CN102968772B - 一种基于暗通道信息的图像去雾方法 - Google Patents
一种基于暗通道信息的图像去雾方法 Download PDFInfo
- Publication number
- CN102968772B CN102968772B CN201210511068.7A CN201210511068A CN102968772B CN 102968772 B CN102968772 B CN 102968772B CN 201210511068 A CN201210511068 A CN 201210511068A CN 102968772 B CN102968772 B CN 102968772B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- dark
- mist elimination
- mist
- 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)
Abstract
本发明公开了一种基于暗通道信息的图像去雾方法,属于图像处理和计算机视觉技术领域。本发明提出的方法首先对输入图像的各色彩通道采用最小值滤波器计算出各个像素点的最小值,接着计算不同尺度参数下的图像暗通道统计值,并对各尺度参数对应的暗通道统计值进行高斯平滑滤波,将滤波后的暗通道统计值根据不同的尺度参数分配不同的权重值,通过对按通道统计值的加权优化计算出场景的透射系数,以实现对图像的去雾处理,本发明的应用,能避免复杂的软抠图优化步骤,去雾处理的运算复杂度,去雾处理的图像质量高、且能满足实时处理应用的需求。
Description
技术领域
本发明属于图像处理和计算机视觉技术领域,尤其涉及一种基于暗通道信息的单幅图像去雾处理方法。
背景技术
雾天图像恢复是图像处理和计算机视觉等技术领域的关键技术。因为经典的计算机视觉算法往往假设输入图像是物体表面反射光,针对某些有雾图像,这些方法的数学模型不可避免的会在一定程度上失效,从而影响最终的图像去雾效果。因此,研究雾天图像成像退化模型和去雾方法具有重要的意义。
针对单幅雾天图像,现有的图像去雾方法通常是基于雾天图像的先验信息规律。典型的方法有Tan方法(局部对比度最大化方法)、Fattal方法(基于独立成分分析的场景反照率和透射率估计方法)和He方法(基于暗通道先验信息的图像去雾方法)。Tan方法是基于先验信息——无雾图像的对比度往往比有雾图像的对比度要高,通过算法处理使有雾图像的局部区域的对比度达到最大,以达到图像去雾的目的,但恢复的图像对比度往往很高,容易造成图像纹理细节信息的淹没;Fattal方法的先验信息是假设环境光分量和物体表面的反射光分量是不相关的,以此估计出物体表面反射光分量,但恢复出的图像往往失真度较高;He方法选用一个尺度参数计算彩色图像中对应尺度窗口中像素各分量的最小值,并将此值作为暗通道先验信息,然后通过暗通道先验信息估算场景的深度信息,将深度信息结合大气散射模型估算场景的透射率,再通过软抠图方法优化估算的场景透射率,最后根据优化的场景透射率和估算的大气光照向量A=[Ixy(R),Ixy(G),Ixy(B)],进行图像的去雾处理。虽然He方法恢复出的图像去雾质量较为理想,但只考虑了一个尺度参数,且采用运算极为复杂软抠图优化方法来估计场景的透射系数,计算量会随着图像尺寸的增大呈现出几何级增加,在现有硬件基础上很难做到对雾天图像去雾的实时处理,难以运用到实际应用中。
发明内容
有鉴于此,本发明的发明目的在于:提供了一种降低去雾处理运算复杂度、处理效率高,去雾处理的图像质量较高、能满足实时处理应用的需求的基于暗通道信息的图像去雾方法。
本发明的一种基于暗通道信息的图像去雾方法,包括下列步骤:
S1、将输入图像I(x)转换到RGB色彩空间,计算各像素点在RGB色彩空间中各色彩通道的最小值,得到输入图像I(x)的初始暗通道统计值DC0(I);
S2、按尺度Ni统计所述DC0(I)的暗通道信息,得到输入图像I(x)在不同尺度Ni下的暗通道统计值其中i=1,…,n,所述n为大于等于1的自然数;并对进行高斯滤波处理,高斯尺度取为Ni,得到高斯平滑暗通道统计值
S3、对所述DC0(I)、n个进行加权平均处理,得到加权平均处理后的暗通道统计值DC(I);并对所述DC(I)进行归一化处理,处理结果记为DCN(I);
S4、根据步骤S3得到的DCN(I)、输入图像I(x)得到大气光照向量A=[Ixy(R),Ixy(G),Ixy(B)];取数值1与所述DCN(I)的差为场景透射系数矩阵T;
S5、根据场景透射系数矩阵T和大气光照向量A对输入图像I(x)进行图像去雾处理。
本发明首先对输入图像I(x)的各色彩通道采用最小值滤波器计算出各个像素点的最小值,得到初始暗通道统计值DC0(I),本发明的DC0(I)为下一步计算不同的尺度参数(或尺度窗口)下的暗通道信息提供一个标准的输入量,能有效避免重复的像素分量取最小值的操作处理,以减小不同尺度参数下的暗通道信息的计算复杂度;接着基于该DC0(I)计算不同尺度参数Ni的暗通道信息可以仅计算一个尺度参数,也可以计算多个尺度参数,基于计算复杂度的考虑,通常计算3个不同尺度参数的暗通道统计值;接着对各尺度参数对应的进行高斯平滑滤波处理,得到再对DC0(I)、n个按照权值向量m=[m0,m1,m2,…,mn]进行平均加权处理后得到DC(I),并将DC(I)归一化到[0,1]范围内,取值为DCN(I),通过DCN(I)计算得到本发明的场景透射系数矩阵T,避免了现有的复杂的软抠图优化步骤来得到场景透射系数矩阵T;最后,再基于场景透射系数矩阵T和大气光照向量A=[Ixy(R),Ixy(G),Ixy(B)]实现对输入图像的去雾处理,经去雾处理计算处理后获得无雾图像J(x),具体的去雾计算处理既可以是现有的He方法中的去雾处理模型(He方法中,t0的取值为0.1),也可以是本发明进一步改进和/修正的去雾计算处理操作。本发明的去雾方法,与现有技术相比,具有简化了运算处理的复杂度,并行化高等优点,能满足实时处理应用的需要。
进一步的,为了给步骤S2中计算加权透射率提供不同精细度的透射率参数,得到更优的去雾处理效果,所述步骤S2中,对各尺度参数对应的暗通道统计值进行高斯滤波处理可具体为:
上述处理公式中,高斯掩模g_mask(j,k)是边长为Ni的高斯平滑滤波器,所述win_dark_Ni(j,k)是在中以像素点(j,k)为中心,尺度为Ni的窗口。
同时,为了进一步保证去雾处理后的图像的亮度,本发明对大气光照向量的计算进行了修正,即所述步骤S4中,还包括对所述大气光照向量A[Ixy(R),Ixy(G),Ixy(B)]进行修正处理的操作,修正后的大气光照向量为[Cl,Cl,Cl],其中Cl取Ixy(R)、Ixy(G)和Ixy(B)中的最大值。
为了保证去雾处理后的图像中的天空区域不出现过度增强现象,即避免去雾处理后的图像的天空部分出现强烈的光晕现象,经过多次实验论证,发现将透射系数全局最小值t0的取值限定在0.25~0.35能有效的避免光晕现象,因而在去雾处理中淘汰了He方法中惯用的取t0为0.1做法,即本发明对He方法中的去雾处理模型进行了修正,具体为:所述步骤S5中,图像去雾处理具体为:设定透射系数全局最小值t0,所述t0的取值为0.25~0.35(优选的,t0取为0.3);取场景透射系数T(x)与t0两者中的最大项为Tmax,即Tmax=max(T(x),t0);经去雾处理 得到无雾图像J(x)。
进一步的,为了更好的控制去雾处理后的图像的饱和度,本发明对He方法中的去雾处理模型进行了优化,增加了透射率调整系数t1,所述t1的取值为1.0~1.3,无雾图像J(x)的计算过程为:
综上,由于采用了上述技术方案,本发明的有益效果是:避免复杂的软抠图优化步骤,降低了He方法去雾处理的运算复杂度,避免了去雾处理后容易导致的光晕现象,并且能更好的控制去雾处理后图像的饱和度,同时对大气光照向量的计算进行了修正以保证去雾图像的亮度,即本发明的图像去雾方法处理处理速度快,去雾处理的图像质量高、且能满足实时处理应用的需求。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明具体实施方式的流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
实施例1
参照图1,本发明对输入图像I(x)的基于暗通道信息的图像去雾方法采用以下步骤实现:
步骤S101,将输入图像I(x)转换到RGB色彩空间,并计算图像中所有像素点在RGB色彩空间中各色彩通道的最小值,得到输入图像I(x)的初始暗通道统计值DC0(I),即公式(1.1),将DC0(I)送入步骤S201;
本发明通过先提取所有像素点的最小分量值的操作,为下一步计算不同的尺度参数Ni下的暗通道信息(暗通道统计值)提供一个标准的输入量,这样可以避免重复的像素分量取最小值操作,以减小暗通道信息的计算复杂度。
步骤S201,按尺度Ni统计DC0(I)的暗通道信息,得到输入图像I(x)在不同尺度Ni下的暗通道统计值其中i=1,…,n,n为大于等于1的自然数;并对各进行高斯滤波处理,高斯尺度取为Ni,得到高斯平滑暗通道统计值
的计算用公式可表示为:
其中是以待处理像素点x为中心的一个图像块,其尺度为Ni,其中Ni<Ni+1,且Ni为奇数。
对进行高斯滤波处理用公式可表示为:
公式(1.3)中,高斯掩模g_mask(j,k)是边长为Ni的高斯平滑滤波器,
win_dark_Ni(j,k)是在中以像素点(j,k)为中心,尺度为Ni的窗口。
本实施例中,取n为3,即考虑3个不同尺度(N1=3,N2=5,N3=7)的暗通道统计信息,首先对初始暗通道统计值DC0(I)进行滑窗最小值滤波,此处滑动窗口的尺寸记为N1×N1,得到输入图像I(x)的暗通道统计值并基于公式(1.3)对行高斯滤波操作,高斯尺度取为N1,获得该高斯尺度对应的高斯平滑暗通道统计值
同理,基于公式(1.2),(1.3)可得到与N2和N3对应的暗通道统计值高斯平滑暗通道统计值不同尺度参数对应的可以并行处理,以提高本发明去雾处理方法的并行度。
步骤S301,对初始暗通道统计值DC0(I),以及所有高斯平滑暗通道统计值 按照权值向量m=[m0,m1,m2,…,mn](其中,m0+m1+m2+…+mn=1)进行加权平均处理得到DC(I),可用下式表示:
根据公式(1.4),得到加权平均处理后的暗通道统计值DC(I),并将DC(I)归一化到[0,1]范围内,归一化后的结果记为DCN(I)。
步骤S401,根据DCN(I)计算场景透射系数矩阵T:T=1-DCN(I);
步骤S402,根据DCN(I)、输入图像I(x)得到大气光照向量A=[Ixy(R),Ixy(G),Ixy(B)]:
首先,将输入图像I(x)转换为灰度图像I'(x),该步骤可以和上述已进行步骤并行操作;
其次,对DCN(I)中各灰度点按灰度值从高到低的顺序进行排序,并将各灰度点在图像中的位置坐标保存于位置矩阵L中(为了简化计算,通常仅对排在前0.1%的灰度点保存位置坐标);
然后,根据位置矩阵L,得到灰度图像I'(x)中具有最大灰度值的像素点(具体处理过程可以是:根据位置矩阵L中记录的坐标值,取出灰度图像I'(x)中对应的像素点,并将该像素点的位置坐标及灰度值保存于矩阵C中,在矩阵C中找出灰度值最大的像素点),记录位置信息(x,y),在输入图像I(x)中取出该像素点的RGB三通道的值,记为大气光照向量:A’=[Ixy(R),Ixy(G),Ixy(B)],为了保证去雾处理后图像的亮度,对A’的三个分量进行修正,修正后的大气光照向量为:A=[Cl,Cl,Cl],其中Cl=max(Ixy(R),Ixy(G),Ixy(B)),上述步骤步骤S402可以与步骤S401并行处理。
步骤S501,据场景透射系数矩阵T和大气光照向量A对输入图像I(x)进行图像去雾处理,得到无雾图像J(x),为了保证去雾处理后的图像中的天空区域不出现过度增强现象,以及更好的控制去雾处理后的图像的饱和度,无雾图像J(x)可以通过下式计算处理得到:
上述步骤中,无雾图像可以根据公式(1.5)计算得到:
其中t0为透射系数的全局最小值,取值范围为[0.25,0.35],例如取0.25、0.28、0.29、0.3、0.32、0.35等,本实施例中取值为0.3时,避免光晕现象效果最好;t1为透射率调整系数,取值范围为[1.0,1.3],例如取1.1、1.15、1.2、1.3等,本实施例中,取值为1.2。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (10)
1.一种基于暗通道信息的图像去雾方法,其特征在于,包括下列步骤:
S1、将输入图像I(x)转换到RGB色彩空间,计算各像素点在RGB色彩空间中各色彩通道的最小值,得到输入图像I(x)的初始暗通道统计值DC0(I);
S2、按尺度Ni统计所述DC0(I)的暗通道信息,得到输入图像I(x)在不同尺度Ni下的暗通道统计值其中i=1,…,n,所述n为大于等于1的自然数;并对进行高斯滤波处理,高斯尺度取为Ni,得到高斯平滑暗通道统计值
S3、对所述DC0(I)、n个进行加权平均处理,得到加权平均处理后的暗通道统计值DC(I);并对所述DC(I)进行归一化处理,处理结果记为DCN(I);
S4、根据步骤S3得到的DCN(I)、输入图像I(x)得到大气光照向量A=[Ixy(R),Ixy(G),Ixy(B)];取数值1与所述DCN(I)的差为场景透射系数矩阵T,即T=1-DCN(I);
S5、根据场景透射系数矩阵T和大气光照向量A对输入图像I(x)进行图像去雾处理。
2.如权利要求1所述的方法,其特征在于,所述步骤S2中,对进行高斯滤波处理具体为:
上述处理公式中,高斯掩模g_mask(j,k)是边长为Ni的高斯平滑滤波器,所述win_dark_Ni(j,k)是在中以像素点(j,k)为中心,尺度为Ni的窗口。
3.如权利要求1或2所述的方法,其特征在于,所述步骤S4中,还对所述大气光照向量A[Ixy(R),Ixy(G),Ixy(B)]进行修正处理,修正后的大气光照向量为[Cl,Cl,Cl],其中Cl取Ixy(R)、Ixy(G)和Ixy(B)中的最大值。
4.如权利要求1所述的方法,其特征在于,所述步骤S5中,图像去雾处理具体为:
设定透射系数全局最小值t0,所述t0的取值为0.25~0.35,取场景透射系数T(x)与所述t0两者中的最大项为Tmax,经去雾处理得到无雾图像J(x)。
5.如权利要求3所述的方法,其特征在于,所述步骤S5中,图像去雾处理具体为:设定透射系数全局最小值t0,所述t0的取值为0.25~0.35,取场景透射系数T(x)与所述t0两者中的最大项为Tmax,经去雾处理得到无雾图像J(x)。
6.如权利要求4所述的方法,其特征在于,设定透射率调整系数t1,所述t1的取值为(1.0,1.3],所述无雾图像
7.如权利要求5所述的方法,其特征在于,设定透射率调整系数t1,所述t1的取值为(1.0,1.3],所述无雾图像
8.如权利要求4、5、6或7所述方法,其特征在于,所述透射系数全局最小值t0的取值为0.3。
9.如权利要求1或2所述的方法,其特征在于,所述步骤S2中,n的取值为3。
10.如权利要求9所述的方法,其特征在于,所述步骤S3中,所述DC0(I)和的加值依次为0.7,0.1,0.1,0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210511068.7A CN102968772B (zh) | 2012-12-04 | 2012-12-04 | 一种基于暗通道信息的图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210511068.7A CN102968772B (zh) | 2012-12-04 | 2012-12-04 | 一种基于暗通道信息的图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102968772A CN102968772A (zh) | 2013-03-13 |
CN102968772B true CN102968772B (zh) | 2016-01-13 |
Family
ID=47798900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210511068.7A Active CN102968772B (zh) | 2012-12-04 | 2012-12-04 | 一种基于暗通道信息的图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102968772B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198459B (zh) * | 2013-04-10 | 2016-02-03 | 成都国翼电子技术有限公司 | 雾霾图像快速去雾方法 |
CN104240193B (zh) * | 2013-09-15 | 2017-02-15 | 西南科技大学 | 一种基于亮度分量极小化的单幅图像去雾方法 |
CN103914820B (zh) * | 2014-03-31 | 2017-01-18 | 华中科技大学 | 一种基于图像分层增强的图像去雾方法及系统 |
CN103942758B (zh) * | 2014-04-04 | 2017-02-15 | 中国人民解放军国防科学技术大学 | 基于多尺度融合的暗通道先验图像去雾方法 |
CN104050636B (zh) * | 2014-06-05 | 2017-01-18 | 华侨大学 | 一种粒度可控的低照度图像的增强方法 |
CN104200435A (zh) * | 2014-08-29 | 2014-12-10 | 武汉大学 | 一种基于雾天成像模型的单幅图像去雾方法 |
CN104715239B (zh) * | 2015-03-12 | 2019-01-18 | 哈尔滨工程大学 | 一种基于去雾处理和权重分块的车辆颜色识别方法 |
CN104715456B (zh) * | 2015-03-17 | 2018-04-17 | 北京环境特性研究所 | 一种图像的去雾方法 |
CN105118027B (zh) * | 2015-07-28 | 2017-10-27 | 北京航空航天大学 | 一种图像的去雾方法 |
CN106339988B (zh) * | 2016-01-07 | 2019-06-14 | 深圳开阳电子股份有限公司 | 一种图像去雾方法及装置 |
TWI580266B (zh) | 2016-02-15 | 2017-04-21 | 聯詠科技股份有限公司 | 影像處理裝置 |
CN106023092B (zh) * | 2016-05-04 | 2020-12-11 | 中国农业大学 | 一种图像去雾方法及装置 |
CN106303044B (zh) * | 2016-08-18 | 2019-08-16 | 努比亚技术有限公司 | 一种移动终端和获取对焦值的方法 |
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 |
CN108230251A (zh) * | 2016-12-22 | 2018-06-29 | 深圳清华大学研究院 | 组合式图像恢复方法及装置 |
CN106780392B (zh) * | 2016-12-27 | 2020-10-02 | 浙江大华技术股份有限公司 | 一种图像融合方法及装置 |
CN107424134B (zh) * | 2017-07-27 | 2020-01-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN107451971A (zh) * | 2017-07-30 | 2017-12-08 | 湖南鸣腾智能科技有限公司 | 基于暗通道和高斯组合先验的低照度盲卷积图像复原法 |
CN108596857A (zh) * | 2018-05-09 | 2018-09-28 | 西安邮电大学 | 用于智能驾驶的单幅图像去雾方法 |
CN110175967B (zh) * | 2019-06-05 | 2020-07-17 | 邓诗雨 | 图像去雾处理方法、系统、计算机设备和存储介质 |
CN110232666B (zh) * | 2019-06-17 | 2020-04-28 | 中国矿业大学(北京) | 基于暗原色先验的地下管道图像快速去雾方法 |
CN111563852A (zh) * | 2020-04-24 | 2020-08-21 | 桂林电子科技大学 | 一种基于低复杂度mf的暗通道先验去雾方法 |
CN113362244B (zh) * | 2021-06-03 | 2023-02-24 | 淄博职业学院 | 基于优先级和数据使用计划的图像处理方法 |
CN114022371B (zh) * | 2021-10-22 | 2024-04-05 | 中国科学院长春光学精密机械与物理研究所 | 基于空间和通道注意力残差网络的去雾装置及其去雾方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783012A (zh) * | 2010-04-06 | 2010-07-21 | 中南大学 | 一种基于暗原色的自动图像去雾方法 |
CN101950416A (zh) * | 2010-09-15 | 2011-01-19 | 北京理工大学 | 基于双边滤波的实时图像去雾增强方法 |
CN102063706A (zh) * | 2010-12-23 | 2011-05-18 | 哈尔滨工业大学(威海) | 一种快速去雾方法 |
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、装置及系统 |
-
2012
- 2012-12-04 CN CN201210511068.7A patent/CN102968772B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783012A (zh) * | 2010-04-06 | 2010-07-21 | 中南大学 | 一种基于暗原色的自动图像去雾方法 |
CN101950416A (zh) * | 2010-09-15 | 2011-01-19 | 北京理工大学 | 基于双边滤波的实时图像去雾增强方法 |
CN102063706A (zh) * | 2010-12-23 | 2011-05-18 | 哈尔滨工业大学(威海) | 一种快速去雾方法 |
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、装置及系统 |
Non-Patent Citations (3)
Title |
---|
Improved Single Image Dehazing Using Dark Channel Prior and Multi-Scale Retinex;Bin Xie et al.;《ISDEA》;20101231;848-851 * |
一种改进的暗原色单幅图像去雾方法;陈瑶等;《四川理工学院学报(自然科学版)》;20121031;第25卷(第5期);62-64 * |
滤波器可变的Retinex雾天图像增强算法;杨万挺等;《计算机辅助设计与图形学学报》;20100630;第22卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN102968772A (zh) | 2013-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102968772B (zh) | 一种基于暗通道信息的图像去雾方法 | |
CN102982513B (zh) | 一种基于纹理的自适应图像去雾方法 | |
CN101950416B (zh) | 基于双边滤波的实时图像去雾增强方法 | |
US20160321523A1 (en) | Using machine learning to filter monte carlo noise from images | |
CN102231791B (zh) | 一种基于图像亮度分层的视频图像去雾方法 | |
CN103198459B (zh) | 雾霾图像快速去雾方法 | |
CN103530848A (zh) | 一种非均匀光照图像二次曝光的实现方法 | |
CN103914820B (zh) | 一种基于图像分层增强的图像去雾方法及系统 | |
CN103413275A (zh) | 基于梯度零范数最小化的Retinex夜间图像增强方法 | |
CN102831591A (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN105354806A (zh) | 基于暗通道的快速去雾方法及系统 | |
CN104253930A (zh) | 一种实时视频去雾方法 | |
CN104272347A (zh) | 去除包含在静止图像中的雾的图像处理装置及其方法 | |
CN103049891B (zh) | 基于自适应窗口选择的视频图像去模糊方法 | |
CN106169181A (zh) | 一种图像处理方法及系统 | |
Liu et al. | Learning hadamard-product-propagation for image dehazing and beyond | |
CN103578083A (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
CN102831590A (zh) | 基于波谱特性的透射率-暗原色先验去雾增强方法 | |
CN107203980B (zh) | 自适应多尺度暗通道先验的水下目标探测图像增强方法 | |
CN102789634B (zh) | 一种获取光照均一化图像的方法 | |
CN103020921A (zh) | 基于局部统计信息的单幅图像去雾方法 | |
CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
CN102646267B (zh) | 退化图像复原方法及系统 | |
CN103034983A (zh) | 一种基于各向异性滤波的去雾方法 | |
CN103559684A (zh) | 基于平滑校正的图像恢复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |