CN106846263B - 基于融合通道且对天空免疫的图像去雾方法 - Google Patents
基于融合通道且对天空免疫的图像去雾方法 Download PDFInfo
- Publication number
- CN106846263B CN106846263B CN201611232840.6A CN201611232840A CN106846263B CN 106846263 B CN106846263 B CN 106846263B CN 201611232840 A CN201611232840 A CN 201611232840A CN 106846263 B CN106846263 B CN 106846263B
- Authority
- CN
- China
- Prior art keywords
- image
- transmitance
- channel
- dark
- bright
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000003384 imaging method Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 239000003086 colorant Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 26
- 230000000903 blocking effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 2
- 239000003595 mist Substances 0.000 description 10
- 238000012876 topography Methods 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004721 adaptive immunity Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
基于融合通道且对天空免疫的图像去雾方法,涉及数字图像处理技术领域,解决现有图像去雾方法去雾后存在图像上天空区域色彩失真,出现光晕现象和块效应,导致去雾效果差以及现有方法存在识别过程繁琐计算量大等问题,对有雾图像进行最小值、最大值滤波,粗略估计大气光及引入修正因子,分别暗通道的透过率和亮通道的透过率的粗略估计;采用引导滤波分别进行精细优化,判断暗通道透过率的粗略估计是否大于亮通道透过率的粗略估计,如果是,暗原色通道图像为天空区域,如果否,则暗原色通道图像不是天空区域,获得精确的融合透过率估计;并将所述像素均值作为对大气光的自适应准确估计以及融合透过率,采用大气散射成像模型获得去雾清晰化图像。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种基于融合通道且对天空免疫的图像去雾方法。
背景技术
近年来,雾霾天气较为常见,由于空气中大量气溶胶粒子、微小水滴等颗粒对光线的吸收和散射作用导致户外成像质量严重退化,图像颜色失真偏灰白,图像模糊细节不清晰,对比度下降。不仅影响视觉效果,还直接限制了户外成像***的效用的发挥,给后期图像处理和分析带来了困难。因此,对雾天图像进行清晰化处理十分必要。
目前,图像去雾技术已经成为研究热点,对单幅图像去雾方法有图像增强方法和图像复原方法两种。图像增强方法主要是借助图像处理等手段,如直方图均衡化、频域滤波、Retinex等,通过削弱或去除一些不需要的信息,突出图像中的某些信息,在一定程度上能提高图像的对比度,改善视觉效果,但是没有从雾天图像的模糊退化机理入手,并不是实质上的去雾。
图像复原方法去雾是从大气散射理论出发,考虑图像退化原因,建立雾天成像的散射模型,实现场景复原,能获得较为理想的去雾效果,其中以暗原色先验的去雾方法为代表。暗原色先验是一种对无雾图像的统计规律,首先粗估计出介质传播函数,然后利用软抠图原理或者引导滤波器对透过率图像进行精细优化,该算法取得令人叹服的去雾效果。
然而在场景目标的亮度与大气光相似的情况下,图像中存在大面积的天空区域基本找不到像素值很小的点,此时暗原色假设失效。对于户外图像一般都会存在一定面积的天空图像,然而,以上无论是图像增强算法还是图像复原算法,这些算法有一个共同的缺点,就是会造成去雾后天空区域色彩失真,出现光晕现象和块效应,严重影响去雾效果。相应的改进算法需要提取天空梯度信息等特征,进行天空识别,从而对天空和非天空区域进行分割,然后采取不同的透过率估计方法进行去雾处理,识别过程繁琐,计算量大。
发明内容
本发明为解决现有图像去雾方法去雾后存在图像上天空区域色彩失真,出现光晕现象和块效应,导致去雾效果差以及现有方法存在识别过程繁琐计算量大等问题,提供一种基于融合通道且对天空免疫的图像去雾方法。
基于融合通道且对天空免疫的图像去雾方法,该方法由以下步骤实现:
步骤一、对原始有雾图像I(x)分别进行最小值滤波和最大值滤波,分别获得暗原色通道图像和亮原色通道图像;
步骤二、取暗原色通道图像中亮度值最高的0.1%的像素,在原始有雾图像I(x)中寻找对应像素值的点,并取最大的像素值作为对大气光A的粗略估计;
步骤三、引入修正因子ω,并根据步骤二获得的大气光A的粗略估计,获得暗通道透过率的粗略估计和亮通道透过率的粗略估计用下式表示为:
式中,c为R、G、B三通道中的一个颜色通道,取暗原色通道图像的修正因子ωD=0.8,亮原色通道图像的修正因子
步骤四、根据步骤三获得暗通道透过率的粗略估计和亮通道透过率的粗略估计采用引导滤波分别对暗通道透过率的粗略估计和亮通道透过率的粗略估计进行精细优化,分别得到暗通道透过率的精细估计和亮通道透过率的精细估计
步骤五、判断暗通道透过率的精细估计是否大于亮通道透过率的精细估计如果是,执行步骤六;如果否,则暗原色通道图像不是天空区域,融合透过率估计
步骤六、所述暗原色通道图像为天空区域,融合透过率估计统计符合亮原色先验理论的天空区域对应的有雾图像部分的像素值,并将所述像素均值作为对大气光A的自适应准确估计;
步骤七、根据步骤五、步骤六中综合得到的融合透过率步骤六中获得的大气光A的自适应准确估计,采用大气散射成像模型获得去雾清晰化图像。
本发明的有益效果:本发明基于大气散射模型,在暗原色先验的理论基础上,从暗、亮双通道入手进行分析,利用亮原色先验弥补暗原色先验失效的情况,对天空部分图像有自适应的免疫性,并能对大气光A进行精准的自适应估计,有效提高了暗原色先验算法的普适性和鲁棒性。
附图说明
图1为本发明的户外无雾图像暗原色图像与亮原色图像;其中,图1a为户外无雾原图像,图1b为暗原色图像,图1c为亮原色图像;
图2为本发明的一种基于融合通道且对天空免疫的图像去雾方法流程图;
图3中分别为按照暗通道、亮通道、及融合通道对透过率图像进行估计的对比效果图;其中,图3a为原图,图3b为暗原色通道精细估计透过率效果图,3c为亮原色通道估计精细透过率效果图,图3d为融合通道估计透过率效果图;
图4为采用本发明所述的基于融合通道且对天空免疫的图像去雾方法与现有直方图均衡化算法、暗通道先验算法对具有小面积天空雾图的去雾效果对比效果图;其中,图4a为原图,图4b为采用直方图均衡化算法对具有小面积天空雾图的去雾效果图;图4c为采用暗通道先验算法对具有小面积天空雾图的去雾效果图,图4d为采用本发明所述的基于融合通道且对天空免疫的图像去雾方法对具有小面积天空雾图的去雾效果图;
图5为采用本发明所述的基于融合通道且对天空免疫的图像去雾方法与现有直方图均衡化算法、暗通道先验算法对具有大面积天空雾图的去雾效果对比图;其中,图5a为原图,图5b为采用直方图均衡化算法对具有大面积天空雾图的去雾效果图;图5c为采用暗通道先验算法对具有大面积天空雾图的去雾效果图,图5d为采用本发明所述的基于融合通道且对天空免疫的图像去雾方法对具有大面积天空雾图的去雾效果图;
图6基于本算法与直方图均衡化算法、暗通道先验算法对具有大面积且天空与物体重叠的雾天图像去雾效果图;其中,图6a为原图,图6b为采用直方图均衡化算法对具有大面积且天空与物体重叠的雾天图像去雾效果图;图6c为采用暗通道先验算法对具有大面积且天空与物体重叠的雾天图像去雾效果图,图6d为采用本发明所述的基于融合通道且对天空免疫的图像去雾方法对具有大面积且天空与物体重叠的雾天图像去雾效果图。
具体实施方式
具体实施方式一、结合图1至图6说明本实施方式,基于融合通道且对天空免疫的图像去雾方法,该方法由以下步骤实现:
步骤一、对原始有雾图像I(x)分别进行最小值、最大值滤波,分别求取暗原色、亮原色通道的图像。
步骤二、取暗通道图像按照像素值大小排序的前0.1%像素,并在原始有雾图像中寻找对应像素值点,取最大的像素值作为对大气光A的粗略估计。
步骤三、由步骤二对大气光A的粗略估计,根据公式(5)、公式(10)分别得到暗通道的透过率和亮通道的透过率的粗略估计;
其具体过程为:
在计算机视觉领域,大气散射成像模型得到广泛应用,如下式所示:
I(x)=J(x)t(x)+A(1-t(x)) (1)
其中,J(x)为要恢复的无雾图像,t(x)为透过率,c指R、G、B三通道中的一个颜色通道。将式(1)稍作处理,变形为下式:
由暗原色先验理论,首先假设在每一个窗口内透过率t(x)为常数,定义为A为常数,对式(2)两边求两次最小值运算,得到下式:
根据暗通道先验可知:
为了让人感到景深的存在,有必要在去雾的时有针对性的保留一部分覆盖遥远景物的雾,引入一个在[0,1]之间的修正因子ω,最终可得到暗通道透过率的粗略估计
其中,暗原色通道图像的修正因子ωD取值为:ωD=0.8。
对于户外场景中无雾图像统计发现,多数户外无雾图像的任意局部小块中,也存在一些像素,它们的某一个或几个颜色通道的强度值很高,甚至接近于255饱和值,在此我们称之为亮原色。
经分析,户外无雾局部图像同时满足暗原色和亮原色,但也有局部图像不能同时满足这两种先验知识,如图1所示。显然,天空区域局部图像只满足亮原色先验,而不满足暗原色先验,那么采用暗通道将会出现错误,导致天空部分图像颜色失真、出现光晕现象和块效应。
我们仿照暗通道推倒过程,对亮通道进行如下推倒:对式(2)两边求取两次最大值运算,得到式子:
由亮通道先验可知:
由(6)式可得:
整理可得:
仿照暗通道理论,对图像进行归一化处理,并且加入修正因子,得式(10),采用这个公式可得到利用亮通道透过率的粗略估计
其中,亮原色通道图像的修正因子ωL取值为:
由式(5)可知:是减函数,说明当取值越大,即透过率图越亮,就越小,那么该局部图像符合暗通道先验规律概率越大,反之,透过率图越暗,该局部图像符合暗通道先验规律概率越小。
由式(10)可知:是的增函数,说明当取值越大,即透过率图越亮,就越大,那么该局部图像符合亮通道先验规律概率越大,反之,透过率图越暗,该局部图像符合暗通道先验规律概率越小。
步骤四、由步骤三对暗、亮通道的透过率的粗略估计 采用引导滤波分别对 进行精细优化估计,分别得到暗通道透过率的精细估计和亮通道透过率的精细估计对图3a中的雾天图像的原图进行精细透过率估计,分别得到暗原色通道精细估计透过率图如图3b,亮原色通道精细估计透过率图如图3c,图3d为本发明中融合通道估计透过率图。
步骤五、判断 关系,来获取更加精确的融合透过率估计图选取暗通道透过率的精细估计和亮通道透过率的精细估计中相对较大值(如式(11)所示),得到最终的透过率估计这样,可以使得暗原色和亮原色理论相互弥补,来获取更加精确的透过率估计图
如果说明是天空部分,那么改进的融合透过率反之,则不是天空部分,改进的融合透过率最终得到改进的融合透过率图如图3d所示。
步骤六、取步骤五中,不符合暗原色先验理论的天空部分对应有雾图像部分的像素值,进行统计并求取均值,作为对大气光A的自适应准确估计。
步骤七:取步骤五、步骤六中融合透过率图大气光A的精细自适应估计值,根据大气散射成像模型得到去雾清晰化图像。
本实施方式中,选取三种存在天空的有雾图像,一种是存在小面积天空的雾天图像,如图4所示;第二种是具有大面积天空的雾天图像,如图5所示;第三种是具有大面积天空且天空与物体重合的雾天图像,如图6所示;
选取图像增强的典型性算法-直方图均衡化算法、图像复原中的典型去雾算法-暗通道先验算法,和本发明的一种基于融合通道且对天空免疫的图像去雾算法对雾天的图像进行清晰化处理,并对去雾效果进行对比,处理结果参见图4-图6。
对比去雾效果表明:在雾天图像中,无论存在天空面积大小与否,直方图均衡化算法、暗通道先验算法对天空部分图像的处理结果都会存在色彩失真、光晕现象和块效应,参见图4-图6中的4b、4c、5b、5c、6b和6c,严重影响图像的去雾效果。
采用本实施方式所述基于融合通道且对天空免疫的图像去雾算法处理得到的图像,无论天空部分图像面积大小,有效避免了以上算法对雾天图像天空部分的失真,得到整体和谐清晰的图像,说明了本发明算法对雾天图像处理的天空部分的免疫性。
Claims (3)
1.基于融合通道且对天空免疫的图像去雾方法,其特征是,该方法由以下步骤实现:
步骤一、对原始有雾图像I(x)分别进行最小值滤波和最大值滤波,分别获得暗原色通道图像和亮原色通道图像;
步骤二、取暗原色通道图像中亮度值最高的0.1%的像素,在原始有雾图像I(x)中寻找对应像素值的点,并取最大的像素值作为对大气光A的粗略估计;
步骤三、引入修正因子ω,并根据步骤二获得的大气光A的粗略估计,获得暗通道透过率的粗略估计和亮通道透过率的粗略估计用下式表示为:
式中,c为R、G、B三通道中的一个颜色通道,取暗原色通道图像的修正因子ωD=0.8,亮原色通道图像的修正因子
步骤四、根据步骤三获得暗通道透过率的粗略估计和亮通道透过率的粗略估计采用引导滤波分别对暗通道透过率的粗略估计和亮通道透过率的粗略估计进行精细优化,分别得到暗通道透过率的精细估计和亮通道透过率的精细估计
步骤五、判断暗通道透过率的精细估计是否大于亮通道透过率的精细估计如果是,执行步骤六;如果否,则暗原色通道图像不是天空区域,融合透过率估计
步骤六、所述暗原色通道图像为天空区域,融合透过率估计统计符合亮原色先验理论的天空区域对应的有雾图像部分的像素值,并将像素均值作为对大气光A的自适应准确估计;
步骤七、根据步骤五、步骤六综合得到的融合透过率估计步骤六中获得的大气光A的自适应准确估计,采用大气散射成像模型获得去雾清晰化图像。
2.根据权利要求1所述的基于融合通道且对天空免疫的图像去雾方法,其特征在于,所述亮通道透过率的粗略估计获得的具体过程为:
对大气散射成像模型两边求取两次最大值运算,获得下式:
根据亮原色先验可知:
整理可得:
对图像进行归一化处理,并亮原色通道图像的修正因子ωL,获得亮通道透过率的粗略估计用下式表示为:
3.根据权利要求1所述的基于融合通道且对天空免疫的图像去雾方法,其特征在于,对融合透过率的估计其具体过程为:
选取暗通道透过率的精细估计和亮通道透过率的精细估计中相对较大值作为融合透射率估计用下式表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611232840.6A CN106846263B (zh) | 2016-12-28 | 2016-12-28 | 基于融合通道且对天空免疫的图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611232840.6A CN106846263B (zh) | 2016-12-28 | 2016-12-28 | 基于融合通道且对天空免疫的图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846263A CN106846263A (zh) | 2017-06-13 |
CN106846263B true CN106846263B (zh) | 2019-11-29 |
Family
ID=59114219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611232840.6A Expired - Fee Related CN106846263B (zh) | 2016-12-28 | 2016-12-28 | 基于融合通道且对天空免疫的图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846263B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330870B (zh) * | 2017-06-28 | 2019-06-18 | 北京航空航天大学 | 一种基于场景光辐射准确估计的浓雾去除方法 |
CN108537756B (zh) * | 2018-04-12 | 2020-08-25 | 大连理工大学 | 基于图像融合的单幅图像去雾方法 |
CN108389175B (zh) * | 2018-04-26 | 2021-05-18 | 长安大学 | 融合变差函数和颜色衰减先验的图像去雾方法 |
CN108765336B (zh) * | 2018-05-25 | 2022-06-07 | 长安大学 | 基于暗亮原色先验与自适应参数优化的图像去雾方法 |
CN108876743B (zh) * | 2018-06-26 | 2020-12-29 | 中山大学 | 一种图像快速去雾方法、***、终端及存储介质 |
CN109325918B (zh) * | 2018-07-26 | 2022-05-13 | 京东方科技集团股份有限公司 | 一种图像处理的方法、装置及计算机存储介质 |
CN109636785A (zh) * | 2018-12-07 | 2019-04-16 | 南京埃斯顿机器人工程有限公司 | 一种识别金刚砂颗粒的视觉处理方法 |
CN109740673A (zh) * | 2019-01-02 | 2019-05-10 | 天津工业大学 | 一种融合暗通道的神经网络烟雾图像分类方法 |
CN110163807B (zh) * | 2019-03-20 | 2023-04-07 | 哈尔滨工业大学 | 一种基于期望亮通道的低照度图像增强方法 |
CN110148093B (zh) * | 2019-04-17 | 2023-05-16 | 中山大学 | 一种基于暗通道先验的图像去雾改进方法 |
CN111105373B (zh) * | 2019-12-13 | 2023-07-28 | 嘉应学院 | 一种含天空区图像的快速去雾方法及其应用*** |
CN111161167B (zh) * | 2019-12-16 | 2024-05-07 | 天津大学 | 基于中通道补偿和自适应大气光估计的单幅图像去雾方法 |
CN111598812B (zh) * | 2020-05-25 | 2022-03-01 | 中国科学院长春光学精密机械与物理研究所 | 一种基于rgb和hsv双颜色空间的图像去雾方法 |
CN111598811A (zh) * | 2020-05-25 | 2020-08-28 | 中国科学院长春光学精密机械与物理研究所 | 一种单幅全色遥感雾霾图像清晰化方法 |
CN113298729B (zh) * | 2021-05-24 | 2022-04-26 | 中国科学院长春光学精密机械与物理研究所 | 基于最小值通道的快速单幅图像去雾方法 |
CN113298730B (zh) * | 2021-05-24 | 2022-11-01 | 中国科学院长春光学精密机械与物理研究所 | 一种基于图像分解的去雾复原方法 |
CN113436124B (zh) * | 2021-06-29 | 2024-04-05 | 上海海事大学 | 一种应用于海洋雾天环境下的单图像去雾方法 |
CN114627015A (zh) * | 2022-03-15 | 2022-06-14 | 南京凯盛国际工程有限公司 | 一种回转窑火焰图像去沙尘方法 |
CN114494084B (zh) * | 2022-04-14 | 2022-07-26 | 广东欧谱曼迪科技有限公司 | 一种图像颜色均化方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663694A (zh) * | 2012-03-30 | 2012-09-12 | 大连理工大学 | 一种基于暗原色通道先验的雾效数字滤镜方法 |
CN104166968A (zh) * | 2014-08-25 | 2014-11-26 | 广东欧珀移动通信有限公司 | 一种图像去雾的方法、装置及移动终端 |
CN104867121A (zh) * | 2015-06-08 | 2015-08-26 | 武汉理工大学 | 基于暗原色先验和Retinex理论的图像快速去雾法 |
US9349170B1 (en) * | 2014-09-04 | 2016-05-24 | The United States Of America As Represented By The Secretary Of The Navy | Single image contrast enhancement method using the adaptive wiener filter |
-
2016
- 2016-12-28 CN CN201611232840.6A patent/CN106846263B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663694A (zh) * | 2012-03-30 | 2012-09-12 | 大连理工大学 | 一种基于暗原色通道先验的雾效数字滤镜方法 |
CN104166968A (zh) * | 2014-08-25 | 2014-11-26 | 广东欧珀移动通信有限公司 | 一种图像去雾的方法、装置及移动终端 |
US9349170B1 (en) * | 2014-09-04 | 2016-05-24 | The United States Of America As Represented By The Secretary Of The Navy | Single image contrast enhancement method using the adaptive wiener filter |
CN104867121A (zh) * | 2015-06-08 | 2015-08-26 | 武汉理工大学 | 基于暗原色先验和Retinex理论的图像快速去雾法 |
Non-Patent Citations (2)
Title |
---|
Kaiming He.《Single Image Haze Removal Using Dark CHannel Prior》.《2009 IEEE Conference on Computer Vision and Pattern Recognition》.2009, * |
Xueyang Fu 等.《Single Image De-haze Under Non-uniform Illumination Using Bright Channel Prior》.《Journal of Theoretical and Applied Information Technology》.2013,第48卷(第3期), * |
Also Published As
Publication number | Publication date |
---|---|
CN106846263A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
Tang et al. | Investigating haze-relevant features in a learning framework for image dehazing | |
CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN107358585B (zh) | 基于分数阶微分及暗原色先验的雾天图像增强方法 | |
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 | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
Singh et al. | Single image defogging by gain gradient image filter | |
CN111161167B (zh) | 基于中通道补偿和自适应大气光估计的单幅图像去雾方法 | |
CN109087254A (zh) | 无人机航拍图像雾霾天空和白色区域自适应处理方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN110827221A (zh) | 一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN109118440B (zh) | 基于透射率融合与自适应大气光估计的单幅图像去雾方法 | |
Yu et al. | Image and video dehazing using view-based cluster segmentation | |
CN114219732A (zh) | 基于天空区域分割和透射率细化的图像去雾方法及*** | |
Dai et al. | Adaptive sky detection and preservation in dehazing algorithm | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
CN110335210B (zh) | 一种水下图像复原方法 | |
CN110349113B (zh) | 一种基于暗原色先验改进的自适应图像去雾方法 | |
CN111598800A (zh) | 基于空间域同态滤波和暗通道先验的单幅图像去雾方法 | |
Chen et al. | Improve transmission by designing filters for image dehazing | |
CN112825189B (zh) | 一种图像去雾方法及相关设备 | |
Negru et al. | Exponential image enhancement in daytime fog conditions |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191129 Termination date: 20211228 |
|
CF01 | Termination of patent right due to non-payment of annual fee |