CN106910175B - 一种基于深度学习的单幅图像去雾算法 - Google Patents
一种基于深度学习的单幅图像去雾算法 Download PDFInfo
- Publication number
- CN106910175B CN106910175B CN201710113254.8A CN201710113254A CN106910175B CN 106910175 B CN106910175 B CN 106910175B CN 201710113254 A CN201710113254 A CN 201710113254A CN 106910175 B CN106910175 B CN 106910175B
- Authority
- CN
- China
- Prior art keywords
- fog
- image
- training
- network
- free
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G06T5/73—
Abstract
本发明涉及一种基于深度学习的单幅图像去雾算法。首先获取大量明亮且无雾图像作为训练样本中的无雾图像集，利用模拟软件对其施加不同浓度的雾干扰，生成有雾图像集；将无雾图像集和有雾图像集转换成HDF5格式，得到训练样本和测试样本；将训练样本和测试样本输入设置好参数的深度卷积网络，训练该深度卷积网络，直至代价损失小到一定程度且达到最大迭代次数，得到训练好的模型。最后将有雾图像输入训练好的模型，直接恢复出无雾图像。本发明提供了一种端到端的，能够直接从有雾图像恢复出无雾图像的卷积神经网络，省去了中间参数的估计；同时，避免了有雾图像中平坦区域的色彩失真，能够有效处理自然和人工合成的有雾图像，获得更好的效果。
Description
技术领域
本发明涉及卷积神经网络和图像去雾技术，特别涉及基于卷积神经网络的，端到端的单幅图像去雾方法。
背景技术
雾和霾是陆地和海洋上的常见现象。在有雾和朦胧的天气中，存在许多具有显着尺寸的大气颗粒。它们不仅吸收和散射场景的反射光，而且还将一些大气光散射到相机。因此，由照相机获取的图像劣化，并且通常具有低对比度和差的可见性。这将严重地影响视觉系统，尤其是可见光视觉系统。由于图像的劣化，图像的目标和障碍难以检测。这对于自动视频处理是不利的，例如特征提取，目标跟踪和对象的识别。这也是空中，海上和路上发生事故的主要原因之一。因此，重要的是设计一个图像去雾算法，以提高视觉系统的环境适应性。
随着计算机技术的发展，视频和图像去雾算法受到了广泛的关注，并广泛应用于民用和军事领域，如遥感，目标检测和交通监控。
目前，图像去雾算法主要可以分为三类：第一类是基于图像增强，并且不考虑有雾条件的物理成像模型。它试图使用各种图像增强方法来增强雾图像的对比度和可见性。该类方法能有效地增强图像对比度，凸显细节，使图像有更好的可视化效果。但这类方法并未从根本上去除雾气，而且会丢失图像的某些信息特征。第二类是基于物理模型的图像复原。图像复原方法基于在模糊条件下的图像的劣化原因来建立大气散射的物理模型。这类算法需要估计物理参数模型，如大气光照强度和透射率(深度)。然后逆解该物理模型来获得无雾图像。图像复原算法的目的以获得具有良好可见性同时保持良好的颜色恢复性能的自然清晰的图像，但处理范围有限。近年来，随着深度学习的不断发展，越来越多的被用于图像处理领域，且获得了较好的效果。因此，基于学习的去雾算法可以被认为是第三类去雾算法。现有基于学习的图像去雾算法，有雾图像大都是通过深度图经由大气散射模型，随机设置参数人工合成；学习网络输入有雾图像，输出有雾图像透射率，然后再经过逆推计算出无雾图像；
卷积神经网络不仅能有效较少网络的训练参数，使得神经网络简单化，而且具有很强的适应性。
发明内容
基于图像复原算法虽然去雾效果相对较好，但由于简化的物理模型是基于大气是单散射且介质均匀的条件下，不具有普适性，如海雾或不均匀雾或平坦区域。而现有基于学习的去雾算法大都是输入有雾图像，输出透射率，还需后处理。针对上述问题，本发明的目的是提出一种基于深度学习且端到端的图像去雾算法。
为实现上述目的，本发明采取以下技术方案：
一种基于深度学习的单幅图像去雾算法，其特征在于，具体包括如下步骤：
步骤1、获取Middlebury Stereo Datasets以及在网上下载明亮的且无雾的图像作为训练样本中的无雾图像集；
步骤2、对无雾图像集利用Adobe lightroom CC方法人工加雾，并对无雾图像集添加了不同浓度的雾，得到有雾图像集；将有雾图像集和无雾图像集转换成HDF5的数据格式，生成训练样本和测试样本，便于训练，具体包括：
步骤2.1、基于lightroom CC方法的dehaze功能人工的为步骤1中的无雾图像集加雾，为了能够适应不同天气条件下的雾浓度，学习到不同雾浓度图像的特征，对无雾图像集合成了浓度分别为10,20,30,40,50,60,70,80,90,100的雾，得到有雾图像集；
步骤2.2、挑选有雾图像和无雾图像1450对作为训练样本，剩余302对作为测试样本；
步骤2.3、将训练样本和测试样本分别裁剪成29*29和25*25的图像块，
步骤2.4、再将训练样本和测试样本的图像块转换为HDF5格式作为网络输入；
步骤3、将HDF5格式的训练样本和测试样本输入至卷积神经网络，具体包括：
步骤3.1、进行特征提取：由一层卷积网络构成，包含56个5*5的高斯滤波器。输入的每一个有雾图像块与所有滤波器进行卷积，每一个输入图像块被一个高维特征向量所代表；
步骤3.2、进行维度收缩：由一层卷积网络构成，包含12个1*1的高斯滤波器。由于第一层得到的高维特征向量维度非常高，会导致下一层的计算复杂度大，考虑到这，维度收缩层用来降低特征向量维度；
步骤3.3、进行非线性映射：由六层卷积网络构成，每一层都包含12个3*3的高斯滤波器。该部分滤波器的个数和网络的层数都是影响最后效果的重要因素。
步骤3.4、进行维度扩展：由一层网络构成，包含56个1*1的高斯滤波器。该部分可以看做是第二部分的逆过程，第二部分维度收缩是为了降低计算复杂度，如果我们直接从这些低维度的特征向量中恢复出无雾图像，效果不好，所以这一部分将低维度特征向量扩展到高维度，保存细节特征。
步骤3.5、进行反卷积：由一层网络构成，包含3个5*5的高斯滤波器。该部分主要利用一组反卷积高斯滤波器来聚合先前的特征向量，恢复出无雾图像。
步骤3.6、每一个卷积网络层后面都会跟着一个激活函数层，这里我们选用参数修正线性单元PReLU(Parametric Rectified Linear Uint)。
激活函数可以被定义为f(xi)＝max(xi,0)+ai·min(0,xi)。
步骤4、设置好网络的学习率和动量参数，利用caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型；
步骤5、将有雾图像输入至训练好的模型中，输出无雾图像。
在上述的一种基于深度学习的单幅图像去雾算法，步骤4所述的训练过程为：
步骤4.1、网络结构确定以后，将训练样本和测试样本输入网络；
步骤4.2、因为输入有雾图像和输出无雾图像都是彩色的，三个通道同时做比较，loss比单个通道比较要大三倍，所以讲学习率设置的相对较小0.00005，防止不收敛，设置每十万次迭代，学习率变为原来的0.8倍；动量参数设置为0.9。最大迭代次数设置为100万次；
步骤4.3、进行训练，得到无雾图像和有雾图像之间的映射关系。
本发明由于采取以上技术方案，与现有技术相比，其具有以下优点：(1)与基于物理模型的图像复原算法相比，特别是经典的暗通道先验，本发明利用样本的多样性以及网络结构的普适性，对介质不均匀以及雾图像中的平坦区域都具有较好效果，避免了色彩失真。(2)与现有基于学习的去雾算法相比，本发明的网络结构是一种端到端的，即输入有雾图像，输出直接为无雾图像，避免了后续处理，简化了处理流程。
附图说明
图1是本发明图像去雾算法实施例的整体流程图。
图2是本发明图像去雾算法实施例中，卷积神经网络的结构示意图。
图3(a)是本发明实施例中的有雾图像一。
图3(b)是将图3(a)利用本发明图像去雾算法进行去雾后效果图。
图3(c)是本发明实施例中的有雾图像一。
图3(d)是将图3(c)利用本发明图像去雾算法进行去雾后效果图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述，但本发明要求保护的范围并不局限于实施方式表述的范围。
本发明的算法流程示意图如图1所示，具体包含以下步骤：
步骤(1)获取Middlebury Stereo Datasets以及在网上下载明亮的且无雾的图像作为训练样本中的无雾图像集；
步骤(2)自然场景中，由于很难获取同一场景不同天气条件下的有雾和无雾图像对，所以有雾图像集都是利用无雾图像集经Adobe lightroom CC软件合成的，为了保证算法对含有不同浓度的雾图像能有好的效果，我们对无雾图像集添加了不同浓度的雾，得到有雾图像集；
训练样本达到1450对有雾图像和无雾图像，测试样本有302对有雾图像和无雾图像；
0046将训练样本和测试样本分别裁剪成29*29和25*25的图像块，
将训练样本和测试样本的图像块转换成HDF5的数据格式，便于训练；
步骤(3)将HDF5格式的训练样本和测试样本的R,G,B三通道图像同时输入至卷积神经网络，本算法卷积神经网络的结构如图2所示；
步骤(4)设置好网络的学习率和动量参数，利用caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型；
步骤(5)将有雾图像输入至训练好的模型中，输出无雾图像；
上述去雾算法中，步骤(2)所述的对无雾图像集进行软件加雾生成训练样本和测试样本通过如下步骤实现：
(2.1)步骤(1)中的无雾图像集包含了室内室外各种场景，由于现实中很难获得同一场景不同天气条件下的图像对，且现在基于学习的图像去雾算法大都是通过深度图经由大气散射模型，随机设置参数人工合成；
大气散射模型公式为I＝J·t+A(1-t)；
网络输入有雾图像，输出有雾图像透射率，然后再经过逆推计算出无雾图像，即
(2.2)为了能够简化此过程，使得本方法能够直接经过网络得到无雾图像。所以就利用Adobe公司的lightroom CC软件的dehaze功能人工的为步骤(1)中的无雾图像集加雾，为了能够适应不同天气条件下的雾浓度，学习到不同雾浓度图像的特征，对无雾图像集合成了浓度分别为10,20,30,40,50,60,70,80,90,100的有雾图像集；
(2.3)挑选有雾图像和无雾图像1450对作为训练样本，剩余302对作为测试样本；
(2.4)再将训练样本和测试样本转换为HDF5格式作为网络输入；
去雾算法中，步骤(3)所述的卷积神经网络结构包括五个部分共十层网络，具体为：
(3.1)第一部分：特征提取。该部分由一层卷积网络构成，包含56个5*5的高斯滤波器，pad设置为0。输入的每一个有雾图像块与所有滤波器进行卷积，每一个输入图像块被一个高维特征向量所代表；
(3.2)第二部分：维度收缩。该部分由一层卷积网络构成，包含12个1*1的高斯滤波器，pad设置为0。由于第一层得到的高维特征向量维度非常高，会导致下一层的计算复杂度大，考虑到这，维度收缩层用来降低特征向量维度；
(3.3)第三部分：非线性映射。该部分由六层卷积网络构成，每一层都包含12个3*3的高斯滤波器，pad设置为1。该部分滤波器的个数和网络的层数都是影响最后效果的重要因素。
(3.4)第四部分：维度扩展。该部分由一层网络构成，包含56个1*1的高斯滤波器，pad设置为0。该部分可以看做是第二部分的逆过程，第二部分维度收缩是为了降低计算复杂度，如果我们直接从这些低维度的特征向量中恢复出无雾图像，效果不好，所以这一部分将低维度特征向量扩展到高维度，保存细节特征。
(3.5)第五部分：反卷积。该部分由一层网络构成，因为输出也要是财社图像，所以用3个5*5的高斯滤波器，pad设置为2。该部分主要利用一组反卷积高斯滤波器来聚合先前的特征向量，恢复出无雾图像。
(3.6)每一个卷积网络层后面都会跟着一个激活函数层，这里我们选用参数修正线性单元PReLU(Parametric Rectified Linear Uint)。
激活函数可以被定义为f(xi)＝max(xi,0)+ai·min(0,xi)。
上述去雾算法中，步骤(4)所述的训练过程为：
(4.1)网络结构确定以后，将训练样本和测试样本输入上述卷积神经网络；
(4.2)因为输入有雾图像和输出无雾图像都是彩色的，三个通道同时做比较，loss比单个通道比较要大三倍，所以讲学习率设置的相对较小0.00005，防止不收敛，设置每十万次迭代，学习率变为原来的0.8倍；动量参数设置为0.9。最大迭代次数设置为100万次；
(4.3)进行训练，得到无雾图像和有雾图像之间的映射关系；
图3(a)(c)为有雾图像，(b)(d)为利用本算法去雾后的图像；
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (2)
1.一种基于深度学习的单幅图像去雾算法，其特征在于，具体包括如下步骤：
步骤1、获取Middlebury Stereo Datasets以及在网上下载明亮的且无雾的图像作为训练样本中的无雾图像集；
步骤2、对无雾图像集利用Adobe lightroom CC方法人工加雾，并对无雾图像集添加了不同浓度的雾，得到有雾图像集；将有雾图像集和无雾图像集转换成HDF5的数据格式，生成训练样本和测试样本，便于训练，具体包括：
步骤2.1、基于lightroom CC方法的dehaze功能人工的为步骤1中的无雾图像集加雾，为了能够适应不同天气条件下的雾浓度，学习到不同雾浓度图像的特征，对无雾图像集合成了浓度分别为10,20,30,40,50,60,70,80,90,100的雾，得到有雾图像集；
步骤2.2、挑选有雾图像和无雾图像1450对作为训练样本，剩余302对作为测试样本；
步骤2.3、将训练样本和测试样本分别裁剪成29*29和25*25的图像块，
步骤2.4、再将训练样本和测试样本的图像块转换为HDF5格式作为网络输入；
步骤3、将HDF5格式的训练样本和测试样本输入至卷积神经网络，具体包括：
步骤3.1、进行特征提取：由一层卷积网络构成，包含56个5*5的高斯滤波器；输入的每一个有雾图像块与所有滤波器进行卷积，每一个输入图像块被一个高维特征向量所代表；
步骤3.2、进行维度收缩：由一层卷积网络构成，包含12个1*1的高斯滤波器；维度收缩层用来降低特征向量维度；
步骤3.3、进行非线性映射：由六层卷积网络构成，每一层都包含12个3*3的高斯滤波器；该部分滤波器的个数和网络的层数都是影响最后效果的重要因素；
步骤3.4、进行维度扩展：由一层网络构成，包含56个1*1的高斯滤波器；该部分可以看做是第二部分的逆过程，这一部分将低维度特征向量扩展到高维度，保存细节特征；
步骤3.5、进行反卷积：由一层网络构成，包含3个5*5的高斯滤波器；该部分主要利用一组反卷积高斯滤波器来聚合先前的特征向量，恢复出无雾图像；
步骤3.6、每一个卷积网络层后面都会跟着一个激活函数层，这里我们选用参数修正线性单元PReLU(Parametric Rectified Linear Uint)；
激活函数可以被定义为f(xi)＝max(xi,0)+ai·min(0,xi)；
步骤4、设置好网络的学习率和动量参数，利用caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型；
步骤5、将有雾图像输入至训练好的模型中，输出无雾图像。
2.根据权利要求1所述的一种基于深度学习的单幅图像去雾算法，其特征在于，步骤4所述的训练过程为：
步骤4.1、网络结构确定以后，将训练样本和测试样本输入网络；
步骤4.2、因为输入有雾图像和输出无雾图像都是彩色的，三个通道同时做比较，loss比单个通道比较要大三倍，所以将学习率设置的相对较小0.00005，防止不收敛，设置每十万次迭代，学习率变为原来的0.8倍；动量参数设置为0.9；最大迭代次数设置为100万次；
步骤4.3、进行训练，得到无雾图像和有雾图像之间的映射关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710113254.8A CN106910175B (zh) | 2017-02-28 | 2017-02-28 | 一种基于深度学习的单幅图像去雾算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710113254.8A CN106910175B (zh) | 2017-02-28 | 2017-02-28 | 一种基于深度学习的单幅图像去雾算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106910175A CN106910175A (zh) | 2017-06-30 |
| CN106910175B true CN106910175B (zh) | 2020-01-24 |
Family
ID=59208406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710113254.8A Active CN106910175B (zh) | 2017-02-28 | 2017-02-28 | 一种基于深度学习的单幅图像去雾算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106910175B (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107481209B (zh) * | 2017-08-21 | 2020-04-21 | 北京航空航天大学 | 一种基于卷积神经网络的图像或视频质量增强方法 |
| CN107730469A (zh) * | 2017-10-17 | 2018-02-23 | 长沙全度影像科技有限公司 | 一种基于卷积神经网络cnn的三片简单透镜图像复原方法 |
| CN107833186A (zh) * | 2017-10-26 | 2018-03-23 | 长沙全度影像科技有限公司 | 一种基于Encoder‑Decoder深度学习模型的单透镜空间变化图像复原方法 |
| 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 |
| CN107833193A (zh) * | 2017-11-20 | 2018-03-23 | 长沙全度影像科技有限公司 | 一种基于refinement‑network深度学习模型的单透镜全局图像复原方法 |
| CN107798669B (zh) * | 2017-12-08 | 2021-12-21 | 北京小米移动软件有限公司 | 图像去雾方法、装置及计算机可读存储介质 |
| CN108230264B (zh) * | 2017-12-11 | 2020-05-15 | 华南农业大学 | 一种基于ResNet神经网络的单幅图像去雾方法 |
| 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 |
| CN108022222A (zh) * | 2017-12-15 | 2018-05-11 | 西北工业大学 | 一种基于卷积-反卷积网络的遥感图像薄云去除方法 |
| CN108171672B (zh) * | 2018-01-10 | 2019-06-21 | 西北工业大学 | 基于红通道和全卷积神经网络的水下光学智能感知方法 |
| 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 |
| CN108652675A (zh) * | 2018-02-11 | 2018-10-16 | 江苏金羿智芯科技有限公司 | 一种基于人工智能的内窥镜图像去雾系统 |
| CN108510454A (zh) * | 2018-03-21 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 用于生成深度图像的方法和装置 |
| CN108876728B (zh) * | 2018-04-20 | 2021-12-10 | 南京理工大学 | 基于残差学习的单幅图像去雾方法 |
| CN108665432A (zh) * | 2018-05-18 | 2018-10-16 | 百年金海科技有限公司 | 一种基于生成对抗网络的单幅图像去雾方法 |
| CN109509156B (zh) * | 2018-10-31 | 2021-02-05 | 聚时科技(上海)有限公司 | 一种基于生成对抗模型的图像去雾处理方法 |
| CN109410144B (zh) * | 2018-10-31 | 2020-11-27 | 聚时科技(上海)有限公司 | 一种基于深度学习的端到端图像去雾处理方法 |
| CN109903232A (zh) * | 2018-12-20 | 2019-06-18 | 江南大学 | 一种基于卷积神经网络的图像去雾方法 |
| CN109584196A (zh) * | 2018-12-20 | 2019-04-05 | 北京达佳互联信息技术有限公司 | 数据集生成方法、装置、电子设备及存储介质 |
| CN109859152B (zh) * | 2018-12-25 | 2021-05-25 | 北京奇艺世纪科技有限公司 | 模型生成方法、图像增强方法、装置及计算机可读存储介质 |
| CN109584188B (zh) * | 2019-01-15 | 2022-11-11 | 东北大学 | 一种基于卷积神经网络的图像去雾方法 |
| CN110189262B (zh) * | 2019-04-29 | 2023-03-24 | 复旦大学 | 基于神经网络以及直方图匹配的图像去雾方法 |
| CN110930322B (zh) * | 2019-11-06 | 2021-11-30 | 天津大学 | 图像分块与卷积网络相结合估计透射图图像去雾方法 |
| CN111192219B (zh) * | 2020-01-02 | 2022-07-26 | 南京邮电大学 | 一种基于改进的逆大气散射模型卷积网络的图像去雾方法 |
| CN112488943B (zh) * | 2020-12-02 | 2024-02-02 | 北京字跳网络技术有限公司 | 模型训练和图像去雾方法、装置、设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120079564A (ko) * | 2011-01-05 | 2012-07-13 | 중앙대학교 산학협력단 | 에지 정보 및 톤 매핑을 기반으로 한 영상의 안개제거 장치 및 방법 |
| 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 |
| CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
-
2017
- 2017-02-28 CN CN201710113254.8A patent/CN106910175B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120079564A (ko) * | 2011-01-05 | 2012-07-13 | 중앙대학교 산학협력단 | 에지 정보 및 톤 매핑을 기반으로 한 영상의 안개제거 장치 및 방법 |
| 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 |
| CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
Non-Patent Citations (1)
| Title |
|---|
| "特征学习的单幅图像去雾算法";麦嘉铭 等;《中国图象图形学报》;20161231;第464-474页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106910175A (zh) | 2017-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106910175B (zh) | 一种基于深度学习的单幅图像去雾算法 | |
| CN109712083B (zh) | 一种基于卷积神经网络的单幅图像去雾方法 | |
| Negru et al. | Exponential contrast restoration in fog conditions for driving assistance | |
| Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
| Yin et al. | Color transferred convolutional neural networks for image dehazing | |
| CN109584188B (zh) | 一种基于卷积神经网络的图像去雾方法 | |
| 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 | |
| CN108269244B (zh) | 一种基于深度学习和先验约束的图像去雾系统 | |
| CN112837233B (zh) | 一种基于差分偏振获取透射率的偏振图像去雾方法 | |
| CN109993804A (zh) | 一种基于条件生成对抗网络的道路场景去雾方法 | |
| CN109509156B (zh) | 一种基于生成对抗模型的图像去雾处理方法 | |
| CN103578083A (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
| CN109410144A (zh) | 一种基于深度学习的端到端图像去雾处理方法 | |
| CN104867121A (zh) | 基于暗原色先验和Retinex理论的图像快速去雾法 | |
| CN106530240A (zh) | 一种基于多尺度融合和全变分优化的图像去雾方法 | |
| CN112102179B (zh) | 一种基于Retinex的深度网络单幅图像去雾方法 | |
| CN106023108A (zh) | 基于边界约束和上下文正则化的图像去雾算法 | |
| Qian et al. | FAOD-Net: a fast AOD-Net for dehazing single image | |
| CN112419163B (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 | |
| CN110807743B (zh) | 一种基于卷积神经网络的图像去雾方法 | |
| CN111598793A (zh) | 一种用于输电线路图像去雾的方法、系统及存储介质 | |
| CN111598814A (zh) | 基于极端散射通道的单图像去雾方法 | |
| CN113487509B (zh) | 一种像素聚类及透射率融合的遥感图像雾气去除方法 | |
| CN109685735B (zh) | 基于雾层平滑先验的单张图片去雾方法 | |
| CN112767267B (zh) | 基于仿真偏振带雾场景数据集的图像去雾方法 |
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 |