CN104346782A - 一种实现单幅图像去雾的方法和装置 - Google Patents
一种实现单幅图像去雾的方法和装置 Download PDFInfo
- Publication number
- CN104346782A CN104346782A CN201410594250.2A CN201410594250A CN104346782A CN 104346782 A CN104346782 A CN 104346782A CN 201410594250 A CN201410594250 A CN 201410594250A CN 104346782 A CN104346782 A CN 104346782A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- mist
- image area
- dark primary
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种实现单幅图像去雾的方法和装置,旨在解决现有的单幅图像去雾算法会在图像的边缘处会产生明显的光晕效应的技术问题。所述方法包括:求取有雾图像的环境光强度A;将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域;针对所述若干子图像区域,分别获取每个子图像区域的暗原色图;计算所述每个子图像区域的暗原色图中各个像素的透过率t(x);按照公式求取去雾后所得图像J(x),所述I(x)为所述有雾图像。本发明提供的方法一方面避免了直接使用暗原色先验去雾所产生的边缘效应,算法简单灵活且效率很高,另一方面,最后得到的去雾图片质量高,图像的对比度得到很大的增强,视觉效果较原有雾图像有较大提高。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种实现单幅图像去雾的方法和装置。
背景技术
随着计算机软硬件技术的不断发展,对有雾天气图像的景物影像进行去雾处理已经成为可能,如此,又对去雾图像的清晰度和真实感提出了新的要求。在雾天情况下,由于大气中水滴等粒子较多,随着物体到成像设备距离的增大,大气粒子的散射作用对成像的影响逐渐增加,这种影响主要由两个散射过程造成:第一,物体表面的反射光在到达成像设备的过程中,由于大气粒子的散射而发生衰减;第二,自然光因大气粒子的散射而进人成像设备参与成像。两个散射过程的共同作用导致采集的图像对比度、饱和度低及色调偏移,不仅影响图像的视觉效果,而且影响图像分析和理解的性能。因此,对于雾天各种监测系统获取的图像上景物影像的清晰化方法的研究具有重大的现实意义。
现有的一种对单幅图像实现去雾的方法是基于暗原色先验去雾算法,
在计算机视觉和计算机图形中,有雾的图形被表现为:
I(x)=J(x)t(x)+A[1-t(x)] (1)
其中,I(x)指观测到的图像强度,J(x)指的是在没有雾的条件下景物的光线强度,A指环境光成分,t指的是光线通过媒质透射到照相机的过程中没有被散射的部分,也就是传播参量。去雾的目标就是从图像I(x)中恢复出J(x)、A和t。
通过对大量的无雾图像观察,基于暗原色先验原理的研究者得到一个统计规律:在绝大多数非天空的局部区域里,某一些像素总会有至少一个颜色通道具有很低的值。换言之,该区域光强度的最小值趋近于零。用公式表示
如下:
其中,JC代表J的某一个颜色通道,而Ω(x)是以x为中心的一块方形区域。
通过对大量图片的统计得出,对于无雾的图像,除了天空的区域,Jdark的强度总是很低并且趋于零,这也是暗原色得名的原因。
对于有雾的图像,由于附加的大气光,图像被雾干扰之后往往要比其本身亮度更大,传播参量t一般较小,因此,被浓雾覆盖的图像的暗原色具有较高的强度值。视觉上看来,暗原色强度值是雾浓度的粗略近似,利用有雾图像和无雾图像的这一点差别,就可以将有雾图像进行去雾,并获得很好的结果。
上述基于暗原色先验去雾算法的不足之处在于,该算法并不能直接作用于整幅自然图像,因为自然图像中,场景深度通常会在景物的边缘处发生突变,该算法处理后的图像中,在边缘处会产生明显的光晕效应。
发明内容
本发明的目的在于提供一种实现单幅图像去雾的方法和装置,旨在解决现有的单幅图像去雾算法会在图像的边缘处会产生明显的光晕效应的技术问题。
本发明是这样实现的,一种实现单幅图像去雾的方法,所述方法包括:
求取有雾图像的环境光强度A;
将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域;
针对所述若干子图像区域,分别获取每个子图像区域的暗原色图;
计算所述每个子图像区域的暗原色图中各个像素的透过率t(x);
按照公式求取去雾后所得图像J(x),所述I(x)为所述有雾图像。
本发明的另一目的在于提供一种实现单幅图像去雾的装置,所述装置包括:
环境光强求取模块,用于求取有雾图像的环境光强度A;
分割模块,用于将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域;
获取模块,用于针对所述若干子图像区域,分别获取每个子图像区域的暗原色图;
第一计算模块,用于计算所述每个子图像区域的暗原色图中各个像素的透过率t(x);
去雾模块,用于按照公式求取去雾后所得图像J(x),所述I(x)为所述有雾图像。
从上述本发明实施例可知,由于在对有雾图像去雾前,已经将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域,再按照公式求取去雾后所得图像J(x),因此,本发明提供的方法一方面避免了直接使用暗原色先验去雾所产生的边缘效应,算法简单灵活且效率很高,另一方面,最后得到的去雾图片质量高,图像的对比度得到很大的增强,视觉效果较原有雾图像有较大提高。
附图说明
图1是本发明实施例一提供的实现单幅图像去雾的方法的实现流程示意图;
图2是有雾图像分别通过直接应用暗原色先验去雾处理后的效果、直接通过基于分水岭分割算法去雾处理后的效果以及本发明实施例提供的方法去雾后的效果示意图;
图3是本发明实施例二提供的实现单幅图像去雾的装置的结构示意图;
图4是本发明实施例三提供的实现单幅图像去雾的装置的结构示意图;
图5是本发明实施例四提供的实现单幅图像去雾的装置的结构示意图;
图6是本发明实施例五提供的实现单幅图像去雾的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种实现单幅图像去雾的方法,所述方法包括:求取有雾图像的环境光强度A;将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域;针对所述若干子图像区域,分别获取每个子图像区域的暗原色图;计算所述每个子图像区域的暗原色图中各个像素的透过率t(x);按照公式求取去雾后所得图像J(x),所述I(x)为所述有雾图像。本发明实施例还提供相应的实现单幅图像去雾的装置。以下分别进行详细说明。
请参阅附图1,是本发明实施例一提供的实现单幅图像去雾的方法的实现流程,主要包括以下步骤S101至步骤S105:
S101,求取有雾图像的环境光强度A。
在本发明实施例中,环境光以及光线通过媒质透射到照相机的过程中没有被散射的部分即传播参量是影响图像清晰度的重要因素。如果能够将有雾图像中的这两个因素剔除,将能够还原原始的图像。
作为本发明一个实施例,求取有雾图像的环境光强度A包括如下步骤S1011至S1013:
S1011,求取有雾图像的暗原色图。
在本发明实施例中,一种求取有雾图像的暗原色图的方法是:选取所述有雾图像中每一像素的亮度最小的通道构成全局灰度图,然后,对所述全局灰度图进行最小均方误差滤波,例如,维纳滤波;经过最小均方误差滤波后得到的图像就是有雾图像的暗原色图。
S1012,统计有雾图像的暗原色图中亮度值大小排序在前p位的像素,所述p为预设值,所述有雾图像的暗原色图中亮度值大小排序在前p位的像素构成区域Zp。
例如,假设有雾图像的暗原色图有10000个像素,预设值p是100,相当于是统计暗原色图中亮度值中亮度值大小排序在前100位的10%的像素,并假设这些像素构成一个区域Zp。
S1013,从区域Zp中寻找亮度最高的像素点,以所述亮度最高的像素点的三通道亮度值作为所述环境光强度A的三通道值。需要说明的是,环境光强度A其实为RGB空间中的三维向量,其三个维度的值即为环境光强度A的三通道值。
S102,将有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域。
在本发明实施例中,所谓同一子图像区域中灰度变化较小,也就是同一子图像区域中的像素都有较小的梯度值,变化比较平缓;对于景物图像,可以认为子图像区域内不包含景物深度突变的边缘部分,景物都具有相近的景物深度。作为本发明一个实施例,将有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域具体可以是:使用分水岭分割算法,将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域。以下对其实现过程进行具体说明。
分水岭分割算法是一种基于拓扑理论的数学形态学的分割方法,其基本思想是把图像看作是测地学上的拓扑地貌,图像中每一点像素的灰度值表示该点的海拔高度,每一个局部极小值及其影响区域称为汇水盆地,而汇水盆地的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面,刺穿一个小孔,然后把整个模型慢慢浸入水中,随着浸入的加深,每一个局部极小值的影响域慢慢向外扩展,在两个汇水盆地汇合处构筑大坝,即形成分水岭。
分水岭分割算法的主要目的是从图像中分割出近乎一致的物体,这些区域中,灰度变化较小,也就是说区域内有较小的灰度梯度值。但是,分水岭分割算法所求得的分水岭显然是输入图像的极大值点,因此,分水岭分割算法常被用于图像的梯度,而不是图像本身。有了这一表示法,汇水盆地的区域最小值就可以很好地与对应于分割后图像区域的较小梯度值联系起来。
分水岭分割算法的具体描述如下:
首先求图像的梯度幅值,对于图像即函数f(x,y)的梯度,可用如下公式(5)表示:
该函数的梯度为二维列向量,向量的方向为位置(x,y)处函数f(x,y)的变化率最大的方向,而梯度的幅值则如下公式(6)所示:
要求数字图像的梯度,就需要求x和y方向上的偏微分,在数字图像处理中可通过线性滤波器实现,x和y方向梯度的滤波模板分别如式(7)和式(8)所示:
求得图像f(x,y)的梯度的幅值g(x,y)后,就可以用分水岭处理了。令M1、M2、…、MR表示g(x,y)的区域最小值的坐标集合,C(Mi)表示与区域最小值Mi相联系的汇水盆地中点的坐标集合,所有汇水盆地中的点都形成一个连通分量,令符号min和max分别表示g(x,y)的最小值和最大值。最后,令T(n)表示满足g(s,t)<n的坐标点的集合。从几何角度,T(n)是g(x,y)中位于平面g(x,y)=n下方的点的坐标集合。
水位以整数从n=min+1到n=max+1不断上升,地形将被淹没,在任意步n中,令Cn(Mi)表示淹没阶段n时,汇水盆地中与最小值Mi相关联的点的坐标集合,可以用式(9)表示:
Cn(Mi)=C(Mi)∩T[n] (9)
令C[n]表示阶段n中已被淹没的所有汇水盆地:
寻找分水线的算法首先使用C[min+1]=T[min+1]来初始化,然后进行递归处理,由C[n-1]计算C[n],过程如下:令Q表示T[n]中的连通分量的集合,然后,对于每个连通分量q∈Q[n],有如下三种可能性:
1、q∩C[n-1]为空集;
2、q∩C[n-1]包含C[n-1]的一个连通分量;
3、q∩C[n-1]包含C[n-1]的一个以上的连通分量。
由C[n-1]计算C[n]取决于这三个条件的哪一个成立。当条件1发生,表明出现一个新的最小值,这种情况下,连通分量并入C[n-1]中形成C[n]。当条件2发生,表明q位于某些局部最小值的汇水盆地内,这种情况下,q并入C[n-1]形成C[n]。当条件3发生,表明遇到全部或部分分割两个或多个汇水盆地的山脊线,这种情况下,进一步淹没会到导致这些汇水盆地中的水位聚合,因此必须在q内构筑一个水坝以阻止汇水盆地间的水溢出。当膨胀的结构元大小为3×3时,水坝宽度为1个像素;多个如此宽度的水坝连在一起构成分水岭分割算法中的所谓分水岭。
S103,针对通过步骤S102分割所得的若干子图像区域,分别获取每个子图像区域的暗原色图。
在本发明实施例中,获取每个子图像区域的暗原色图可以与求取有雾图像的暗原色图类似的方法,只是对象变成子图像区域。具体地,针对通过步骤S102分割所得的若干子图像区域,分别获取每个子图像区域的暗原色图可以是:针对所述每个子图像区域,选取所述子图像区域中每一像素的亮度最小的通道构成子图像区域灰度图,然后,对所述子图像区域灰度图进行最小均方误差滤波,例如,维纳滤波;经过最小均方误差滤波后得到的图像就是子图像区域的暗原色图。
S104,计算通过步骤S103获得的每个子图像区域的暗原色图中各个像素的透过率t(x)。
在本发明实施例中,可以按照公式计算通过步骤S103获得的每个子图像区域的暗原色图中各个像素的透过率t(x)即光线通过媒质透射到照相机的过程中没有被散射的部分。在上述公式中,参量ω用来保留一部分雾,IC和AC分别表示RGB空间向量I和A的各个通道值,C可以表示RGB任一通道。
S105,按照公式求取去雾后所得图像J(x),所述I(x)为所述有雾图像。
公式中,t(0)是为了防止分母过小而进行的限制,即可以将t(0)设置为一个较小的量,如此,就能防止分母过小。
从上述附图1示例的实现单幅图像去雾的方法可知,由于在对有雾图像去雾前,已经将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域,再按照公式求取去雾后所得图像J(x),因此,本发明提供的方法一方面避免了直接使用暗原色先验去雾所产生的边缘效应,算法简单灵活且效率很高,另一方面,最后得到的去雾图片质量高,图像的对比度得到很大的增强,视觉效果较原有雾图像有较大提高。
为了说明本发明提供的方法的效果,以下以附图2为例。附图2示出了有雾图像分别通过直接应用暗原色先验去雾处理后的效果、直接通过基于分水岭分割算法去雾处理后的效果以及本发明实施例提供的方法去雾后的效果,说明如下。
附图2的子图(a)是待处理的有雾图像,子图(b)是直接应用暗原色先验去雾方法对子图(a)示例的有雾图像处理后的效果,子图(c)是使用基于分水岭分割算法对子图(a)示例的有雾图像进行分割后得到的效果,灰白色线把不同图像区域区分开,子图(d)是使用本发明所提供的方法对子图(a)示例的有雾图像处理后的效果。
可以看出,子图(a)示例的有雾图像中,景物深度变化明显,图中上半部森林部分细节非常多。如果对其直接使用暗原色先验去雾处理,该区域会出现明显的边缘效应,如子图(b)所示,可以看出图像上半部分森林细节边缘处的边缘效应,处理后该部分区域留有残雾。
如果对子图(a)示例的有雾图像只是使用图像分割算法进行分割,效果如子图(c)所示,可以看出,虽然结果存在明显的过分割现象,但这是由于实验所用图像细节较多,分割结果基本能够保证同一图像区域内景物深度、雾气浓度基本一致。如果进一步对各个区域分别使用暗原色先验去雾,处理后的效果就如子图(d)所示,可以看出边缘效应被基本消除,景物原貌恢复效果理想,图像对比度增强效果明显。
请参阅附图3,是本发明实施例二提供的实现单幅图像去雾的装置的结构示意图,附图3示例的实现单幅图像去雾的装置可以是附图1示例的实现单幅图像去雾的方法的执行主体。为了便于说明,附图3仅示出了与本发明实施例相关的部分。附图3示例的实现单幅图像去雾的装置主要包括环境光强求取模块301、分割模块302、获取模块303、第一计算模块304和去雾模块305,各功能模块详细说明如下:
环境光强求取模块301,用于求取有雾图像的环境光强度A;
分割模块302,用于将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域;
获取模块303,用于针对所述若干子图像区域,分别获取每个子图像区域的暗原色图;
第一计算模块304,用于计算所述每个子图像区域的暗原色图中各个像素的透过率t(x);
具体地,第一计算模块304可以按照公式计算通过步骤S103获得的每个子图像区域的暗原色图中各个像素的透过率t(x)即光线通过媒质透射到照相机的过程中没有被散射的部分。在上述公式中,参量ω用来保留一部分雾,IC和AC分别表示RGB空间向量I和A的各个通道值,C可以表示RGB任一通道。
去雾模块305,用于按照公式求取去雾后所得图像J(x),所述I(x)为所述有雾图像,公式中,t(0)是为了防止分母过小而进行的限制,即可以将t(0)设置为一个较小的量,如此,就能防止分母过小。
需要说明的是,以上附图3示例的实现单幅图像去雾的装置的实施方式中,各功能模块的划分仅是举例说明,实际应用中可以根据需要,例如相应硬件的配置要求或者软件的实现的便利考虑,而将上述功能分配由不同的功能模块完成,即将所述实现单幅图像去雾的装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。而且,实际应用中,本实施例中的相应的功能模块可以是由相应的硬件实现,也可以由相应的硬件执行相应的软件完成,例如,前述的分割模块,可以是具有执行前述将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域的硬件,例如分割器,也可以是能够执行相应计算机程序从而完成前述功能的一般处理器或者其他硬件设备;再如前述的第一计算模块,可以是执行计算所述每个子图像区域的暗原色图中各个像素的透过率t(x)的硬件,例如第一计算器,也可以是能够执行相应计算机程序从而完成前述功能的一般处理器或者其他硬件设备(本说明书提供的各个实施例都可应用上述描述原则)。
附图3示例的环境光强求取模块301可以包括暗原色图求取单元401、统计单元402和遍历单元403,如附图4所示本发明实施例三提供的实现单幅图像去雾的装置,其中:
暗原色图求取单元401,用于求取所述有雾图像的暗原色图;
统计单元402,用于统计所述有雾图像的暗原色图中亮度值大小排序在前p位的像素,所述p为预设值,所述有雾图像的暗原色图中亮度值大小排序在前p位的像素构成区域Zp;
遍历单元403,用于从所述区域Zp中寻找亮度最高的像素点,以所述亮度最高的像素点的三通道亮度值作为所述环境光强度A的三通道值。
附图4示例的暗原色图求取单元401可以包括第一构造单元501和第一滤波单元502,如附图5所示本发明实施例四提供的实现单幅图像去雾的装置,其中:
第一构造单元501,用于选取所述有雾图像中每一像素的亮度最小的通道构成全局灰度图;
第一滤波单元502,用于对所述全局灰度图进行最小均方误差滤波。
附图3示例的获取模块303可以包括第二构造单元601和第二滤波单元602,如附图6所示本发明实施例五提供的实现单幅图像去雾的装置,其中:
第二构造单元601,用于针对所述每个子图像区域,选取所述子图像区域中每一像素的亮度最小的通道构成子图像区域灰度图;
第二滤波单元602,用于对所述子图像区域灰度图进行最小均方误差滤波。
附图3至6任一示例的实现单幅图像去雾的装置中,分割模块302具体用于使用分水岭分割算法,将有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域;分割模块302的具体实施过程可参阅前述的方法实施例,此处不做赘述。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其带来的技术效果与本发明方法实施例相同,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上对本发明实施例所提供的实现单幅图像去雾的方法和装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种实现单幅图像去雾的方法,其特征在于,所述方法包括:
求取有雾图像的环境光强度A;
将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域;
针对所述若干子图像区域,分别获取每个子图像区域的暗原色图;
计算所述每个子图像区域的暗原色图中各个像素的透过率t(x);
按照公式求取去雾后所得图像J(x),所述I(x)为所述有雾图像。
2.如权利要求1所述的方法,其特征在于,所述求取有雾图像的环境光强度A,包括:
求取所述有雾图像的暗原色图;
统计所述有雾图像的暗原色图中亮度值大小排序在前p位的像素,所述p为预设值,所述有雾图像的暗原色图中亮度值大小排序在前p位的像素构成区域Zp;
从所述区域Zp中寻找亮度最高的像素点,以所述亮度最高的像素点的三通道亮度值作为所述环境光强度A的三通道值。
3.如权利要求2所述的方法,其特征在于,所述求取所述有雾图像的暗原色图,包括:
选取所述有雾图像中每一像素的亮度最小的通道构成全局灰度图;
对所述全局灰度图进行最小均方误差滤波。
4.如权利要求1所述的方法,其特征在于,所述针对所述若干子图像区域,分别获取每个子图像区域的暗原色图,包括:
针对所述每个子图像区域,选取所述子图像区域中每一像素的亮度最小的通道构成子图像区域灰度图;
对所述子图像区域灰度图进行最小均方误差滤波。
5.如权利要求1至4任意一项所述的方法,其特征在于,所述将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域具体为:
使用分水岭分割算法,将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域。
6.一种实现单幅图像去雾的装置,其特征在于,所述装置包括:
环境光强求取模块,用于求取有雾图像的环境光强度A;
分割模块,用于将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域;
获取模块,用于针对所述若干子图像区域,分别获取每个子图像区域的暗原色图;
第一计算模块,用于计算所述每个子图像区域的暗原色图中各个像素的透过率t(x);
去雾模块,用于按照公式求取去雾后所得图像J(x),所述I(x)为所述有雾图像。
7.如权利要求6所述的装置,其特征在于,所述环境光强求取模块包括:
暗原色图求取单元,用于求取所述有雾图像的暗原色图;
统计单元,用于统计所述有雾图像的暗原色图中亮度值大小排序在前p位的像素,所述p为预设值,所述有雾图像的暗原色图中亮度值大小排序在前p位的像素构成区域Zp;
遍历单元,用于从所述区域Zp中寻找亮度最高的像素点,以所述亮度最高的像素点的三通道亮度值作为所述环境光强度A的三通道值。
8.如权利要求7所述的装置,其特征在于,所述暗原色图求取单元包括:
第一构造单元,用于选取所述有雾图像中每一像素的亮度最小的通道构成全局灰度图;
第一滤波单元,用于对所述全局灰度图进行最小均方误差滤波。
9.如权利要求6所述的装置,其特征在于,所述获取模块包括:
第二构造单元,用于针对所述每个子图像区域,选取所述子图像区域中每一像素的亮度最小的通道构成子图像区域灰度图;
第二滤波单元,用于对所述子图像区域灰度图进行最小均方误差滤波。
10.如权利要求6至9任意一项所述的装置,其特征在于,所述分割模块具体用于使用分水岭分割算法,将所述有雾图像分割为同一子图像区域中灰度变化较小的若干子图像区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410594250.2A CN104346782A (zh) | 2014-10-29 | 2014-10-29 | 一种实现单幅图像去雾的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410594250.2A CN104346782A (zh) | 2014-10-29 | 2014-10-29 | 一种实现单幅图像去雾的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104346782A true CN104346782A (zh) | 2015-02-11 |
Family
ID=52502326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410594250.2A Pending CN104346782A (zh) | 2014-10-29 | 2014-10-29 | 一种实现单幅图像去雾的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104346782A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809711A (zh) * | 2015-05-14 | 2015-07-29 | 西安近代化学研究所 | 固体推进剂羽流烟雾视频图像处理方法 |
CN105023246A (zh) * | 2015-06-23 | 2015-11-04 | 首都师范大学 | 一种基于对比度和结构相似度的图像增强方法 |
CN105046656A (zh) * | 2015-06-23 | 2015-11-11 | 首都师范大学 | 一种基于边缘保留滤波的形状自适应图像去雾方法 |
CN106971166A (zh) * | 2017-03-29 | 2017-07-21 | 纵目科技(上海)股份有限公司 | 停车位检测的图像预处理方法及系统 |
CN109087270A (zh) * | 2018-09-04 | 2018-12-25 | 中国矿业大学(北京) | 一种基于改进的卷积匹配追踪管道视频图像去雾增强方法 |
CN111738939A (zh) * | 2020-06-02 | 2020-10-02 | 大连理工大学 | 一种基于半训练生成器的复杂场景图像去雾方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700079A (zh) * | 2013-12-17 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 图像去雾方法及装置 |
CN103700078A (zh) * | 2013-12-31 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 少量背景含雾图像的去雾方法 |
CN103745438A (zh) * | 2013-12-31 | 2014-04-23 | 中国科学院深圳先进技术研究院 | 大面积背景光含雾图像的去雾方法 |
-
2014
- 2014-10-29 CN CN201410594250.2A patent/CN104346782A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700079A (zh) * | 2013-12-17 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 图像去雾方法及装置 |
CN103700078A (zh) * | 2013-12-31 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 少量背景含雾图像的去雾方法 |
CN103745438A (zh) * | 2013-12-31 | 2014-04-23 | 中国科学院深圳先进技术研究院 | 大面积背景光含雾图像的去雾方法 |
Non-Patent Citations (4)
Title |
---|
QINGSONG ZHU 等: "A Novel Segmentation Guided Approach for Single Image Dehazing", 《PROCEEDING OF THE IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS (ROBIO)》 * |
RAFAEL C.GONZALEZ 等: "《数字图像处理(第三版)》", 30 June 2011 * |
占吉清: "雾天图像复原算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
许丽红 等: "结合图像分割的暗原色先验去雾算法", 《光电子技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809711A (zh) * | 2015-05-14 | 2015-07-29 | 西安近代化学研究所 | 固体推进剂羽流烟雾视频图像处理方法 |
CN104809711B (zh) * | 2015-05-14 | 2017-07-04 | 西安近代化学研究所 | 固体推进剂羽流烟雾视频图像处理方法 |
CN105023246A (zh) * | 2015-06-23 | 2015-11-04 | 首都师范大学 | 一种基于对比度和结构相似度的图像增强方法 |
CN105046656A (zh) * | 2015-06-23 | 2015-11-11 | 首都师范大学 | 一种基于边缘保留滤波的形状自适应图像去雾方法 |
CN106971166A (zh) * | 2017-03-29 | 2017-07-21 | 纵目科技(上海)股份有限公司 | 停车位检测的图像预处理方法及系统 |
CN109087270A (zh) * | 2018-09-04 | 2018-12-25 | 中国矿业大学(北京) | 一种基于改进的卷积匹配追踪管道视频图像去雾增强方法 |
CN109087270B (zh) * | 2018-09-04 | 2019-05-14 | 中国矿业大学(北京) | 一种基于改进的卷积匹配追踪管道视频图像去雾增强方法 |
CN111738939A (zh) * | 2020-06-02 | 2020-10-02 | 大连理工大学 | 一种基于半训练生成器的复杂场景图像去雾方法 |
CN111738939B (zh) * | 2020-06-02 | 2022-02-15 | 大连理工大学 | 一种基于半训练生成器的复杂场景图像去雾方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Dehazing for images with large sky region | |
CN104346782A (zh) | 一种实现单幅图像去雾的方法和装置 | |
US8780131B2 (en) | Systems and methods for text-based personalization of images | |
CN109583345B (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
Luan et al. | Fast single image dehazing based on a regression model | |
CN110163831B (zh) | 三维虚拟沙盘的物体动态展示方法、装置及终端设备 | |
CN103927717A (zh) | 基于改进型双边滤波的深度图像恢复方法 | |
CN112767418B (zh) | 基于深度感知的镜子图像分割方法 | |
CN104240192A (zh) | 一种快速的单幅图像去雾算法 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
CN109410144A (zh) | 一种基于深度学习的端到端图像去雾处理方法 | |
CN106062824A (zh) | 边缘检测装置、边缘检测方法和程序 | |
CN105913390A (zh) | 一种图像去雾方法及系统 | |
CN103020921A (zh) | 基于局部统计信息的单幅图像去雾方法 | |
CN111160293A (zh) | 基于特征金字塔网络的小目标船只检测方法及系统 | |
CN114677479A (zh) | 一种基于深度学习的自然景观多视图三维重建方法 | |
CN112102489A (zh) | 导航界面显示方法、装置、计算设备和存储介质 | |
CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
CN114519772A (zh) | 一种基于稀疏点云和代价聚合的三维重建方法及系统 | |
Qian et al. | FAOD-Net: a fast AOD-Net for dehazing single image | |
Fu et al. | An anisotropic Gaussian filtering model for image de-hazing | |
KR20100122381A (ko) | 회화적 렌더링 장치 및 방법 | |
Serna et al. | Attribute controlled reconstruction and adaptive mathematical morphology | |
CN114793457A (zh) | 用于改进确定深度图、相对姿势或语义分割的过程的设备和方法 | |
Seo et al. | An efficient detection of vanishing points using inverted coordinates image space |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150211 |