CN104299192B - 一种基于大气光散射物理模型的单幅图像去雾方法 - Google Patents
一种基于大气光散射物理模型的单幅图像去雾方法 Download PDFInfo
- Publication number
- CN104299192B CN104299192B CN201410508456.9A CN201410508456A CN104299192B CN 104299192 B CN104299192 B CN 104299192B CN 201410508456 A CN201410508456 A CN 201410508456A CN 104299192 B CN104299192 B CN 104299192B
- Authority
- CN
- China
- Prior art keywords
- value
- image
- dark channel
- pixel
- atmospheric light
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明公开了一种基于大气光散射物理模型的单幅图像去雾方法,涉及图像处理领域。其主要实施步骤为:1)输入有雾场景下的可见光图像,获得原有雾图像的方差图;2)对有雾图像进行两次最小值滤波,获得暗通道图;3)根据暗通道先验知识,利用原有雾图像和暗通道图,以方差图作为判别准则,求解出大气光照值;4)利用暗通道图求解透射率图;5)在透射率图的基础上进行均值滤波,获得优化透射率图;6)根据雾图像形成的大气光散射物理模型,利用已求解得到的大气光照值和优化后的透射率图,可以获得最终的无雾图像。本发明保证了大气光照值选取的有效性,提高了去雾效果。
Description
技术领域
本发明涉及图像处理,尤其涉及利用大气光散射物理模型的单幅图像去雾方法。
背景技术
近年来随着环境污染的加剧使得空气中的SO2、氮氧化物和可吸入颗粒物不断增加,前两者为气态污染物,其中可吸入颗粒物是导致雾霾天的重要因素,当它们遇到雾天时,天空会变得灰蒙蒙的。当我们在雾霾天气条件下进行拍照时,拍出的照片降质严重,其主要原因是物体反射进入视野的光线在进入照相机镜头之前受到空气中大量细小颗粒物的散射、折射和反射,变得杂乱无章。因此,获得的照片对比度降低,颜色清晰度低,图片丢失了大量细节,尤其是处在深景中的物体,从照片中获得信息大大减少。
在实际应用中如军事技术、交通、刑侦、气象及天文学领域经常需要从户外采集的视频序列中提取清晰的图像特征用于识别和匹配。图像去雾成为一种非常急迫而且实用的研究课题。去雾后的图像在视觉上具有更悦目的效果,得到更多的信息,并能广泛应用于其它领域,如去雾后图像作为计算机视觉领域有效的数据输入。如何从带雾的图像中恢复图像的颜色、对比度得到清晰的图像具有重要的研究意义和现实意义。
近年来,图像去雾的方法取得了一定的效果,其中基于物理模型的图像去雾研究,大多是基于场景深度等信息或利用多幅图像的方法实现去雾。最近,针对单幅图像去雾取得了显著进步。但因单幅有雾图像受雾影响而降质,场景结构中可被利用的信息变的更少,故单幅图像去雾更具有挑战性。在何凯明经典去雾算法,运用软抠图的方法导致处理时间大大增加,且暗通道先验知识具有局限性,会导致去雾效果不理想。
发明内容
本发明的目的是提供一种快速、去雾后图像清晰、对比度和清晰度高、细节丰富的基于大气光散射物理模型的单幅图像去雾方法。
为解决上述技术问题,本发明采用的技术方案为:一种基于大气光散射物理模型的单幅图像去雾方法,其特征在于,包括如下步骤:
步骤1:输入有雾场景下的可见光彩色RGB图像,计算原有雾图像的灰度方差图,方法如下:
定义输入的有雾图像为三通道的RGB格式图像I(x),在RGB立方体空间中,方差S的定义为其中m是单个像素点三通道{r,g,b}的平均灰度值,其范围为(0,255),S是单个像素点的方差,k为比例系数;通过对I(x)中每个像素点求S,可得到一幅原图像I(x)的方差图S(x);引入比例系数λ,重新定义其中
步骤2:对有雾图像进行两次最小值滤波,获得暗通道图,方法如下:
对于任意一个输入图像I(x),其暗通道图Idark(x)用公式定义为其中,Ω(x)代表以像素x为中心的一块方形区域;Ic代表输入图像I(x)在c(c∈{r,g,b})颜色通道中的数值;暗通道图像是输入图像经过两次取最小值运算得到,是针对每个像素在三个通道{r,g,b}内取其中的最小值,是一个最小值滤波器;
步骤3:根据暗通道先验知识,利用原有雾图像和暗通道图,以方差图作为判别准则,求解出大气光照值,方法如下:
利用本发明所提出的方差图S进行阈值选择,引入Δ作为选取的阈值,在本发明中阈值Δ=36,如果S≤Δ,则丢弃此数据;如果S≥Δ,则此数值是有效的,作为衡量大气光照值的依据;
求解大气光照值是在暗通道图中将像素点的亮度值按递减的顺序排序,确定强度值大小为前0.1%的像素点在暗通道图像中的位置,判断是否有效,将有效的数据所对应的原有雾图像区域中的像素点的平均强度值作为大气光照值;
步骤4:利用暗通道图求解透射率图,方法如下:
根据w(0<w≤1),获得输入图像的透射率图,其中,Ω(x)代表以像素x为中心的一块方形区域;Ic代表输入图像I(x)在c(c∈{r,g,b})颜色通道中的数值,暗通道图像是输入图像经过两次取最小值运算得到,是针对每个像素在三个通道{r,g,b}内取其中的最小值,是一个最小值滤波器,Ac为大气光照值的c(c∈{r,g,b})通道的分量,w为常数系数,本发明中值为0.98;
步骤5:在透射率图的基础上进行均值滤波,获得优化透射率图,方法如下:
将步骤4中得到的透射率图进行均值滤波操作,滤波尺寸P(x)为60×60;
步骤6:根据雾图像形成的大气光散射物理模型,利用已求解得到的大气光照值和优化后的透射率图,可以获得最终的无雾图像,方法如下:
根据公式大气光散射物理模型公式为优化后的透射率图t(x)设定一个下限t0,本发明中值为0.1;
所述的根据暗通道先验知识,利用原有雾图像和暗通道图,以方差图作为判别准则,求解出大气光照值,其特征在于包括暗通道先验知识、方差图作为判别准则、求解出大气光照值;
所述的暗通道先验知识,通过对大量户外无雾的图像进行分析并总结其统计特性得出的一个规律:在绝大多数非天空的局部区域中,总存在这样的像素,它们会有至少一个颜色通道具有强度很低和接近0的值,该区域的光强度的最小值是个很小的数,对于任意一个输入图像I(x),其暗通道图Idark(x)用公式定义为其中,Ω(x)代表以像素x为中心的一块方形区域;Ic代表输入图像I(x)在c(c∈{r,g,b})颜色通道中的数值,如果I是一幅户外无雾的图像,除了天空区域,输入图像的暗通道值很小,基本接近于0,即:Idark→0,即为暗通道先验知识;如果在暗通道图中出现大量亮度较高的像素,则这些亮度应该是来自天空或者雾气,雾气越浓暗通道图像的亮度就会越高,通过暗通道图可以估计透射率图,以此估计雾的浓薄;
所述的方差图作为判别准则,其特征在于,本发明利用所提出的方差图进行阈值选择,引入Δ作为选取的阈值,在本发明中阈值Δ=36,如果S≤Δ,则认为最亮的点来自于天空区域或白色物体上,丢弃此数据;如果S≥Δ,则此数值是有效的,作为衡量大气光照值的依据;
所述的求解出大气光照值,其特征在于,定义大气光照值为A,在暗通道图中将各像素点的亮度值按递减的顺序排序,确定强度值大小为前0.1%的像素点在暗通道图像中的位置,则这些位置所对应的原有雾图像区域中的前0.1%最大值的像素点的平均强度值作为大气光照值,利用方差图作为判别准则,如果选取点的位置来自于天空区域或者其他白色物体上,即S≤Δ,则丢弃此数据,如果S≥Δ,则此数值是有效的,可以作为衡量大气光照值的依据,此操作对三通道{r,g,b}独立进行,分别获得Ar,Ag,Ab;
所述的利用暗通道图求解透射率图,其特征在于,利用大气散射物理模型,根据w(0<w≤1),获得输入图像的透射率图,其中,Ω(x)代表以像素x为中心的一块方形区域;Ic代表输入图像I(x)在c(c∈{r,g,b})颜色通道中的数值,暗通道图像是输入图像经过两次取最小值运算得到,是针对每个像素在三个通道{r,g,b}内取其中的最小值,是一个最小值滤波器,Ac为大气光照值的c(c∈{r,g,b})通道的分量,w为常数系数;
所述的透射率图的基础上进行均值滤波,获得优化透射率图,其特征在于,由于t(x)在一个图像块中心并不总是常数,因此估计得到的透射率图出现了很多的块效应,导致去雾效果不太理想,在粗略估计透射率图的基础上进行了均值滤波操作,滤波尺寸P(x)由图像大小决定;
所述的大气光散射物理模型,其特征在于,在雾天获得的降质图像的光学模型被描述为:I(x)=t(x)J(x)+(1-t(x))A,其中,I(x)表示采集到的图像,A为大气光照值,J(x)是场景的辐射照度,即要获得的清晰的无雾图像,t(x)为透射率图,用来描述光线通过媒介透射到成像设备过程中没有被散射的部分,去雾的目标就是从已知观察得到的有雾图像I(x)中得到清晰的去雾图像J(x)。
本发明与现有技术相比,具有以下明显的优势和有益效果:
在现有技术中大多是基于物理模型实现去雾的,本发明克服了此过程中暗通道先验知识在白色物体上不适用的缺陷,保证了大气光照值选取的有效性,提高了去雾效果,是现有技术的有益补充。
附图说明
图1本发明的实施例的实施流程示意图;
图2输入的有雾场景的可见光图像;
图3 RGB颜色空间图;
图4输入图像的方差图;
图5输入图像第一次取最小值操作的暗通道图;
图6输入图像第二次取最小值滤波操作的暗通道图;
图7根据暗通道先验得到的粗略透射率图;
图8根据平滑均值滤波得到的优化透射率图;
图9根据大气光散射物理模型得到的最终去雾图像。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
本发明实施例基于物理模型的单幅图像去雾方法的实施步骤如下:
步骤1:输入有雾场景下的可见光图像,获得原有雾图像的方差图;
定义输入的有雾图像为三通道的RGB格式图像I(x)(如图3所示),根据r,g,b为图像三通道强度值,其中λ为常系数,本实施例中λ=17,得到的方差图如图4所示。
步骤2:对有雾图像进行两次最小值滤波,获得暗通道图;
跟据其中,I(x)为一幅有雾输入图像,Idark(x)为其暗通道图,Ω(x)代表以像素x为中心的一块方形区域;Ic代表输入图像I(x)在c(c∈{r,g,b})颜色通道中的数值。暗通道图像是输入图像经过两次取最小值运算得到的,是针对每个像素在三个通道{r,g,b}内取其中的最小值,是一个最小值滤波器,采取的滤波尺寸为Ω(x)=15×15。第一次取最小值操作后的图像如图5所示,第二次取最小值操作后的图像如图6所示。
步骤3:根据暗通道先验知识,利用原有雾图像和暗通道图,以方差图作为判别准则,求解出大气光照值;
在暗通道图中将各像素点的亮度值按递减的顺序排序,确定强度值大小为前0.1%的像素点在暗通道图像中的位置,则这些位置所对应的原有雾图像区域中的前0.1%最大值的像素点的平均强度值作为大气光照值。利用方差图作为判别准则,如果选取点的位置来自于天空区域或者其他白色物体上,即S≤Δ,则丢弃此数据,如果S≥Δ,则我们认为此数值是有效的,可以作为衡量大气光照值的依据,此操作对三通道{r,g,b}独立进行,分别获得Ar,Ag,Ab。
步骤4:利用暗通道图求解透射率图;
利用大气散射模型,根据w(0<w≤1),获得输入图像的透射率图。其中,为暗通道图Idark,Ω(x)代表以像素x为中心的一块方形区域;Ic代表输入图像I(x)在c(c∈{r,g,b})颜色通道中的数值。暗通道图像是输入图像经过两次取最小值运算得到的,是针对每个像素在三个通道{r,g,b}内取其中的最小值,是一个最小值滤波器,采取的滤波尺寸为Ω(x)=15×15。Ac为大气光照值的c(c∈{r,g,b})通道的分量,w为常系数,取0.95,得到的粗略透射率图如图7所示。
步骤5:在透射率图的基础上进行均值滤波,获得优化透射率图;
在粗略估计透射率图的基础上进行了均值滤波操作,滤波尺寸P(x)由图像大小决定,通常滤波尺寸P(x)=30×30,优化后的透射率图如图8所示。
步骤6:根据雾图像形成的大气光散射物理模型,利用已求解得到的大气光照值和优化后的透射率图,可以获得最终的无雾图像。
根据当天空区域的透射率趋近于0,且t(x)接近0的时候,直接复原得到的原始图像倾向于包含噪声。因此,要为优化后的透射率图t(x)设定一个下限t0,在本实施案例中t0取0.1。其中,I(x)表示采集***采集到的图像,A为大气光照值,J(x)是获得的清晰的无雾图像,t(x)为透射率图。最终的去雾图如图9所示。
最后应说明的是:以上示例仅用以说明本发明而并非限制本发明所描述的技术方案;因此,尽管本说明书参照上述的示例对本发明已进行了详细的说明,但是,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于大气光散射物理模型的单幅图像去雾方法,其特征在于,包括如下步骤:
步骤1:输入有雾场景下的可见光彩色RGB图像,计算原有雾图像的灰度方差图,方法如下:
定义输入的有雾图像为三通道的RGB格式图像I(x),在RGB立方体空间中,方差S的定义为其中m是单个像素点三通道{r,g,b}的平均灰度值,其范围为(0,255),S是单个像素点的方差,k为比例系数;通过对I(x)中每个像素点求S,可得到一幅原图像I(x)的方差图S(x);引入比例系数λ,重新定义其中
步骤2:对有雾图像进行两次最小值滤波,获得暗通道图,方法如下:
对于任意一个输入图像I(x),其暗通道图Idark(x)用公式定义为其中,Ω(x)代表以像素x为中心的一块方形区域;Ic代表输入图像I(x)在c(c∈{r,g,b})颜色通道中的数值;暗通道图像是输入图像经过两次取最小值运算得到,是针对每个像素在三个通道{r,g,b}内取其中的最小值,是一个最小值滤波器;
步骤3:根据暗通道先验知识,利用原有雾图像和暗通道图,以方差图作为判别准则,求解出大气光照值,方法如下:
利用方差图S进行阈值选择,引入Δ作为选取的阈值,阈值Δ=36,如果S≤Δ,则认为最亮的点来自于天空区域或白色物体上,丢弃此数据;如果S>Δ,则此数值是有效的,作为衡量大气光照值的依据;
求解大气光照值是在暗通道图中将像素点的亮度值按递减的顺序排序,确定强度值大小为前0.1%的像素点在暗通道图像中的位置,判断是否有效,将有效的数据所对应的原有雾图像区域中的像素点的平均强度值作为大气光照值;
步骤4:利用暗通道图求解透射率图,方法如下:
根据w(0<w≤1),获得输入图像的透射率图,其中,Ω(x)代表以像素x为中心的一块方形区域;Ic代表输入图像I(x)在c(c∈{r,g,b})颜色通道中的数值,暗通道图像是输入图像经过两次取最小值运算得到,是针对每个像素在三个通道{r,g,b}内取其中的最小值,是一个最小值滤波器,Ac为大气光照值的c(c∈{r,g,b})通道的分量,w为常数系数,其值为0.98;
步骤5:在透射率图的基础上进行均值滤波,获得优化透射率图,方法如下:
将步骤4中得到的透射率图进行均值滤波操作,滤波尺寸P(x)为60×60;
步骤6:根据雾图像形成的大气光散射物理模型,利用已求解得到的大气光照值和优化后的透射率图,可以获得最终的无雾图像,方法如下:
根据公式大气光散射物理模型公式为优化后的透射率图t(x)设定一个下限t0,其值为0.1;
所述的根据暗通道先验知识,利用原有雾图像和暗通道图,以方差图作为判别准则,求解出大气光照值,其特征在于包括暗通道先验知识、方差图作为判别准则、求解出大气光照值;
所述的暗通道先验知识,通过对大量户外无雾的图像进行分析并总结其统计特性得出的一个规律:在绝大多数非天空的局部区域中,总存在这样的像素,它们会有至少一个颜色通道具有强度很低和接近0的值,该区域的光强度的最小值是个很小的数,对于任意一个输入图像I(x),其暗通道图Idark(x)用公式定义为其中,Ω(x)代表以像素x为中心的一块方形区域;Ic代表输入图像I(x)在c(c∈{r,g,b})颜色通道中的数值,如果I是一幅户外无雾的图像,除了天空区域,输入图像的暗通道值很小,基本接近于0,即:Idark→0,即为暗通道先验知识;如果在暗通道图中出现大量亮度较高的像素,则这些亮度应该是来自天空或者雾气,雾气越浓暗通道图像的亮度就会越高,通过暗通道图可以估计透射率图,以此估计雾的浓薄;
所述的求解出大气光照值,定义大气光照值为A,在暗通道图中将各像素点的亮度值按递减的顺序排序,确定强度值大小为前0.1%的像素点在暗通道图像中的位置,则这些位置所对应的原有雾图像区域中的前0.1%最大值的像素点的平均强度值作为大气光照值,利用方差图作为判别准则,如果选取点的位置来自于天空区域或者其他白色物体上,即S≤Δ,则丢弃此数据,如果S>Δ,则此数值是有效的,可以作为衡量大气光照值的依据,此操作对三通道{r,g,b}独立进行,分别获得Ar,Ag,Ab;
所述的利用暗通道图求解透射率图,其特征在于,利用大气散射物理模型,根据w(0<w≤1),获得输入图像的透射率图,其中,Ω(x)代表以像素x为中心的一块方形区域;Ic代表输入图像I(x)在c(c∈{r,g,b})颜色通道中的数值,暗通道图像是输入图像经过两次取最小值运算得到,是针对每个像素在三个通道{r,g,b}内取其中的最小值,是一个最小值滤波器,Ac为大气光照值的c(c∈{r,g,b})通道的分量,w为常数系数;
所述的大气光散射物理模型,在雾天获得的降质图像的光学模型被描述为:I(x)=maxt(x)J(x)+(1-max t(x))A,其中,I(x)表示采集到的图像,A为大气光照值,J(x)是场景的辐射照度,即要获得的清晰的无雾图像,t(x)为透射率图,用来描述光线通过媒介透射到成像设备过程中没有被散射的部分,去雾的目标就是从已知观察得到的有雾图像I(x)中得到清晰的去雾图像J(x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410508456.9A CN104299192B (zh) | 2014-09-28 | 2014-09-28 | 一种基于大气光散射物理模型的单幅图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410508456.9A CN104299192B (zh) | 2014-09-28 | 2014-09-28 | 一种基于大气光散射物理模型的单幅图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104299192A CN104299192A (zh) | 2015-01-21 |
CN104299192B true CN104299192B (zh) | 2017-03-29 |
Family
ID=52318913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410508456.9A Active CN104299192B (zh) | 2014-09-28 | 2014-09-28 | 一种基于大气光散射物理模型的单幅图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104299192B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512623B (zh) * | 2015-12-02 | 2018-09-14 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警***及方法 |
CN105488769B (zh) * | 2015-12-08 | 2019-02-19 | 中国航空工业集团公司西安航空计算技术研究所 | 一种实时视频去雾方法 |
CN105741246A (zh) * | 2016-01-29 | 2016-07-06 | 南京航空航天大学 | 一种去除沙尘和雾对光学图片影响的方法 |
CN105608683B (zh) * | 2016-03-11 | 2018-02-16 | 北京理工大学 | 一种单幅图像去雾方法 |
CN106846259A (zh) * | 2016-12-15 | 2017-06-13 | 上海交通大学 | 一种腹腔镜手术视频帧率自适应的实时去烟雾方法 |
CN108765302B (zh) * | 2018-03-29 | 2022-07-22 | 西安电子科技大学 | 基于gpu的图像实时去雾方法 |
CN109919859B (zh) * | 2019-01-25 | 2021-09-07 | 暨南大学 | 一种户外场景图像去雾增强方法、计算设备及其存储介质 |
CN110910319B (zh) * | 2019-10-30 | 2022-10-21 | 中国医学科学院北京协和医院 | 一种基于大气散射模型的手术视频实时去雾增强方法 |
CN111192210B (zh) * | 2019-12-23 | 2023-05-26 | 杭州当虹科技股份有限公司 | 一种自适应增强的视频去雾方法 |
CN111489302B (zh) * | 2020-03-27 | 2023-12-05 | 武汉理工大学 | 一种雾气环境下海事图像增强方法 |
CN111738938B (zh) * | 2020-06-01 | 2022-09-09 | 余姚市浙江大学机器人研究中心 | 基于先验目标识别的非均匀雾化视频优化方法 |
CN111754433B (zh) * | 2020-06-22 | 2024-03-05 | 哈尔滨理工大学 | 一种航拍图像去雾方法 |
CN112529802B (zh) * | 2020-12-09 | 2021-07-20 | 电子科技大学 | 基于散射系数比估计的大气散射降质图像恢复方法 |
CN113298732A (zh) * | 2021-06-08 | 2021-08-24 | 北京联合大学 | 一种基于区域相似性的图像去雾方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289791A (zh) * | 2011-06-29 | 2011-12-21 | 清华大学 | 一种快速单幅图像去雾方法 |
CN102411774A (zh) * | 2011-08-08 | 2012-04-11 | 安防科技(中国)有限公司 | 一种基于单幅图像去雾的处理方法、装置及*** |
CN102930514A (zh) * | 2012-09-27 | 2013-02-13 | 西安电子科技大学 | 基于大气物理散射模型的快速图像去雾方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8588551B2 (en) * | 2010-03-01 | 2013-11-19 | Microsoft Corp. | Multi-image sharpening and denoising using lucky imaging |
-
2014
- 2014-09-28 CN CN201410508456.9A patent/CN104299192B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289791A (zh) * | 2011-06-29 | 2011-12-21 | 清华大学 | 一种快速单幅图像去雾方法 |
CN102411774A (zh) * | 2011-08-08 | 2012-04-11 | 安防科技(中国)有限公司 | 一种基于单幅图像去雾的处理方法、装置及*** |
CN102930514A (zh) * | 2012-09-27 | 2013-02-13 | 西安电子科技大学 | 基于大气物理散射模型的快速图像去雾方法 |
Non-Patent Citations (2)
Title |
---|
single image haze removal using dark channel prior;Kaiming He et al.;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;20111231;第33卷(第12期);2341-2353 * |
基于暗通道先验图像去雾的方法改进;崔冰琪 等;《信息通信》;20131231(第6期);60-61 * |
Also Published As
Publication number | Publication date |
---|---|
CN104299192A (zh) | 2015-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104299192B (zh) | 一种基于大气光散射物理模型的单幅图像去雾方法 | |
Tripathi et al. | Single image fog removal using bilateral filter | |
CN107301624B (zh) | 基于区域划分及浓雾预处理的卷积神经网络去雾方法 | |
CN104050637B (zh) | 基于两次引导滤波的快速图像去雾方法 | |
CN102930514A (zh) | 基于大气物理散射模型的快速图像去雾方法 | |
CN103186887B (zh) | 图像除雾装置和图像除雾方法 | |
CN111062293B (zh) | 一种基于深度学习的无人机森林火焰识别方法 | |
CN103985091A (zh) | 基于亮度暗先验与双边滤波的单幅图像去雾方法 | |
CN103198459A (zh) | 雾霾图像快速去雾方法 | |
CN103049890A (zh) | 一种基于cuda的图像实时去雾方法 | |
CN102063704B (zh) | 一种机载视景增强方法及其装置 | |
CN107451966A (zh) | 一种采用灰度图引导滤波实现的实时视频去雾方法 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN112365467B (zh) | 一种基于单幅图像深度估计的雾天图像能见度估计方法 | |
CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
CN103578083A (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
CN106023118B (zh) | 一种图像去雾方法及其在fpga上的实现方法 | |
CN107730472A (zh) | 一种基于暗原色先验的图像去雾优化算法 | |
CN113610728A (zh) | 一种基于四分暗通道均值比较的偏振双图像去雾方法 | |
CN112950589A (zh) | 一种多尺度卷积神经网络的暗通道先验去雾算法 | |
Ji et al. | Real-time enhancement of the image clarity for traffic video monitoring systems in haze | |
CN105631825B (zh) | 基于滚动导向的图像去雾方法 | |
CN102156968A (zh) | 一种基于颜色立方先验的单一图像能见度复原方法 | |
Al-Zubaidy et al. | Removal of atmospheric particles in poor visibility outdoor images | |
Putra et al. | Visibility restoration of lake crater hazy image based on dark channel prior |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |