CN103955905A - 基于快速小波变换和加权图像融合的单幅图像去雾方法 - Google Patents
基于快速小波变换和加权图像融合的单幅图像去雾方法 Download PDFInfo
- Publication number
- CN103955905A CN103955905A CN201410200960.2A CN201410200960A CN103955905A CN 103955905 A CN103955905 A CN 103955905A CN 201410200960 A CN201410200960 A CN 201410200960A CN 103955905 A CN103955905 A CN 103955905A
- Authority
- CN
- China
- Prior art keywords
- image
- misty
- former
- mini
- components
- 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 31
- 230000004927 fusion Effects 0.000 title abstract description 10
- 230000009466 transformation Effects 0.000 title abstract 3
- 238000009795 derivation Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 239000003595 mist Substances 0.000 claims description 65
- 230000008030 elimination Effects 0.000 claims description 42
- 238000003379 elimination reaction Methods 0.000 claims description 42
- 238000001914 filtration Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 2
- 239000003086 colorant Substances 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241001028048 Nicola Species 0.000 description 1
- 240000001439 Opuntia Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于快速小波变换和加权图像融合的单幅图像去雾方法,其具体实施步骤如下:获取雾天图像,并求取雾天图像的暗原色,根据暗原色获取大气光向量值;对原雾天图像的RGB三通道求取最小值获得最小成分图像,对最小成分图像进行快速小波变换和中值滤波推导得到透射率,根据大气散射模型利用得到的大气光向量值和透射率得到初步去雾图像;对原雾天图像减去对应于其灰度均值的比例因子并乘以相应的值从而进行简单的对比度增强;将得到的初步复原图像与进行对比度提高的图像进行加权图像融合,得到最终的去雾图像。本发明提供的去雾方法,具有提高单幅图像的去雾速度和增强雾天图像的清晰度的优点。
Description
技术领域
本发明涉及图像处理领域,尤其涉及图像复原领域,具体地说是一种基于快速小波变换和加权图像融合单幅图像去雾方法。
背景技术
在恶劣天气条件下捕获的室外图像,由于空气中悬浮的微粒(如雾、霭)会对光线产生吸收、辐射和散射作用,其中吸收和辐射对成像的影响较小,大气粒子的散射会引起光线在大气传播中发生强度和颜色的改变,从而导致捕获的雾天图像呈现对比度低,颜色失真等特点,这对后续的图像处理(如目标识别、特征提取等)造成一定的困难。
目前的户外计算机视觉系统(如视频监控、智能交通等)均需充分提取图像的特征,所以在恶劣天气条件下获取清晰的无雾图像在计算机视觉领域具有重要意义,同时由于视频监控等系统的实时需求,去雾算法的高效性也是至关重要的。近年来,图像去雾技术逐渐成为国内外学者的研究热点。
近期几乎所有的去雾算法都是建立在大气散射模型之上的,而在该模型中雾所依赖的景深信息和天空光是未知的。由于从单幅图像中获取景深信息缺少约束条件,所以很多研究学者提出基于多幅图像或添加额外信息进行去雾。然而在实际的计算机视觉系统中,获取同一场景不同天气条件下的多幅图像或者采用其余设备获取额外信息都是难以实现的。所以基于单幅图像的去雾算法才更具有研究价值。
近来,基于单幅图像的去雾技术已经取得了重大突破。Fattal(R.Fattal,“Single image dehazing,”International Conference on Computer Graphics and Interactive Techniques,pp.1–9,2008.)利用独立成分分析法,通过假定透射率与局部表面投影是不相关推断出透射率,从而进行雾天图像的还原,但复原的图像往往出现失真。Tan(R.T.Tan,“Visibility in bad weather from a single image,”IEEE Conference on Computer Vision and Pattern Recognition,pp.1–8,2008.)通过观察发现雾天图像比无雾图像的对比度低,所以提出通过最大化局部区域对比度来提高雾天图像的清晰度,但由于该方法是基于颜色统计的,所以在浓雾时会失效。He(K.He,J.Sun,and X.Tang,“Single image haze removal using dark channel prior,”IEEE Conference on Computer Vision and Pattern Recognition,pp.1957–1963,2009.)等人通过对大量的室外无雾图像进行统计实验发现了暗通道先验理论,利用该理论与软抠图可以得到较好的去雾效果,但是由于采用复杂度较高的软抠图算法,所以该算法效率较低。Tarel(Jean-Philippe Tarel,Nicolas Hauti`ere,“Fast Visibility Restoration from a Single Color or Gray Level Image,”International Conference on Computer Vision,2009.)采用中值滤波器估计大气幕,得到了一种快速的去雾方法,但是该方法需要设置较多的参数。总而言之,上述所有的算法在速度或者效果上均有待提高。
发明内容
本发明提供一种基于快速小波变换和加权图像融合的单幅图像去雾方法,该方法可以有效快速的实现对雾天图像的清晰化处理。
为了解决上述技术问题,本发明的具体实施步骤为:
(1)获取雾天图像,并求取雾天图像的暗原色图,根据暗原色图获取大气光向量值;
(2)对原雾天图像的RGB三通道求取最小值获得最小成分图像,对最小成分图像进行快速小波变换和中值滤波推导得到透射率,根据大气散射模型利用得到的大气光向量值和透射率得到初步去雾图像;
(3)对原雾天图像减去对应于其灰度均值的比例因子并乘以相应的值从而进行简单的对比度增强;
(4)将得到的初步去雾图像与进行简单对比度提高的图像进行加权图像融合,得到最终的去雾图像。
进一步,步骤(1)所述的暗原色图是指:根据获取雾天图像的暗原色Idark,其中I为原雾天图像,Ic代表I的c颜色通道(c∈{r,g,b}),Ω(x)是以x为中心的一块方形区域。
进一步,步骤(1)所述的根据暗原色图获取大气光的向量值是指首先选取暗原色图Idark中亮度最大的部分像素,在以上像素当中对应于输入图像I中强度最大的像素点的像素值被选定为大气光向量值A。
进一步,步骤(2)所述的根据原雾天图像获取最小成分图像是指:根据获取的最小成分图像W,其中Ac为大气光向量值A的c通道分量,Ic代表原雾天图像I的c颜色通道,c∈{r,g,b}。
进一步,步骤(2)所述的对最小成分图像进行快速小波变换并将细节系数置零,然后进行图像的重建是指:对最小成分图像W进行快速小波变换之后可以得到两部分即尺度系数和细节系数,其中尺度系数包含了图像的低频信息也就是图像的基本信息,而细节系数包含了图像中的高频信息也就是图像的细节信息。通过将细节系数进行置零,也就是消除了最小成分图像中的部分高频信息,这样可以将最小成分图像W中的纹理、噪声等信息消除,最后利用剩余的尺度系数进行图像的重建。
进一步,步骤(2)所述的对重建之后的图像进行中值滤波是指:对最小成分图像W进行快速小波变换之后仍然包含部分的伪信息,所以采用中值滤波进行进一步的消除得到W'。
进一步,步骤(2)所述的推导得到透射率是指:根据t(x)=1-ωW'(x)得到的透射率t,其中ω为常数系数。
进一步,步骤(2)所述的根据大气散射模型获取初步去雾图像是指:根据 推导得到初步去雾图像J1,其中I为原雾天图像,t为透射率,A为大气光向量值,t0为常数系数,。
进一步,步骤(3)所述的对原雾天图像减去对应于其灰度均值的比例因子并乘以相应的值是指:J2(x)=γ(I(x)-θ),其中I为原雾天图像,θ为对应于原图像中某区域的灰度均值的比例因子,γ用于提高图像的亮度,J2为处理之后的图像,相较于原雾天图像,J2的对比度得到提高。
随着雾的浓度增加,雾天图像的对比度会降低,所以在进行对比度提高的时候首先进行雾的浓度判断,由于天空和近景部分受雾的影响较小,截取原图像中间部分的四分之一计算其灰度平均值,记为avg,那么当avg大于某个临界值δ时可以判断为浓雾,即θ=0.9avg,否则θ=0.7avg,并且γ=20.5avg。
进一步,步骤(3)所述的加权图像融合是指:根据F(x)=m1(x)J1(x)m2(x)J2(x),其中J1为获得的初步去雾图像,J2为进行了简单对比度提高之后的图像,m1和m2为对应于J1和J2的权重图并且m1+m2=1。
由于采用简单的相减法进行对比度的提高,而原雾天图像随着景深的增加雾的浓度增加,所以原雾天图像近景的部分相较于远景部分灰度值较低,以至于在J2中会出现信息的损失,所以在最后的融合图像中J2在近景部分所占的比例要低,由于透射率与景深成反比,所以可以将透射率的变换形式作为权重图。由于初步的去雾图像在清晰度上有更好的效果,所以要增加J1的比重,那么m1(x)=min((k+t(x)),1)和m2(x)=1-m1(x),其中k为初步去雾图像在结果图像中增加的比重,当原雾天图像为浓雾时k=0.4,否则k=0.1,t为透射率。
本发明具有下述优点:本发明采用基于快速小波变换和加权图像融合的单幅图像去雾方法,该方法可以提高雾天图像的对比度和清晰度,同时可以尽量校正在处理中引起的颜色失真,另外本方法的计算复杂度较低,能更好的适应目前计算机视觉系统的应用。
附图说明:
图1为本发明实施例的实施流程示意图;
图2为输入的原雾天图像;
图3为图2的暗原色;
图4为图2的初步去雾图像;
图5为图2的对比度提高图像;
图6为对应于图4的权重图;
图7为对应于图5的权重图;
图8为图4与图5的加权融合图像,即最终的去雾图像。
具体实施方式:
为了更好的说明本发明,以下参照附图和实施例对本发明的具体实施做进一步详细的描述。
如图1所示,本发明的具体实施步骤为:
(1)获取雾天图像,并求取雾天图像的暗原色图,根据暗原色图获取大气光向量值;读入一幅雾天图像并转换到RGB颜色空间,记为I。在本实施例中图2为原雾天图像,像素大小为840×560。
根据获取雾天图像的暗原色Idark,其中I为原雾天图像,Ic代表I的c颜色通道(即c∈{r,g,b}),Ω(x)是以x为中心的一块方形区域。在本实施例中Ω(x)为15×15大小的区域。图2的暗原色图如图3所示。
根据暗原色图获取大气光的向量值A,首先选取暗原色图Idark中亮度最大的部分像素,在以上像素当中对应于输入图像I中强度最大的像素点的值被选定为大气光向量值A。在本实施例中在暗原色图中选取数量为0.1%的亮度值最大的像素作为亮度最大的部分像素。
(2)对原雾天图像的RGB三通道求取最小值获得最小成分图像,对最小成分图像进行快速小波变换并将细节系数置零,然后进行图像的重建,对重建之后的图像进行中值滤波并推导得到透射率,根据大气物理散射模型利用得到的大气光向量值和透射率就可以得到初步复原结果图像。
首先获取最小成分图像W,即:
其中Ac为大气光向量值的c通道分量,Ic代表I的c颜色通道,c∈{r,g,b}。
在假定雾是均匀的条件下,整幅图像的透射率是由景深决定的。在步骤(2)中根据最小成分图像推导透射率,而最小成分图像由原雾天图像在RGB三通道求最小值推导得到的,所以最小成分图像中包含了如图像的纹理、白色物体等伪信息与透射率图只与景深有关不符。所以对最小成分图像W进行快速小波变换和中值滤波以消除存在的伪信息。
首先对最小成分图像W进行快速小波变换得到两部分即尺度系数和细节系数,通过将细节系数进行置零,消除了最小成分图像中的部分高频信息,也就是将最小成分图像中的部分纹理信息和噪声等进行消除,最后利用剩余的尺度系数进行图像的重建。在本实例中选择对称小波并且级别数为2。
对最小成分图像进行快速小波变换之后仍然包含部分的伪信息,所以采用中值滤波进行进一步的消除,即:W'x=mediansvWx,其中sv是中值滤波器的半径大小,在本实例中sv为7。
根据t(x)=1-ωW'(x)推导得到透射率t,在推导透射率t的过程中引入了一个常数系数ω, 其目的在于在去雾之后的图像中有针对性的保留一部分雾,使其更真实,在本实例中ω=0.95。图1的透射率图如图4所示。
大气散射模型是指:I(x)=J(x)t(x)A(1t(x)),其中I是原雾天图像,J是无雾图像,t是透射率,A是大气光向量值。目前在去雾领域大气散射模型被广泛的应用。根据大气散射模型,结合原雾天图像I、透射率t和大气光向量值A便可以获取无雾图像J1,即:
其中I为原雾天图像,t为透过率,A为大气光向量,t0为常数,在本实施例中t0=0.01,图2的初步去雾图像如图5所示。
(3)对原雾天图像减去对应于灰度均值的比例因子并乘以相应的值从而进行简单的对比度增强。
雾的浓度对于雾天图像的平均灰度值有较大的影响,首先判断雾的浓度,由于天空部分与近景部分受雾的影响较小,所以截取原雾天图像中间部分的四分之一,计算其平均灰度值,记为avg。在本实例中当计算得到的avg大于0.65的时候,则确认当前雾天图像中的雾为浓雾,否则确认为轻雾。
对原雾天图像减去对应于其灰度均值的比例因子并乘以相应的值即:
J2(x)=γ(I(x)-θ)
其中I为原雾天图像,θ为对应于原图像中某区域的灰度均值的比例因子,γ=20.5+avg用于提高图像的亮度,J2为处理之后的图像,相较于原雾天图像,J2的对比度得到提高。在本实例中当确认雾的浓度为浓雾时θ=0.9avg,否则θ-0.7avg。
(4)将得到的初步去雾图像与进行简单对比度提高的图像进行加权图像融合,得到最终的去雾图像。
首先需要获取初步去雾图像J1和对比度提高的图像J2的权重图分别为m1和m2。由于在步骤(3)中采用简单的相减法对原雾天图像进行对比度的提高,而原雾天图像近景的部分相较于远景部分灰度值较低,在对整幅图像做减法处理之后,J2中的近景部分会出现信息的损失。所以在最后的融合图像中J2在近景部分所占的比例要低。
透射率与景深成反比,将透射率的变换形式作为权重图。由于初步的去雾图像在清晰度上有更好的效果,所以要增加J1的比重,那么
m1(x)=min((k+t(x)),1)
m2(x)=1-m1(x)
其中k为J1在结果图像中增加的比重。在本实例中当原雾天图像为浓雾时k=0.4,否则k=0.1。
根据F(x)=m1(x)J1(x)m2(x)J2(x),将获取的初步去雾图像J1与对比度提高的图像J2进行加权图像融合。其中m1和m2为对应于J1和J2的权重图并且m1+m2=1。
经过本发明的方法处理的原有雾图像与去雾之后的结果图像相比:
原有雾图像呈现对比度低、颜色漂移等现象如图1所示;采用快速小波变换与中值滤波推导得到的透射率如图3所示;采用大气散射模型推导得到的初步去雾图像如图4所示,从图中可以看出经过初步去雾之后的图像对比度得到显著的提高,但是出现了颜色失真、远处信息丢失等现象;采用对原图像减去对应于其灰度均值的操作得到对比度提高的图像如图5所示,从图中可以看出该图像保留了原图像的颜色信息;采用加权图像融合的权重图分别如图6与7所示,其分别对应于初步去雾图像与对比度提高的图像;最终的去雾图像如图8所示;本实施例是在配置为3.60GHz Intel(R)Xeon(R)E5-1620CPU和8G内存的计算机中采MATLAB编程实现,处理时间为0.713s。从本实例中可以看出基于快速小波变换与加权图像融合的单幅图像去雾方法可以快速有效地提高图像的对比度,同时保证图像色彩的自然。
Claims (5)
1.一种基于快速小波变换和加权图像融合的单幅图像去雾方法,其特征在于该方法的具体步骤为:
步骤(1),获取雾天图像,并求取雾天图像的暗原色图,根据暗原色图获取大气光向量值;
步骤(2),对原雾天图像的RGB三通道求取最小值获得最小成分图像,对最小成分图像进行快速小波变换和中值滤波推导得到透射率,根据大气散射模型利用得到的大气光向量值和透射率得到初步去雾图像;
步骤(3),对原雾天图像减去对应于其灰度均值的比例因子并乘以相应的值从而进行简单的对比度增强;
步骤(4),将得到的初步去雾图像与进行对比度提高的图像进行加权图像融合,得到最终的去雾图像。
2.根据权利要求1所述的基于快速小波变换与加权图像融合的单幅图像去雾方法,其特征在于所述步骤(1)中获取雾天图像并求取雾天图像的暗原色图,根据暗原色图获取大气光向量值,具体步骤如下:
S1.1:根据获取雾天图像的暗原色Idark,其中I为原雾天图像,Ic代表I的c颜色通道c{r,g,b},Ω(x)是以x为中心的一块方形区域。
S1.2:选取暗原色图Idark中亮度最大的部分像素,在以上像素当中对应于输入图像I中强度最大的像素点的像素值被选定为大气光向量值。
3.根据权利要求1所述的基于快速小波变换与加权图像融合的单幅图像去雾方法,其特征在于所述步骤(2)中对原雾天图像的RGB三通道求取最小值获得最小成分图像,对最小成分图像进行快速小波变换和中值滤波推导得到透射率,根据大气散射模型利用得到的大气光向量值和透射率得到初步去雾图像,具体步骤如下:
S2.1:根据获取的最小成分图像W,其中Ac为大气光向量值A的c通道分量,Ic代表原雾天图像I的c颜色通道,c{r,g,b}。
S2.2:对最小成分图像W进行快速小波变换,变换之后的图像在小波域分为两部分即尺度系数和细节系数,其中尺度系数包含了图像的低频信息也就是图像的基本信息,而细节系数包含了图像中的高频信息也就是图像的细节信息。通过将细节系数进行置零,也就是消除了最小成分图像中的部分高频信息,这样可以将最小成分图像W中的纹理、噪声等信息消除,最后利用剩余的尺度系数进行图像的重建。
S2.3:采用中值滤波器对重建之后的图像进行进一步的平滑,从而消除重建之后的图像含有的伪信息得到W'。
S2.4:根据t(x)=1-ωW'(x)得到的透射率t,其中ω为常数系数。
S2.5:根据大气散射模型推导得到初步去雾图像J1,其中I为原雾天图像,t为透射率,A为大气光向量值,t0为常数系数。
4.根据权利要求1所述的基于快速小波变换与加权图像融合的单幅图像去雾方法,其特征在于所述步骤(3)对原雾天图像减去对应于其灰度均值的比例因子并乘以相应的值从而进行简单的对比度增强,具体步骤如下:
S3.1:基于最小成分图像进行雾的浓度判断,由于天空和近景部分受雾的影响较小,截取最小成分图像中间部分的四分之一计算其灰度平均值,记为avg,那么当avg大于某个临界值δ时可以判断为浓雾,即θ=0.9avg,否则θ=0.7avg,并且γ=20.5avg。
S3.2:对原雾天图像减去对应于其灰度均值的比例因子并乘以相应的值,J2(x)=γ(I(x)-θ),其中I为原雾天图像,θ为对应于原图像中某区域的灰度均值的比例因子,γ用于提高图像的亮度,J2为处理之后的对比度提高的图像。
5.根据权利要求1所述的基于快速小波变换与加权图像融合的单幅图像去雾方法,其特征在于所述步骤(4)将得到的初步去雾图像与进行对比度提高的图像进行加权图像融合,得到最终的去雾图像,具体步骤如下:
S4.1:根据透射率图求得对应于初步去雾图像J1和对比度提高图像J2的权重图,由于初步的去雾图像在清晰度上有更好的效果,所以要增加J1的比重,那么m1(x)=min((k+t(x)),1)和m2(x)=1-m1(x),其中k为初步去雾图像在结果图像中增加的比重,当原雾天图像为浓雾时k=0.4,否则k=0.1,t为透射率。
S4.2:进行加权图像融合,根据F(x)=m1(x)J1(x)m2(x)J2(x),其中J1为获得的初步去雾图像,J2为进行了简单对比度提高之后的图像,m1和m2为对应于J1和J2的权重图并且m1+m2=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410200960.2A CN103955905B (zh) | 2014-05-13 | 2014-05-13 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410200960.2A CN103955905B (zh) | 2014-05-13 | 2014-05-13 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955905A true CN103955905A (zh) | 2014-07-30 |
CN103955905B CN103955905B (zh) | 2017-04-05 |
Family
ID=51333174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410200960.2A Expired - Fee Related CN103955905B (zh) | 2014-05-13 | 2014-05-13 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955905B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318524A (zh) * | 2014-10-15 | 2015-01-28 | 烟台艾睿光电科技有限公司 | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 |
CN104361564A (zh) * | 2014-12-03 | 2015-02-18 | 太原理工大学 | 粉尘图像恢复的切片减光方法 |
CN104392417A (zh) * | 2014-11-28 | 2015-03-04 | 嘉应学院 | 基于像素暗通道和各向异性扩散滤波的图像去雾方法 |
CN104537678A (zh) * | 2015-01-15 | 2015-04-22 | 常州工学院 | 一种从单幅遥感图像中去除云雾的方法 |
CN104537623A (zh) * | 2014-12-31 | 2015-04-22 | 深圳先进技术研究院 | 基于图像分割的图像去雾方法及装置 |
CN104599266A (zh) * | 2014-12-31 | 2015-05-06 | 小米科技有限责任公司 | 图像中雾气区域的检测方法、装置及终端 |
CN104809709A (zh) * | 2015-05-13 | 2015-07-29 | 北京邮电大学 | 基于域变换与带权四叉树分解的单幅图像自适应去雾方法 |
CN104881847A (zh) * | 2015-04-17 | 2015-09-02 | 广西科技大学 | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 |
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 |
TWI514323B (zh) * | 2014-09-04 | 2015-12-21 | Univ Nat Taipei Technology | 基於混合暗通道先驗的影像除霧方法及其系統 |
CN105654429A (zh) * | 2015-10-22 | 2016-06-08 | 天津大学 | 基于透射率归一化的增强弱光图像清晰度的方法 |
CN106251301A (zh) * | 2016-07-26 | 2016-12-21 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
CN106780392A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大华技术股份有限公司 | 一种图像融合方法及装置 |
CN107396053A (zh) * | 2017-08-18 | 2017-11-24 | 深圳市益鑫智能科技有限公司 | 一种室外安防监控系统 |
CN107464418A (zh) * | 2017-08-18 | 2017-12-12 | 潘金文 | 一种智能交通管理系统 |
CN107463176A (zh) * | 2017-08-18 | 2017-12-12 | 潘荣兰 | 一种全天候自动驾驶系统 |
CN108133462A (zh) * | 2017-12-08 | 2018-06-08 | 泉州装备制造研究所 | 一种基于梯度场区域分割的单幅图像的复原方法 |
CN108269242A (zh) * | 2018-01-17 | 2018-07-10 | 深圳市华星光电半导体显示技术有限公司 | 图像增强方法 |
CN109118440A (zh) * | 2018-07-06 | 2019-01-01 | 天津大学 | 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 |
CN109151413A (zh) * | 2018-10-10 | 2019-01-04 | 泉州市敏匠智能科技有限公司 | 一种无人机图像智能处理系统 |
CN111091501A (zh) * | 2018-10-24 | 2020-05-01 | 天津工业大学 | 一种大气散射去雾模型的参数估计方法 |
CN111476736A (zh) * | 2020-04-14 | 2020-07-31 | 中国人民解放军陆军特种作战学院 | 一种图像去雾方法、终端及系统 |
WO2021092821A1 (en) * | 2019-11-14 | 2021-05-20 | Intel Corporation | Adaptively encoding video frames using content and network analysis |
CN113379632A (zh) * | 2021-06-15 | 2021-09-10 | 深圳市赛蓝科技有限公司 | 一种基于小波透射率优化的图像去雾方法及系统 |
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 |
US20110222764A1 (en) * | 2010-03-12 | 2011-09-15 | Tae-Chan Kim | Image restoration device, image restoration method and image restoration system |
CN102243758A (zh) * | 2011-07-14 | 2011-11-16 | 浙江大学 | 基于雾天图像复原和图像融合的图像去雾方法 |
CN103034983A (zh) * | 2013-01-10 | 2013-04-10 | 厦门大学 | 一种基于各向异性滤波的去雾方法 |
-
2014
- 2014-05-13 CN CN201410200960.2A patent/CN103955905B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110222764A1 (en) * | 2010-03-12 | 2011-09-15 | Tae-Chan Kim | Image restoration device, image restoration method and image restoration system |
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 |
CN102243758A (zh) * | 2011-07-14 | 2011-11-16 | 浙江大学 | 基于雾天图像复原和图像融合的图像去雾方法 |
CN103034983A (zh) * | 2013-01-10 | 2013-04-10 | 厦门大学 | 一种基于各向异性滤波的去雾方法 |
Non-Patent Citations (3)
Title |
---|
CODRUTA ORNIANA ANCUTI ET AL.: "Effective Single Image Dehazing by Fusion", 《PROCEEDINGS OF 2010 IEEE 17TH INTERNATIONAL CONFERENCE ON IMAGE PROCESS》 * |
KAIMING HE ET AL.: "Single Image Haze Removal Using Dark Channel Prior", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
NIE NING ET AL.: "Research of Defogging base on Wavelet Transforms", 《INTERNATIONAL CONFERENCE ON COMPUTER, COMMUNICATIONS AND INFORMATION TECHNOLOGY》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI514323B (zh) * | 2014-09-04 | 2015-12-21 | Univ Nat Taipei Technology | 基於混合暗通道先驗的影像除霧方法及其系統 |
CN104318524A (zh) * | 2014-10-15 | 2015-01-28 | 烟台艾睿光电科技有限公司 | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 |
CN104392417A (zh) * | 2014-11-28 | 2015-03-04 | 嘉应学院 | 基于像素暗通道和各向异性扩散滤波的图像去雾方法 |
CN104361564A (zh) * | 2014-12-03 | 2015-02-18 | 太原理工大学 | 粉尘图像恢复的切片减光方法 |
CN104361564B (zh) * | 2014-12-03 | 2017-07-14 | 太原理工大学 | 粉尘图像恢复的切片减光方法 |
CN104537623A (zh) * | 2014-12-31 | 2015-04-22 | 深圳先进技术研究院 | 基于图像分割的图像去雾方法及装置 |
CN104599266A (zh) * | 2014-12-31 | 2015-05-06 | 小米科技有限责任公司 | 图像中雾气区域的检测方法、装置及终端 |
CN104599266B (zh) * | 2014-12-31 | 2017-07-14 | 小米科技有限责任公司 | 图像中雾气区域的检测方法、装置及终端 |
CN104537678B (zh) * | 2015-01-15 | 2017-11-10 | 常州工学院 | 一种从单幅遥感图像中去除云雾的方法 |
CN104537678A (zh) * | 2015-01-15 | 2015-04-22 | 常州工学院 | 一种从单幅遥感图像中去除云雾的方法 |
CN104881847A (zh) * | 2015-04-17 | 2015-09-02 | 广西科技大学 | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 |
CN104809709A (zh) * | 2015-05-13 | 2015-07-29 | 北京邮电大学 | 基于域变换与带权四叉树分解的单幅图像自适应去雾方法 |
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 |
CN105096272B (zh) * | 2015-08-19 | 2018-02-02 | 常州工学院 | 一种基于双树复小波的除雾方法 |
CN105654429A (zh) * | 2015-10-22 | 2016-06-08 | 天津大学 | 基于透射率归一化的增强弱光图像清晰度的方法 |
CN106251301A (zh) * | 2016-07-26 | 2016-12-21 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
CN106251301B (zh) * | 2016-07-26 | 2019-10-15 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
CN106780392A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大华技术股份有限公司 | 一种图像融合方法及装置 |
WO2018120936A1 (en) * | 2016-12-27 | 2018-07-05 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for fusing infrared image and visible light image |
US11030731B2 (en) | 2016-12-27 | 2021-06-08 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for fusing infrared image and visible light image |
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 |
CN107463176A (zh) * | 2017-08-18 | 2017-12-12 | 潘荣兰 | 一种全天候自动驾驶系统 |
CN107396053A (zh) * | 2017-08-18 | 2017-11-24 | 深圳市益鑫智能科技有限公司 | 一种室外安防监控系统 |
CN107464418B (zh) * | 2017-08-18 | 2021-03-19 | 深圳市鹏城交通网络股份有限公司 | 一种智能交通管理系统 |
CN107396053B (zh) * | 2017-08-18 | 2019-11-15 | 卓源信息科技股份有限公司 | 一种室外安防监控系统 |
CN107464418A (zh) * | 2017-08-18 | 2017-12-12 | 潘金文 | 一种智能交通管理系统 |
CN108133462B (zh) * | 2017-12-08 | 2020-06-19 | 泉州装备制造研究所 | 一种基于梯度场区域分割的单幅图像的复原方法 |
CN108133462A (zh) * | 2017-12-08 | 2018-06-08 | 泉州装备制造研究所 | 一种基于梯度场区域分割的单幅图像的复原方法 |
CN108269242B (zh) * | 2018-01-17 | 2020-08-28 | 深圳市华星光电半导体显示技术有限公司 | 图像增强方法 |
CN108269242A (zh) * | 2018-01-17 | 2018-07-10 | 深圳市华星光电半导体显示技术有限公司 | 图像增强方法 |
CN109118440B (zh) * | 2018-07-06 | 2021-06-08 | 天津大学 | 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 |
CN109118440A (zh) * | 2018-07-06 | 2019-01-01 | 天津大学 | 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 |
CN109151413A (zh) * | 2018-10-10 | 2019-01-04 | 泉州市敏匠智能科技有限公司 | 一种无人机图像智能处理系统 |
CN111091501A (zh) * | 2018-10-24 | 2020-05-01 | 天津工业大学 | 一种大气散射去雾模型的参数估计方法 |
WO2021092821A1 (en) * | 2019-11-14 | 2021-05-20 | Intel Corporation | Adaptively encoding video frames using content and network analysis |
CN111476736A (zh) * | 2020-04-14 | 2020-07-31 | 中国人民解放军陆军特种作战学院 | 一种图像去雾方法、终端及系统 |
CN111476736B (zh) * | 2020-04-14 | 2023-09-22 | 中国人民解放军陆军特种作战学院 | 一种图像去雾方法、终端及系统 |
CN113379632A (zh) * | 2021-06-15 | 2021-09-10 | 深圳市赛蓝科技有限公司 | 一种基于小波透射率优化的图像去雾方法及系统 |
CN113379632B (zh) * | 2021-06-15 | 2023-04-25 | 深圳市赛蓝科技有限公司 | 一种基于小波透射率优化的图像去雾方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103955905B (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955905A (zh) | 基于快速小波变换和加权图像融合的单幅图像去雾方法 | |
Tripathi et al. | Single image fog removal using anisotropic diffusion | |
TWI514323B (zh) | 基於混合暗通道先驗的影像除霧方法及其系統 | |
Negru et al. | Exponential contrast restoration in fog conditions for driving assistance | |
CN104537615B (zh) | 一种基于HSV色彩空间的局部Retinex增强方法 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
WO2016206087A1 (zh) | 一种低照度图像处理方法和装置 | |
CN106846263A (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
CN102930514A (zh) | 基于大气物理散射模型的快速图像去雾方法 | |
CN103020920A (zh) | 一种低照度图像增强方法 | |
CN104240194A (zh) | 一种基于抛物线函数的低照度图像增强算法 | |
CN103177424A (zh) | 一种低照度图像的增强和去噪方法 | |
CN103049888A (zh) | 基于暗原色结合大气散射光的图像/视频去雾方法 | |
CN105959510B (zh) | 一种视频快速去雾方法 | |
CN104809709A (zh) | 基于域变换与带权四叉树分解的单幅图像自适应去雾方法 | |
CN103345733A (zh) | 基于改进暗通道先验的快速低照度图像增强方法 | |
CN103020921A (zh) | 基于局部统计信息的单幅图像去雾方法 | |
CN105931208A (zh) | 基于物理模型的低照度图像增强算法 | |
CN106846258A (zh) | 一种基于加权最小平方滤波的单幅图像去雾方法 | |
Kim et al. | Single image haze removal using hazy particle maps | |
Zhang et al. | Image dehazing based on dark channel prior and brightness enhancement for agricultural remote sensing images from consumer-grade cameras | |
Choi et al. | Fog detection for de-fogging of road driving images | |
CN103226816A (zh) | 基于快速高斯滤波的雾霾图像介质传输率估算与优化方法 | |
CN110175967B (zh) | 图像去雾处理方法、系统、计算机设备和存储介质 | |
Fu et al. | An anisotropic Gaussian filtering model for image de-hazing |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170405 |
|
CF01 | Termination of patent right due to non-payment of annual fee |