CN105825483A - 一种图像去雾霾及沙尘的方法 - Google Patents
一种图像去雾霾及沙尘的方法 Download PDFInfo
- Publication number
- CN105825483A CN105825483A CN201610160137.2A CN201610160137A CN105825483A CN 105825483 A CN105825483 A CN 105825483A CN 201610160137 A CN201610160137 A CN 201610160137A CN 105825483 A CN105825483 A CN 105825483A
- Authority
- CN
- China
- Prior art keywords
- image
- result
- obtains
- gaussian function
- fluctuation range
- 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 26
- 239000000428 dust Substances 0.000 title claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 230000002708 enhancing effect Effects 0.000 claims description 15
- 239000004576 sand Substances 0.000 claims description 15
- 238000003786 synthesis reaction Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000002787 reinforcement Effects 0.000 abstract 1
- 239000003595 mist Substances 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002207 retinal effect Effects 0.000 description 3
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 240000008543 Ficus hispida Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000000411 amacrine cell Anatomy 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000574 ganglionic effect Effects 0.000 description 1
- 210000002287 horizontal cell Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 108091008695 photoreceptors Proteins 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000005728 strengthening 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
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机视觉技术领域，具体涉及一种图像去雾霾及沙尘的方法。本发明首先将图像变化到RGB颜色空间，得到R、G、B分量；然后通过计算和调整自适应局部对比度参数，以能在估计背景信息过程中得到最佳的背景估计；因此能在估计细节信息时得到最佳的细节信息；在设定3个不同的尺度的高斯函数时选择不同的高斯函数的模板大小，以保证增强图像能有更为丰富的颜色信息；在增强估计细节信息时选择不同的sigmod函数参数，以保证对不同图像的增强效果达到最佳；最终得到R、G和B的合成增强图像，并将其合成彩色的增强图像。本发明通过简单的参数选择，能有效的增强雾天环境，雾霾环境或者沙尘天气与雾同时存在的环境条件下获取的图像。
Description
技术领域
本发明属于计算机视觉技术领域，特别是对雾天环境，雾霾环境或者沙尘天气与雾同时存在的环境条件下获取的图像进行增强。
背景技术
雾天，雾霾天气或者沙尘天气与雾同时存在的天气严重影响人类社会活动的正常进行。如：影响室外摄影照片质量，影响交通的视频监控的画面，影响飞机起飞和降落安全，等等。而水下图像是在比雾和雾霾等极端天气环境下更为复杂的环境中获取，其图片质量也遭受到了严重的破坏。雾、雾霾和沙尘等极端环境严重影响了人的人身安全、交通安全等；而水下图像则直接关系到国家对海洋资源的勘探、开发和利用。
目前主要的图像增强方法：一类是基于大气物理模型的方法，主要是通过估计大气传播系数和大气光强度来复原图像；另一类是基于图像增强的方法，直接从图像增强的角度来提升图像质量。其中，比较经典的方法有He等在2009年提出的方法，参见文献：KaimingHe；JianSun；XiaoouTang,"Singleimagehazeremovalusingdarkchannelprior,"ComputerVisionandPatternRecognition,2009.CVPR2009.IEEEConferenceon,vol.,no.,pp.20-25,June2009。该方法首先估计一幅图像的暗通道(darkchannel)，然后对暗通道进行软抠图处理(softmatting)，再估计大气光A，最后通过大气物理模型来复原图像。但是，该方法对于场景与天空相似的情况，或者对于沙尘天气与雾同时存在的图像不能很好的估计出暗通道和大气光，因此不能得到理想的复原图像。
发明内容
针对上述存在问题或不足，本发明的目的是为了解决现有方法不能很好解决在雾天环境，雾霾环境或者沙尘天气与雾同时存在的环境条件下获取的图像的增强问题。
为了实现上述目的，本发明提供了一种图像去雾霾及沙尘的方法，包括如下步骤：
步骤1、将彩色图像用RGB空间表示：
将彩色图像转换到RGB空间，得到R空间分量图像、G空间分量图像和B空间分量图像，并将其除以255后定义为I，0<I≤1。
步骤2、计算自适应局部对比度参数：
预先设定一个大高斯函数和小高斯函数，其中大高斯函数的尺度波动范围为10～20,小高斯函数尺度的波动范围为0.1～2；并对这两个高斯函数做归一化处理，它们的模板大小波动范围都为3*3～10*10；
然后用步骤1得到的I与大高斯作卷积后得到的值，除以I与小高斯作卷积后得到的值，得到的结果乘以一个常数,该常数的取值范围为0.89～0.95，最终结果为自适应局部对比度参数。
步骤3、对步骤2中的得到的结果进行调整，得到调整后的自适应局部对比度参数：
如果步骤2的结果大于1.15，则设定步骤2中的该结果为1.15；如果步骤2的结果小于0.93，则设定步骤2的结果为0.93；如果步骤2的结果在0.93～1.15，则不改变。
步骤4、设定3个不同的尺度的高斯函数：
设定3个不同尺度的高斯函数，其中小尺度高斯函数的尺度波动范围为0.1～2，中尺度高斯函数的尺度波动范围为10～20，大尺度高斯函数的尺度波动范围为30～100，并且取定3个高斯函数的模板大小的波动范围均为100*100～600*600。
步骤5、计算平滑的、模糊的图像：
将步骤1得到的I分别和步骤4得到的3个不同尺度的高斯函数进行卷积处理，得到3组共9个不同的平滑的、模糊的图像。
步骤6、估计背景信息：
将步骤3得到的结果和步骤5得到的对应结果分别相乘，得到3组共9个个不同的背景信息。
步骤7、估计细节信息：
将步骤1得到的I分别减去步骤6得到的结果，得到3组共9个不同的关于I的细节信息。
步骤8、增强步骤7得到的结果：
用sigmod函数来增强步骤7得到的结果，得到3组共9个不同尺度的增强图像。其中x为步骤7得到的结果，sigmod(x)为步骤8得到的结果，e是自然对数，k的取值波动范围为0.4～2，设定x0的波动范围为-0.02～0.02。
步骤9、合成增强图像：
将步骤8中得到的3组共9个不同尺度的增强图像，分别乘以都为1/3的权值，再进行加和，得到I的合成增强图像，即得到R、G、B这3个分量的合成增强图像。
步骤10、合成彩色增强图像：
将步骤9得到的结果合成为彩色图像，即完成图像去雾霾及沙尘。
本发明首先，将图像变化到RGB颜色空间，得到R、G、B分量。然后，通过步骤2和步骤3参数的简单的调整，以便对I求出最佳的自适应的局部对比度参数，以能在步骤6过程中得到最佳的背景估计，因此能在步骤7中得到最佳的细节信息。在步骤4可以选择不同的高斯函数的模板大小，以保证增强图像能有更为丰富的颜色信息。在步骤8中可以选择不同的sigmod函数参数，以保证对不同图像的增强效果达到最佳。步骤9得到R、G和B的合成增强图像，步骤10将步骤9的结果合成彩色的增强图像。
综上所述，本发明的图像增强方法通过简单的参数选择，能有效的增强雾天环境，雾霾环境或者沙尘天气与雾同时存在的环境条件下获取的图像。
附图说明
图1是本发明的流程示意图。
图2(a)是实施例选用的雾霾目标图像，(b)是现有技术的图像增强结果，(c)是本发明图像增强的结果。
图3(a)是实施例选用的沙尘天气与雾霾天气同时存在的目标图像，(b)是现有技术的图像增强结果，(c)是本发明图像增强的结果。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
视觉系统是比现在任何图像处理系统更为智能、高效的图像处理系统；视觉神经元的感受野作为视觉系统信息处理的基本单元，它在视觉系统的信息获取、处理占有极其重要的地位。外界的视觉信息都是通过视网膜的光感受器进入视觉系统的，视网膜中的双极细胞(bipolarcell)和神经节细胞(ganglioncell)构成了视网膜信息传输的主要信息通道，它们都具有中心-外周拮抗的空间，它们能很好的去除进入视网膜信息中的冗余信息，使得信息在离开视网膜的时候是更为有效的信息；而水平细胞(horizoncell)和无足细胞(amacrinecell)的侧向作用(lateralinteraction)则优化、辅助主要信息通道，其实更为有效的传播信息。正是基于上述视网膜信息处理机制，提出了本发明。
对于雾霾图像和沙尘天气与雾霾天气同时存在情况的图像，分别选择了在自然情况下拍摄的图像，如图2中的(a)和图3中的(a)。选择的对比算法来自文献：KaimingHe；JianSun；XiaoouTang,"Singleimagehazeremovalusingdarkchannelprior,"ComputerVisionandPatternRecognition,2009.CVPR2009.IEEEConferenceon,vol.,no.,pp.20-25,June2009，为方便描述，简单称为He。其中，He的结果分别是图2(b)和图3(b)；本发明的结果分别是图2(c)和图3(c)。具体的算法流程图如图1所示，具体过程描述如下：
步骤1、将彩色图像用RGB空间表示：
将彩色图像转换到RGB空间，得到R空间分量图像、G空间分量图像和B空间分量图像，并将其除以255后定义为I，0<I≤1。
如图3(a)是一张来自互联网的沙尘天气与雾霾天气同时存在的目标图像，它的大小是704*1200；当I代表图3(a)的R空间分量时，其中空间位置(504,618)的值为0.498，空间位置(504,615)的值为0.9059，空间位置(504,612)的值为0.7176。
步骤2、计算自适应局部对比度参数：
预先设定一个大高斯函数和小高斯函数，其中设定大高斯尺度为小高斯尺度为并对这两个高斯函数做归一化处理，分别取模板大小为9*9。用步骤1得到的I与大高斯作卷积后得到的值，除以I与小高斯作卷积后得到的值，得到的结果乘以常数0.93，得到自适应局部对比度参数。
当I代表图3(a)的R空间分量时，通过步骤2中的计算，其中空间位置(504,618)的自适应局部对比度参数为1.3476，空间位置(504,615)的自适应局部对比度参数为0.8674，空间位置(504,612)的自适应局部对比度参数为0.9635。
步骤3、对步骤2中的得到的结果进行调整，得到调整后的自适应局部对比度参数：
当I代表图3(a)的R空间分量时，其中空间位置(504,618)的自适应局部对比度参数为1.3476，该值大于1.15，因此将该值设置为1.15；空间位置(504,615)的自适应局部对比度参数为0.8674，该值小于0.93，因此将该值设置为0.93；空间位置(504,612)的自适应局部对比度参数为0.9635，该值在0.93～1.15之间，因此不对该值做处理。
步骤4、设定3个不同的尺度的高斯函数：
设定3个尺度为0.1，15和30的高斯函数，并且取定这个3个高斯函数的模板大小均为450*450。
步骤5、计算平滑的、模糊的图像：
将步骤1得到的I分别和步骤4得到的3个不同尺度的高斯函数进行卷积处理，得到3个不同的平滑的、模糊的图像。
步骤6、估计背景信息：
将步骤3得到的结果和步骤5得到的结果分别相乘，得到3个不同的背景信息。
步骤7、估计细节信息：
将步骤1得到的I分别减去步骤6得到的结果，得到3个不同的关于I图像的细节信息。
步骤8、增强步骤7得到的结果：
用sigmod函数来增强步骤7得到的结果，得到3个不同尺度的增强图像。e是自然对数，x就是步骤7得到的结果，sigmod(x)就是步骤8得到的结果。
步骤9、合成增强图像：
将步骤8中得到的3个不同尺度的增强图像，分别乘以都为1/3的权值，再进行加和，得到I的合成增强图像，即为图3(a)的R空间分量的合成增强图像。
步骤10、以I代表图3(a)的G和B空间分量，将步骤1到步骤9再分别循环2次，分别得到图3(a)的G、B这2个分量的合成增强图像。
步骤11、合成彩色增强图像：
将步骤9和步骤10得到的R、G和B分量合成增强图像合成为彩色图像。
测试结果分别如图2和图3所示，其中，图2(a)和图3(a)都为为处理的目标图像；He的处理结果分别是图2(b)和图3(b)，都是用He算法的默认参数计算得到的结果；本发明的结果分别是图2(c)和图3(c)。
其中对图2(a)、图3(a)处理时使用的相同的参数设置如下：步骤2中参数设置为大高斯函数尺度为小高斯函数尺度为它们的模板大小都为9*9，常数设置为0.93；步骤4中参数设置为3个尺度分别为0.1、15和30的高斯函数，它们的模板大小都为450*450；设定步骤8中的x0为-0.015。
对图2(a)、图3(a)处理时使用的不同的参数设置如下：其中，图2(a)在步骤8中参数设置为k为0.65；图3(a)在步骤8中参数设置为k为0.95。
Claims (2)
1.一种图像去雾霾及沙尘的方法，包括如下步骤：
步骤1、将彩色图像用RGB空间表示：
将彩色图像转换到RGB空间，得到R空间分量图像、G空间分量图像和B空间分量图像，并将其除以255后定义为I，0<I≤1；
步骤2、计算自适应局部对比度参数：
预先设定一个大高斯函数和小高斯函数，其中大高斯函数的尺度波动范围为10～20,小高斯函数尺度的波动范围为0.1～2；并对这两个高斯函数做归一化处理，它们的模板大小波动范围都为3*3～10*10；
然后用步骤1得到的I与大高斯作卷积后得到的值，除以I与小高斯作卷积后得到的值，得到的结果乘以一个常数,该常数的取值范围为0.89～0.95，最终结果为自适应局部对比度参数；
步骤3、对步骤2中的得到的结果进行调整，得到调整后的自适应局部对比度参数：
如果步骤2的结果大于1.15，则设定步骤2中的该结果为1.15；如果步骤2的结果小于0.93，则设定步骤2的结果为0.93；如果步骤2的结果在0.93～1.15，则不改变；
步骤4、设定3个不同的尺度的高斯函数：
设定3个不同尺度的高斯函数，其中小尺度高斯函数的尺度波动范围为0.1～2，中尺度高斯函数的尺度波动范围为10～20，大尺度高斯函数的尺度波动范围为30～100，并且取定3个高斯函数的模板大小的波动范围均为100*100～600*600；
步骤5、计算平滑的、模糊的图像：
将步骤1得到的I分别和步骤4得到的3个不同尺度的高斯函数进行卷积处理，得到3组共9个不同的平滑的、模糊的图像；
步骤6、估计背景信息：
将步骤3得到的结果和步骤5得到的对应结果分别相乘，得到3组共9个个不同的背景信息；
步骤7、估计细节信息：
将步骤1得到的I分别减去步骤6得到的结果，得到3组共9个不同的关于I的细节信息；
步骤8、增强步骤7得到的结果：
用sigmod函数来增强步骤7得到的结果，得到3组共9个不同尺度的增强图像；
步骤9、合成增强图像：
将步骤8中得到的3组共9个不同尺度的增强图像，分别乘以都为1/3的权值，再进行加和，得到I的合成增强图像，即得到R、G、B这3个分量的合成增强图像；
步骤10、合成彩色增强图像：
将步骤9得到的结果合成为彩色图像，即完成图像去雾霾及沙尘。
2.如权利要求1所述图像去雾霾及沙尘的方法，其特征在于：所述步骤8中sigmod函数为x为步骤7得到的结果，sigmod(x)为步骤8得到的结果，e是自然对数，k的取值波动范围为0.4～2，设定x0的波动范围为-0.02～0.02。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610160137.2A CN105825483B (zh) | 2016-03-21 | 2016-03-21 | 一种图像去雾霾及沙尘的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610160137.2A CN105825483B (zh) | 2016-03-21 | 2016-03-21 | 一种图像去雾霾及沙尘的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105825483A true CN105825483A (zh) | 2016-08-03 |
| CN105825483B CN105825483B (zh) | 2018-10-16 |
Family
ID=56523512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610160137.2A Active CN105825483B (zh) | 2016-03-21 | 2016-03-21 | 一种图像去雾霾及沙尘的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105825483B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169942A (zh) * | 2017-07-10 | 2017-09-15 | 电子科技大学 | 一种基于鱼类视网膜机制的水下图像增强方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955900A (zh) * | 2014-05-07 | 2014-07-30 | 电子科技大学 | 基于生物视觉机理的图像去雾方法 |
| KR101448164B1 (ko) * | 2013-04-22 | 2014-10-14 | 금오공과대학교 산학협력단 | 파라미터 최적화를 이용한 영상의 안개 제거 방법 |
| CN104200437A (zh) * | 2014-09-04 | 2014-12-10 | 北京工业大学 | 一种图像去雾处理方法 |
| KR20150002187A (ko) * | 2013-06-28 | 2015-01-07 | 주식회사 시큐인포 | Gaussian filtering 기반 영상의 안개제거 시스템 및 방법 |
| CN105023256A (zh) * | 2015-08-13 | 2015-11-04 | 丘璇 | 一种图像去雾方法及系统 |
| US20160071253A1 (en) * | 2013-07-29 | 2016-03-10 | Nokia Technologies Oy | Method and apparatus for image enhancement |
-
2016
- 2016-03-21 CN CN201610160137.2A patent/CN105825483B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101448164B1 (ko) * | 2013-04-22 | 2014-10-14 | 금오공과대학교 산학협력단 | 파라미터 최적화를 이용한 영상의 안개 제거 방법 |
| KR20150002187A (ko) * | 2013-06-28 | 2015-01-07 | 주식회사 시큐인포 | Gaussian filtering 기반 영상의 안개제거 시스템 및 방법 |
| US20160071253A1 (en) * | 2013-07-29 | 2016-03-10 | Nokia Technologies Oy | Method and apparatus for image enhancement |
| CN103955900A (zh) * | 2014-05-07 | 2014-07-30 | 电子科技大学 | 基于生物视觉机理的图像去雾方法 |
| CN104200437A (zh) * | 2014-09-04 | 2014-12-10 | 北京工业大学 | 一种图像去雾处理方法 |
| CN105023256A (zh) * | 2015-08-13 | 2015-11-04 | 丘璇 | 一种图像去雾方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| XIAN-SHI ZHANG等: "A Retina Inspired Model for Enhancing Visibilityof Hazy Images", 《FRONTIERS IN COMPUTATIONAL NEUROSCIENCE》 * |
| 谌琛 等: "一种自适应的仿生图像增强方法: LDRF 算法", 《智能系统学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169942A (zh) * | 2017-07-10 | 2017-09-15 | 电子科技大学 | 一种基于鱼类视网膜机制的水下图像增强方法 |
| CN107169942B (zh) * | 2017-07-10 | 2020-07-07 | 电子科技大学 | 一种基于鱼类视网膜机制的水下图像增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105825483B (zh) | 2018-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Golts et al. | Unsupervised single image dehazing using dark channel prior loss | |
| CN103218778B (zh) | 一种图像和视频的处理方法及装置 | |
| CN112614077B (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
| CN109410129A (zh) | 一种低光照图像场景理解的方法 | |
| CN102306384B (zh) | 一种基于单幅图像的颜色恒常性处理方法 | |
| CN107798661B (zh) | 一种自适应的图像增强方法 | |
| RU2476825C2 (ru) | Способ управления движущимся объектом и устройство для его осуществления | |
| CN110288550B (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
| CN104504658A (zh) | 基于bp神经网络的单一图像去雾方法及装置 | |
| CN112508814B (zh) | 一种基于无人机低空视角下的图像色调修复型去雾增强方法 | |
| CN110223251A (zh) | 适用于人工与自然光源的卷积神经网络水下图像复原方法 | |
| Chen et al. | Underwater image enhancement based on color balance and multi-scale fusion | |
| CN110288539A (zh) | 一种结合颜色空间移动与暗通道先验的水下图像清晰方法 | |
| CN112686276A (zh) | 一种基于改进RetinaNet网络的火焰检测方法 | |
| CN110827218A (zh) | 基于图像hsv透射率加权校正的机载图像去雾方法 | |
| CN116343144B (zh) | 一种融合视觉感知自适应去雾的实时目标检测方法 | |
| CN104915933A (zh) | 一种基于apso-bp耦合算法的雾天图像增强方法 | |
| CN117611501A (zh) | 一种低照度图像增强方法、装置、设备及可读存储介质 | |
| CN112419163A (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
| CN105046202A (zh) | 自适应的人脸识别光照处理方法 | |
| CN111539250B (zh) | 一种基于神经网络的图像雾浓度估计方法、系统和终端 | |
| CN114549297A (zh) | 一种基于不确定分析的无监督单目深度估计方法 | |
| Yang et al. | Underwater image enhancement method based on golden jackal optimization | |
| CN103839244A (zh) | 一种实时的图像融合方法及装置 | |
| CN107301625A (zh) | 基于亮度融合网络的图像去雾算法 |
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 |