CN105631825B - 基于滚动导向的图像去雾方法 - Google Patents

基于滚动导向的图像去雾方法 Download PDF

Info

Publication number
CN105631825B
CN105631825B CN201510998047.6A CN201510998047A CN105631825B CN 105631825 B CN105631825 B CN 105631825B CN 201510998047 A CN201510998047 A CN 201510998047A CN 105631825 B CN105631825 B CN 105631825B
Authority
CN
China
Prior art keywords
image
pixel
value
color image
defogging
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
Application number
CN201510998047.6A
Other languages
English (en)
Other versions
CN105631825A (zh
Inventor
白静
张钊
公文静
焦李成
王爽
马晶晶
马文萍
杨淑媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201510998047.6A priority Critical patent/CN105631825B/zh
Publication of CN105631825A publication Critical patent/CN105631825A/zh
Application granted granted Critical
Publication of CN105631825B publication Critical patent/CN105631825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于滚动导向的图像去雾方法，主要解决现有去雾方法所获取的去雾结果整体偏暗且伴有光晕效应的问题。其实现步骤为：(1)输入一幅雾天彩色图像，依次计算雾天彩色图像的最小值图像和暗通道图像；(2)求解雾天彩色图像的大气光值；(3)求解雾天彩色图像的初始粗糙透射图；(4)对初始粗糙透射图进行优化；(5)根据大气散射物理模型求解初始去雾结果；(6)对初始去雾结果进行基于图层的细节增强处理，获取最终的去雾结果。本发明避免了光晕效应的产生，提高了去雾结果的整体亮度，使去雾结果更加自然，可用于交通监控、自动驾驶、航天遥感和安防监测领域。

Description

基于滚动导向的图像去雾方法
技术领域
本发明属于图像处理技术领域，具体是涉及一种图像去雾方法，可用于交通监控、自动驾驶、航天遥感和安防监测领域。
背景技术
近年来大规模持续性雾霾污染事件频繁发生，不仅影响到了每个人的身体健康以及日常生活，而且使户外监控设备所拍摄图像质量严重退化，给户外监控、监测以及智能识别跟踪***等带来了巨大的挑战，如在雾霾天气影响下，交通要道违章车辆的车牌等信息可能无法精确地识别出来，银行等机构的户外监控设备可能因无法拍摄到清晰地人体特征信息而造成安防问题不能有效地得到保证，无人机可能因大气中雾霾的干扰而不能在航拍中有效地侦测识别目标等情况。综上所述，雾霾天气给户外监控***后期图像处理引入了很多不稳定的干扰因素。因此，如何有效地去除图像中雾霾因素的干扰成为了一个具有重要现实意义的课题。
He等学者在文章“Single image haze removal using dark channelprior.IEEE Trans.on Pattern Analysis and Machine Intelligence,2011,33:2341-2353.”中提出了基于暗通道先验理论的单幅图像去雾方法。该方法能够获得非常不错的去雾效果，但是去雾结果亮度偏暗，而且由于采用软抠图算法对初始粗糙透射图进行优化，使整个去雾方法具有较高的时间复杂度。
Tarel等学者在文章“Fast visibility restoration from a single color orgray level image.Proceedings of IEEE Conference on International Conferenceon Computer Vision,2009,10:20-28.”中提出基于两次中值滤波的快速单幅图像去雾方法。该方法具有比较高的去雾效率，但是由于采用不具有良好边缘保持性的中值滤波算法，去雾结果的边缘区域存在严重的光晕效应。
发明内容
本发明的目的在于针对上述现有图像去雾技术的不足，提出一种基于滚动导向的图像去雾方法，以避免光晕效应的产生，提高去雾结果的整体亮度，使去雾结果的视觉效果更加自然。
为实现上述目的，本发明的技术方案包括如下：
(1)输入任选的一幅雾天彩色图像H，依次计算雾天彩色图像H的最小值图像M和暗通道图像D；
(2)求解雾天彩色图像H的大气光值L；
(2a)将暗通道图像D中像素点的像素值按由大到小进行排序，取排序后前0.1％个像素点区域Q；
(2b)将雾天彩色图像H转换到HSV即色调、饱和度、亮度空间中；
(2c)将像素点区域Q所对应位置的雾天彩色图像在HSV空间中的V值按由大到小进行排序，判定取排序后处于1/5位置所对应的雾天彩色图像像素点的个数n：如果n＝1，则取该雾天彩色图像像素点作为大气光值L，如果n＞1，则取像素值最大的雾天彩色图像像素点作为大气光值L；
(3)求解雾天彩色图像H的初始粗糙透射图
式中，tmin(z)表示初始粗糙透射图的下限，表示y为以像素点x为中心、窗口大小为3×3的局部邻域中像素值最小的像素点，表示z为以像素点y为中心、窗口大小为3×3的局部邻域中的像素值最大的像素点；
(4)对初始粗糙透射图进行优化，获取优化后的透射图t(x)；
(4a)对初始粗糙透射图进行窗口大小为15×15的中值滤波，获得滤波后的透射图
(4b)按照下式，对步骤(1)获取的最小值图像M进行取反操作，获得取反后的图像
式中，M(x)表示最小值图像M中任意一个像素点x的像素值，表示取反后的图像中任意一个像素点x的像素值；
(4c)以取反后的图像作为输入图像，以中值滤波后的透射图作为引导图像，进行联合双边滤波，获得联合双边滤波后的图像
(4d)以取反后的图像作为输入图像，以联合双边滤波后的图像作为引导图像，进行联合双边滤波，获得更新后的联合双边滤波后的图像
(4e)对步骤(4d)进行重复迭代操作，当重复迭代次数达到设定阈值τ时，则取本次联合双边滤波后的图像作为优化后的透射图t(x)，τ取值为5；
(5)根据大气光散射物理模型，利用已求解得到的大气光值L和优化后的透射图t(x)，获取初始去雾结果R0；
(6)对初始去雾结果R0进行基于图层的细节增强处理，获取最终的去雾结果R。
本发明与现有技术相比具有以下优点：
第一，本发明方法通过对初始粗糙透射图采用循环迭代联合双边滤波进行优化，避免了光晕效应的产生，提高了去雾结果的整体亮度，使去雾结果视觉效果更加自然。
第二，本发明的方法不仅不需要人工的参与，还能较大地降低计算代价，节省了计算时间，在获得清晰自然的视觉效果的同时，显著地提高了图像去雾的效率。
附图说明
图1是本发明的实现流程图；
图2是本发明仿真使用的道路交通雾天图像；
图3是本发明仿真使用的房屋雾天图像；
图4是用本发明与现有方法对道路交通雾天图像的去雾结果对比图；
图5是用本发明与现有方法对房屋雾天图像的去雾结果对比图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1，本发明的具体步骤如下：
步骤1：输入任选的一幅雾天彩色图像H，依次计算雾天彩色图像H的最小值图像M和暗通道图像D。
本实施例中使用的雾天彩色图像如附图2和附图3所示。其中，附图2是道路交通雾天图像，大小为600×400，附图3是房屋雾天图像，大小为441×450。
(1a)从附图2和附图3中任选一幅雾天彩色图像作为输入的一副雾天彩色图像H；
(1b)取雾天彩色图像H中每一个像素点在R、G、B即红绿蓝三个颜色通道上的最小灰度值，获得雾天彩色图像H的最小值图像M；
(1c)对雾天彩色图像H的最小值图像M进行窗口大小为15×15的最小值滤波，获得雾天彩色图像H的暗通道图像D。
步骤2：求解雾天彩色图像H的大气光值L。
(2a)将暗通道图像D中像素点的像素值按由大到小进行排序，取排序后的前0.1％个像素点区域Q；
(2b)将雾天彩色图像H转换到HSV即色调、饱和度、亮度空间中；
(2c)将像素点区域Q所对应位置的雾天彩色图像在HSV空间中的V值按由大到小进行排序，判定取排序后处于1/5位置所对应的雾天彩色图像像素点的个数n：如果n＝1，则取该雾天彩色图像像素点作为大气光值L，如果n＞1，则取像素值最大的雾天彩色图像像素点作为大气光值L。
步骤3：根据彩色图像中像素点的像素值边界约束条件求解雾天彩色图像H的初始粗糙透射图
式中，表示y为以像素点x为中心、窗口大小为3×3的局部邻域中像素值最小的像素点，表示z为以像素点y为中心、窗口大小为3×3的局部邻域中的像素值最大的像素点，tmin(z)表示初始粗糙透射图的下限，按如下公式计算：
式中，H(z)表示雾天彩色图像H中任意一个像素点z的像素值，c∈{r,g,b}表示c为图像R、G、B三个颜色通道中的任意一个通道，C1表示无雾彩色图像中像素点的像素值下限，C1取值为20，C2表示无雾彩色图像中像素点的像素值上限，C2取值为280。
步骤4：对初始粗糙透射图进行优化，获取优化后的透射图t(x)：
(4a)根据彩色图像局部图像块的深度信息恒定不变的特征，对初始粗糙透射图进行窗口大小为15×15的中值滤波，获得滤波后的透射图
(4b)按照下式，对步骤1获取的最小值图像M进行取反操作，获得最小值图像M取反后的图像
式中，M(x)表示最小值图像M中任意一个像素点x的像素值，表示取反后的图像中任意一个像素点x的像素值；
(4c)以最小值图像M取反后的图像作为输入图像，以中值滤波后的透射图作为引导图像，进行联合双边滤波，获得联合双边滤波后的图像
(4d)以最小值图像M取反后的图像作为输入图像，以联合双边滤波后的图像作为引导图像，进行联合双边滤波，获得更新后的联合双边滤波后的图像
(4e)设定阈值τ，重复迭代得到优化后的透射图t(x)：
由于中值滤波后的透射图的边缘信息比较模糊，根据联合双边滤波所获得的滤波结果边缘强度介于输入图像和引导图像的边缘强度之间的特征，通过对步骤(4d)进行重复迭代操作重塑中值滤波后的透射图的边缘信息，当重复迭代次数达到设定阈值τ＝5时，则取本次联合双边滤波后的图像作为优化后的透射图t(x)。
步骤5：根据大气散射物理模型，获取初始去雾结果R0。
在雾霾天气条件下，大气散射物理模型如下：
H(x)＝R0(x)t(x)+L(1-t(x))，
式中，H(x)表示雾天彩色图像H中任意一个像素点x的像素值，t(x)表示优化后的透射图，R0(x)表示初始去雾结果R0中任意一个像素点x的像素值，L表示大气光值。
(5a)对大气散射物理模型变换如下：
式中，td表示t(x)的约束边界，td取值为0.1；
(5b)将步骤2求解得到的大气光值L和步骤4求解得到的优化后的透射图t(x)代入变换后的大气散射物理模型中获取初始去雾结果R0。
步骤6：对初始去雾结果R0进行基于图层的细节增强处理，获取最终的去雾结果R。
(6a)对初始去雾结果R0进行双边滤波，获取初始去雾结果R0的区域图层
(6b)按照下式，获取初始去雾结果R0的细节图层
(6c)按照下式，获取最终的去雾结果R：
式中，γ表示增强系数，γ取值为1.6。
本发明的效果可以通过以下仿真做进一步说明：
1.仿真条件：
本发明的硬件测试平台是：处理器为Inter Core i3 350M，主频为2.27GHz，内存2GB，软件平台为：Windows 7旗舰版32位操作***和Matlab R2010b。本发明的输入图像分别为道路交通雾天图像和房屋雾天图像，其中道路交通雾天图像的大小为600×400，灰度级为256，格式为BMP，房屋雾天图像的大小为441×450，灰度级为256，格式为BMP。
2.仿真方法：
方法1：He等学者在文章“Single image haze removal using dark channelprior.IEEE Trans.on Pattern Analysis and Machine Intelligence,2011,33:2341-2353.”中提出的基于暗通道先验的单幅图像去雾方法，简称He方法。
方法2：Tarel等学者在文章“Fast visibility restoration from a singlecolor or gray level image.Proceedings of IEEE Conference on InternationalConference on Computer Vision,2009,10:20-28.”中提出基于两次中值滤波的快速单幅图像去雾方法，简称Tarel方法。
方法3：Meng等学者在文章“Efficient image dehazing with boundaryconstraint and contextual regularization.Computer Vision(ICCV),2013 IEEEInternational Conference on.IEEE,2013:617-624.”中提出的基于边界约束和上下文信息的单幅图像去雾方法，简称Meng方法。
方法4：本发明方法。
3.仿真内容与结果分析：
实验1：用上述四种方法对图2所示的为道路交通雾天图像数据集进行图像去雾的仿真实验，结果如图4，其中：
图4(a)为He方法所获得的去雾结果图像；
图4(b)为Tarel方法所获得的去雾结果图像；
图4(c)为Meng方法所获得的去雾结果图像；
图4(d)为本发明方法所获得的去雾结果图像；
从图4可以看出：He等人的去雾算法得到的结果，颜色保持的很好，但是没有将干扰因素彻底消除干净；Tarel等人的去雾算法得到的结果出现光晕效应，造成密集树木枝干以及远处房屋仍然被雾霾所干扰；Meng等人的去雾算法得到的结果，去雾效果很好，但是远处的房屋以及道路中间远方的车辆仍然无法清晰的看到；本发明方法所得到的去雾结果，道路中间远方的车辆、公路旁边的指示牌以及远处的房屋都可以清晰的看到。
实验2：用上述四种方法对图3所示的为道路交通雾天图像数据集进行图像去雾的仿真实验，结果如图5，其中：
图5(a)为He方法所获得的去雾结果图像；
图5(b)为Tarel方法所获得的去雾结果图像；
图5(c)为Meng方法所获得的去雾结果图像；
图5(d)为本发明方法所获得的去雾结果图像；
从图5可以看出：He等人的去雾算法得到的结果，具有较高的对比度，但是仍然有一层浅浅的薄雾未消除；Tarel等人的去雾方法得到的结果，树叶周围仍然有很多雾气未去除，而且得到的结果整体颜色有点失真；Meng等人的去雾方法得到的结果，去雾效果很好，对比度较高，但是右上角房屋信息处理的过亮；本发明方法所得到的去雾结果图像整体亮度很好，图像颜色也比较自然，图像下方的草丛以及树叶边缘信息非常清晰。

Claims (6)

1.一种基于滚动导向的图像去雾方法，包括如下步骤：
(1)输入任选的一幅雾天彩色图像H，依次计算雾天彩色图像H的最小值图像M和暗通道图像D；
(2)求解雾天彩色图像H的大气光值L；
(2a)将暗通道图像D中像素点的像素值按由大到小进行排序，取排序后前0.1％个像素点区域Q；
(2b)将雾天彩色图像H转换到HSV即色调、饱和度、亮度空间中；
(2c)将像素点区域Q所对应位置的雾天彩色图像在HSV空间中的V值按由大到小进行排序，判定取排序后处于1/5位置所对应的雾天彩色图像像素点的个数n：如果n＝1，则取该雾天彩色图像像素点作为大气光值L，如果n＞1，则取像素值最大的雾天彩色图像像素点作为大气光值L；
(3)求解雾天彩色图像H的初始粗糙透射图
式中，tmin(z)表示初始粗糙透射图的下限，表示y为以像素点x为中心、窗口大小为3×3的局部邻域中像素值最小的像素点，表示z为以像素点y为中心、窗口大小为3×3的局部邻域中的像素值最大的像素点；
(4)对初始粗糙透射图进行优化，获取优化后的透射图t(x)；
(4a)对初始粗糙透射图进行窗口大小为15×15的中值滤波，获得滤波后的透射图
(4b)按照下式，对步骤(1)获取的最小值图像M进行取反操作，获得取反后的图像
式中，M(x)表示最小值图像M中任意一个像素点x的像素值，表示取反后的图像中任意一个像素点x的像素值；
(4c)以取反后的图像作为输入图像，以中值滤波后的透射图作为引导图像，进行联合双边滤波，获得联合双边滤波后的图像
(4d)以取反后的图像作为输入图像，以联合双边滤波后的图像作为引导图像，进行联合双边滤波，获得更新后的联合双边滤波后的图像
(4e)对步骤(4d)进行重复迭代操作，当重复迭代次数达到设定阈值τ＝5时，则取本次联合双边滤波后的图像作为优化后的透射图t(x)；
(5)根据大气散射物理模型，利用已求解得到的大气光值L和优化后的透射图t(x)，获取初始去雾结果R0；
(6)对初始去雾结果R0进行基于图层的细节增强处理，获取最终的去雾结果R。
2.根据权利要求1所述的基于滚动导向的图像去雾方法，其特征在于：步骤(1)中计算雾天彩色图像H的最小值图像M，是取雾天彩色图像H中每一个像素点在R、G、B即红绿蓝三个颜色通道上的最小灰度值，获得雾天彩色图像H的最小值图像M。
3.根据权利要求1所述的基于滚动导向的图像去雾方法，其特征在于：步骤(1)中计算雾天彩色图像H的暗通道图像D，是对雾天彩色图像H的最小值图像M进行窗口大小为15×15的最小值滤波，获得雾天彩色图像H的暗通道图像D。
4.根据权利要求1所述的基于滚动导向的图像去雾方法，其特征在于：步骤(3)中初始粗糙透射图的下限tmin(z)，按如下公式计算：
式中，H(z)表示雾天彩色图像H中任意一个像素点z的像素值，c∈{r,g,b}表示c为图像R、G、B三个颜色通道中的任意一个通道，C1表示无雾彩色图像中像素点的像素值下限，C1取值为20，C2表示无雾彩色图像中像素点的像素值上限，C2取值为280。
5.根据权利要求1所述的基于滚动导向的图像去雾方法，其特征在于：步骤(5)通过大气散射物理模型获取初始去雾结果R0，按如下公式计算：
式中，H(x)表示雾天彩色图像H中任意一个像素点x的像素值，td表示t(x)的约束边界，td取值为0.1，R0(x)表示初始去雾结果R0中任意一个像素点x的像素值，L表示大气光值。
6.根据权利要求1所述的基于滚动导向的图像去雾方法，其特征在于：步骤(6)中对初始去雾结果R0进行基于图层的细节增强处理，按如下步骤进行：
(6a)对初始去雾结果R0进行双边滤波，获取初始去雾结果R0的区域图层
(6b)按照下式，获取初始去雾结果R0的细节图层
(6c)按照下式，获取最终的去雾结果R：
式中，γ表示增强系数，γ取值为1.6。
CN201510998047.6A 2015-12-28 2015-12-28 基于滚动导向的图像去雾方法 Active CN105631825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510998047.6A CN105631825B (zh) 2015-12-28 2015-12-28 基于滚动导向的图像去雾方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510998047.6A CN105631825B (zh) 2015-12-28 2015-12-28 基于滚动导向的图像去雾方法

Publications (2)

Publication Number Publication Date
CN105631825A CN105631825A (zh) 2016-06-01
CN105631825B true CN105631825B (zh) 2018-11-16

Family

ID=56046713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510998047.6A Active CN105631825B (zh) 2015-12-28 2015-12-28 基于滚动导向的图像去雾方法

Country Status (1)

Country Link
CN (1) CN105631825B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108109113A (zh) * 2017-11-09 2018-06-01 齐鲁工业大学 基于双边滤波和中值滤波的单幅图像去雾方法和装置
CN111915496B (zh) * 2019-05-08 2024-04-23 北京字节跳动网络技术有限公司 一种图像处理方法、装置及存储介质
CN110517201B (zh) * 2019-08-29 2021-11-16 北京迈格威科技有限公司 循环保边平滑滤波的方法、装置和电子设备
CN114240800B (zh) * 2021-12-22 2022-11-29 清华大学 面向散射场景的编码摄像图像增强方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104252698A (zh) * 2014-06-25 2014-12-31 西南科技大学 一种基于半逆法的快速单幅图像去雾算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101328741B1 (ko) * 2012-01-03 2013-11-11 중앙대학교 산학협력단 색상 채널을 이용한 영상 개선 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104252698A (zh) * 2014-06-25 2014-12-31 西南科技大学 一种基于半逆法的快速单幅图像去雾算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于大气散射模型的偏振图像去雾方法;赵长霞等;《长春理工大学学报（自然科学版）》;20150630;第38卷(第3期);107-111 *

Also Published As

Publication number Publication date
CN105631825A (zh) 2016-06-01

Similar Documents

Publication Publication Date Title
CN102750674B (zh) 基于自适应容差的视频图像去雾方法
CN107301623B (zh) 一种基于暗通道和图像分割的交通图像去雾方法及***
CN103914813B (zh) 彩色雾霾图像去雾与光照补偿的复原方法
CN105631825B (zh) 基于滚动导向的图像去雾方法
CN104881879B (zh) 一种基于暗通道先验的遥感图像雾霾仿真方法
CN107505546A (zh) 一种利用紫外成像仪监测电晕放电的方法
CN106548461B (zh) 图像去雾方法
CN111091544B (zh) 铁路货车转向架侧面一体架构断裂故障检测方法
CN107301624A (zh) 基于区域划分及浓雾预处理的卷积神经网络去雾算法
CN103077504B (zh) 一种基于自适应光照计算的图像去雾方法
CN107103591A (zh) 一种基于图像雾霾浓度估计的单幅图像去雾方法
CN105959510B (zh) 一种视频快速去雾方法
CN109460764A (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
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
CN107451966A (zh) 一种采用灰度图引导滤波实现的实时视频去雾方法
CN108022225A (zh) 基于快速导向滤波改进的暗通道先验图像去雾算法
CN110441320B (zh) 一种煤矸石检测方法、装置及***
CN106657948A (zh) 低照度Bayer图像的增强方法及增强装置
CN111563852A (zh) 一种基于低复杂度mf的暗通道先验去雾方法
CN107085830B (zh) 基于传播滤波的单幅图像去雾方法
CN107977941A (zh) 一种明亮区域色彩保真及对比度增强的图像去雾方法
CN111598793A (zh) 一种用于输电线路图像去雾的方法、***及存储介质
CN108563986B (zh) 基于远距离拍摄图像的震区电线杆姿态判断方法和***
CN109325956A (zh) 一种基于图像处理的输电导线覆冰截面特征提取方法
CN115953341A (zh) 一种夜间火箭可见光图像和红外图像分区域融合方法

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