CN106251301B - 一种基于暗原色先验的单幅图像去雾方法 - Google Patents
一种基于暗原色先验的单幅图像去雾方法 Download PDFInfo
- Publication number
- CN106251301B CN106251301B CN201610597410.8A CN201610597410A CN106251301B CN 106251301 B CN106251301 B CN 106251301B CN 201610597410 A CN201610597410 A CN 201610597410A CN 106251301 B CN106251301 B CN 106251301B
- Authority
- CN
- China
- Prior art keywords
- image
- dark
- transmissivity
- follows
- sky
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000003595 mist Substances 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
Images
Classifications
-
- G06T5/73—
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Image Processing (AREA)
Abstract
一种基于暗原色的单幅图像去雾方法,目的是为了改善暗原色先验算法的去雾效果以及提高算法效率。该方法包括以下步骤:求出含雾图像I的暗原色图Idark;对暗原色图进行自适应阈值分割,得到天空区域和非天空区域的二值图Ybinary;利用分割出的天空区域重估大气光值A;对分割出的天空区域和非天空区域采用不同的方式粗略估计透射率,然后利用二值图Ybinary将天空区域和非天空区域估计的透射率进行合并,得到粗略透射率采用引导滤波细化透射率;利用大气散射模型得到复原的无雾图像J;采用引导滤波进一步增强复原图像J的边缘信息,得到最终复原图像Jfinary。本发明设计的去雾算法能有效地改善雾天图像的退化现象,提高图像的清晰度,处理效率也得到明显提升。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于暗原色先验的单幅图像去雾方法。
背景技术
目前对于雾天图像的处理方法主要分为两类:雾天图像复原和雾天图像增强。雾天图像的增强方法不考虑图像退化的本质原因,而是基于主观视觉感受,能有效地提高雾天图像的对比度,突出图像的细节,改善图像的视觉效果,适用范围广,但对于突出部分的信息可能会造成一定损失。雾天图像复原方法根据雾天对图像成像的影响机制,建立图像退化模型,反向推导出图像复原模型,计算获得不受雾影响的最优估计值,得到清晰的图像。近年来,众多研究者致力于单幅降质图像的去雾研究,由于单幅图像中雾的深度信息未知,一般需要借助先验或假设来达到去雾的目的。这方面的早期工作是由Tan等完成的,他们通过统计发现无雾图像比有雾图像具有更高的对比度,以及局部区域的环境光为常数这两个先验条件,提出一种旨在增强图像对比度的去雾方法,在光学原理上达到去雾,但忽视了透射率,处理结果的一些色彩经常会出现过度饱和的现象。Fattal等利用透射率和物体表面阴影局部不相关的假设条件来估计场景反照率,并推导出介质透射率,恢复出场景光,取得了很好的效果,但该方法需要足够的颜色信息以及差异性,当雾很浓时,该方法估计出的透射率就不可靠。何凯明等基于对户外无雾图像数据库的统计规律,提出一种简单有效的暗原色先验图像去雾算法,能够明显提高雾天户外图像清晰度,均匀地调整图像整体的色彩亮度,从而达到良好的视觉效果,对一般户外图像取得了很好的去雾效果,受到研究者的重点关注。
暗原色先验去雾方法存在的不足:1)传统的暗原色先验算法采用软抠图细化透射率,由于采用高精度插值求解大型稀疏矩阵,带来了巨大的运算量,不利于工程上的应用;2)暗原色先验算法建立在暗原色假设之上,对不满足这个假设的明亮区域,算法估计的透射率偏小,复原图像出现色彩失真以及整体偏暗的现象。
发明内容
本发明的目的旨在解决上述技术缺陷,改善暗原色先验算法的效果以及提高算法效率。
为了达到上述目的,本发明提出一种基于暗原色先验的单幅图像去雾方法,包括以下几个步骤:
S1:自适应求出含雾图像I的暗原色图Idark;
S1.1:求出最小颜色通道Ic,具体公式如下:
其中(x,y)表示R、G、B三通道图像中的像素点。
S1.2:对最小暗通道图Idark进行自适应分块,并进行最小值滤波,得到暗原色图Idark。其中自适应分块大小为:
block=round(max(3,M×1%,N×1%))
M,N分别为最小颜色通道Ic的长和宽,暗原色图Idark的具体公式为:
S2:对暗原色图Idark进行图像分割,获得包含天空区域和非天空区域的图像,具体分割方法如下:
S2.1:求出暗原色图像Idark的亮度图B,并采用最大类间方差法(OTSU)对亮度图像B进行自适应阈值分割,得到分割后的二值图像Bbinary,公式如下:
其中th1是亮度图像B在坐标(x,y)处的亮度值,λ1是亮度图像B的最大类间方差分割阈值。
S2.2:求出暗原色图像Idark的灰度梯度图G,并采用最大类间方差法(OTSU)对梯度图像G进行自适应阈值分割,得到分割后的二值图像Gbinary,公式如下:
其中th2是梯度图像G在坐标(x,y)处的梯度值,th2是梯度图像G的最大类间方差分割阈值。
S2.3:将分割后的亮度二值图Bbinary及梯度二值图Gbinary作并运算,得到分割后的天空区域和非天空区域二值图像Ybinary,公式如下:
S3:利用上述分割出的天空区域重估大气光值A,把天空区域亮度最大的前50%的亮度均值作为大气光的估计值。
其中ω(0<ω≤1)是去雾参数,是可调参数,用来选择性的保留远方景物中的小部分雾,使得复原图像更加自然,当ω=1时表示彻底去雾。
其中K表示容差参数,是可调参数,用来调整天空区域亮度和大气光值之间的容差值。
S5:采用引导滤波细化透射率,以含雾图像I的灰度图Igray作为引导图像,通过如下公式得到细化的透射率t(x,y):
其中t(x,y)是图像Ii gray中以k为中心像素的局部窗口ξk的线性变换,通过求解线性因数(ak,bk)的最优解,使输入图像p与输出图像t(x,y)之间的差值最小化。最后求出输出图像如下:
S6:利用大气散射模型得到复原的清晰图像J,具体公式为:
当t(x,y)接近于0时,与实际不符,因此为透射率t(x,y)设置一个下限t0
S7:采用引导滤波进一步增强复原图像J的边缘信息,以复原图像J作为引导滤波器的输入,含雾图像I作为引导图像,实现引导滤波器平滑滤波的作用,得到边缘模糊的输出图像q0,最终复原图像Jfinary计算公式如下:
Jfinally(x,y)=M(J(x,y)-q0(x,y))+q0(x,y)
其中M是边缘增强倍数,是一个可调参数。
有益效果
本发明通过拓展暗原色先验算法的适用范围,利用雾天图像中天空区域的特征,采用自适应阈值的方法分割出天空去,并分别估计透射率,改善了暗原色先验在天空区域透射率偏小的弊端,克服了复原图像在天空等明亮区域色彩失真的现象;利用分割出的天空区域重新估计大气光值,来改善复原图像整体偏暗的弊端;利用引导滤波细化透射率,极大地提高了算法的运行速率;最后,采用引导滤波的方法增强图像边缘,提高图像的清晰度。
附图说明
图1为本发明流程图;
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,本发明的实施例的基于暗原色先验的单幅图像去雾改方法,包括以下几个步骤:
步骤S1,求出含雾图像I的暗原色图Idark。
在本步骤的一个实施例中,首先,读入含雾图像I,然后采用自适应分块的方法求出暗原色图Idark,具体处理方法如下:
S1.1:求出最小颜色通道Ic,具体公式如下:
其中(x,y)表示R、G、B三通道图像中的像素点。
S1.2:对最小暗通道图Idark进行自适应分块,并进行最小值滤波,得到暗原色图Idark。其中自适应分块大小为:
block=round(max(3,M×1%,N×1%))
M,N分别为最小颜色通道Ic的长和宽,暗原色图Idark的具体公式为:
步骤S2,对暗原色图Idark进行自适应阈值分割。
在本步骤的一个实施例中,对暗原色图Idark进行自适应阈值分割,得到天空区域和非天空区域的二值图像Ybinary,具体分割方法如下:
S2.1:求出暗原色图像Idark的亮度图B,并采用最大类间方差法(OTSU)对亮度图像B进行自适应阈值分割,得到分割后的二值图像Bbinary,公式如下:
其中th1是亮度图像B在坐标(x,y)处的亮度值,λ1是亮度图像B的最大类间方差分割阈值。
S2.2:求出暗原色图像Idark的灰度梯度图G,并采用最大类间方差法(OTSU)对梯度图像G进行自适应阈值分割,得到分割后的二值图像Gbinary,公式如下:
其中th2是梯度图像G在坐标(x,y)处的梯度值,th2是梯度图像G的最大类间方差分割阈值。
S2.3:将分割后的亮度二值图Bbinary及梯度二值图Gbinary作并运算,得到分割后的天空区域和非天空区域二值图像Ybinary,公式如下:
步骤S3,重估大气光值A
利用上述分割出的天空区域重估大气光值,把天空区域亮度最大的前50%的亮度均值作为大气光的估计值。
其中ω(0<ω≤1)是去雾参数,是可调参数,用来选择性的保留远方景物中的小部分雾,使得复原图像更加自然,当ω=1时表示彻底去雾。
其中K表示容差参数,是可调参数,用来调整天空区域亮度和大气光值之间的容差值。
步骤S5,采用引导滤波细化透射率。
以含雾图像I的灰度图Igray作为引导图像,通过如下公式得到细化的透射率t(x,y):
其中t(x,y)是图像Ii gray中以k为中心像素的局部窗口ξk的线性变换,通过求解线性因数(ak,bk)的最优解,使输入图像p与输出图像t(x,y)之间的差值最小化。最后求出输出图像如下:
步骤S6,复原无雾图像J。
利用大气散射模型得到复原的清晰图像J,具体公式为:
当t(x,y)接近于0时,与实际不符,因此为透射率t(x,y)设置一个下限t0
步骤S7,引导滤波边缘增强。
采用引导滤波进一步增强复原图像J的边缘信息,以复原图像J作为引导滤波器的输入,含雾图像I作为引导图像,实现引导滤波器平滑滤波的作用,得到边缘模糊的输出图像q0,最终复原图像Jfinary计算公式如下:
Jfinally(x,y)=M(J(x,y)-q0(x,y))+q0(x,y)
其中M是边缘增强倍数,是一个可调参数。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同限定。
Claims (1)
1.一种基于暗原色先验的单幅图像去雾方法,其特征在于:本方法包括以下几个步骤:
S1:自适应求出含雾图像I的暗原色图Idark;
S1.1:求出最小颜色通道Ic,具体公式如下:
其中(x,y)表示R、G、B三通道图像中的像素点;
S1.2:对暗通道图Idark进行自适应分块,并进行最小值滤波,得到暗原色图Idark;其中自适应分块大小为:
block=round(max(3,M×1%,N×1%))
M,N分别为最小颜色通道Ic的长和宽,暗原色图Idark的具体公式为:
S2:对暗原色图Idark进行图像分割,获得包含天空区域和非天空区域的图像,具体分割方法如下:
S2.1:求出暗原色图像Idark的亮度图B,并采用最大类间方差法OTSU对亮度图像B进行自适应阈值分割,得到分割后的二值图像Bbinary,公式如下:
其中th1是亮度图像B在坐标(x,y)处的亮度值,λ1是亮度图像B的最大类间方差分割阈值;
S2.2:求出暗原色图像Idark的灰度梯度图G,并采用最大类间方差法OTSU对梯度图像G进行自适应阈值分割,得到分割后的二值图像Gbinary,公式如下:
其中th2是梯度图像G在坐标(x,y)处的梯度值,th2是梯度图像G的最大类间方差分割阈值;
S2.3:将分割后的亮度二值图Bbinary及梯度二值图Gbinary作并运算,得到分割后的天空区域和非天空区域二值图像Ybinary,公式如下:
S3:利用上述分割出的天空区域重估大气光值A,把天空区域亮度最大的前50%的亮度均值作为大气光的估计值;
S4.1:利用何凯明原方法粗略估计非天空区域的透射率具体公式如下:
其中ω是去雾参数,是可调参数,0<ω≤1用来选择性的保留远方景物中的小部分雾,使得复原图像更加自然,当ω=1时表示彻底去雾;
其中K表示容差参数,是可调参数,用来调整天空区域亮度和大气光值之间的容差值;
S5:采用引导滤波细化透射率,以含雾图像I的灰度图Igray作为引导图像,通过如下公式得到细化的透射率t(x,y):
其中t(x,y)是图像Ii gray中以k为中心像素的局部窗口ξk的线性变换,通过求解线性因数(ak,bk)的最优解,使输入图像p与输出图像t(x,y)之间的差值最小化;最后求出输出图像如下:
S6:利用大气散射模型得到复原的清晰图像J,具体公式为:
当t(x,y)接近于0时,与实际不符,因此为透射率t(x,y)设置一个下限t0
S7:采用引导滤波进一步增强复原图像J的边缘信息,以复原图像J作为引导滤波器的输入,含雾图像I作为引导图像,实现引导滤波器平滑滤波的作用,得到边缘模糊的输出图像q0,最终复原图像Jfinary计算公式如下:
Jfinally(x,y)=M(J(x,y)-q0(x,y))+q0(x,y)
其中M是边缘增强倍数,是一个可调参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610597410.8A CN106251301B (zh) | 2016-07-26 | 2016-07-26 | 一种基于暗原色先验的单幅图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610597410.8A CN106251301B (zh) | 2016-07-26 | 2016-07-26 | 一种基于暗原色先验的单幅图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106251301A CN106251301A (zh) | 2016-12-21 |
CN106251301B true CN106251301B (zh) | 2019-10-15 |
Family
ID=57604006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610597410.8A Active CN106251301B (zh) | 2016-07-26 | 2016-07-26 | 一种基于暗原色先验的单幅图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251301B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10528842B2 (en) * | 2017-02-06 | 2020-01-07 | Mediatek Inc. | Image processing method and image processing system |
CN106940882A (zh) * | 2017-02-15 | 2017-07-11 | 国网江苏省电力公司常州供电公司 | 一种符合人眼视觉特性的变电站视频图像清晰化方法 |
CN107025636B (zh) * | 2017-03-09 | 2020-03-17 | Oppo广东移动通信有限公司 | 结合深度信息的图像去雾方法及装置和电子装置 |
CN107301623B (zh) * | 2017-05-11 | 2020-02-14 | 北京理工大学珠海学院 | 一种基于暗通道和图像分割的交通图像去雾方法及系统 |
CN107203979B (zh) * | 2017-05-27 | 2020-04-24 | 浙江大学 | 一种低照度图像增强的方法 |
CN107451966B (zh) * | 2017-07-25 | 2021-05-11 | 四川大学 | 一种采用灰度图引导滤波实现的实时视频去雾方法 |
CN109427041B (zh) * | 2017-08-25 | 2021-10-22 | 中国科学院上海高等研究院 | 一种图像白平衡方法及系统、存储介质及终端设备 |
CN107680101A (zh) * | 2017-08-28 | 2018-02-09 | 浙江工业大学 | 基于暗通道的天空区域分割方法 |
CN107833185B (zh) * | 2017-10-13 | 2020-10-02 | 西安天和防务技术股份有限公司 | 图像去雾方法及装置、存储介质、电子设备 |
CN107767354B (zh) * | 2017-12-08 | 2020-07-07 | 福州大学 | 一种基于暗原色先验的图像去雾算法 |
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 |
CN108460778B (zh) * | 2017-12-26 | 2021-07-30 | 浙江工商大学 | 面向有雾图像的类天空区域检测与定位方法 |
CN108280809B (zh) * | 2017-12-26 | 2021-07-30 | 浙江工商大学 | 一种基于大气散射物理模型的有雾图像天空区域估计方法 |
CN108564538A (zh) * | 2017-12-29 | 2018-09-21 | 南京工业大学 | 一种基于环境光差异的图像去雾霾方法及系统 |
CN108335307A (zh) * | 2018-04-19 | 2018-07-27 | 云南佳叶现代农业发展有限公司 | 基于暗原色的自适应烟叶图片分割方法及系统 |
CN109087254B (zh) * | 2018-04-26 | 2021-12-31 | 长安大学 | 无人机航拍图像雾霾天空和白色区域自适应处理方法 |
CN108765314A (zh) * | 2018-05-02 | 2018-11-06 | 深圳供电局有限公司 | 一种含高亮度区域的图像去雾方法 |
CN108765325B (zh) * | 2018-05-17 | 2021-06-29 | 中国人民解放军陆军工程大学 | 一种小型无人机模糊图像复原方法 |
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 |
CN108898562B (zh) * | 2018-06-22 | 2022-04-12 | 大连海事大学 | 一种基于深度学习的移动设备图像去雾方法 |
CN108876743B (zh) * | 2018-06-26 | 2020-12-29 | 中山大学 | 一种图像快速去雾方法、系统、终端及存储介质 |
CN109345479B (zh) * | 2018-09-28 | 2021-04-06 | 中国电子科技集团公司信息科学研究院 | 一种视频监控数据的实时预处理方法及存储介质 |
CN109242805B (zh) * | 2018-10-24 | 2021-09-28 | 西南交通大学 | 一种基于独立分量分析的单幅图像雾霾快速去除方法 |
CN109934780A (zh) * | 2019-02-21 | 2019-06-25 | 北京以萨技术股份有限公司 | 一种基于暗原色先验的道路监控视频去雾方法 |
CN110033619A (zh) * | 2019-04-23 | 2019-07-19 | 临沂大学 | 一种高速公路路况检测方法及其系统 |
CN110288541A (zh) * | 2019-06-06 | 2019-09-27 | 武汉易科空间信息技术股份有限公司 | 航空影像高精度处理方法及系统 |
CN111105373B (zh) * | 2019-12-13 | 2023-07-28 | 嘉应学院 | 一种含天空区图像的快速去雾方法及其应用系统 |
CN111047540B (zh) * | 2019-12-27 | 2023-07-28 | 嘉应学院 | 一种基于天空分割的图像去雾方法及其应用系统 |
CN111369938A (zh) * | 2020-04-26 | 2020-07-03 | 上海年润光电科技有限公司 | 一种模块化led显示屏及其控制系统 |
CN112465720B (zh) * | 2020-11-27 | 2024-02-23 | 南京邮电大学 | 一种基于图像天空分割的图像去雾方法、装置和存储介质 |
CN113205469A (zh) * | 2021-06-04 | 2021-08-03 | 中国人民解放军国防科技大学 | 一种基于改进暗通道的单幅图像去雾方法 |
CN115908824B (zh) * | 2023-03-09 | 2023-06-06 | 四川腾盾科技有限公司 | 一种应用于大型无人机天空区域快速分割方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170574A (zh) * | 2011-05-23 | 2011-08-31 | 北京工业大学 | 一种实时视频去雾处理系统 |
CN103955905A (zh) * | 2014-05-13 | 2014-07-30 | 北京邮电大学 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
CN104794697A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 一种基于暗原色先验的图像去雾方法 |
CN105279739A (zh) * | 2015-09-08 | 2016-01-27 | 哈尔滨工程大学 | 一种自适应含雾数字图像去雾方法 |
CN105631823A (zh) * | 2015-12-28 | 2016-06-01 | 西安电子科技大学 | 基于阈值分割优化的暗原色天空区域去雾方法 |
CN105761230A (zh) * | 2016-03-16 | 2016-07-13 | 西安电子科技大学 | 基于天空区域分割处理的单幅图像去雾方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9478016B2 (en) * | 2014-09-16 | 2016-10-25 | National Taipei University Of Technology | Image restoration method and image processing apparatus using the same |
-
2016
- 2016-07-26 CN CN201610597410.8A patent/CN106251301B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170574A (zh) * | 2011-05-23 | 2011-08-31 | 北京工业大学 | 一种实时视频去雾处理系统 |
CN103955905A (zh) * | 2014-05-13 | 2014-07-30 | 北京邮电大学 | 基于快速小波变换和加权图像融合的单幅图像去雾方法 |
CN104794697A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 一种基于暗原色先验的图像去雾方法 |
CN105279739A (zh) * | 2015-09-08 | 2016-01-27 | 哈尔滨工程大学 | 一种自适应含雾数字图像去雾方法 |
CN105631823A (zh) * | 2015-12-28 | 2016-06-01 | 西安电子科技大学 | 基于阈值分割优化的暗原色天空区域去雾方法 |
CN105761230A (zh) * | 2016-03-16 | 2016-07-13 | 西安电子科技大学 | 基于天空区域分割处理的单幅图像去雾方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106251301A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106251301B (zh) | 一种基于暗原色先验的单幅图像去雾方法 | |
CN106251300B (zh) | 一种基于Retinex的快速夜间雾天图像复原方法 | |
CN110148095B (zh) | 一种水下图像增强方法及增强装置 | |
CN105574830B (zh) | 极端天气条件下低质图像增强方法 | |
CN106530257A (zh) | 一种基于暗通道先验模型的遥感图像去雾方法 | |
CN104794688B (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 | |
CN107301623B (zh) | 一种基于暗通道和图像分割的交通图像去雾方法及系统 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN104253930B (zh) | 一种实时视频去雾方法 | |
CN107767354A (zh) | 一种基于暗原色先验的图像去雾算法 | |
Shuai et al. | Image haze removal of wiener filtering based on dark channel prior | |
CN109087254B (zh) | 无人机航拍图像雾霾天空和白色区域自适应处理方法 | |
CN105913390B (zh) | 一种图像去雾方法及系统 | |
CN106875351A (zh) | 一种面向大面积天空区域图像的去雾方法 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
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 | |
CN110211067A (zh) | 一种用于uuv近海面可见光图像去雾方法 | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
CN112053298B (zh) | 一种图像去雾方法 | |
CN110827221A (zh) | 一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法 | |
CN107977941B (zh) | 一种明亮区域色彩保真及对比度增强的图像去雾方法 | |
CN110136079A (zh) | 基于场景深度分割的图像去雾方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN109118440A (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 | |
CN106504216B (zh) | 基于变分模型的单幅图像去雾方法 |
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 |