CN106780356A - 基于卷积神经网络和先验信息的图像去雾方法 - Google Patents
基于卷积神经网络和先验信息的图像去雾方法 Download PDFInfo
- Publication number
- CN106780356A CN106780356A CN201611028224.9A CN201611028224A CN106780356A CN 106780356 A CN106780356 A CN 106780356A CN 201611028224 A CN201611028224 A CN 201611028224A CN 106780356 A CN106780356 A CN 106780356A
- Authority
- CN
- China
- Prior art keywords
- image
- priori
- formula
- convolutional neural
- neural networks
- 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 45
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 28
- 239000003595 mist Substances 0.000 claims abstract description 26
- 238000003384 imaging method Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000002834 transmittance Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- -1 haze Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理、计算机视觉技术领域,为提出一种能够有效移除图像中雾影响的图像去雾方法,实现基于深度学习和先验信息的图像去雾。本发明,基于卷积神经网络和先验信息的图像去雾方法,雾天气的成像模型表示为:I(x)=J(x)t(x)+A(1‑t(x)) 式中,I(x)是雾天拍摄的图像,J(x)是清晰的图像,A是全局背景光,t(x)∈[0,1]为媒介透射率,媒介透射率表示为:t(x)=exp(‑βd(x)),式中,β为大气衰减因子,d(x)为场景深度,采用深度学习技术结合雾图像先验信息相结合的方式进行估计,再根据成像模型采用反补偿技术恢复出清晰的图像。本发明主要应用于图像处理场合。
Description
技术领域
本发明属于图像处理、计算机视觉技术领域,涉及一种基于卷积神经网络和先验信息的图像去雾方法。
背景技术
空气中存在雾、霾、灰尘等悬浮颗粒,因此有雾天气拍摄的图像往往存在低对比度、模糊、颜色失真等退化现象。当有雾图像被用于视频分析、辅助驾驶等实际应用领域中往往展示出一定的局限性。近些年来,图像去雾在计算机应用和消费摄影等研究领域已经成为一个积极的研究方向。然而,图像去雾仍然是一个具有挑战性的不适定问题。
在过去的几年里,很多图像去雾方法被提出,主要可以分为以下几类:基于辅助信息的方法、基于非模型的方法,基于先验/假设的方法,基于学习的方法。尽管图像去雾领域已经取得了很大进步,但仍存在一些问题。基于辅助信息的方法具有一些阻碍其实际应用的问题。例如,基于硬件设备的方法往往较贵且操作复杂,同一场景拍摄的多幅图像或者场景深度信息很难获得。基于非模型的方法常常会产生过度增强或者欠增强的区域,甚至产生颜色偏差或者伪影。尽管基于先验/假设的方法已经取得了较大的成功,但这类方法被高计算复杂度、估计的场景深度准确度以及挑战性场景的普适性所限制。最近,基于学习的方法被用来
移除图像中的雾影响。然而,这类方法需要提高其训练和处理速度。
发明内容
为克服现有技术的不足,本发明旨在通过结合卷积神经网络和雾图像的先验信息,研究一种能够有效移除图像中雾影响的图像去雾方法,实现基于深度学习和先验信息的图像去雾。本发明采用的技术方案是,基于卷积神经网络和先验信息的图像去雾方法,雾天气的成像模型表示为:
I(x)=J(x)t(x)+A(1-t(x))
式中,I(x)是雾天拍摄的图像,J(x)是清晰的图像,A是全局背景光,t(x)∈[0,1]为媒介透射率,媒介透射率表示为:
t(x)=exp(-βd(x)),
式中,β为大气衰减因子,d(x)为场景深度,采用深度学习技术结合雾图像先验信息相结合的方式进行估计,再根据成像模型采用反补偿技术恢复出清晰的图像。
进一步地具体步骤是,
1)先验信息是指像颜色衰减先验
亮度与饱和度强度的差值与媒介透射率呈现某种程度的反比关系,表示为:
式中,x为图像中的像素位置,c(x)为图像中雾的浓度,v(x)和s(x)分别为图像的亮度分量强度和饱和度分量强度,v(x)-s(x)称为颜色衰减先验;
2)端对端的卷积神经网络
设计3层的端对端的卷积神经网络,该网络对输入的先验图进行3层卷积处理,分别是块抽取与表示、非线性映射、重构,具体处理流程如下:
首先,对先验图进行密集抽取图像块,并且采用适当数目的滤波器代表图像块:
F1(P)=min(max(0,W1*P+B1),1),
式中,P为颜色衰减先验图,W1和B1分别是滤波器和偏差量,“*”表示卷积,这里,W1的大小为f1×f1×n1,f1为1个滤波器的大小,n1是滤波器的个数,B1是n1维的向量;
接下来,对第1层中每个图像块中n1维特征进行卷积处理,表示为:
F2(P)=min(max(0,W2*F1(P)+B2),1)
式中,W2包含n2个大小为n1×f2×f2的滤波器,B2为n2维的向量,
最后,对第2层非线性映射的结果进行重构,具体表示为:
F3(P)=W3*F2(P)+B3
式中,W3为包含1个大小为n2×f3×f3的滤波器,B3为1维向量,该3层卷积处理过程中,存在较多未知参数,表示为:
Θ={W1,W2,W3,B1,B2,B3}
为获得这些未知的滤波器参数,采用最小均方误差MSE作为损失函数,通过最小化训练颜色衰减先验图样本与对应的媒介透射率图真实结果之间的差距来获得上述未知的网络参数,其在当前未知参数Θ={W1,W2,W3,B1,B2,B3}的条件下,损失函数L(Θ)表示为:
式中,N为样本个数,ti第i个标签媒介透视率,第i个样本经过三层卷积处理的结果F(Pi;Θ)在当前未知参数Θ={W1,W2,W3,B1,B2,B3}条件下所估计的透射率大小,通过上述方式进行深度学习训练,获得自动映射雾图像颜色衰减图到媒介透射率图的卷积神经网络模型,当输入一副有雾图像的颜色衰减先验图输入到训练好的卷积神经网络,该网络直接输出其对应的媒介透射率图;
3)反演图像去雾
已知一副有雾图像I(x),首先计算其颜色衰减先验图,将其输入到已训练好的卷积神经网络模型,自动输出其对应的媒介透射率图t(x),计算有雾图像三个颜色信道RGB中局部最小值,获得对应的暗通道图,对暗通道图中的像素进行从大到小排序,获取排在前0.1%的像素点的位置。将有雾图像对应位置上的像素点的平均像素值作为本发明中的全局背景光值,最后,将已经获得的全局背景光A、媒介透射率图t(x)、有雾图像I(x)代入雾图像的成型模型,反演出清晰的图像J(x),具体表示为:
本发明的特点及有益效果是:
1)本发明首次将卷积神经网络与有雾图像的先验信息相结合进行图像去雾,相较以往单纯采用假设条件或者先验知识的方法相比,本发明的方法可以更加准确的估计有雾图像的媒介透射率,并且更加有效的去除雾对图像的影响;
2)本发明发明了通过直接映射有雾图像的颜色衰减先验图到对应的媒介透射率图,该方法与现有的基于学习的图像去雾方法相比,具有更快的训练速度;
3)本发明发明了一种基于卷积神经网络与图像先验信息的图像去雾方法,该方法与现有方法相比较,可以获得更好的去雾效果,具有应对挑战性有雾图像更好的鲁棒性,去雾后的图像更加真实自然。
附图说明:
图1给出了本发明图像去雾的流程框图;
图2给出了设计的端对端的卷积神经网络结构。
具体实施方式
本发明充分利用深度学习网络框架的学习能力和有雾图像先验信息的有效性,发明一种基于卷积神经网络和先验信息的图像去雾方法。雾天气的成像模型可以表示为:
I(x)=J(x)t(x)+A(1-t(x)),
式中,I(x)是雾天拍摄的图像,J(x)是清晰的图像,A是全局背景光,t(x)∈[0,1]为媒介透射率。媒介透射率是图像去雾的关键因素,并且其与拍摄场景的深度有关,可表示为:
t(x)=exp(-βd(x)),
式中,β为大气衰减因子,d(x)为场景深度。为了恢复出清晰的图像,准确的估计出图像的媒介透射率是至关重要的。本发明针对媒介透射率的准确估计展开研究,采用深度学习技术结合雾图像先验信息相结合的方式进行估计。最后,根据成像模型采用反补偿技术恢复出清晰的图像,具体技术方案详述如下:
1有雾图像颜色衰减先验
大量的统计实验发现,有雾图像的亮度强度和饱和度强度的差值与图像中雾的浓度呈正比。又因为媒介透射率与雾浓度成反比,因此亮度与饱和度强度的差值与媒介透射率呈现某种程度的反比关系,可以表示为:
式中,x为图像中的像素位置,t(x)为媒介透射率,c(x)为图像中雾的浓度,v(x)和s(x)分别为图像的亮度分量强度和饱和度分量强度,v(x)-s(x)称为颜色衰减先验。一副有雾图像,我们进行简单的运算就可以获得其颜色衰减先验。因为,我们希望通过卷积神经网络的学习能力,学习到颜色衰减先验和媒介透射率之间的数学表达关系。当输入一副有雾图像的颜色衰减先验图输入到训练好的卷积神经网络,该网络可以直接输出其对应的媒介透射率图。因此本发明还设计了一个具有较强学习能力的端对端的卷积神经网络。
2端对端的卷积神经网络
为了自动映射有雾图像的颜色衰减先验图到其对应的媒介透射率图,我们设计了一个3层的端对端的卷积神经网络,该网络对输入的先验图进行3层卷积处理,分别是块抽取与表示、非线性映射、重构,具体处理流程如下:
首先,对先验图进行密集抽取图像块,并且采用适当数目的滤波器代表图像块:
F1(P)=min(max(0,W1*P+B1),1),
式中,P为颜色衰减先验图,W1和B1分别是滤波器和偏差量,“*”表示卷积。这里,W1的大小为f1×f1×n1,f1为1个滤波器的大小,n1是滤波器的个数。B1是n1维的向量。
接下来,对第1层中每个图像块中n1维特征进行卷积处理,可表示为:
F2(P)=min(max(0,W2*F1(P)+B2),1),
式中,W2包含n2个大小为n1×f2×f2的滤波器,B2为n2维的向量。
最后,对第2层非线性映射的结果进行重构,具体可表示为:
F3(P)=W3*F2(P)+B3
式中,W3为包含1个大小为n2×f3×f3的滤波器,B3为1维向量。该3层卷积处理过程中,存在较多未知参数,可表示为:
Θ={W1,W2,W3,B1,B2,B3},
为获得这些未知的滤波器参数,本发明采用MSE(最小均方误差)作为损失函数,通过最小化训练样本(颜色衰减先验图)与真实结果(对应的媒介透射率图)之间的差距来获得上述未知的网络参数,其在当前未知参数Θ={W1,W2,W3,B1,B2,B3}的条件下,损失函数L(Θ)可表示为:
式中,N为样本个数,ti第i个标签媒介透视率,第i个样本经过三层卷积处理的结果F(Pi;Θ)在当前未知参数Θ={W1,W2,W3,B1,B2,B3}条件下所估计的透射率大小。通过上述方式进行训练,可以获得自动映射雾图像颜色衰减图到媒介透射率图的卷积神经网络模型。
3反演图像去雾
已知一副有雾图像I(x),首先计算其颜色衰减先验图,将其输入到已训练好的卷积神经网络模型,自动输出其对应的媒介透射率图t(x)。计算有雾图像三个颜色信道RGB中局部最小值,获得对应的暗通道图,对暗通道图中的像素进行从大到小排序,获取排在前0.1%的像素点的位置。将有雾图像对应位置上的像素点的平均像素值作为本发明中的全局背景光值。最后,将已经获得的全局背景光A、媒介透射率图t(x)、有雾图像I(x)代入雾图像的成型模型,反演出清晰的图像J(x),具体可以表示为:
下面结合算法流程框图对本发明进行详细的描述。
如图1所示,本发明提供一种结合卷积神经网络和有雾图像颜色衰减先验的图像去雾方法,其包括以下步骤:
步骤1:计算有雾图像的颜色衰减先验图
将有雾图像从RGB颜色空间转换到HSV颜色空间,其中v为亮度强度分量,s为饱和度强度分量,颜色衰减先验图P可以表示为:
P(x)=v(x)-s(x)。
步骤2:端对端的卷积神经网络预测媒介透射率图
如图2所示,本发明设计了一个3层的端对端卷积神经网络,该网络对输入的先验图进行3层卷积处理,分别是块抽取与表示、非线性映射、重构,具体处理流程如下:
首先,对先验图进行密集抽取图像块,并且采用适当数目的滤波器代表图像块:
F1(P)=min(max(0,W1*P+B1),1),
式中,P为颜色衰减先验图,W1和B1分别是滤波器和偏差量,“*”表示卷积。这里,W1的大小为f1×f1×n1,f1为1个滤波器的大小,n1是滤波器的个数。B1是n1维的向量。
接下来,对第1层中每个图像块中n1维特征进行卷积处理,可表示为:
F2(P)=min(max(0,W2*F1(P)+B2),1),
式中,W2包含n2个大小为n1×f2×f2的滤波器,B2为n2维的向量。
最后,对第2层非线性映射的结果进行重构,具体可表示为:
F3(P)=W3*F2(P)+B3
式中,W3为包含1个大小为n2×f3×f3的滤波器,B3为1维向量。该3层卷积处理过程中,存在较多未知参数,可表示为:
Θ={W1,W2,W3,B1,B2,B3},
为获得这些未知的滤波器参数,本发明采用MSE(最小均方误差)作为损失函数,通过最小化训练样本(颜色衰减先验图)与真实结果(对应的媒介透射率图)之间的差距来获得上述未知的网络参数,其在当前未知参数Θ={W1,W2,W3,B1,B2,B3}的条件下,损失函数L(Θ)可表示为:
式中,N为样本个数,ti第i个标签媒介透视率,第i个样本经过三层卷积处理的结果F(Pi;Θ)在当前未知参数Θ={W1,W2,W3,B1,B2,B3}条件下所估计的透射率大小。通过上述方式进行训练,可以获得自动映射雾图像颜色衰减图到媒介透射率图的卷积神经网络模型。为了训练该网络,本发明从网络上收集了143104个大小为33×33的图像块,并采用这些收集的图像,并依据有雾天气成像模型合成有雾图像块作为训练样本。该网络采用的滤波器个数和大小设置如下f1=9,f2=1,f3=5,n1=64,n2=32。
步骤3:反演图像去雾
已知一副有雾图像I(x),首先计算其颜色衰减先验图,将其输入到已训练好的卷积神经网络模型,自动输出其对应的媒介透射率图t(x)。计算有雾图像三个颜色信道RGB中局部最小值,获得对应的暗通道图,对暗通道图中的像素进行从大到小排序,获取排在前0.1%的像素点的位置。将有雾图像对应位置上的像素点的平均像素值作为本发明中的全局背景光值。最后,将已经获得的全局背景光A、媒介透射率图t(x)、有雾图像I(x)代入雾图像的成型模型,反演出清晰的图像J(x),具体可以表示为:
Claims (2)
1.一种基于卷积神经网络和先验信息的图像去雾方法,其特征是,雾天气的成像模型表示为:
I(x)=J(x)t(x)+A(1-t(x))
式中,I(x)是雾天拍摄的图像,J(x)是清晰的图像,A是全局背景光,t(x)∈[0,1]为媒介透射率,媒介透射率表示为:
t(x)=exp(-βd(x))
式中,β为大气衰减因子,d(x)为场景深度,采用深度学习技术结合雾图像先验信息相结合的方式进行估计,再根据成像模型采用反补偿技术恢复出清晰的图像。
2.如权利要求1所述的基于卷积神经网络和先验信息的图像去雾方法,其特征是,进一步地具体步骤是,
1)先验信息是指像颜色衰减先验
亮度与饱和度强度的差值与媒介透射率呈现某种程度的反比关系,表示为:
式中,x为图像中的像素位置,c(x)为图像中雾的浓度,v(x)和s(x)分别为图像的亮度分量强度和饱和度分量强度,v(x)-s(x)称为颜色衰减先验;
2)端对端的卷积神经网络
设计3层的端对端的卷积神经网络,该网络对输入的先验图进行3层卷积处理,分别是块抽取与表示、非线性映射、重构,具体处理流程如下:
首先,对先验图进行密集抽取图像块,并且采用适当数目的滤波器代表图像块:
F1(P)=min(max(0,W1*P+B1),1),
式中,P为颜色衰减先验图,W1和B1分别是滤波器和偏差量,“*”表示卷积,这里,W1的大小为f1×f1×n1,f1为1个滤波器的大小,n1是滤波器的个数,B1是n1维的向量;
接下来,对第1层中每个图像块中n1维特征进行卷积处理,表示为:
F2(P)=min(max(0,W2*F1(P)+B2),1)
式中,W2包含n2个大小为n1×f2×f2的滤波器,B2为n2维的向量,
最后,对第2层非线性映射的结果进行重构,具体表示为:
F3(P)=W3*F2(P)+B3.
式中,W3为包含1个大小为n2×f3×f3的滤波器,B3为1维向量,该3层卷积处理过程中,存在较多未知参数,表示为:
Θ={W1,W2,W3,B1,B2,B3}
为获得这些未知的滤波器参数,采用最小均方误差MSE作为损失函数,通过最小化训练颜色衰减先验图样本与对应的媒介透射率图真实结果之间的差距来获得上述未知的网络参数,其在当前未知参数Θ={W1,W2,W3,B1,B2,B3}的条件下,损失函数L(Θ)表示为:
式中,N为样本个数,ti第i个标签媒介透视率,第i个样本经过三层卷积处理的结果F(Pi;Θ)在当前未知参数Θ={W1,W2,W3,B1,B2,B3}条件下所估计的透射率大小,通过上述方式进行深度学习训练,获得自动映射雾图像颜色衰减图到媒介透射率图的卷积神经网络模型,当输入一副有雾图像的颜色衰减先验图输入到训练好的卷积神经网络,该网络直接输出其对应的媒介透射率图;
3)反演图像去雾
已知一副有雾图像I(x),首先计算其颜色衰减先验图,将其输入到已训练好的卷积神经网络模型,自动输出其对应的媒介透射率图t(x),计算有雾图像三个颜色信道RGB中局部最小值,获得对应的暗通道图,对暗通道图中的像素进行从大到小排序,获取排在前0.1%的像素点的位置。将有雾图像对应位置上的像素点的平均像素值作为本发明中的全局背景光值,最后,将已经获得的全局背景光A、媒介透射率图t(x)、有雾图像I(x)代入雾图像的成型模型,反演出清晰的图像J(x),具体表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611028224.9A CN106780356B (zh) | 2016-11-15 | 2016-11-15 | 基于卷积神经网络和先验信息的图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611028224.9A CN106780356B (zh) | 2016-11-15 | 2016-11-15 | 基于卷积神经网络和先验信息的图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106780356A true CN106780356A (zh) | 2017-05-31 |
CN106780356B CN106780356B (zh) | 2020-04-28 |
Family
ID=58971274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611028224.9A Expired - Fee Related CN106780356B (zh) | 2016-11-15 | 2016-11-15 | 基于卷积神经网络和先验信息的图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780356B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
CN107292837A (zh) * | 2017-06-05 | 2017-10-24 | 天津大学 | 基于误差补偿的图像去雾算法 |
CN107301625A (zh) * | 2017-06-05 | 2017-10-27 | 天津大学 | 基于亮度融合网络的图像去雾算法 |
CN107316286A (zh) * | 2017-07-07 | 2017-11-03 | 北京邮电大学 | 一种图像中雨雾同步合成、去除的方法和装置 |
CN107451967A (zh) * | 2017-07-25 | 2017-12-08 | 北京大学深圳研究生院 | 一种基于深度学习的单幅图像去雾方法 |
CN107705262A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于混合先验学习模型的去雾方法 |
CN107767354A (zh) * | 2017-12-08 | 2018-03-06 | 福州大学 | 一种基于暗原色先验的图像去雾算法 |
CN107967671A (zh) * | 2017-10-30 | 2018-04-27 | 大连理工大学 | 结合数据学习和物理先验的图像去雾方法 |
CN108269244A (zh) * | 2018-01-24 | 2018-07-10 | 东北大学 | 一种基于深度学习和先验约束的图像去雾系统 |
CN108564535A (zh) * | 2017-12-15 | 2018-09-21 | 四川大学 | 一种基于深度学习的图像去雾方法 |
CN109146810A (zh) * | 2018-08-08 | 2019-01-04 | 国网浙江省电力有限公司信息通信分公司 | 一种基于端到端深度学习的图像去雾方法 |
CN109712098A (zh) * | 2019-01-08 | 2019-05-03 | 重庆邮电大学 | 一种基于统计推理的图像修复方法 |
CN110363727A (zh) * | 2019-07-24 | 2019-10-22 | 中国人民解放军火箭军工程大学 | 基于多尺度暗通道先验级联深度神经网络的图像去雾方法 |
CN110738623A (zh) * | 2019-10-18 | 2020-01-31 | 电子科技大学 | 一种基于透射谱指导的多级对比度拉伸去雾方法 |
CN110838092A (zh) * | 2019-10-28 | 2020-02-25 | 天津大学 | 一种基于卷积神经网络的水下图像复原方法 |
CN111928799A (zh) * | 2020-09-25 | 2020-11-13 | 南京理工大学 | 基于深度学习实现条纹图像对比度增强的三维测量方法 |
CN112750093A (zh) * | 2021-01-25 | 2021-05-04 | 中国人民解放军火箭军工程大学 | 一种基于时序标签传递的视频图像去雾方法 |
CN112907456A (zh) * | 2019-12-04 | 2021-06-04 | 四川大学 | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 |
CN113052778A (zh) * | 2021-04-16 | 2021-06-29 | 哈尔滨理工大学 | 基于hsv色彩空间分离的图像去雾方法 |
CN114248893A (zh) * | 2022-02-28 | 2022-03-29 | 中国农业大学 | 一种面向海参捕捞的作业型水下机器人及其控制方法 |
CN114648467A (zh) * | 2022-05-18 | 2022-06-21 | 中山大学深圳研究院 | 图像的去雾方法、装置、终端设备及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091310A (zh) * | 2014-06-24 | 2014-10-08 | 三星电子(中国)研发中心 | 一种图像去雾方法和装置 |
CN104217404A (zh) * | 2014-08-27 | 2014-12-17 | 华南农业大学 | 雾霾天视频图像清晰化处理方法及其装置 |
CN105574827A (zh) * | 2015-12-17 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种图像去雾的方法、装置 |
-
2016
- 2016-11-15 CN CN201611028224.9A patent/CN106780356B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091310A (zh) * | 2014-06-24 | 2014-10-08 | 三星电子(中国)研发中心 | 一种图像去雾方法和装置 |
CN104217404A (zh) * | 2014-08-27 | 2014-12-17 | 华南农业大学 | 雾霾天视频图像清晰化处理方法及其装置 |
CN105574827A (zh) * | 2015-12-17 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种图像去雾的方法、装置 |
Non-Patent Citations (2)
Title |
---|
BOLUN CAI: ""DehazeNet: An End-to-End System for Single Image Haze Removal"", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
冯超: ""雾霾天气下交通限速标志识别技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292837A (zh) * | 2017-06-05 | 2017-10-24 | 天津大学 | 基于误差补偿的图像去雾算法 |
CN107301625A (zh) * | 2017-06-05 | 2017-10-27 | 天津大学 | 基于亮度融合网络的图像去雾算法 |
CN107301625B (zh) * | 2017-06-05 | 2021-06-01 | 天津大学 | 基于亮度融合网络的图像去雾方法 |
CN107256541B (zh) * | 2017-06-15 | 2020-01-24 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
CN107316286A (zh) * | 2017-07-07 | 2017-11-03 | 北京邮电大学 | 一种图像中雨雾同步合成、去除的方法和装置 |
CN107316286B (zh) * | 2017-07-07 | 2020-05-22 | 北京邮电大学 | 一种图像中雨雾同步合成、去除的方法和装置 |
CN107451967A (zh) * | 2017-07-25 | 2017-12-08 | 北京大学深圳研究生院 | 一种基于深度学习的单幅图像去雾方法 |
CN107451967B (zh) * | 2017-07-25 | 2020-06-26 | 北京大学深圳研究生院 | 一种基于深度学习的单幅图像去雾方法 |
CN107705262A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于混合先验学习模型的去雾方法 |
CN107967671A (zh) * | 2017-10-30 | 2018-04-27 | 大连理工大学 | 结合数据学习和物理先验的图像去雾方法 |
CN107967671B (zh) * | 2017-10-30 | 2021-05-18 | 大连理工大学 | 结合数据学习和物理先验的图像去雾方法 |
CN107767354A (zh) * | 2017-12-08 | 2018-03-06 | 福州大学 | 一种基于暗原色先验的图像去雾算法 |
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 |
CN108564535A (zh) * | 2017-12-15 | 2018-09-21 | 四川大学 | 一种基于深度学习的图像去雾方法 |
CN108269244A (zh) * | 2018-01-24 | 2018-07-10 | 东北大学 | 一种基于深度学习和先验约束的图像去雾系统 |
CN108269244B (zh) * | 2018-01-24 | 2021-07-06 | 东北大学 | 一种基于深度学习和先验约束的图像去雾系统 |
CN109146810A (zh) * | 2018-08-08 | 2019-01-04 | 国网浙江省电力有限公司信息通信分公司 | 一种基于端到端深度学习的图像去雾方法 |
CN109712098A (zh) * | 2019-01-08 | 2019-05-03 | 重庆邮电大学 | 一种基于统计推理的图像修复方法 |
CN110363727B (zh) * | 2019-07-24 | 2020-06-12 | 中国人民解放军火箭军工程大学 | 基于多尺度暗通道先验级联深度神经网络的图像去雾方法 |
CN110363727A (zh) * | 2019-07-24 | 2019-10-22 | 中国人民解放军火箭军工程大学 | 基于多尺度暗通道先验级联深度神经网络的图像去雾方法 |
CN110738623A (zh) * | 2019-10-18 | 2020-01-31 | 电子科技大学 | 一种基于透射谱指导的多级对比度拉伸去雾方法 |
CN110838092A (zh) * | 2019-10-28 | 2020-02-25 | 天津大学 | 一种基于卷积神经网络的水下图像复原方法 |
CN110838092B (zh) * | 2019-10-28 | 2023-05-19 | 天津大学 | 一种基于卷积神经网络的水下图像复原方法 |
CN112907456A (zh) * | 2019-12-04 | 2021-06-04 | 四川大学 | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 |
CN112907456B (zh) * | 2019-12-04 | 2022-06-10 | 四川大学 | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 |
CN111928799A (zh) * | 2020-09-25 | 2020-11-13 | 南京理工大学 | 基于深度学习实现条纹图像对比度增强的三维测量方法 |
CN112750093B (zh) * | 2021-01-25 | 2021-10-22 | 中国人民解放军火箭军工程大学 | 一种基于时序标签传递的视频图像去雾方法 |
CN112750093A (zh) * | 2021-01-25 | 2021-05-04 | 中国人民解放军火箭军工程大学 | 一种基于时序标签传递的视频图像去雾方法 |
CN113052778A (zh) * | 2021-04-16 | 2021-06-29 | 哈尔滨理工大学 | 基于hsv色彩空间分离的图像去雾方法 |
CN114248893A (zh) * | 2022-02-28 | 2022-03-29 | 中国农业大学 | 一种面向海参捕捞的作业型水下机器人及其控制方法 |
CN114648467A (zh) * | 2022-05-18 | 2022-06-21 | 中山大学深圳研究院 | 图像的去雾方法、装置、终端设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106780356B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780356A (zh) | 基于卷积神经网络和先验信息的图像去雾方法 | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
Li et al. | A cascaded convolutional neural network for single image dehazing | |
CN108230264A (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
CN105354806B (zh) | 基于暗通道的快速去雾方法及系统 | |
CN103761720B (zh) | 图像去雾方法以及图像去雾装置 | |
CN109472818A (zh) | 一种基于深度神经网络的图像去雾方法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN108269244B (zh) | 一种基于深度学习和先验约束的图像去雾系统 | |
CN112365414B (zh) | 一种基于双路残差卷积神经网络的图像去雾方法 | |
CN103049888A (zh) | 基于暗原色结合大气散射光的图像/视频去雾方法 | |
CN109215053B (zh) | 一种无人机航拍视频中含暂停状态的运动车辆检测方法 | |
CN105976337B (zh) | 一种基于中值引导滤波的图像去雾方法 | |
CN103914820B (zh) | 一种基于图像分层增强的图像去雾方法及系统 | |
CN107958465A (zh) | 一种基于深度卷积神经网络的单幅图像去雾方法 | |
CN105446333B (zh) | 视觉agv导航系统 | |
CN107578386A (zh) | 一种无人机拍摄图像的优化去雾处理方法 | |
CN103996178A (zh) | 一种沙尘天气彩色图像增强方法 | |
CN112200746B (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
CN105701783A (zh) | 一种基于环境光模型的单幅图像去雾方法及装置 | |
CN107360344A (zh) | 监控视频快速去雾方法 | |
CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
CN104717400A (zh) | 一种监控视频的实时去雾方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20200428 |