CN105631829B - 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 - Google Patents
基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 Download PDFInfo
- Publication number
- CN105631829B CN105631829B CN201610027289.5A CN201610027289A CN105631829B CN 105631829 B CN105631829 B CN 105631829B CN 201610027289 A CN201610027289 A CN 201610027289A CN 105631829 B CN105631829 B CN 105631829B
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- color correction
- defogging
- night
- 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.)
- Expired - Fee Related
Links
- 238000012937 correction Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002441 reversible effect Effects 0.000 claims abstract description 19
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 208000002173 dizziness Diseases 0.000 claims abstract description 4
- 230000001105 regulatory effect Effects 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 206010042772 syncope Diseases 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002310 reflectometry 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
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
本发明公开了一种基于暗通道先验与颜色校正的夜间雾霾图像去雾方法，步骤包括：将夜间有雾图像反转得到反转图像；利用暗通道先验算法对反转图像进行去雾，然后再反转得到亮度增强图像；结合利用亮度增强图像经导向滤波得到的参考图像得到弱光晕图像I1；利用弱光晕图像I1的RGB通道对应的均值、方差得到颜色校正图像I2；利用参考图像的反转图像对颜色校正图像I2再次去光晕得到图像I3，进行颜色校正得到图像I4，之后将图像I2和I4融合得到无光晕、无色偏图像，然后利用基于局部邻域的暗通道先验去雾，最后经导向滤波得到输出图像。本发明方法不仅能极大地增加图像亮度、对比度、平均梯度等特性，而且在突出图像细节、减少图像失真方面也表现较优。
Description
技术领域
本发明涉及一种计算机图像处理方法，尤其涉及一种基于暗通道先验与颜色校正的夜间图像雾霾去除方法。
背景技术
夜间雾霾图像去雾对于夜晚场景中的目标识别、视频监控、遥感监测、智能交通等领域有重要影响。夜间雾霾图像去雾技术一般分为两部分：夜间图像去雾和低照度图像增强。
现有的图像去雾技术多数针对白天场景，如基于深度信息的方法[1]，基于先验信息的方法[2]等，去雾效果较好，但对夜晚场景失效。现有低照度图像增强算法主要有直方图均衡化、Retinex算法等[3]，这些算法对图像的亮度、对比度、饱和度等都有不同程度的提高，极大地提高了图像的视觉性和信息可读性，但增强后的图像信噪比较低。
将低照度图像增强技术与雾霾去除技术相结合的算法较少，效果较好的主要有：基于颜色转换和暗通道先验的算法[4]，基于新的夜间图像去雾霾模型的算法[5]。其中前者是利用目标图像(一般为白天雾霾图像)和数据统计对夜间图像进行颜色转换，然后利用暗通道先验算法去雾，最后通过基于局部对比度调整的双边滤波(BFLCC)提高图像质量，得到无雾清晰图像，但这种方法需要目标图像，且对目标图像依赖性较强，因此难以应用于实践。后者是在大气散射模型基础上，提出一种新的夜间图像去雾霾模型。首先利用Retinex算法和Gamma校正得到亮度增强图像，然后利用参考图像(根据Retinex算法求得的反射项得到)进行颜色校正，最后利用基于局部邻域的暗通道先验算法去除雾霾。通过此模型可较大程度去除雾霾，增加图像视觉性，但处理结果存在局部失真、细节模糊等缺陷。
[参考文献]
[1]Shuai Fang,Xiushan Xia,Huo Xing,et al.Image dehazing usingpolarization effects of objects and airlight[J].(C)2014OSA.11August 2014|Vol.22,No.16|DOI:10.1364/OE.22.019523|OPTICS EXPRESS 19523
[2]Kaiming,He,Jian,Sun,Xiaoou,Tang.Guided image filtering.[J].PatternAnalysis&Machine Intelligence IEEE Transactions on,2013,35(6):1397-1409.
[3]Khan M F,Khan E,Abbasi Z A.Segment dependent dynamic multi-histogram equalization for image contrast enhancement[J].Digital SignalProcessing,2013,25(2):198–223.
[4]Pei S C,Lee T Y.Nighttime haze removal using color transfer pre-processing and Dark Channel Prior[C]//Image Processing(ICIP),2012 19th IEEEInternational Conference on.IEEE,2012:957-960.
[5]Zhang J,Cao Y,Wang Z.Nighttime haze removal based on a new imagingmodel[C]//Image Processing(ICIP),2014IEEE International Conference on.IEEE,2014:4557-4561.
发明内容
基于以上情况，本发明提出一种快速有效的夜间图像去雾方法，通过图像反转和暗通道先验增强图像，然后利用本发明改进的基于参考图像的去雾模型去除光晕，利用无色偏图像特性校正色偏，之后通过基于局部邻域的暗通道先验去除雾霾，最后利用导向滤波去除噪声，得到细节清晰、无失真、信噪比高的无雾图像。实验结果表明，该方法不仅能极大地增加图像亮度、对比度、平均梯度等特性，而且在挖掘图像细节、减少图像失真方面也表现较优。
为了解决上述技术问题，本发明提出的一种基于暗通道先验与颜色校正对夜间有雾图像进行雾霾去除的方法，包括以下步骤：
步骤1：输入夜间有雾图像I，将该图像I反转得到反转图像I'；
Ii c'＝255-Ii c (1)
式(1)中：c∈{r,g,b}；i为图像中像素的位置；
步骤2：求取反转图像I'的透射率t；
式(2)中：ω1为调节因子，ω1＝0.95；Ω(i)为像素i的局部邻域；Ac为c通道大气光值，是暗原色中亮度最大的前0.1％的像素，以上这些像素对应的输入图像中强度最大的像素点处的值；
步骤3：根据去雾模型对图像I'进行去雾，得到I'对应的无雾图像J；
式(3)中，ω0为调节因子，ω0＝0.1
步骤4：对无雾图像J反转得到清晰图像I_lightenhancement：
步骤5：对清晰图像I_lightenhancement导向滤波得到参考图像t_reference；
步骤6：利用式(5)得到弱光晕图像I1；
步骤7：利用弱光晕图像I1的RGB通道对应的均值和方差以及式(6)和式(7)求得中间变量和并利用式(8)得到颜色校正图像I2；
式(6)、式(7)和式(8)中：为弱光晕图像I1的c通道均值；为弱光晕图像I1c通道方差；μ为调节参数，μ＝4；参数η＝230；
步骤8：利用参考图像t_reference的反转图像对颜色校正图像I2再次去光晕得到图像I3，再用式(6)、式(7)和式(8)对该图像I3进行颜色校正得到图像I4，最后用式(10)得到无光晕、无色偏的图像I_Nohalo_rightcolor；
步骤9：将图像I_Nohalo_rightcolor分割成10×10大小的图像块，然后利用暗通道先验去雾，最后将图像块融合得到无雾图像I_dehaze；
步骤10：对该无雾图像I_dehaze进行导向滤波，得到输出图像output。
与现有技术相比，本发明的有益效果是：
对于直接利用利用反转图像与白天雾霾图像相似性进行图像增强存在的光晕、色偏、无法去除雾霾、噪声放大等缺陷，本发明利用改进的基于参考图像的算法去除光晕，利用白天无雾清晰图像特征进行颜色校正，利用块暗通道先验去除雾霾，最后利用导向滤波增加图像信噪比，得到亮度、清晰度、锐度等较优，且无光晕、无色偏、无雾霾的清晰图像，极大地增强了图像的视觉性、可读性，为夜晚场景中的视频监控、目标识别等领域起到了关键作用。
附图说明
图1是本发明基于暗通道先验与颜色校正的夜间雾霾图像去雾方法框架；
图2是本发明提出的改进的基于参考图像的光晕去除与颜色校正算法框架；
图3(a)为白天无雾图像；
图3(b)为夜晚雾霾图像；
图3(c)为夜晚雾霾图像对应的无雾清晰图像；
图3(d)为白天无雾图像RGB通道对应的直方图；
图3(e)为夜晚雾霾图像RGB通道对应的直方图；
图3(f)为夜晚雾霾图像对应的无雾清晰图像的RGB通道直方图；
图4(a)为夜间雾霾图像I；
图4(b)为夜间雾霾图像I的反转图像I'；
图4(c)为图像I'去雾后得到的图像J；
图4(d)为夜晚雾霾图像I对应的增强图像I_lightenhancement；
图4(e)为夜间雾霾图像I对应的参考图像t_reference；
图4(f)为夜间雾霾图像I对应的无光晕、无色偏图像I_Nohalo_rightcolor；
图4(g)为夜间雾霾图像I对应的增强、去雾后图像I_dehaze；
图4(h)为夜间雾霾图像I对应的输出图像output；
图5(a)至图5(h)为本发明方法与现有技术中其他方法的效果对比，其中：
图5(a)和图5(e)为原始图像；
图5(b)和图5(f)为原始图像对应的He[2]的结果；
图5(c)和图5(g)为原始图像对应的Zhang[5]的结果；
图5(d)和图5(h)为原始图像对应的本发明的结果；
图5(i)和图5(k)分别为图5(c)中左、右白框中图像对应的放大图像；
图5(j)和图5(l)分别为图5(d)中左、右白框中图像对应的放大图像；
图5(m)和图5(o)分别为图5(j)中左、右白框中图像对应的放大图像；
图5(n)和图5(p)分别为图5(h)中左、右白框中图像对应的放大图像。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述，所描述的具体实施例仅对本发明进行解释说明，并不用以限制本发明。
现有技术中对夜间有雾图像的处理方法通常是：
基于暗通道先验的图像去雾被普遍认为是当前最有效的图像去雾方法，Dong方法[14]基于对弱光图像的反转图像进行去雾，实现低照度图像增强。
根据大气散射模型：
I＝Jt+A(1-t) (1)
其中，I为有雾图像，J为清晰图像，t为透射率，A为背景光强度。
根据暗通道先验理论[2]，雾天图像的透射率为：
进而得到去雾图像：
对于夜间图像I，先对其进行反转：
后将代入去式(3)得到：
对再次反转，得到最后的增强图像。
本发明的设计思路是：如图1所示，首先对夜间有雾图像通过反转和暗通道先验增强图像，然后对增强后图像进行光晕去除和颜色校正，进而通过基于局部邻域的暗通道先验去除雾霾，最后利用导向滤波去除噪声，得到细节清晰、无失真、信噪比高的无雾图像。其中光晕去除和颜色校正部分如图2所示，首先将增强图像经导向滤波得到参考图像，再利用参考图像和增强图像去除光晕，然后利用无雾图像的统计特征对光晕去除后的图像进行颜色校正，之后利用参考图像的反转图像和无雾图像统计特征对颜色校正后图像再次去光晕和校正色偏，最后将第一次光晕去除和颜色校正的结果和第二次光晕去除和颜色校正的结果融合得到无光晕、无色偏图像。
夜间图像的反转图像与白天雾霾图像极为相似，因此利用暗通道先验方法对夜间图像的反转图像进行去雾，然后再反转即可得到增强后的夜间图像，但增强后的图像存在光晕、色偏等缺陷，且并未去除雾霾，因此利用以下后处理即可得到无光晕、无色偏、无雾的清晰图像。
去除光晕：Zhang等[5]提出的夜间图像去雾模型中，利用Retinex算法得到的反射项(替代反射率)和导向滤波得到的参考图像可有效去除光晕，方法简单，物理有效，但这种方法容易模糊图像细节。本发明在此基础上提出改进的基于参考图像的光晕去除算法。
校正色偏：通过对多幅无雾图像的观察发现，无雾、无色偏清晰图像(图3(a))的RGB通道直方图呈中间居多，两侧偏少的特征，而夜间雾霾图像(图3(b))的RGB通道直方图分布则普遍偏小，如图3(d)和(e)所示。本发明将上述无雾、无色偏清晰图像特征作为一般无色偏、无雾清晰图像直方图的分布特征。基于此，结合图像均值和方差即可纠正色偏[9]。从图3(c)和(f)可以看出这种假设的正确性。
去除雾霾：由于照射条件差异，夜晚图像去雾算法无法直接利用大气散射模型，但对局部区域，光源近似恒定，大气光值近似唯一，因此利用基于局部邻域的暗通道先验可近似去除雾霾。
去除噪声：由于夜间图像噪声大，信噪比低，经颜色校正、光晕消除、雾霾去除等操作后，噪声得到增强，图像连续性减低。为了减少噪声、增加连续性，本发明选择边界保存较好、无梯度反转效应的导向滤波降低噪声、增加图像连续性。
下面以图4为例详细讲解本发明的方法步骤
1.基于暗通道先验与颜色校正的夜间雾霾图像去雾方法，包括以下步骤：
步骤1：输入夜间有雾图像I，即图4(a)，将该图像I反转得到反转图像I'，即图4(b)；
式(1)中：c∈{r,g,b}；i为图像中像素的位置；
步骤2：求取反转图像I'的透射率t；
式(2)中：ω1为调节因子，其目的是避免透射率接近零，试验中ω1＝0.95；Ω(i)为像素i的局部邻域，Ac为c通道大气光值，求取方法为：选取暗原色中亮度最大的前0.1％的像素对应的输入图像中强度最大的像素点处的值。
步骤3：根据去雾模型对图像I'进行去雾，得到无雾图像J，即图4(c)；
式(3)中：ω0＝0.1；为c通道中i位置处的灰度值；ti是图像中在i位置处的透射率，在各向同性介质中β是大气散射系数，di为像素i处的景深；β和A在图像中恒定不变；
步骤4：对图像J反转得到清晰图像I_lightenhancement，即图4(d)：
步骤5：对清晰图像I_lightenhancement导向滤波得到参考图像t_reference，图4(e)；
步骤6：利用式(5)得到弱光晕图像I1；
步骤7：利用弱光晕图像I1的RGB通道对应的均值和方差以及式(6)和式(7)求得中间变量和并利用式(8)得到颜色校正图像I2；
式(6)、式(7)和式(8)中：为弱光晕图像I1的c通道均值；为弱光晕图像I1c通道方差；μ为调节参数，μ＝4，参数η＝230；
步骤8：利用参考图像t_reference的反转图像对颜色校正图像I2再次去光晕得到图像I3，再用式(6)、式(7)和式(8)对该图像I3进行颜色校正得到图像I4，最后用式(10)得到无光晕、无色偏的图像I_Nohalo_rightcolor，即图4(f)；
步骤9：将图像I_Nohalo_rightcolor分割成10×10大小的图像块，然后利用暗通道先验去雾，最后将图像块融合得到无雾图像I_dehaze，即图4(g)；
步骤10：对该无雾图像I_dehaze进行导向滤波，得到输出图像output，即图4(h)。
为了验证本发明提出的基于暗通道先验与颜色校正的夜间图像雾霾去除的有效性，对算法进行试验，并与相关算法进行对比。
从图5(a)至图5(p)可以看出，暗通道先验算法有一定去雾效果，但去雾后图像与去雾前相差不大，且图像整体亮度降低。Zhang等[5]提出的夜间图像去雾模型，不仅能对原始图像进行颜色校正，去除雾霾，而且能够较大程度地提高图像的视觉性。本发明除拥有Zhang的方法的优点外，还有以下两个优点：
其一，失真度更小。如图5(i)-(l)所示，本发明中提供的算法极少存在失真，而Zhang的算法失真度较高，这对于基于图像视觉性改善而进行的目标识别、信息采集等有较大影响；
其二，更好地保护、挖掘图像细节。如图5(m)-(p)所示，在灯周围，本方案处理结果能比较清晰的显示出树枝，这些细节信息受光源的影响较小，而Zhang的结果中灯光周围比较模糊，一些细节甚至已经无法分辨，大大影响了图像信息的可读性和可利用性。
为对本发明进行客观评价，选择清晰度、亮度、锐度、平均梯度以及时间复杂度对算法结果进行评价。从表1可知，He的算法[2]虽然时间复杂度低，但处理后的图像不仅亮度较低，而且在清晰度、锐度、平均梯度等方面也远不如Zhang的方法和本文方法。此外，与本文方法相比，Zhang的结果在以上评价标准中都稍逊一筹。实际应用中为了获得更多的图像信息，提高图像视觉性，增强信息可读性，提高图像的对比度、饱和度、平均梯度和亮度是必须的步骤，因此，本发明中提供的算法更能满足实际应用的需求；
表1
综上所述，本发明能更有效地提高图像视觉性，增强信息可读性，去除雾霾，满足实际应用中对时间复杂度的要求。
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。
Claims (1)
1.一种基于暗通道先验与颜色校正的夜间雾霾图像去雾方法，包括以下步骤：
步骤1：输入夜间有雾图像I，将有雾图像I反转得到反转图像I'；
Ic'＝255-Ic (1)
式(1)中：c∈{r,g,b}；
步骤2：求取反转图像I'的透射率t；
式(2)中：调节因子ω1＝0.95，Ω(i)为像素i的局部邻域；Ac为c通道大气光值，是暗原色中亮度最大的前0.1％的像素对应的输入图像中强度最大的像素点处的值；
步骤3：根据去雾模型对图像I'进行去雾，得到I'对应的无雾图像J；
式(3)中：调节因子ω0＝0.1；
步骤4：对无雾图像J反转得到亮度增强图像I_lightenhancement：
步骤5：对亮度增强图像I_lightenhancement导向滤波得到参考图像t_reference；
步骤6：利用式(5)得到弱光晕图像I1；
步骤7：利用弱光晕图像I1的RGB通道对应的均值和方差以及式(6)和式(7)求得中间变量和并利用式(8)得到颜色校正图像I2；
式(6)、式(7)和式(8)中：为弱光晕图像I1的c通道均值；为弱光晕图像I1的c通道方差；调节参数μ＝4；参数η＝230；
步骤8：利用参考图像t_reference的反转图像对颜色校正图像I2再次去光晕得到图像I3，再用式(6)、式(7)和式(8)对该图像I3进行颜色校正得到图像I4，最后用式(10)得到无光晕、无色偏的图像I_Nohalo_rightcolor；
步骤9：将图像I_Nohalo_rightcolor分割成10×10大小的图像块，然后利用暗通道先验去雾，最后将图像块融合得到无雾图像I_dehaze；
步骤10：对该无雾图像I_dehaze进行导向滤波，得到输出图像output。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610027289.5A CN105631829B (zh) | 2016-01-15 | 2016-01-15 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610027289.5A CN105631829B (zh) | 2016-01-15 | 2016-01-15 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105631829A CN105631829A (zh) | 2016-06-01 |
| CN105631829B true CN105631829B (zh) | 2019-05-10 |
Family
ID=56046717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610027289.5A Expired - Fee Related CN105631829B (zh) | 2016-01-15 | 2016-01-15 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105631829B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204504B (zh) * | 2016-09-10 | 2019-05-21 | 天津大学 | 基于暗通道先验和色调映射的低照度图像增强方法 |
| CN106846260B (zh) * | 2016-12-21 | 2019-06-07 | 常熟理工学院 | 一种计算机中视频去雾方法 |
| CN106960421B (zh) * | 2017-03-16 | 2020-04-17 | 天津大学 | 基于统计特性和亮度估计的夜晚图像去雾方法 |
| CN107240075A (zh) * | 2017-05-27 | 2017-10-10 | 上海斐讯数据通信技术有限公司 | 一种雾霾图像增强处理方法及系统 |
| CN107403418A (zh) * | 2017-07-27 | 2017-11-28 | 北京大学深圳研究生院 | 基于通道透射率进行去雾和颜色校正的水下图像增强方法 |
| CN108198138B (zh) * | 2017-11-24 | 2019-05-03 | 北京邮电大学 | 一种针对监控视频的夜间效果去除方法及装置 |
| CN108389175B (zh) * | 2018-04-26 | 2021-05-18 | 长安大学 | 融合变差函数和颜色衰减先验的图像去雾方法 |
| CN108629750A (zh) * | 2018-05-03 | 2018-10-09 | 明见（厦门）技术有限公司 | 一种夜间去雾方法、终端设备及存储介质 |
| CN108596856A (zh) * | 2018-05-07 | 2018-09-28 | 北京环境特性研究所 | 一种图像去雾方法及装置 |
| CN108765337B (zh) * | 2018-05-28 | 2021-06-15 | 青岛大学 | 一种基于暗原色先验与非局部mtv模型的单幅彩色图像去雾处理方法 |
| 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 |
| CN111127362A (zh) * | 2019-12-25 | 2020-05-08 | 南京苏胜天信息科技有限公司 | 基于图像增强的视频除尘方法、系统、装置及可存储介质 |
| CN111179200B (zh) * | 2019-12-31 | 2020-09-29 | 昆明理工大学 | 一种宽动态范围图像的增强算法 |
| CN111275139B (zh) * | 2020-01-21 | 2024-02-23 | 杭州大拿科技股份有限公司 | 手写内容去除方法、手写内容去除装置、存储介质 |
| CN111882496A (zh) * | 2020-07-06 | 2020-11-03 | 苏州加乘科技有限公司 | 一种基于递归神经网络的夜间图像去雾方法 |
| CN113962872B (zh) * | 2020-07-21 | 2023-08-18 | 四川大学 | 一种双通道联合优化的夜间图像去雾方法 |
| CN112200746B (zh) * | 2020-10-16 | 2024-03-08 | 中南大学 | 一种雾天交通场景图像的去雾方法和设备 |
| CN112200755B (zh) * | 2020-12-09 | 2021-05-07 | 成都索贝数码科技股份有限公司 | 一种图像去雾方法 |
| CN116739608B (zh) * | 2023-08-16 | 2023-12-26 | 湖南三湘银行股份有限公司 | 基于人脸识别方式的银行用户身份验证方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102209246B (zh) * | 2011-05-23 | 2013-01-09 | 北京工业大学 | 一种实时视频白平衡处理系统 |
| KR101456445B1 (ko) * | 2012-08-23 | 2014-11-03 | 중앙대학교 산학협력단 | Ｈｓｖ 색상 공간에서 영상의 안개 제거 장치 및 방법, 그리고 그 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체 |
| CN102968767A (zh) * | 2012-11-26 | 2013-03-13 | 中国科学院长春光学精密机械与物理研究所 | 带有白平衡校正的雾天降质图像实时复原方法 |
| CN103778605A (zh) * | 2014-01-16 | 2014-05-07 | 天津大学 | 一种雾天图像增强方法 |
-
2016
- 2016-01-15 CN CN201610027289.5A patent/CN105631829B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105631829A (zh) | 2016-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105631829B (zh) | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 | |
| Xu et al. | Removing rain and snow in a single image using guided filter | |
| CN106886985B (zh) | 一种减小色偏的自适应低照度图像增强方法 | |
| CN109255759B (zh) | 基于天空分割和透射率自适应修正的图像去雾方法 | |
| CN102750674A (zh) | 基于自适应容差的视频图像去雾方法 | |
| CN110570374B (zh) | 一种对红外传感器所获得图像的处理方法 | |
| TW201610912A (zh) | 基於混合暗通道先驗的影像除霧方法及其系統 | |
| CN104021532A (zh) | 一种红外图像的图像细节增强方法 | |
| CN107240081A (zh) | 夜景影像去噪与增强处理方法 | |
| Fan et al. | An improved single image defogging method based on Retinex | |
| Pei et al. | Effective image haze removal using dark channel prior and post-processing | |
| CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
| CN104899836A (zh) | 一种基于近红外多光谱成像的雾天图像增强装置及方法 | |
| CN109118440B (zh) | 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 | |
| Yu et al. | Image and video dehazing using view-based cluster segmentation | |
| CN111161167B (zh) | 基于中通道补偿和自适应大气光估计的单幅图像去雾方法 | |
| CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
| Hu et al. | A low illumination video enhancement algorithm based on the atmospheric physical model | |
| Han et al. | Enhancing underwater image by dark channel prior and color correction | |
| Raigonda et al. | Haze Removal Of Underwater Images Using Fusion Technique | |
| Gujral et al. | A Novel Defogging Technique for Dehazing Images | |
| Wang et al. | Improving visibility of a fast dehazing method | |
| Naseeba et al. | KP Visibility Restoration of Single Hazy Images Captured in Real-World Weather Conditions | |
| Kumari et al. | Improved single image and video dehazing using morphological operation | |
| CN112488957A (zh) | 一种低照度彩色图像实时增强方法及系统 |
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: 20190510 Termination date: 20210115 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |