CN109685725A - 一种基于暗通道先验的汽车表面图像去尘方法 - Google Patents
一种基于暗通道先验的汽车表面图像去尘方法 Download PDFInfo
- Publication number
- CN109685725A CN109685725A CN201811388364.6A CN201811388364A CN109685725A CN 109685725 A CN109685725 A CN 109685725A CN 201811388364 A CN201811388364 A CN 201811388364A CN 109685725 A CN109685725 A CN 109685725A
- Authority
- CN
- China
- Prior art keywords
- image
- dark channel
- car surface
- dust removal
- surface image
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000002146 bilateral effect Effects 0.000 claims abstract description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract description 5
- 238000006731 degradation reaction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 abstract description 2
- 238000013441 quality evaluation Methods 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002834 transmittance Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/10—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于暗通道先验的汽车表面图像去尘方法,包括步骤:获取待去尘汽车表面图像;判断图像中的汽车是否为白色,若为白色则将图像反转,否则不变;根据建立的退化模型计算对应的暗通道图;选取暗通道值的最大值作为环境光值;双边滤波处理暗通道图像获取初始透射率,再运用引导滤波精细化初始透射率;由环境光值与透射率确定去尘图像,若是非白色汽车则为最终去尘图像,若为白色汽车反转去尘图像为最终去尘图像;对去尘图像进行质量评价。本发明是在暗通道先验的基础上,实现图像去雾,视觉效果比较好,保持较高的图像清晰度和对比度,有利于后期汽车表面划痕图像的识别与颜色特征提取的机器视觉算法的应用。
Description
技术领域
本发明属于数字图像信息处理领域,具体涉及一种基于暗通道先验的汽车表面图像去尘方法。
背景技术
随着国民经济的发展,汽车工业逐渐成为我国的支柱产业之一。现阶段对汽车表面缺陷的检测,如划痕检测,主要利用人工检测,检测人员将在港口高温和强光照的检测环境下对大量的轿车逐一检测。伴随着漫长的检测过程,眼睛和大脑自然产生疲劳,会造成大量的漏检与偏差;目前,公司只能通过增加检测人员数量或者增加检测时长来缓解漏检问题,这将带来更高的人工成本,增加检测时长将会给检测人员带来更大的工作强度,漏检率反而更高;因此传统人工检测图像划痕的方法终将逐渐被基于机器视觉的图像划痕检测方法所取代。
受气候影响,户外降尘严重,因此汽车表面往往附着一层灰尘,灰尘颗粒会对入射光线产生散射、吸收、折射等作用,从而使光学相机采集***获得的汽车划痕图像清晰度与对比度降低,造成图像退化,图像中包含的许多有用的特征被遮盖,造成颜色失真,进而阻碍了依赖图像特征识别的机器视觉在灰尘环境中的发展应用。已存在的退化图像的恢复主要归纳为两类:图像增强方法和基于物理模型方法。虽然图像增强方法能有效地增强图像对比度,突出图像中的某些信息,但容易造成部分图像信息的损失,保边效果较差,并不是真正意义上的实现图像复原。图像物理退化模型是基于退化原因所建立,通过该模型求解复原图像具有较强的针对性,并且恢复效果好,一般能为后期处理提供基准。本发明针对光线在灰尘层与空气中的传播方式建立退化模型,将在图像去雾领域应用广泛的暗通道先验理论引入汽车表面图像去尘中,直接运用或移嫁暗通道先验理论进行图像去尘存在以下困难:一是、汽车表面五颜六色,其中白色汽车也占有绝对市场,天空区域或者白色物体区域并不符合暗通道先验规律,它们透射率的估计值偏小,会造成复原结果中这些区域的像素值变化幅度偏大,呈现灰暗或偏色的现象;二是、汽车灰尘分布不均匀,而引导滤波保留细节效果好,造成优化后的透射率函数不够准确,保留一些灰尘边界,图像去尘效果不太显著。
发明内容
发明目的:为解决上述技术问题,为下一步汽车表面划痕识别打好基础,本发明提供了一种基于暗通道先验的汽车表面图像去尘方法。
技术方案:本发明通过以下技术方案实现。
建立汽车表面灰尘成像的模型为:
引起图像退化的主要考虑两个方面:一方面是灰尘颗粒对光线的散射和吸收作用,导致穿过灰尘介质层的光线发生衰减;另一方面是阳光、地面反射光或天空漫射光等对透射光的偏移作用。从汽车表面到达相机的接受光可表示为汽车表面的入射光经灰尘后的投射光强ED、灰尘对入射光散射的环境光EA,则进入相机的总辐照度ET为以上的线性叠加,即ET=ED+EA;
ED(d,λ)是直接被汽车表面反射进入相机的光线,根据Narasimhan等提出的散射模型可以表示为ED(d,λ)=D0exp[-β(λ)d]。其中,D0为无灰尘时汽车表面的光强;β(λ)表示总的衰减系数,是灰尘在各方向上对光线散射和吸收造成的衰减,λ代表图像RGB通道中的某一通道;d为汽车表面到相机的距离;
EA(d,λ)是周围环境光经灰尘散射后到达相机的光强,可以表示为EA(d,λ)=F{1-exp[-β(λ)d]}。F代表周围环境的光强;
根据Rayleigh大气散射定律可得,在灰尘环境下,大气散射能力与光波长无关,所以模型可以简化,对应于数字图像中,I(x,y)=ET(d,λ),I0(x,y)=D0(λ),t(x,y)=exp[-β(λ)d];变换后的模型为I(x,y)=I0(x,y)t(x,y)+F(1-t(x,y))其中,I(x,y)是退化图像在位置(x,y)处的光强,I0(x,y)为该像素点待复原的无尘图像光强,t(x,y)为该点的透射率。通过先验知识估计环境光强F和投射图t,然后对成像模型推导得出无尘图像:
本发明是一种基于暗通道先验的汽车表面图像去尘方法,包括如下步骤:
第一步:获取汽车表面含有灰尘图像I;
第二步:判断图像I中是否为白色汽车,若为白色汽车,求其反转图像Iinv,否则不变;
第三步:环境光值F的估算;
a)根据彩色汽车表面图像,计算暗通道图像Id,其中,Ic为I的RGB中的某一个颜色通道;Ω(x,y)代表以(x,y)为中心的局部区域;Iinv(x,y)=255-I(x,y)代表对图像进行反转得到的反转图像;
b)根据暗通道先验,该理论是基于大量户外无雾图像的统计:非天空的局部区域内总存在一些像素的RGB中某一通道有非常低接近于0的亮度值。本文图片主体为汽车,所以不存在景深变化特别剧烈的情况,在不影响去尘效果前提下,考虑到减少运算时间,本文直接选取暗通道值的最大值作为大气光值F的估计。
第四步:初始透射率获取;
a)透射率粗略估计。由于汽车灰尘分布不均匀,而引导滤波保留细节效果好,造成优化后的透射率函数不够准确。因此,本文先采用双边滤波器对暗通道图像Id进行滤波得到Idark(x,y)=B(Id(x,y))。
b)再结合灰尘成像模型推导出透射率的估算公式:
式中,是Idark的一个颜色通道;Ω(x,y)代表以(x,y)为中心的局部区域。
c)当透射率t值很小时,导致复原图像过饱和,颜色失真,因此为t设置阈值t0=0.1,t的取值范围为[0.1,1]。综上,初始透射率t′(x,y)可表示为
t′(x,y)=min{1,max[t(x,y),t0]}
第五步:精细化透射率。步骤四求得的透射率具有快效应,运用引导滤波方法使透射图更加精细,引导滤波的滤波核为:
其中,Id是引导图像为汽车表面图像的暗通道图像,输入图像为经双边滤波处理后的暗通道图像ωk是以k为中心的窗口;|ω|代表窗口ωk内像素点的数量;μk与分别是I′在窗口ωk内的均值与方差;ε是为调整参数,它也是决定滤波器效果的关键参数,经查阅文献及实验本文将其取为10-3精细化对应的投射图。用Wij(Id)对粗略估算的透射率滤波,能够改善原始透射率的块效应,同时又能反应灰尘的分布。
第六步:求取去尘图像。根据环境光亮度值与透射率求出去尘图像,若为白色汽车则反转去尘图像得到最终复原图像,否则去尘图像即为复原图像。
为步骤5所得经滤波处理后的透射图的透射率。
第七步:对复原图像进行定量评价。对复原图像从均值、方差、对比度以及信息熵方面进行整体定量评价。
均值:其中,w和h分别表示图像像素点的宽度和高度;
标准差:
对比度:其中,n=|i-j|,g为灰度共生矩阵;
信息熵:其中,pn为像素值n出现的概率。
有益效果:
本发明具有以下优势:该方法根据光线在尘土层和空气中的传播方式建立了一种退化模型,从物理模型上考虑图像去尘;可以单单利用单幅低对比度、低信噪比的汽车表面灰尘图像自身的信息,对图像进行基于暗通道先验的图像去尘,图像去尘更彻底;计算复杂度大大降低,减少了占有资源并且节省了图像去尘时间,能够应用到实时的识别场合。
根据不同场景,通过估算环境光亮度值和透射图可以处理具有不同分布的汽车表面灰尘图像,视觉上图像复原效果不错,从均值、方差、对比度以及信息熵方面进行整体定量评价明显提升,便于后期的划痕识别及划痕类型判定等机器视觉方法操作。
附图说明
图1为本发明基于暗通道先验的汽车表面图像去尘方法的控制流程图;
图2为汽车表面含有灰尘的图像I;
图3为图像I的复原图像。
具体实施方式
下面结合附图和实施例对本发明做更进一步的解释。
本发明是在MATLAB 2016b编程环境下完成,图1为本发明的流程图。计算机配置为:处理器是Intel Core i5-8250U [email protected] 1.8GHZ,内存是8GB,操作***是64位Windows10。本发明是一种基于暗通道先验的汽车表面图像去尘方法,该方法具体包括以下步骤:
第一步:获取汽车表面含有灰尘的图像I,如图2所示;
第二步:判断图像I中是否为白色汽车,若为白色汽车,求其反转图像Iinv=255-I,否则不变,本实施例为黑色汽车所以不做改变;
第三步:环境光值F的估算;
a)根据彩色汽车表面图像,计算暗通道图像Id,Id(x,y)=minc∈{R,G,B}min(i,j)∈Ω(x,y)[Ic(x,y)],其中,Ic为I的RGB中的某一个颜色通道;Ω(x,y)代表以(x,y)为中心得局部区域;
b)根据暗通道先验,该理论是基于大量户外无雾图像的统计:非天空的局部区域内总存在一些像素的RGB中某一通道有非常低接近于0的亮度值。本文图片主体为汽车,所以不存在景深变化特别剧烈的情况,在不影响去尘效果前提下,考虑到减少运算时间,本文直接选取暗通道值的最大值作为大气光值F的估计。
第四步:初始透射率获取;
a)透射率粗略估计。由于汽车灰尘分布不均匀,而引导滤波保留细节效果好,造成优化后的透射率函数不够准确。因此,本文先采用双边滤波器对暗通道图像进行滤波得到Idark(x,y)=B(Id(x,y))。
b)再结合灰尘成像模型推导出透射率的估算公式:
式中,为I0的一个颜色通道;Ω(x,y)代表以(x,y)为中心得局部区域。
c)当透射率t值很小时,导致复原图像过饱和,颜色失真,因此为t设置阈值t0=0.1,t的取值范围为[0.1,1]。综上,透射率t′(x,y)可表示为
t′(x,y)=min{1,max[t(x,y),t0]}
第五步:精细化透射率。运用引导滤波方法,引导图像为汽车表面图像的暗通道图像D,输入图像为经双边滤波处理后的暗通道图像,精细化对应的透射图。
第六步:求取去尘图像。根据环境光亮度值与透射率求出去尘图像,若为白色汽车则反转去尘图像得到最终复原图像,否则去尘图像即为复原图像,本示例的复原图像如图3所示;
为步骤5所得经滤波处理后的透射图的透射率。
第七步:对复原图像进行定量评价。对复原图像从均值、方差、对比度以及信息熵方面进行整体定量评价。
均值:其中,w和h分别表示图像像素点的宽度和高度;
标准差:
对比度:其中,n=|i-j|,g为灰度共生矩阵;
信息熵:其中,pn为像素值n出现的概率。
本实施例原图像的均值、标准差、对比度以及信息熵分别为112.67、2722、10.18以及2.42;本实施例去尘图像的均值、标准差、对比度以及信息熵分别为54.68、2452、6.63以及1.17。对比两组数据可以看出,去尘图像的均值与均方差明显小于原图像,说明有效信息集聚性强,对灰尘的抑制效果好;去尘图像的对比度与信息熵明显小于原图像,表明本文的去尘方法具有较强的鲁棒性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于暗通道先验的汽车表面图像去尘方法,其特征在于,该方法包括如下步骤:
步骤1:获取待去尘汽车表面图像;
步骤2:判断汽车表面图像中的汽车是否为白色,若为白色则将汽车表面图像反转,否则不变;
步骤3:计算步骤2所得图像的暗通道图像,并估算环境光亮度值;
步骤4:对步骤3所得的暗通道图像进行双边滤波并计算初始透射率得到对应的透射图;
步骤5:对步骤4所得透射图进行滤波处理,优化透射图;
步骤6:根据环境光亮度值与步骤5所得经滤波处理后的透射图求出汽车表面图像的去尘图像,若为白色汽车则反转去尘图像得到最终复原图像,否则去尘图像即为复原图像。
2.根据权利要求1所述的一种基于暗通道先验的汽车表面图像去尘方法,其特征在于,步骤3中获取汽车表面图像的暗通道图像包括如下步骤:
步骤3-1:根据汽车表面图像I,计算暗通道图像Id,其中,Ic为I的RGB中的某一个颜色通道;Ω(x,y)代表以(x,y)为中心得局部区域;Iinv(x,y)=255-I(x,y)代表对汽车表面图像I进行反转得到的反转图像;
步骤3-2:选取暗通道值Id(x,y)的最大值作为大气光值F的估计。
3.根据权利要求1所述的一种基于暗通道先验的汽车表面图像去尘方法,其特征在于,步骤4中计算暗通道图像的初始透射率包括如下步骤:
步骤4-1:先采用双边滤波器对汽车表面图像I的暗通道图像Id进行滤波,B代表双边滤波,Idark(x,y)=B(Id(x,y));Idark是暗通道图像Id滤波后得到的图像;
步骤4-2:结合灰尘成像模型得透射率的估计模型为
是Idark的RGB中的某一个颜色通道;
步骤4-3:为t设置阈值t0=0.1,t的取值范围为[0.1,1];综上,暗通道图像的初始透射率t′(x,y)表示为t′(x,y)=min{1,max[t(x,y),t0]}。
4.根据权利要求1所述的一种基于暗通道先验的汽车表面图像去尘方法,其特征在于,步骤5中运用引导滤波方法对步骤4所得透射图进行滤波处理,引导图像为汽车表面图像的暗通道图像,输入图像为步骤4所得透射图。
5.根据权利要求1所述的一种基于暗通道先验的汽车表面图像去尘方法,其特征在于,步骤6中获取汽车表面去尘图像的计算方法为:
为步骤5所得经滤波处理后的透射图的透射率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811388364.6A CN109685725B (zh) | 2018-11-21 | 2018-11-21 | 一种基于暗通道先验的汽车表面图像去尘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811388364.6A CN109685725B (zh) | 2018-11-21 | 2018-11-21 | 一种基于暗通道先验的汽车表面图像去尘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685725A true CN109685725A (zh) | 2019-04-26 |
CN109685725B CN109685725B (zh) | 2023-07-11 |
Family
ID=66185403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811388364.6A Active CN109685725B (zh) | 2018-11-21 | 2018-11-21 | 一种基于暗通道先验的汽车表面图像去尘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685725B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912149A (zh) * | 2023-09-13 | 2023-10-20 | 煤炭科学技术研究院有限公司 | 图像增强方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020921A (zh) * | 2013-01-10 | 2013-04-03 | 厦门大学 | 基于局部统计信息的单幅图像去雾方法 |
CN104766286A (zh) * | 2015-04-30 | 2015-07-08 | 河海大学常州校区 | 基于无人驾驶汽车的图像去雾装置及去雾方法 |
CN106327450A (zh) * | 2016-11-07 | 2017-01-11 | 湖南源信光电科技有限公司 | 一种基于时空累积和图像退化模型的低照度视频图像增强方法 |
CN107680055A (zh) * | 2017-09-26 | 2018-02-09 | 成都国翼电子技术有限公司 | 一种基于人工交互的航拍图像雾霾去除方法 |
CN108805826A (zh) * | 2018-05-07 | 2018-11-13 | 珠海全志科技股份有限公司 | 改善去雾效果的方法 |
-
2018
- 2018-11-21 CN CN201811388364.6A patent/CN109685725B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020921A (zh) * | 2013-01-10 | 2013-04-03 | 厦门大学 | 基于局部统计信息的单幅图像去雾方法 |
CN104766286A (zh) * | 2015-04-30 | 2015-07-08 | 河海大学常州校区 | 基于无人驾驶汽车的图像去雾装置及去雾方法 |
CN106327450A (zh) * | 2016-11-07 | 2017-01-11 | 湖南源信光电科技有限公司 | 一种基于时空累积和图像退化模型的低照度视频图像增强方法 |
CN107680055A (zh) * | 2017-09-26 | 2018-02-09 | 成都国翼电子技术有限公司 | 一种基于人工交互的航拍图像雾霾去除方法 |
CN108805826A (zh) * | 2018-05-07 | 2018-11-13 | 珠海全志科技股份有限公司 | 改善去雾效果的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912149A (zh) * | 2023-09-13 | 2023-10-20 | 煤炭科学技术研究院有限公司 | 图像增强方法、装置及电子设备 |
CN116912149B (zh) * | 2023-09-13 | 2023-12-26 | 煤炭科学技术研究院有限公司 | 图像增强方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109685725B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101448164B1 (ko) | 파라미터 최적화를 이용한 영상의 안개 제거 방법 | |
CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
Huang et al. | An advanced single-image visibility restoration algorithm for real-world hazy scenes | |
CN110232666A (zh) | 基于暗原色先验的地下管道图像快速去雾方法 | |
CN105354806B (zh) | 基于暗通道的快速去雾方法及*** | |
CN108734670B (zh) | 单幅夜间弱照度雾霾图像的复原方法 | |
TWI607901B (zh) | 影像修補系統及其方法 | |
CN104050637B (zh) | 基于两次引导滤波的快速图像去雾方法 | |
CN103345733B (zh) | 基于改进暗通道先验的快速低照度图像增强方法 | |
CN103617617B (zh) | 基于功率谱描述的水下图像质量评价测量方法 | |
CN103020914B (zh) | 基于空间连续性原理的快速图像去雾方法 | |
CN106296612A (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化***及方法 | |
Li et al. | Single image haze removal based on haze physical characteristics and adaptive sky region detection | |
Kansal et al. | Improved color attenuation prior based image de-fogging technique | |
CN102665034A (zh) | 一种针对摄像机采集视频的夜间效果去除方法 | |
CN105139347A (zh) | 一种结合暗通道先验原理的偏振成像去雾方法 | |
CN104299192A (zh) | 一种基于大气光散射物理模型的单幅图像去雾方法 | |
CN107451966A (zh) | 一种采用灰度图引导滤波实现的实时视频去雾方法 | |
CN105844595B (zh) | 基于大气反射-散射原理构建模型复原夜间交通视频车灯的方法 | |
Lu et al. | Single underwater image descattering and color correction | |
CN114581720A (zh) | 一种基于计算机视觉的水污染检测方法及*** | |
CN111598814A (zh) | 基于极端散射通道的单图像去雾方法 | |
Wang et al. | Haze removal algorithm based on single-images with chromatic properties | |
CN111598811A (zh) | 一种单幅全色遥感雾霾图像清晰化方法 | |
CN109685725A (zh) | 一种基于暗通道先验的汽车表面图像去尘方法 |
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 |