验算法为基础,获取大气散射模型,表示如下:
I(x)=J(x)t(x)+A(1-t(x)) (1)
其中,I(x)是观察到的强度,A为全局的光照分量,t(x)为场景透射率,0≤t(x)≤1,J(x)是场景辐射强度,式(1)右边的第一项J(x)t(x)为直接衰减项,第二项A(1-t(x))为大气光成分,其中模型的关键是从I(x)中恢复出J(x),因此需要估计传输率t(x)和全局的大气光成分A。
根据获取到的大气散射模型即可求解最终的输出图像J(x)。
步骤102:基于改进后的估计光照分量的方法有效的估计全局光照分量,获取颜色通道的最大值,并将最大值作为大气光成分A的估计值;
针对原有算法[1]因估计光照分量的不准确性,造成图像色彩、失真的问题,本发明实施例提出采用一种改进的方法估计全局光照分量。可以假设图像中的一部分包含无限远的像素(即像素的透射率几乎为0),并将与无限远的像素相对应的图像点视为大气亮度的代表性颜色矢量集合,然后利用颜色矢量集合采用平均运算来估计大气亮度的预期颜色矢量。
在输入图像中,首先估计出一个最模糊的像素点,然后采用一个移动窗口最小滤波器对输入图像的每个颜色通道进行滤波,取颜色通道的最大值视为大气光成分A的估计值。
步骤103:在边界约束上通过计算局部像素的色差来构造加权函数s(p,q),根据加权函数构造细化的场景透射率的目标函数;
针对图像深度突然变化时,图像出现光晕伪影这一现象,本发明实施例提出在透射率t(x)的边界约束上引入加权范数l1正则化,即在边界约束上通过计算局部像素的色差来构造加权函数s(p,q)。
步骤104:基于改进的引导滤波算法优化透射率,基于优化后的透射率t(x)、大气光成分A的估计值求解最终的输出图像J(x);
针对参考文献[1]采用软抠图的方法来优化透射率,存在时间复杂度高,计算量大,算法的效率低这一问题,本发明实施例提出一种改进的引导滤波算法来优化透射率。改进的引导滤波算法,即在引导滤波的基础层中引入所有像素的局部方差的平均值,用以更准确的保持图像的边缘。
步骤105:提出采用对比度受限的自适应直方图均衡算法(CLAHE)对最终的输出图像J(x)进行进一步的处理,以解决处理后图像存在亮度不均衡、对比度偏低的问题,并通过改进图像的局部对比度来增强镜面高光图像的局部细节。
综上所述,本发明实施例通过上述步骤101-步骤105有效的增强了图像的清晰度和颜色特征,并解决了图像中被高光遮挡的区域纹理信息丢失的问题。
下面结合图2、具体的计算公式,对上述实施例中的一种基于暗通道先验的镜面高光图像增强方法进行详细地细化和扩展,该方法包括以下步骤:
步骤201:以暗通道先验算法为基础,其中描述的大气散射模型表示如上述公式(1)所示,本发明实施例对此不做赘述。
若假设大气分布均匀,则透射率t(x)表达式为:
t(x)=e-ιd(x) (2)
其中,ι是由于大气中的散射而产生的衰减系数,d(x)是场景深度。公式(2)表明场景辐射度会随着场景深度呈现出指数型的衰减,因此可以通过透射率图反推图片的景深信息。
从几何角度看,式(1)说明在RGB颜色空间中,向量I(x)、J(x)、A是共面的且终点是共线的,所以透射率t(x)可以表示为两条线段的比值,即:
其中,τ∈{r,g,b}表示R、G、B三个颜色通道。
大气模型的关键是从I(x)中恢复出J(x),因此需要估计传输率t(x)和全局的大气光成分A,可由公式(1)求得实际的场景图像J(x)为:
步骤202:暗通道先验理论指的是在大多数图像的非天空的区域内,由于存在阴影,导致每个局部区域中至少存在一个像素点在某一颜色通道的强度值非常低且接近于0。
根据这一理论,对于任一图像J,其暗通道可表示为:
其中,Jdark表示原图像J的暗通道图像,τ是RGB三通道构成的彩色空间,Γ是以(x,y)为中心的局部区域。
由暗通道可以得到透射率的粗略估计为:
其中,α∈(0,1],为图像保真的调节因子。
最后可得到图像为:
其中,t0是为了避免最终处理结果中包含噪声而设定的透射率的下限值,通常取值为0.1,具体实现时,也可以根据实际应用中的需要进行设定,本发明实施例对此不做赘述。
步骤203:提出一种改进的估计全局光照分量的方法,用以解决原有算法因估计光照分量的不准确性,造成图像色彩、失真的问题。
首先假设图像中的一部分包含无限远的像素,并将与无限远的像素相对应的图像点视为大气亮度的代表性颜色矢量的集合;然后应用平均运算来估计大气亮度的预期颜色矢量;最后,选取输入图像中最模糊的像素,采用一个移动窗口最小滤波器对其每个颜色通道进行滤波,将具有最大值的颜色通道视为A的估计值。
步骤204:针对图像深度突然变化时,图像出现光晕伪影这一现象,提出在边界约束上引入加权范数l1正则化,即在边界约束上通过计算局部像素的色差来构造加权函数s(p,q),其表达式为:
s(p,q)(t(p)-t(q))≈≈0 (8)
其中,s(p,q)为图像中相邻像素p,q之间的约束,t(p)为像素点p处的透射率,t(q)为像素点q处的透射率。如果s(p,q)=0,则相邻像素p,q之间不存在约束,所以确定s(p,q)的值尤为重要。s(p,q)完全取决于图像的深度,如果p,q之间的图像深度很小,则其值就会很大,所以可以求得t(x);相反,如果p,q之间的图像深度很大,则其值趋近于0,在这种情况下,由于缺乏深度图信息,无法构造t(x)。
通常,图像的深度会随p,q之间的强度值变化,并且相同强度和颜色的像素存在相似的深度。因此,构建了如下的加权函数:
其中,γ为规定好的参数,I(p)为像素点p的颜色向量,I(q)为像素点q的颜色向量。
然后,将加权的上下文约束引入到图像中,计算可得t(x)的正则化为:
∫p∈Φ∫q∈Φs(p,q)t(p)-t(q)dpdq (10)
其中,Φ为图像域。对上式方程进行离散化处理,可得到:
其中,I为图像像素点下标索引的集合,si为像素点i的下标集合,sij为相邻像素点i,j的加权函数s(p,q)离散化形式,ti为像素点i处的透射率,tj为像素点j处的透射率,i,j为像素点。
在式(11)中引入一组微分算子,可得:
步骤205:基于改进的引导滤波算法来优化透射率;
针对原有算法采用软抠图来优化透射率,存在时间复杂度高,计算量大,算法的效率低这一问题,本发明实施例提出一种改进的引导滤波算法来优化透射率。
其中,引导滤波器的关键是引导图像I和滤波后的图像q之间的局部线性模型,假设q是以像素k为中心的窗口ωk,则存在的线性关系为:
其中,(ak,bk)是窗口的线性系数,ωk是以r为半径的方形窗口,Ii为引导图像,qi为输出图像。为了使输入图像p与输出图像q之间的差值最小化,定义在窗口ωk中的代价函数为:
其中,E(ak,bk)为代价函数,pi为输入图像,ε为防止ak取值过大的调整参数,λ是在基础层中引入到代价函数中的所有像素的局部方差的平均值,用以准确的保持图像的边缘,其表达式为:
最后,在整幅图像内采取窗口操作,最后取均值可得:
步骤206:用对比度受限的自适应直方图均衡算法(CLAHE)对其进行进一步的处理,通过改进图像的局部对比度来增强镜面高光图像的局部细节。
经改进的暗通道先验算法处理后的镜面高光图像存在亮度不均衡、对比度偏低的问题,提出用对比度受限的自适应直方图均衡算法(CLAHE)对其进行进一步的处理,并通过调整图像的局部对比度来增强镜面高光图像的局部细节。
首先,将处理后的图像从RGB空间转为LAB(颜色-对立)颜色空间中,并提取图像的亮度分量L;然后采用CLAHE算法对其亮度分量L进行处理,A,B分量自适应;最后,更新图像的亮度分量L,并将处理后的图像从LAB空间转换为RGB颜色空间。采用CLAHE方法处理图像,不仅有效的调整了图像的亮度,而且也增强了图像的对比度和局部细节。
其中,对A,B分量自适应即为更新图像的亮度分量L后,A,B分量会随之调整,以便更好地调整适应图像,具体调整步骤本发明实施例对此不做限制,可根据实际应用中的需要进行处理。
本发明采用的实验对象均为在现实生活场景中随机拍摄的镜面高光图像,针对镜面高光图像中信息丢失的问题,提出了基于暗通道先验的镜面高光图像增强方法。下面以在现实生活场景中随机拍摄的镜面高光图像为处理对象,来说明本发明实施例提供的一种基于暗通道先验的镜面高光图像增强方法的可行性,详见下文描述:
本发明将对增强后的镜面高光图像进行评估,并与Yang、Shen et al.、Akashi alet al.、Yamamoto et al.和所提方法进行综合比较。为了更加全面地测试各方法的效果,本发明选取了包括边缘恢复度e、对比度信息熵H和图像边缘强度θ作为评价指标对方法进行量化的比较。
表1.不同方法边缘恢复度e对比,指标越大越好
表3.不同方法信息熵H对比,指标越大越好
表4.不同方法边缘强度θ对比,指标越大越好
表1-表5总结了采用Yang、Shen et al.、Akashi et al、Yamamoto et al.和本研究中提出的方法对不同现实场景中随机拍摄的镜面高光图像处理后的结果。在表5中,本发明选取了50张不同场景下的镜面高光图像,并比较了上述算法处理后的结果。通过分析上述数据,本发明发现采用e、H和θ作为度量方法,各项指标大多高于其他方法,这说明本方法在增强镜面高光图像方面相较于其他方法来说具有更好的表现。经本方法处理后的图像边缘对比度、清晰度以及细节特征明显增强,而且有效的恢复了镜面高光图像中的被遮挡的局部信息。因此通过对不同场景中的镜面高光图像增强处理后的效果进行综合比较可以得出,本发明提出的方法的有效性优于其他方法。
基于同一发明构思,作为上述方法的实现,参见图9,本发明实施例还提供了一种基于暗通道先验的镜面高光图像增强装置,详见下文描述:
获取模块1,用于选取输入图像中最模糊的像素,采用移动窗口最小滤波器对像素的每个颜色通道进行滤波,获取颜色通道的最大值并作为大气光成分的估计值;
构造模块2,用于在边界约束上计算局部像素的色差来构造加权函数,根据加权函数构造细化的场景透射率的目标函数;
输出模块3,用于基于改进的引导滤波优化目标函数,基于优化后的透射率、大气光成分的估计值输出最终的图像;
处理及改进模块4,用对比度受限的自适应直方图均衡对最终的图像进行处理,并改进局部对比度增强镜面高光图像的局部细节。
在一种实现方式中,参见图10,该输出模块3包括:
最小化单元31,用于根据窗口的线性系数、像素的局部方差的平均值获取窗口的代价函数使得输入图像与输出图像之间的差值最小化;
获取单元32,用于根据线性回归分析得到线性系数的最优解;基于最优解在整幅图像内采取窗口操作,最后取均值获取最终的线性关系;
输出单元33,用于基于优化后的透射率、大气光成分的估计值输出最终的图像。
在一种实现方式中,参见图11,该处理及改进模块4包括:
转换及提取单元41,用于将处理后的图像从RGB空间转为LAB颜色空间中,并提取亮度分量,采用CLAHE对亮度分量进行处理,A,B分量自适应;
更新及转换单元42,用于更新图像的亮度分量,最后将处理后的图像从LAB空间转换为RGB颜色空间。
这里需要指出的是,以上实施例中的装置描述是与上述方法实施例描述相对应的,本发明实施例在此不做赘述。
上述各个模块、单元的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件,具体实现时,本发明实施例对执行主体不做限制,根据实际应用中的需要进行选择。
基于同一发明构思,本发明实施例还提供了一种基于暗通道先验的镜面高光图像增强装置,参见图12,该装置包括:处理器5和存储器6,存储器6中存储有程序指令,处理器5调用存储器6中存储的程序指令以使装置执行实施例中的以下方法步骤:
这里需要指出的是,以上实施例中的装置描述是与实施例中的方法描述相对应的,本发明实施例在此不做赘述。
上述的处理器和存储器的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件,具体实现时,本发明实施例对执行主体不做限制,根据实际应用中的需要进行选择。
存储器6和处理器5之间通过总线7传输数据信号,本发明实施例对此不做赘述。
基于同一发明构思,本发明实施例还提供了一种计算机可读存储介质,存储介质包括存储的程序,在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是,以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的,本发明实施例在此不做赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
参考文献
[1]何凯明等人估计大气光值的方法K.He,J.Sun,and X.Tang,"Single imagehaze removal using dark channel prior,"in computer vision and patternrecognition,2009,pp.1956-1963
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于暗通道先验镜面高光图像增强方法,其特征在于,所述方法包括:
选取输入图像中最模糊的像素,采用移动窗口最小滤波器对像素的每个颜色通道进行滤波,获取颜色通道的最大值并作为大气光成分的估计值;
在边界约束上计算局部像素的色差来构造加权函数,根据加权函数构造细化的场景透射率的目标函数;
基于改进的引导滤波优化目标函数,基于优化后的透射率、大气光成分的估计值输出最终的图像;
用对比度受限的自适应直方图均衡对最终的图像进行处理,并改进局部对比度以增强镜面高光图像的局部细节。
2.根据权利要求1所述的一种基于暗通道先验镜面高光图像增强方法,其特征在于,所述在边界约束上计算局部像素的色差来构造加权函数具体为:在边界约束上引入加权范数l1正则化以此来构造加权函数。
3.根据权利要求1所述的一种基于暗通道先验镜面高光图像增强方法,其特征在于,所述基于改进的引导滤波优化目标函数具体为:
根据窗口的线性系数、像素的局部方差的平均值获取窗口的代价函数使得输入图像与输出图像之间的差值最小化;
根据线性回归分析得到线性系数的最优解;
基于最优解在整幅图像内采取窗口操作,最后取均值获取最终的线性关系。
4.根据权利要求1所述的一种基于暗通道先验镜面高光图像增强方法,其特征在于,所述用对比度受限的自适应直方图均衡对最终的图像进行处理,并改进局部对比度以增强镜面高光图像的局部细节具体为:
将处理后的图像从RGB空间转为LAB颜色空间中,并提取亮度分量,采用CLAHE对亮度分量进行处理,A,B分量自适应;
更新图像的亮度分量,最后将处理后的图像从LAB空间转换为RGB颜色空间。
5.一种基于暗通道先验镜面高光图像增强装置,其特征在于,所述装置包括:
获取模块,用于选取输入图像中最模糊的像素,采用移动窗口最小滤波器对像素的每个颜色通道进行滤波,获取颜色通道的最大值并作为大气光成分的估计值;
构造模块,用于在边界约束上计算局部像素的色差来构造加权函数,根据加权函数构造细化的场景透射率的目标函数;
输出模块,用于基于改进的引导滤波优化目标函数,基于优化后的透射率、大气光成分的估计值输出最终的图像;
处理及改进模块,用对比度受限的自适应直方图均衡对最终的图像进行处理,并改进局部对比度增强镜面高光图像的局部细节。
6.根据权利要求5所述的一种基于暗通道先验镜面高光图像增强装置,其特征在于,所述输出模块包括:
最小化单元,用于根据窗口的线性系数、像素的局部方差的平均值获取窗口的代价函数使得输入图像与输出图像之间的差值最小化;
获取单元,用于根据线性回归分析得到线性系数的最优解;基于最优解在整幅图像内采取窗口操作,最后取均值获取最终的线性关系;
输出单元,用于基于优化后的透射率、大气光成分的估计值输出最终的图像。
7.根据权利要求5所述的一种基于暗通道先验镜面高光图像增强装置,其特征在于,所述处理及改进模块包括:
转换及提取单元,用于将处理后的图像从RGB空间转为LAB颜色空间中,并提取亮度分量,采用CLAHE对亮度分量进行处理,A,B分量自适应;
更新及转换单元,用于更新图像的亮度分量,最后将处理后的图像从LAB空间转换为RGB颜色空间。
8.一种基于暗通道先验镜面高光图像增强装置,其特征在于,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-4中的任一项所述的方法步骤。
9.一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计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时使所述处理器执行权利要求1-4中的任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010929968.8A CN111968062B (zh) | 2020-09-07 | 2020-09-07 | 基于暗通道先验镜面高光图像增强方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010929968.8A CN111968062B (zh) | 2020-09-07 | 2020-09-07 | 基于暗通道先验镜面高光图像增强方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968062A true CN111968062A (zh) | 2020-11-20 |
CN111968062B CN111968062B (zh) | 2022-12-09 |
Family
ID=73392441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010929968.8A Active CN111968062B (zh) | 2020-09-07 | 2020-09-07 | 基于暗通道先验镜面高光图像增强方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968062B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950516A (zh) * | 2021-01-29 | 2021-06-11 | Oppo广东移动通信有限公司 | 图像局部对比度增强的方法及装置、存储介质及电子设备 |
CN112991197A (zh) * | 2021-02-08 | 2021-06-18 | 新疆大学 | 一种基于暗通道的细节保留的低照度视频增强方法及装置 |
CN113284060A (zh) * | 2021-05-17 | 2021-08-20 | 大连海事大学 | 一种基于波长衰减识别的水下图像增强方法 |
CN116843681A (zh) * | 2023-08-30 | 2023-10-03 | 临沂鑫诺彩印包装有限公司 | 一种纸箱表面着色质量智能检测方法 |
CN117197001A (zh) * | 2023-11-06 | 2023-12-08 | 青岛理工大学 | 一种沙尘图像清晰化方法、***、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030189655A1 (en) * | 2001-06-29 | 2003-10-09 | In-Keon Lim | Method of adaptive noise smoothing/restoration in spatio-temporal domain and high-definition image capturing device thereof |
CN102222328A (zh) * | 2011-07-01 | 2011-10-19 | 杭州电子科技大学 | 一种边缘保持的自然场景图像自适应加权滤波方法 |
CN107203980A (zh) * | 2017-05-31 | 2017-09-26 | 常州工学院 | 自适应多尺度暗通道先验的水下目标探测图像增强方法 |
CN108460743A (zh) * | 2018-03-19 | 2018-08-28 | 西安因诺航空科技有限公司 | 一种基于暗通道的无人机航拍图像去雾算法 |
CN109544470A (zh) * | 2018-11-08 | 2019-03-29 | 西安邮电大学 | 一种边界约束的卷积神经网络单幅图像去雾方法 |
CN109767407A (zh) * | 2019-02-27 | 2019-05-17 | 长安大学 | 一种去雾过程中大气透射率图像的二次估计方法 |
CN110675340A (zh) * | 2019-09-16 | 2020-01-10 | 重庆邮电大学 | 一种基于改进的非局部先验的单幅图像去雾方法及介质 |
-
2020
- 2020-09-07 CN CN202010929968.8A patent/CN111968062B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030189655A1 (en) * | 2001-06-29 | 2003-10-09 | In-Keon Lim | Method of adaptive noise smoothing/restoration in spatio-temporal domain and high-definition image capturing device thereof |
CN102222328A (zh) * | 2011-07-01 | 2011-10-19 | 杭州电子科技大学 | 一种边缘保持的自然场景图像自适应加权滤波方法 |
CN107203980A (zh) * | 2017-05-31 | 2017-09-26 | 常州工学院 | 自适应多尺度暗通道先验的水下目标探测图像增强方法 |
CN108460743A (zh) * | 2018-03-19 | 2018-08-28 | 西安因诺航空科技有限公司 | 一种基于暗通道的无人机航拍图像去雾算法 |
CN109544470A (zh) * | 2018-11-08 | 2019-03-29 | 西安邮电大学 | 一种边界约束的卷积神经网络单幅图像去雾方法 |
CN109767407A (zh) * | 2019-02-27 | 2019-05-17 | 长安大学 | 一种去雾过程中大气透射率图像的二次估计方法 |
CN110675340A (zh) * | 2019-09-16 | 2020-01-10 | 重庆邮电大学 | 一种基于改进的非局部先验的单幅图像去雾方法及介质 |
Non-Patent Citations (2)
Title |
---|
周诚: "图像处理在车厢定位中的研究", 《计算机***应用》 * |
郭翰等: "基于暗原色先验的图像去雾方法研究", 《光学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950516A (zh) * | 2021-01-29 | 2021-06-11 | Oppo广东移动通信有限公司 | 图像局部对比度增强的方法及装置、存储介质及电子设备 |
CN112950516B (zh) * | 2021-01-29 | 2024-05-28 | Oppo广东移动通信有限公司 | 图像局部对比度增强的方法及装置、存储介质及电子设备 |
CN112991197A (zh) * | 2021-02-08 | 2021-06-18 | 新疆大学 | 一种基于暗通道的细节保留的低照度视频增强方法及装置 |
CN112991197B (zh) * | 2021-02-08 | 2022-05-17 | 新疆大学 | 一种基于暗通道的细节保留的低照度视频增强方法及装置 |
CN113284060A (zh) * | 2021-05-17 | 2021-08-20 | 大连海事大学 | 一种基于波长衰减识别的水下图像增强方法 |
CN113284060B (zh) * | 2021-05-17 | 2024-04-05 | 大连海事大学 | 一种基于波长衰减识别的水下图像增强方法 |
CN116843681A (zh) * | 2023-08-30 | 2023-10-03 | 临沂鑫诺彩印包装有限公司 | 一种纸箱表面着色质量智能检测方法 |
CN116843681B (zh) * | 2023-08-30 | 2023-11-14 | 临沂鑫诺彩印包装有限公司 | 一种纸箱表面着色质量智能检测方法 |
CN117197001A (zh) * | 2023-11-06 | 2023-12-08 | 青岛理工大学 | 一种沙尘图像清晰化方法、***、设备及介质 |
CN117197001B (zh) * | 2023-11-06 | 2024-02-09 | 青岛理工大学 | 一种沙尘图像清晰化方法、***、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111968062B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111968062B (zh) | 基于暗通道先验镜面高光图像增强方法、装置及存储介质 | |
Liang et al. | Single underwater image enhancement by attenuation map guided color correction and detail preserved dehazing | |
Pan et al. | Underwater image de-scattering and enhancing using dehazenet and HWD | |
Tripathi et al. | Single image fog removal using anisotropic diffusion | |
CN109118446B (zh) | 一种水下图像复原及去噪方法 | |
Zhou et al. | Multi-scale retinex-based adaptive gray-scale transformation method for underwater image enhancement | |
CN110675340A (zh) | 一种基于改进的非局部先验的单幅图像去雾方法及介质 | |
Singh et al. | Image dehazing using window-based integrated means filter | |
CN112991197B (zh) | 一种基于暗通道的细节保留的低照度视频增强方法及装置 | |
Chang | Single underwater image restoration based on adaptive transmission fusion | |
Gu et al. | A novel total generalized variation model for image dehazing | |
Hassan et al. | A cascaded approach for image defogging based on physical and enhancement models | |
Moghimi et al. | A joint adaptive evolutionary model towards optical image contrast enhancement and geometrical reconstruction approach in underwater remote sensing | |
Fu et al. | Scene-awareness based single image dehazing technique via automatic estimation of sky area | |
Zhang et al. | Underwater image enhancement via multi-scale fusion and adaptive color-gamma correction in low-light conditions | |
Pandey et al. | A fast and effective vision enhancement method for single foggy image | |
Hao et al. | Texture enhanced underwater image restoration via laplacian regularization | |
Fu et al. | Perception oriented haze image definition restoration by basing on physical optics model | |
Li et al. | Laplace dark channel attenuation-based single image defogging in ocean scenes | |
Xie et al. | DHD-Net: A novel deep-learning-based dehazing network | |
CN115619662A (zh) | 一种基于暗通道先验的图像去雾方法 | |
Shi et al. | Underwater image enhancement based on adaptive color correction and multi-scale fusion | |
Thomas et al. | Effectual single image dehazing with color correction transform and dark channel prior | |
Wang et al. | Adaptive Bright and Dark Channel Combined with Defogging Algorithm Based on Depth of Field | |
Qin et al. | Fast single image dehazing with domain transformation-based edge-preserving filter and weighted quadtree subdivision |
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 |