CN105427266A - 一种信息损耗约束的沙尘图像清晰化方法 - Google Patents
一种信息损耗约束的沙尘图像清晰化方法 Download PDFInfo
- Publication number
- CN105427266A CN105427266A CN201610003643.0A CN201610003643A CN105427266A CN 105427266 A CN105427266 A CN 105427266A CN 201610003643 A CN201610003643 A CN 201610003643A CN 105427266 A CN105427266 A CN 105427266A
- Authority
- CN
- China
- Prior art keywords
- image
- dust
- sand
- omega
- observation window
- 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 47
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000004576 sand Substances 0.000 title abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- 238000002834 transmittance Methods 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000003707 image sharpening Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005574 cross-species transmission Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 9
- 238000006731 degradation reaction Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000452 restraining effect Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种信息损耗约束的沙尘图像清晰化方法,步骤包括:建立大气光的成像模型,步骤1、计算大气光分量;步骤2、计算透射率的粗略估计值,得到整个原始图像的粗略透射率;步骤3、对粗略透射率进行细化,得到细化后的整幅图像的透射率;步骤4、得到最终恢复的目标图像,获得基于沙尘原始图像的清晰化后的目标图像,即成。本发明的方法实现了对沙尘条件下所拍摄的图像进行清晰化处理,对不同退化程度及色偏程度的沙尘图像均有较好的清晰化效果,能恢复有原图中有效的信息,丰富细节,抑制光晕,在提升对比度的同时,保持良好的场景色彩,适用于不同程度的雾霾、沙尘天气下的图像清晰化。
Description
技术领域
本发明属于图像复原技术领域,在低对比度、低信息量及存在严重沙尘天气下,实现黄色偏移的图像清晰化恢复,具体涉及一种信息损耗约束的沙尘图像清晰化方法。
背景技术
随着信息技术和计算机图像处理技术的飞速发展,越来越多的领域利用图像信息进行智能识别和判断,如交通、视频监控,侦查、导航等。然而在沙尘天气情况下,受大气介质中悬浮的沙尘颗粒散射的影响,拍摄的图像会出现对比度降低、颜色偏移等退化现象,使得场景的可辨识度大大降低,这严重制约了户外图像处理系统的应用。而沙尘天气是我国西北地区尤其新疆地区是比较常见的一种天气情况,从退化的沙尘图像中增强和复原场景细节信息,提升沙尘退化图像的可观测性,为图像的进一步处理提供更多的信息具有重要的现实意义。
目前对退化图像的研究主要集中于雾霾天气,直接利用传统的雾天图像增强的方法来处理沙尘图像,往往不能取得理想的效果,首先是算法本身存在信息损耗等缺陷,再就是沙尘图像相对而言具有明显的偏色,对比度退化更加严重。经典的图像增强的方法,通常是从主观感受出发,并不分析天气因素造成图像降质的物理成因,仅仅是通过对比度拉伸的思路提升图像的可观测性;然而实际沙尘天气拍摄的图像,其退化程度是随场景深度变化的,相应的对比度提升程度应该是随景深空间变化的,因此基于传统的图像增强的思路来恢复沙尘图像,对景深变化较大的场景恢复效果具有一定的局限性,且很难恢复出符合实际场景的颜色。
沙尘图像通常呈现出来的特点是:对比度退化严重且退化程度随深度空间变化,存在明显黄色偏移,整体亮度偏暗,细节丢失;如何改善这些缺点来提升沙尘图像的可观测性,是一个急需解决的技术问题。
发明内容
本发明的目的是提供一种信息损耗约束的沙尘图像清晰化方法,对沙尘天气下所拍摄的退化图像进行清晰化处理,恢复出退化图像中的有效信息,恢复场景中的细节,提升对比度,还原真实场景的颜色。
本发明采用的技术方案是,一种信息损耗约束的沙尘图像清晰化方法,该方法按照以下步骤具体实施:
建立大气光的成像模型如下式:
IC(x)=JC(x)·t(x)+AC·(1-t(x)),C=R,G,B,x∈image(1)
其中,IC(x)是采集到的退化的原始图像;x为原始图像的像素坐标,x∈image是指相应图像中所有的像素;JC(x)是待求的目标图像;t(x)是透射率,其取值范围是[0,1];AC是大气光分量,R,G,B分别表示对应图像的红色、绿色、蓝色三个颜色通道的值,
步骤1、计算大气光分量AC
假设在最小的透射率tmin作用下,待恢复的目标图像满足灰色世界假设,对于式(1),对等式两边求均值后得:
其中,为所采集的原始图像的三个颜色通道的均值,tmin为透过沙尘层的最小透过率,即:
Nimage为原始图像的像素总个数,x∈image是指原始图像中所有的像素,为目标图像的均值,因为满足灰色世界假设,因此则有:
将tmin、式(3)以及式(4)计算得到的和C=R,G,B带入式(2)中,计算得到大气光分量AC如下:
步骤2、计算透射率的粗略估计值
2.1)选取局部观测窗ΩC
假设局部区域内场景的深度连续平滑,因此在透射率估计过程中选取的局部观测窗,局部观测窗的大小为w×w,采集到的原始图像大小为m×n,其中函数int()表示取整数运算;
2.2)初始化,设置局部观测窗ΩC内的透射率初值tinitial=tmin;
2.3)计算局部观测窗内的透射率和信息损耗
令xw∈ΩC,带入式(6)中,计算对应区域的初始恢复的目标图像xw∈ΩC,C=R,G,B:
2.4)统计中的信息损耗,xw∈ΩC,C=R,G,B,即R,G,B三个颜色通道的像素溢出总数Nloss:
其中,函数Num()表示统计满足条件要求的像素个数的操作;
2.5)更新局部观测窗内的透射率
预先设定阈值Th,若Nloss大于预先设定阈值Th,则表明信息损耗过大,估计出的透射率不准确,这时,对tinitial以步长Δt加大透射率,即:
2.6)令xw∈ΩC,返回步骤2.3),进行重复操作,直到Nloss<Th,转步骤2.7);
2.7)计算整个原始图像的粗略透射率
将局部观测窗无重叠平移,重复步骤2.2)至步骤2.6),遍历整个原始图像,即得到整个原始图像的粗略透射率x∈image;
步骤3、对粗略透射率进行细化
3.1)描述场景深度的导向图Iguide(x)的计算式如下:
3.2)建立能量方程如下:
t(xk)=ak·Iguide(xk)+bk,xk∈ωk,(10)
其中,ωk是细化过程中局部观测窗,其大小与步骤2.1)中的局部观察窗ΩC的大小相同,两个系数αk和bk的计算公式如下:
其中的μk和分别是Iguide(xk)在ωk内的均值和方差,xk∈ωk;是ωk内像素的总数;是在ωk内的均值;ε是为了防止分母为零而设置的一个极小的值;
3.3)将得到的ak,bk,带入式(10)得到细化后的透射率t(xk),xk∈ωk;
3.4)将局部观测窗ωk逐像素平移遍历整个原始图像,重复步骤3.2)和3.3),就可最终得到细化后的整幅图像的透射率t(x),x∈image;
步骤4、得到最终恢复的目标图像
根据步骤2和步骤3估计出来的大气光AC和透射率t(x),由下式计算得到最终的目标图像JC(x):
JC(x)=(IC(x)-AC)/t(x)+AC,C∈{R,G,B},x∈image,(14)
获得基于沙尘原始图像的清晰化后的目标图像,即成。
本发明的有益效果是,实现了对沙尘天气条件下所拍摄的图像进行清晰化处理,能够恢复出大部分的细节信息,恢复图像中的一些关键信息,较好地恢复出图像中场景的色彩信息。
附图说明
图1是实施例1黄色偏色不严重的沙尘退化的原始图像;
图2是对图1细化后的透射图;
图3是对图1清晰化后的目标图像;
图4是实施例2黄色偏色严重的沙尘退化的原始图像;
图5是对图4细化后的透射图;
图6是对图4清晰化后的目标图像。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明。
本发明的信息损耗约束的沙尘图像清晰化方法,其工作原理是,针对色偏和对比度退化严重的单幅沙尘原始图像,基于大气散射的物理模型,采用信息损耗约束的方法进行复原。首先,在需要复原的目标图像满足灰色世界的假设前提下,在给定最小的透射率的情况下,估计大气光数值;之后,根据透射率与对比度提升和信息损耗之间的关系,采用信息损耗约束,估计出初始的粗略透射率;然后,利用导向滤波对初略透射率进行细化;最后,求解大气散射模型得到清晰的目标图像。
基于上述的原理,本发明的信息损耗约束的沙尘图像清晰化方法,按照以下步骤具体实施:
建立大气光的成像模型(该大气光的成像模型在以暗通道的大雾清晰化相关论文中均有描述),如下式:
IC(x)=JC(x)·t(x)+AC·(1-t(x)),C=R,G,B,x∈image(1)
其中,IC(x)是采集到的退化的原始图像;x为原始图像的像素坐标,x∈image是指相应图像中所有的像素;JC(x)是待求的目标图像;t(x)是透射率,其取值范围是[0,1],表示光线透过介质层的比例,由景深决定,这里IC(x)、JC(x)以及t(x)都有x的变化,实际上这三个图像的大小是一样的;AC是大气光分量,R,G,B分别表示对应图像的红色、绿色、蓝色三个颜色通道的值,这里IC(x)和JC(x)中的c都有三个颜色通道。
对沙尘影响的原始图像的恢复,从模型式(1)可见,通过估计大气光分量AC和透射率t(x),便能够根据采集到的原始图像IC(x),求得目标图像JC(x),
步骤1、计算大气光分量AC
假设在最小的透射率tmin作用下,待恢复的目标图像满足灰色世界假设,对于式(1),对等式两边求均值后得:
其中,为所采集的原始图像的三个颜色通道的均值,tmin为透过沙尘层的最小透过率,取经验值为tmin∈[0.1,0.3],即:
Nimage为原始图像的像素总个数,x∈image是指原始图像中所有的像素,为目标图像的均值,因为满足灰色世界假设,因此则有:
由于沙尘天气往往与雾霾等气候一同出现,因此,如果采集到的原始图像中的黄色色偏不严重,表明沙尘的成分较少,建议选tmin=0.1,如图1中的实施例1所示;反之,如果画面黄色色偏严重,则建议选tmin=0.3,如图4中的实施例2所示(图1和图4为对原始彩色灰度格式处理过);
将tmin、式(3)以及式(4)计算得到的和C=R,G,B带入式(2)中,计算得到大气光分量AC如下:
步骤2、计算透射率的粗略估计值
2.1)选取局部观测窗ΩC
假设局部区域内场景的深度连续平滑,因此在透射率估计过程中选取的局部观测窗,局部观测窗的大小为w×w(即正方形),局部观测窗的边长w取经验值,采集到的原始图像大小为m×n,根据实验优选w=int(min{m,n}/30),其中函数int()表示取整数运算;
2.2)初始化,设置局部观测窗ΩC内的透射率初值tinitial=tmin;
2.3)计算局部观测窗内的透射率和信息损耗
令xw∈ΩC,带入式(6)中,计算对应区域的初始恢复的目标图像xw∈ΩC,C=R,G,B:
2.4)统计中的信息损耗,xw∈ΩC,C=R,G,B,即R,G,B三个颜色通道的像素溢出总数Nloss:
其中,函数Num()表示统计满足条件要求的像素个数的操作;
2.5)更新局部观测窗内的透射率
预先设定阈值Th,Th取经验值,根据用户允许的信息损耗来确定,优选Th=0.1w2,即只允许局部观测窗内不多于10%的点有信息损耗,
若Nloss大于预先设定阈值Th,则表明信息损耗过大,估计出的透射率不准确,这时,对tinitial以步长Δt加大透射率,即:
2.6)令xw∈ΩC,返回步骤2.3),进行重复操作,直到Nloss<Th,转步骤2.7);
2.7)计算整个原始图像的粗略透射率
将局部观测窗无重叠平移,重复步骤2.2)至步骤2.6),遍历整个原始图像,即可得到整个原始图像的粗略透射率x∈image;
步骤3、对粗略透射率进行细化
3.1)描述场景深度的导向图Iguide(x)的计算式如下:
3.2)建立能量方程如下:
t(xk)=ak·Iguide(xk)+bk,xk∈ωk,(10)
其中,ωk是细化过程中局部观测窗,其大小与步骤2.1)中的局部观察窗ΩC的大小相同,两个系数αk和bk的计算公式如下:
其中的μk和分别是Iguide(xk)在ωk内的均值和方差,xk∈ωk;是ωk内像素的总数;是在ωk内的均值;ε是为了防止分母为零而设置的一个极小的值,建议取0.001;
3.3)将得到的ak,bk,带入式(10)得到细化后的透射率t(xk),xk∈ωk;
3.4)将局部观测窗ωk逐像素平移遍历整个原始图像,重复步骤3.2)和3.3),就可最终得到细化后的整幅图像的透射率t(x),x∈image;
两个实施例最终细化后的图像效果分别如图2和图5所示(图2和图5为对原始彩色灰度格式处理过);
步骤4、得到最终恢复的目标图像
根据步骤2和步骤3估计出来的大气光AC和透射率t(x),由下式计算得到最终的目标图像JC(x):
JC(x)=(IC(x)-AC)/t(x)+AC,C∈{R,G,B},x∈image,(14)
经过上述步骤之后,便可获得基于沙尘原始图像的清晰化后的目标图像,两个实施例的恢复图像效果如图3和图6所示(图3和图6为对原始彩色灰度格式处理过)。
本发明的方法实现了对沙尘条件下所拍摄的图像进行清晰化处理,对不同退化程度及色偏程度的沙尘图像均有较好的清晰化效果,能恢复有原图中有效的信息,丰富细节,抑制光晕,在提升对比度的同时,保持良好的场景色彩。本发明方法能够适用于不同程度的雾霾、沙尘天气下的图像清晰化。
Claims (3)
1.一种信息损耗约束的沙尘图像清晰化方法,其特征在于,该方法按照以下步骤具体实施:
建立大气光的成像模型如下式:
IC(x)=JC(x)·t(x)+AC·(1-t(x)),C=R,G,B,x∈image(1)
其中,x为原始图像的像素坐标,x∈image是指相应图像中所有的像素;IC(x)是采集到的退化的原始图像;JC(x)是待求的目标图像;t(x)是透射率,其取值范围是[0,1];AC是大气光分量,R,G,B分别表示对应图像的红色、绿色、蓝色三个颜色通道的值,
步骤1、计算大气光分量AC
假设在最小的透射率tmin作用下,待恢复的目标图像满足灰色世界假设,对于式(1),对等式两边求均值后得:
其中,为所采集的原始图像的三个颜色通道的均值,tmin为透过沙尘层的最小透过率,即:
为原始图像的像素总个数,x∈image,为目标图像的均值,因为满足灰色世界假设,因此则有:
将tmin、式(3)以及式(4)计算得到的和C=R,G,B带入式(2)中,计算得到大气光分量AC如下:
步骤2、计算透射率的粗略估计值
2.1)选取局部观测窗ΩC
假设局部区域内场景的深度连续平滑,因此在透射率估计过程中选取的局部观测窗,局部观测窗的大小为w×w,采集到的原始图像大小为m×n,其中函数int()表示取整数运算;
2.2)初始化,设置局部观测窗ΩC内的透射率初值tinitial=tmin;
2.3)计算局部观测窗内的透射率和信息损耗
令xw∈ΩC,带入式(6)中,计算对应区域的初始恢复的目标图像xw∈ΩC,C=R,G,B:
2.4)统计中的信息损耗,xw∈ΩC,C=R,G,B,即R,G,B三个颜色通道的像素溢出总数Nloss:
其中,函数Num()表示统计满足条件要求的像素个数的操作;
2.5)更新局部观测窗内的透射率
预先设定阈值Th,若Nloss大于预先设定阈值Th,则表明信息损耗过大,估计出的透射率不准确,这时,对tinitial以步长Δt加大透射率,即:
2.6)令xw∈ΩC,返回步骤2.3),进行重复操作,直到Nloss<Th,转步骤2.7);
2.7)计算整个原始图像的粗略透射率
将局部观测窗无重叠平移,重复步骤2.2)至步骤2.6),遍历整个原始图像,即得到整个原始图像的粗略透射率x∈image;
步骤3、对粗略透射率进行细化
3.1)描述场景深度的导向图Iguide(x)的计算式如下:
3.2)建立能量方程如下:
t(xk)=ak·Iguide(xk)+bk,xk∈ωk,(10)
其中,ωk是细化过程中局部观测窗,其大小与步骤2.1)中的局部观察窗ΩC的大小相同,两个系数αk和bk的计算公式如下:
其中的μk和分别是Iguide(xk)在ωk内的均值和方差,xk∈ωk;是ωk内像素的总数;是在ωk内的均值;ε是为了防止分母为零而设置的一个极小的值;
3.3)将得到的ak,bk,带入式(10)得到细化后的透射率t(xk),xk∈ωk;
3.4)将局部观测窗ωk逐像素平移遍历整个原始图像,重复步骤3.2)和3.3),就可最终得到细化后的整幅图像的透射率t(x),x∈image;
步骤4、得到最终恢复的目标图像
根据步骤2和步骤3估计出来的大气光AC和透射率t(x),由下式计算得到最终的目标图像JC(x):
JC(x)=(IC(x)-AC)/t(x)+AC,C∈{R,G,B},x∈image,(14)
获得基于沙尘原始图像的清晰化后的目标图像,即成。
2.根据权利要求1所述的信息损耗约束的沙尘图像清晰化方法,其特征在于:所述的公式(2)、(5)中,如果采集到的原始图像中的黄色色偏不严重,表明沙尘的成分较少,选tmin=0.1;反之,如果画面黄色色偏严重,则选tmin=0.3。
3.根据权利要求1所述的信息损耗约束的沙尘图像清晰化方法,其特征在于:所述的步骤2.5)中,Th=0.1w2,即只允许局部观测窗内不多于10%的点有信息损耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610003643.0A CN105427266B (zh) | 2016-01-04 | 2016-01-04 | 一种信息损耗约束的沙尘图像清晰化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610003643.0A CN105427266B (zh) | 2016-01-04 | 2016-01-04 | 一种信息损耗约束的沙尘图像清晰化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105427266A true CN105427266A (zh) | 2016-03-23 |
CN105427266B CN105427266B (zh) | 2018-08-03 |
Family
ID=55505447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610003643.0A Expired - Fee Related CN105427266B (zh) | 2016-01-04 | 2016-01-04 | 一种信息损耗约束的沙尘图像清晰化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105427266B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416742A (zh) * | 2018-01-23 | 2018-08-17 | 浙江工商大学 | 基于偏色校正和信息损失约束的沙尘降质图像增强方法 |
CN111148965A (zh) * | 2017-09-27 | 2020-05-12 | 索尼公司 | 信息处理装置、信息处理方法、控制装置及图像处理装置 |
CN109118450B (zh) * | 2018-08-20 | 2020-11-20 | 电子科技大学 | 一种沙尘天气条件下的低质图像增强方法 |
CN112070693A (zh) * | 2020-08-27 | 2020-12-11 | 西安理工大学 | 一种基于灰度世界自适应网络的单幅沙尘图像恢复方法 |
CN114066764A (zh) * | 2021-11-23 | 2022-02-18 | 电子科技大学 | 基于距离加权色偏估计的沙尘退化图像增强方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281642A (zh) * | 2008-05-12 | 2008-10-08 | 西安理工大学 | 基于自适应聚类颜色传递的雾天图像清晰化方法 |
CN101290680A (zh) * | 2008-05-20 | 2008-10-22 | 西安理工大学 | 基于直方图均衡化过校正恢复的雾天视频图像清晰化方法 |
FR2923933A1 (fr) * | 2007-11-16 | 2009-05-22 | Valeo Vision Sa | Procede de detection d'un phenomene perturbateur de visibilite pour un vehicule |
CN103500440A (zh) * | 2013-09-27 | 2014-01-08 | 中国人民解放军空军工程大学 | 一种去除大气退化图像云雾的方法 |
-
2016
- 2016-01-04 CN CN201610003643.0A patent/CN105427266B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2923933A1 (fr) * | 2007-11-16 | 2009-05-22 | Valeo Vision Sa | Procede de detection d'un phenomene perturbateur de visibilite pour un vehicule |
FR2923933B1 (fr) * | 2007-11-16 | 2010-03-26 | Valeo Vision | Procede de detection d'un phenomene perturbateur de visibilite pour un vehicule |
CN101281642A (zh) * | 2008-05-12 | 2008-10-08 | 西安理工大学 | 基于自适应聚类颜色传递的雾天图像清晰化方法 |
CN101290680A (zh) * | 2008-05-20 | 2008-10-22 | 西安理工大学 | 基于直方图均衡化过校正恢复的雾天视频图像清晰化方法 |
CN103500440A (zh) * | 2013-09-27 | 2014-01-08 | 中国人民解放军空军工程大学 | 一种去除大气退化图像云雾的方法 |
Non-Patent Citations (3)
Title |
---|
JIN-HWAN KIM 等: "Optimized contrast enhancement for real-time image and video dehazing", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 * |
KAIMING HE 等: "Single Image Haze Removal Using Dark Channel Prior", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
祝培 等: "一种有雾天气图像景物影像的清晰化方法", 《中国图象图形学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111148965A (zh) * | 2017-09-27 | 2020-05-12 | 索尼公司 | 信息处理装置、信息处理方法、控制装置及图像处理装置 |
US11325520B2 (en) | 2017-09-27 | 2022-05-10 | Sony Corporation | Information processing apparatus and information processing method, and control apparatus and image processing apparatus |
CN108416742A (zh) * | 2018-01-23 | 2018-08-17 | 浙江工商大学 | 基于偏色校正和信息损失约束的沙尘降质图像增强方法 |
CN108416742B (zh) * | 2018-01-23 | 2021-09-17 | 浙江工商大学 | 基于偏色校正和信息损失约束的沙尘降质图像增强方法 |
CN109118450B (zh) * | 2018-08-20 | 2020-11-20 | 电子科技大学 | 一种沙尘天气条件下的低质图像增强方法 |
CN112070693A (zh) * | 2020-08-27 | 2020-12-11 | 西安理工大学 | 一种基于灰度世界自适应网络的单幅沙尘图像恢复方法 |
CN112070693B (zh) * | 2020-08-27 | 2024-03-26 | 西安理工大学 | 一种基于灰度世界自适应网络的单幅沙尘图像恢复方法 |
CN114066764A (zh) * | 2021-11-23 | 2022-02-18 | 电子科技大学 | 基于距离加权色偏估计的沙尘退化图像增强方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105427266B (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530237B (zh) | 一种图像增强方法 | |
CN108230264B (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
CN105427266B (zh) | 一种信息损耗约束的沙尘图像清晰化方法 | |
CN106780356B (zh) | 基于卷积神经网络和先验信息的图像去雾方法 | |
CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN103020965B (zh) | 一种基于显著性检测的前景分割方法 | |
CN110310238B (zh) | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN106846263A (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
CN107240084B (zh) | 一种单幅图像去雨方法及装置 | |
CN104299192B (zh) | 一种基于大气光散射物理模型的单幅图像去雾方法 | |
CN103049888A (zh) | 基于暗原色结合大气散射光的图像/视频去雾方法 | |
CN103996178A (zh) | 一种沙尘天气彩色图像增强方法 | |
CN110517203B (zh) | 一种基于参考图像重建的去雾方法 | |
CN105023256B (zh) | 一种图像去雾方法及系统 | |
CN104794688A (zh) | 基于深度信息分离天空区域的单幅图像去雾方法及装置 | |
CN107798670B (zh) | 一种利用图像引导滤波器的暗原色先验图像去雾方法 | |
CN102243758A (zh) | 基于雾天图像复原和图像融合的图像去雾方法 | |
CN103208105B (zh) | 一种红外图像细节增强与噪声自适应抑制方法 | |
CN103337061A (zh) | 一种基于多次引导滤波的图像去雨雪方法 | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN103778605A (zh) | 一种雾天图像增强方法 | |
CN106971377A (zh) | 一种基于稀疏与低秩矩阵分解的单幅图像去雨方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180803 Termination date: 20210104 |