CN113379632A - 一种基于小波透射率优化的图像去雾方法及*** - Google Patents
一种基于小波透射率优化的图像去雾方法及*** Download PDFInfo
- Publication number
- CN113379632A CN113379632A CN202110658343.7A CN202110658343A CN113379632A CN 113379632 A CN113379632 A CN 113379632A CN 202110658343 A CN202110658343 A CN 202110658343A CN 113379632 A CN113379632 A CN 113379632A
- Authority
- CN
- China
- Prior art keywords
- transmittance
- image
- wavelet
- frequency information
- obtaining
- 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 54
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000002834 transmittance Methods 0.000 claims abstract description 129
- 230000009466 transformation Effects 0.000 claims description 21
- 238000003384 imaging method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011084 recovery Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001795 light effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T5/90—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
Description
技术领域
本申请涉及图像处理技术的领域,尤其是涉及一种基于小波透射率优化的图像去雾方法及***。
背景技术
图像处理,又称影像处理,是用计算机对图像进行分析,以达到所需结果的技术。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到一个大的二维数组,该数组的元素称为像素,其值称为灰度值。
随着视频监控应用的广泛普及,不仅提升了可视化安全管控效率,还降低了社会安全管理成本。视频监控的可视化受图像采集装置环境的影响,例如天气、光照、角度等,劣化图像将直接影响着后续对目标分析的精确度。为了降低雾霾或雾气等天气对采集到的图像的影响,图像去雾技术成为一种越来越重要的技术。
传统的基于暗通道先验算法的图像去雾算法可以实现很好的去雾性能,但高亮成分(天空、大背景等区域)会形成部分颜色失真,导致去雾图像的可视效果较差。
发明内容
为了改善去雾图像的可视效果较差的问题,本申请提供一种基于小波透射率优化的图像去雾方法及***。
本申请提供的一种基于小波透射率优化的图像去雾方法采用如下的技术方案:
一种基于小波透射率优化的图像去雾方法,所述图像去雾方法包括,
无雾图像重构,根据雾天成像的退化模型,对雾天成像进行分析,构建去雾复原模型:
通过采用上述技术方案,通过Haar小波变换得到R、G、B三个成分中包含图像信息的小波系数,再根据暗通道先验原理,通过根据小波系数中的低频信息的暗通道信息,来估计低频信息的第一透射率,而根据小波系数中最大的高频信息和第一透射率,结合Haar小波逆变换,能得到第三透射率和大气光强度,大气光强度根据小波系数中最大的高频信息而获得,更接近于有雾图像实际拍摄时的大气光强度,并最终结合去雾复原模型,重构无雾图像,能够在一定程度上解决无雾图像的高亮区域失真的问题,从而有助于改善去雾图像的可视效果较差的问题;通过小波变换对有雾图像进行分解,能够降低计算的复杂过程,降低图像去雾的时耗。
可选的,所述第一透射率估计的具体方法包括,
其中,
通过采用上述技术方案,结合由小波系数得到的最大高频信息和暗通道信息,即结合暗通道先验的原理,估计第一透射率,能够提升第一透射率的精度,从而使无雾图像具有更好的支撑,进而有助于提高无雾图像的去雾效果。
可选的,所述得到最大高频信息和低频信息的暗通道信息的具体方法包括,
通过采用上述技术方案,根据小波系数的高频信息得到最大高频信息,根据小波系数的低频信息得到低频信息的暗通道信息,便于获取最大高频信息和暗通道信息。
可选的,所述第三透射率和大气光强度获取的具体方法包括,
其中,
通过采用上述技术方案,采用导向滤波,来对第一透射率进行优化,能够增强图像的边缘细节,并提高去雾图像的亮度的自适应性,进一步改善去雾图像的可视效果较差的问题。
通过采用上述技术方案,由于最大光强值与最大高频信息相同,而最大高频信息是R、G、B三个成分中最大的高频系数,因此得到的空间图像的强度变化更为剧烈,即更接近大气光强度,从而有助于改善去雾图像的可视效果较差的问题。
第二方面,本申请还提供一种基于小波透射率优化的图像去雾***,采用如下的技术方案:
一种基于小波透射率优化的图像去雾***,所述图像去雾***包括,
无雾图像重构模块,用于根据雾天成像的退化模型,对雾天成像进行分析,构建去雾复原模型:
通过采用上述技术方案,小波系数获取模块通过Haar小波变换得到R、G、B三个成分中包含图像信息的小波系数,第一透射率估计模块根据暗通道先验原理,通过根据小波系数中的低频信息的暗通道信息,来估计低频信息的第一透射率,第三透射率和大气光强度获取模块根据小波系数中最大的高频信息和第一透射率,结合Haar小波逆变换,能得到第三透射率和大气光强度,大气光强度根据小波系数中最大的高频信息而获得,更接近于有雾图像实际拍摄时的大气光强度,并最终结合去雾复原模型,无雾图像重构模块重构无雾图像,能够在一定程度上解决无雾图像的高亮区域失真的问题,从而有助于改善去雾图像的可视效果较差的问题;通过小波变换对有雾图像进行分解,能够降低计算的复杂过程,降低图像去雾的时耗。
可选的,所述第一透射率估计模块具体包括,
其中,
通过采用上述技术方案,第一计算子模块由小波系数的高频信息得到的最大高频信息,第二计算子模块由小波系数的低频信息得到暗通道信息,即结合暗通道先验的原理,估计子模块进行第一透射率估计,能够提升第一透射率的精度,从而使无雾图像具有更好的支撑,进而有助于提高无雾图像的去雾效果。
第三方面,本申请提供一种智能终端,采用如下的技术方案:
一种智能终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面中的任一种方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,其特征在于:存储有能够被处理器加载被执行如第一方面中任一种方法的计算机程序。
附图说明
图1是本申请实施例的一种基于小波透射率优化的图像去雾方法的第一流程图。
图2是本申请实施例的一种基于小波透射率优化的图像去雾方法的第二流程图。
图3是本申请实施例的一种基于小波透射率优化的图像去雾方法的第三流程图。
图4是本申请实施例的一种基于小波透射率优化的图像去雾方法的第四流程图。
图5是本申请实施例的一种智能终端的结构示意图。
具体实施方式
以下结合附图1-5对本申请作进一步详细说明。
图像去雾,是通过数学模型把采集到的图像中的雾气去除的一种技术。
暗通道:所谓暗通道是一个基本假设,在绝大多数的非天空的局部区域中,某一些像素总会有至少一个颜色通道具有很低的值。实际生活中造成这个假设的原因有很多,比如汽车,建筑物或者城市中的阴影,或者说色彩鲜艳的物体或表面(比如绿色的树叶,各种鲜艳的花,或者蓝色绿色的睡眠),颜色较暗的物体或者表面,这些景物的暗通道总是表现为比较暗的状态。
小波变换:小波变换能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节。
Haar小波变换:Haar小波是小波的一种,是最简单的正交归一化小波,能够高效简
便的实现。图像经小波变换后可获得,,,等系数。小波变换的本质是图像的
降采样,图像经过N级小波变换后,低频分量的大小变成原始图像尺寸的。因此,利用
低频分量获得透射信息将大大减少计算时间。
导向滤波:通过一张引导图对目标图像进行滤波处理,使得最后的输出图像大体上与目标图像相似,但是纹理部分与引导图相似,进一步保持图像边缘平滑。
在雾天条件下,成像物体表面上的光在传播到拍摄设备的传感器上的过程中,会发生直接衰减和大气光效应,即雾气中颗粒物对成像光线的散射使光在传播过程中发生了衰减,而对于非成像光线的散射使非成像光线也进入到拍摄设备的传感器上。
因此,在图像去雾中,经典的,且常见的,将雾天成像的退化模型可被表现为:
其中,表示大气散射系数,表示景深。因此,根据公式(1)和公式(2)可知,随
着景深的逐渐增加,透射率会逐渐降低,雾对图像的影响越来越大,导致远景处雾浓、近景
处雾薄的视觉效果。所以有雾图像的复原/去雾/重构可转换为从拍摄/观测到的有雾图像恢复到无雾图像的过程,而转换的关键点在于估计大气光强度和透射率的
准确性上。
本申请实施例公开一种基于小波透射率优化的图像去雾方法。参照图1和图2,图像去雾方法包括如下方法:
无雾图像重构104,根据雾天成像的退化模型,对雾天成像进行分析,构建去雾复原模型:
其中,表示J中(R,G, B)分量的一个颜色通道,是以为中心的方形区
域,即是像素的集合,表示R、G、B成分对应的像素。在被雾干扰的图像中,
的强度值会因为大气中的白光成分变得更高。因此,通过计算雾天条件下暗通道的值对雾
的透射信息进行估算,为了使去雾图像看上去更自然,使用来控制去雾的程度。通过多次
实验评估,的取值为0.95时,去雾图像更为自然。
因此,公式(1)可修正为
为使投射率的值更加细腻,采用导向滤波对透射率进行优化。同时,考
虑到当透射率较小时,会偏大,会导致图像整体向白场过渡。因此,通过设置
透射率阈值,令透射率小于透射率阈值时等于透射率阈值。因此,推导并构建
出去雾复原模型为
上述图像去雾方法的实施方式中,通过Haar小波变换得到R、G、B三个成分中包含
图像信息的小波系数,再根据暗通道先验原理,通过根据小波系数中的低频信息的暗通道
信息,来估计低频信息的第一透射率,而根据小波系数中最大的高频信息和第一透
射率,结合Haar小波逆变换,能得到第三透射率和大气光强度,大气光强度根据小波系数中最大的高频信息而获得,更接近于有雾图像实际拍摄时的大气光强
度,并最终结合去雾复原模型,重构无雾图像,能够在一定程度上解决无雾图像的
高亮区域失真的问题,从而有助于改善去雾图像的可视效果较差的问题;通过Haar小波变
换对有雾图像进行分解,能够降低计算的复杂过程,降低图像去雾的时耗。
参照图1和图3,作为第一透射率估计102的一种实施方式,第一透射率估计102具体包括如下步骤:
其中,
其中,
表示R成分的低频图像,将R成分的系数保留,其它系数置为零,对R成分
进行Haar小波逆变换得到。表示G成分的低频图像,将G成分的系数保留,其它
系数置为零,对G成分进行Haar逆变换得到。表示B成分的低频图像,将B成分的
系数保留,其它系数置为零,对B成分进行Haar逆变换得到。
需要说明的是,可以先执行步骤1021,再执行步骤1022,也可以先执行步骤1022再执行步骤1021,也可以同时执行步骤1021和步骤1022。
其中,
上述第一透射率估计102的实施方式中,结合由小波系数得到的最大高频信息和暗通道信息,即结合暗通道先验的原理,估计第一透射率,能够
提升第一透射率的精度,从而使无雾图像具有更好的支撑,进而有助于提高无
雾图像的去雾效果。
需要说明的是,可以先执行步骤1033,再执行步骤1034,也可以先执行步骤1034再执行步骤1033,也可以同时执行步骤1033和步骤1034。
上述作为第三透射率和大气光强度获取103的实施方式中,采用导向滤波,
来对第一透射率进行优化得到第二透射率,能够增强图像的边缘细节,并
提高去雾图像的亮度的自适应性,再对第二透射率进行Haar小波逆变换,进一步改
善去雾图像的可视效果较差的问题。
本申请提供的一种基于小波透射率优化的图像去雾方法,基于Haar小波变换实现
基于图像低频信息的透射率估计,并利用高频信息估计大气光强度,支持图像去雾快速
计算,提升了图像去雾后的呈现效果,缓解传统/现有方法导致的颜色失真现象,为视频监
控场景高性能可视化提供支撑,能够在一定程度上有效提升视频监控的管控能力。
本申请实施例还公开一种基于小波透射率优化的图像去雾***,图像去雾***包括,
无雾图像重构模块,用于根据雾天成像的退化模型,对雾天成像进行分析,构建去雾复原模型:
上述图像去雾***的实施方式中,小波系数获取模块通过Haar小波变换得到R、G、
B三个成分中包含图像信息的小波系数,第一透射率估计模块根据暗通道先验原理,通过根
据小波系数中的低频信息的暗通道信息,来估计低频信息的第一透射率,第三透射率和大
气光强度获取模块根据小波系数中最大的高频信息和第一透射率,结合Haar小波逆变换,
能得到第三透射率和大气光强度,大气光强度根据小波系数中最大的高频信息而
获得,更接近于有雾图像实际拍摄时的大气光强度,并最终结合去雾复原模型,无雾图
像重构模块重构无雾图像,能够在一定程度上解决无雾图像的高亮区域失真的问
题,从而有助于改善去雾图像的可视效果较差的问题;通过小波变换对有雾图像进行
分解,能够降低计算的复杂过程,降低图像去雾的时耗。
作为第一透射率估计模块的一种实施方式,第一透射率估计模块包括,
上述第一透射率估计模块的实施方式中,第一计算子模块由小波系数的高频信息
得到的最大高频信息,第二计算子模块由小波系数的低频信息得到暗通道信息,即结合暗
通道先验的原理,估计子模块进行第一透射率估计,能够提升第一透射率的
精度,从而使无雾图像具有更好的支撑,进而有助于提高无雾图像的去雾效果。
本申请实施例还公开一种智能终端,参照图5,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如一种基于小波透射率优化的图像去雾方法中的任一种方法。
本申请实施例还公开一种计算机可读存储介质,存储有能够被处理器加载被执行如第一方面中任一种方法的计算机程序。
计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (9)
1.一种基于小波透射率优化的图像去雾方法,其特征在于:所述图像去雾方法包括,
无雾图像重构(104),根据雾天成像的退化模型,对雾天成像进行分析,构建去雾复原模型:
6.一种基于小波透射率优化的图像去雾***,其特征在于:所述图像去雾***包括,
无雾图像重构模块,用于根据雾天成像的退化模型,对雾天成像进行分析,构建去雾复原模型:
8.一种智能终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1至5中的任一种方法。
9.一种计算机可读存储介质,其特征在于:存储有能够被处理器加载被执行如权要求1至5中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658343.7A CN113379632B (zh) | 2021-06-15 | 2021-06-15 | 一种基于小波透射率优化的图像去雾方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658343.7A CN113379632B (zh) | 2021-06-15 | 2021-06-15 | 一种基于小波透射率优化的图像去雾方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379632A true CN113379632A (zh) | 2021-09-10 |
CN113379632B CN113379632B (zh) | 2023-04-25 |
Family
ID=77574151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110658343.7A Active CN113379632B (zh) | 2021-06-15 | 2021-06-15 | 一种基于小波透射率优化的图像去雾方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379632B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955905A (zh) * | 2014-05-13 | 2014-07-30 | 北京邮电大学 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
CN103985091A (zh) * | 2014-04-30 | 2014-08-13 | 西安理工大学 | 基于亮度暗先验与双边滤波的单幅图像去雾方法 |
CN105096272A (zh) * | 2015-08-19 | 2015-11-25 | 常州工学院 | 一种基于双树复小波的除雾方法 |
CN106157267A (zh) * | 2016-07-12 | 2016-11-23 | 中国科学技术大学 | 一种基于暗通道先验的图像去雾透射率优化方法 |
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 |
CN108876743A (zh) * | 2018-06-26 | 2018-11-23 | 中山大学 | 一种图像快速去雾方法、***、终端及存储介质 |
CN111028184A (zh) * | 2020-03-09 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种图像增强方法及*** |
US20200394767A1 (en) * | 2019-06-17 | 2020-12-17 | China University Of Mining & Technology, Beijing | Method for rapidly dehazing underground pipeline image based on dark channel prior |
-
2021
- 2021-06-15 CN CN202110658343.7A patent/CN113379632B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985091A (zh) * | 2014-04-30 | 2014-08-13 | 西安理工大学 | 基于亮度暗先验与双边滤波的单幅图像去雾方法 |
CN103955905A (zh) * | 2014-05-13 | 2014-07-30 | 北京邮电大学 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
CN105096272A (zh) * | 2015-08-19 | 2015-11-25 | 常州工学院 | 一种基于双树复小波的除雾方法 |
CN106157267A (zh) * | 2016-07-12 | 2016-11-23 | 中国科学技术大学 | 一种基于暗通道先验的图像去雾透射率优化方法 |
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 |
CN108876743A (zh) * | 2018-06-26 | 2018-11-23 | 中山大学 | 一种图像快速去雾方法、***、终端及存储介质 |
US20200394767A1 (en) * | 2019-06-17 | 2020-12-17 | China University Of Mining & Technology, Beijing | Method for rapidly dehazing underground pipeline image based on dark channel prior |
CN111028184A (zh) * | 2020-03-09 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种图像增强方法及*** |
Non-Patent Citations (1)
Title |
---|
周昊: "低能见度下铁路视频监控图像增强技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, no. 2, 15 February 2021 (2021-02-15), pages 033 - 256 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379632B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Single underwater image enhancement by attenuation map guided color correction and detail preserved dehazing | |
Lu et al. | Underwater image enhancement using guided trigonometric bilateral filter and fast automatic color correction | |
Padmavathi et al. | Comparison of filters used for underwater image pre-processing | |
CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
TWI808406B (zh) | 圖像去霧方法和使用圖像去霧方法的圖像去霧設備 | |
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 | |
CN110135434A (zh) | 基于颜色线模型的水下图像质量提升算法 | |
Zhou et al. | A multifeature fusion method for the color distortion and low contrast of underwater images | |
Chang | Single underwater image restoration based on adaptive transmission fusion | |
Zhang et al. | Single image dehazing based on fast wavelet transform with weighted image fusion | |
Mathur et al. | Enhancement of nonuniformly illuminated underwater images | |
Moghimi et al. | A joint adaptive evolutionary model towards optical image contrast enhancement and geometrical reconstruction approach in underwater remote sensing | |
CN115187688A (zh) | 基于大气光偏振正交盲分离的雾图重构方法及电子设备 | |
CN106709876B (zh) | 一种基于暗像元原理的光学遥感图像去雾方法 | |
CN113822816A (zh) | 气雾散射模型优化的单张遥感图像去霾方法 | |
CN112825189B (zh) | 一种图像去雾方法及相关设备 | |
Xiaoxu et al. | Image dehazing base on two-peak channel prior | |
Hu et al. | Modified image haze removal algorithm based on dark channel prior | |
CN113379632B (zh) | 一种基于小波透射率优化的图像去雾方法及*** | |
CN115908155A (zh) | Nsst域结合gan及尺度相关系数的低照度图像增强及去噪方法 | |
CN112822343B (zh) | 一种面向夜间视频的清晰化方法及存储介质 | |
Natarajan | A review on underwater image enhancement techniques | |
Shen et al. | Underwater image enhancement based on polarization imaging | |
Yang et al. | Single image dehazing algorithm based on double exponential attenuation model | |
Powar et al. | A review: Underwater image enhancement using dark channel prior with gamma correction |
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 |