CN107292837B - 基于误差补偿的图像去雾方法 - Google Patents

基于误差补偿的图像去雾方法 Download PDF

Info

Publication number
CN107292837B
CN107292837B CN201710414383.0A CN201710414383A CN107292837B CN 107292837 B CN107292837 B CN 107292837B CN 201710414383 A CN201710414383 A CN 201710414383A CN 107292837 B CN107292837 B CN 107292837B
Authority
CN
China
Prior art keywords
transmittance
image
error
fog
estimated
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
Application number
CN201710414383.0A
Other languages
English (en)
Other versions
CN107292837A (zh
Inventor
廉旭航
庞彦伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201710414383.0A priority Critical patent/CN107292837B/zh
Publication of CN107292837A publication Critical patent/CN107292837A/zh
Application granted granted Critical
Publication of CN107292837B publication Critical patent/CN107292837B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Color Image Communication Systems (AREA)

Abstract

本发明涉及一种基于误差补偿的图像去雾算法：步骤1：将有雾图像划分成不重叠的图像块；提取各个图像块的色度特征图、饱和度特征图及梯度特征图；输入到预先训练好的透射率估计网络中，得到透射率的估计值；输入到预先训练好的透射率误差估计网络中，估计透射率的估计误差
Figure DDA0001313287800000011
得到透射率估计值，计算各个图像块对应的无雾图像块。

Description

基于误差补偿的图像去雾方法
技术领域
本发明涉及计算机视觉、图像处理领域中恢复图像清晰度的算法，特别涉及去雾方法。
背景技术
图像去雾算法是一种重要的恢复图像清晰度的算法，其主要目的去除图像中存在的雾气，从而恢复原始的无雾图像，可广泛应用于交通运输、视频监控、卫星遥感等对清晰图像有较高需求的行业。
在众多的图像去雾算法中，基于卷积神经网络的去雾算法是一种较为重要的方法。该类方法主要思想是：首先，提取与雾的大小程度相关的特征；之后，通过学习的方法学习到特征与透射率或透射率相关量之间的映射关系；最终，利用学习到的映射关系估计输入图像的透射率或透射率相关量，恢复出原始无雾图像。2014年，Tang[1]提出用暗通道特征、最大对比度、色调差异、最大饱和度这几种特征来反映雾的大小程度。用这几种特征来训练随机森林，并用训练好的随机森林来估计有雾图像块的透射率，从而恢复出原始无雾图像。然而，由于有的特征并不能完全反映，且浓雾区域的特征非常的不明显且局部区域之间的特征非常相似，因而导致随机森林对透射率的估计存在一定程度的偏差。2015年，Zhu[2]发现亮度与饱和度的差值能够反映雾的大小程度。基于这一先验知识，假设图像距相机的距离与亮度及饱和度存在线性关系，并通过训练得到该模型的具体表达形式。通过这一表达式，预测有雾图片图像块的深度，进而估计出该图像块对应的透射率，从而恢复出原始无雾图像。但是，由于该方法同样存在着一定的估计误差，主要有两方面原因造成：首先，在某些区域，雾的大小程度与亮度及饱和度并不存在线性关系；其次，浓雾区域，各个局部区域的亮度及饱和度过于相近，使得该线性模型对于深度预测的准确性有所降低。2016年，Ren[3]采用两个基于不同尺度的卷积神经网络相结合的方法来预测透射率。该方法将原始有雾图像作为两个网络共同的输入，其中一个卷积网络用于估计粗尺度的透射率，另一个用于估计细尺度的透射率，将两个网络相结合来实现对透射率的估计。然而，由于输入图像在浓雾区域的像素值变化十分平缓，使得网络估计的投射率图在浓雾区域趋于一致，无法反映浓雾区域透射率的变化。2016年，Cai[4]利用有雾图像块的R、G、B三个通道的特征对卷积神经网络进行训练，利用训练好的网络来估计输入图像块的透射率。与上述几种方法一样，此方法对透射率的估计同样存在着偏差。该误差主要是由于输入的特征无法充分反映雾的大小程度造成的。同样地，2016年，Ling[5]也利用有雾图像的R、G、B三个通道的特征来训练卷积神经网络。类似地，该方法也存在这对透射率估计得偏差。
综上，当前基于卷积神经网络的去雾算法都存在着对透射率估计不准确的问题，而这种问题会最终导致最终恢复出的结果存在着颜色失真及细节不清晰的问题。而针对这种透射率估计不准确的问题，目前未见有针对性地采取方法来尽可能缩小这种误差的文献报道。
参考文献
[1]K.Tang,J.Yang,J.Wang,"Investigating haze-relevant features in alearning framework for image dehazing,"in Proc.IEEE Conf.Comput.Vis.PatternRecognit.,2014.
[2]Q.Zhu,J.Mai,L.Shao,"A fast single image haze removal algorithmusing color attenuation prior,"IEEE Trans.Image Process.,vol.24,no.11,pp.3522–3533,2015.
[3]W.Ren,S.Liu,H.Zhang,J.Pan,X.Cao,M.Yang,"Single image dehazing viamulti-scale convolutional neural networks,"in Proc.Eur.Conf.Comput.Vis.,2016.
[4]B.Cai,X.Xu,K.Jia,C.Qing,D.Tao,"DehazeNet:An end-to-end system forsingle image haze removal,"IEEE Trans.Image Process.,vol.25,no.11,pp.5187–5198,2016.
[5]Z.Ling,G.Fan,Y.Wang,X.Lu,"Learning deep transmission network forsingle image dehazing,"in Proc.IEEE Int.Conf.Image Process.,2016.
发明内容
本发明针对现有方法中存在的对透射率的估计误差没有采取针对性的措施进行减小的问题，提出一种基于误差补偿的图像去雾算法。技术方案如下：
一种基于误差补偿的图像去雾算法，该算法首先训练透射率估计网络Wt和透射率误差估计网络We:
①透射率估计网络Wt采用NIN卷积神经网络结构，训练步骤如下：
(1)任意选取M个大小为n×n的无雾图像块
Figure GDA0002208156310000021
对每一个图像块
Figure GDA0002208156310000022
任意选取一个透射率值
Figure GDA0002208156310000023
对
Figure GDA0002208156310000024
进行加雾，得到加雾后的图像块
Figure GDA0002208156310000025
公式如下：
Figure GDA0002208156310000026
其中，At＝(255,255,255)T；
(2)将
Figure GDA0002208156310000027
转换到HSV颜色空间，提取色度特征图
Figure GDA0002208156310000028
饱和度特征图
Figure GDA0002208156310000029
计算梯度特征图
Figure GDA00022081563100000210
(3)将色度特征图
Figure GDA00022081563100000211
饱和度特征图
Figure GDA00022081563100000212
梯度特征图
Figure GDA00022081563100000213
作为训练数据，采用批量梯度下降算法，迭代次数为Nt，通过最小化Wt对
Figure GDA00022081563100000214
的估计值与
Figure GDA00022081563100000215
的差的平方和，对Wt进行训练；
②透射率误差估计网络We，采用NIN卷积神经网络结构，训练步骤如下：
(1)任意选取L个大小为n×n的无雾图像块
Figure GDA00022081563100000216
对每一个图像块
Figure GDA00022081563100000217
任意选取一个透射率值
Figure GDA00022081563100000218
对
Figure GDA00022081563100000219
进行加雾，得到加雾后的图像块
Figure GDA00022081563100000220
公式如下：
Figure GDA00022081563100000221
其中，Ae＝(255,255,255)T；
(2)将
Figure GDA0002208156310000031
转换到HSV颜色空间，提取色度特征图
Figure GDA0002208156310000032
饱和度特征图
Figure GDA0002208156310000033
计算梯度特征图
Figure GDA0002208156310000034
(3)将每一个图像块
Figure GDA0002208156310000035
对应的
Figure GDA0002208156310000036
及
Figure GDA0002208156310000037
输入到透射率估计网络Wt中，得到
Figure GDA0002208156310000038
的估计值
Figure GDA0002208156310000039
并计算
Figure GDA00022081563100000310
的估计误差
Figure GDA00022081563100000311
为
Figure GDA00022081563100000312
与
Figure GDA00022081563100000313
差的绝对值；
(4)将色度特征图
Figure GDA00022081563100000314
饱和度特征图
Figure GDA00022081563100000315
梯度特征图
Figure GDA00022081563100000316
作为训练数据，采用批量梯度下降算法，迭代次数为Ne，通过最小化We对
Figure GDA00022081563100000317
的预测值与
Figure GDA00022081563100000318
的差的平方和对We进行训练；
算法包括下列步骤：
步骤1：将有雾图像Ih划分成N个大小为n×n的不重叠的图像块P1,P2,......,PN。同时，设Ih去雾后的结果为Jf；
步骤2：初始化i＝1；
步骤3：取图像块Pi，将图像块Pi从RGB颜色空间转换到HSV颜色空间，提取色度特征图Hi及饱和度特征图Si，计算Pi的梯度特征图Gi；
步骤4：将Hi、Si及Gi输入到透射率估计网络Wt中，得到Pi的透射率的估计值
Figure GDA00022081563100000319
步骤5：将步骤3中提取的特征图Hi、Si及Gi输入到透射率误差估计网络We中，估计Wt对Pi的透射率的估计误差
Figure GDA00022081563100000320
步骤6：将
Figure GDA00022081563100000321
与
Figure GDA00022081563100000322
相加，得到Pi的透射率的估计值ti；
步骤7：利用透射率ti，计算Pi对应的无雾图像块Ji，公式如下：
Figure GDA00022081563100000323
其中，
Figure GDA00022081563100000324
为Pi在y点R、G、B颜色通道的像素值，A＝(255,255,255)T；
步骤8：将Ji赋值给Jf中对应Pi位置的图像块
Figure GDA00022081563100000325
步骤9：判断i的值是否小于N，如果小于N，执行步骤10；否则，结束循环；
步骤10：将i加1，返回步骤3；
本方法采用了一种基于误差补偿的图像去雾算法。该方法通过学习的方法得到输入特征与透射率估计误差之间的关系，并利用这种关系来估计对透射率的估计可能存在的误差，从而减小透射率的估计误差。与以往的基于卷积神经网络的去雾算法相比，本发明针对性设计了透射率误差估计网络估计误差，大大减小了透射率估计得误差，进而保证了恢复出的无雾图像无颜色失真，提高了图像的质量。
附图说明
图1本算法流程图。
具体实施方式
本发明提出一种基于误差补偿的图像去雾算法。首先，提取输入图像块的色度、饱和度及梯度特征。之后，将提取的特征输入到透射率估计网络中，估计出一个大致的透射率值；此外，将该特征输入到另一个透射率估计误差网络中，估计前一个网络对透射率值的估计误差。将两个网络的估计结果相结合，得到最终的透射率值，并根据雾天图像的成像模型恢复出原始无雾图像。具体步骤如下:
①透射率估计网络Wt采用NIN卷积神经网络结构，训练步骤如下：
(1)选取M个大小为n×n的无雾图像块
Figure GDA0002208156310000041
对每一个图像块
Figure GDA0002208156310000042
Figure GDA0002208156310000043
选取透射率值
Figure GDA0002208156310000044
对
Figure GDA0002208156310000045
进行加雾，得到加雾后的图像块
Figure GDA0002208156310000046
公式如下：
Figure GDA0002208156310000047
其中，y为
Figure GDA0002208156310000048
内任一像素点，
Figure GDA0002208156310000049
表示
Figure GDA00022081563100000410
在y点R、G、B颜色通道的像素值，At＝(255,255,255)T；
(2)将
Figure GDA00022081563100000411
转换到HSV颜色空间，提取色度特征图
Figure GDA00022081563100000412
饱和度特征图
Figure GDA00022081563100000413
计算梯度特征图
Figure GDA00022081563100000414
大小为n×n；
(3)将色度特征图
Figure GDA00022081563100000415
饱和度特征图
Figure GDA00022081563100000416
梯度特征图
Figure GDA00022081563100000417
作为训练数据，采用批量梯度下降算法对Wt进行训练，迭代次数为Nt，目标函数为：
Figure GDA00022081563100000418
其中，
Figure GDA00022081563100000419
表示Wt在第k次(k∈{1，2，......，Nt})迭代后对
Figure GDA00022081563100000420
的透射率值
Figure GDA00022081563100000421
的预测值，
Figure GDA00022081563100000422
为第k次迭代后的总的误差；
②透射率误差估计网络We，采用NIN卷积神经网络结构，训练步骤如下：
(1)选取L个大小为n×n的无雾图像块
Figure GDA00022081563100000423
对每一个图像块
Figure GDA00022081563100000424
Figure GDA00022081563100000425
选取透射率值
Figure GDA00022081563100000426
对
Figure GDA00022081563100000427
进行加雾，得到加雾后的图像块
Figure GDA00022081563100000428
公式如下：
Figure GDA00022081563100000429
其中，y为
Figure GDA00022081563100000430
内的一个像素点，
Figure GDA00022081563100000431
表示
Figure GDA00022081563100000432
在y点R、G、B颜色通道的像素值，Ae＝(255,255,255)T；
(2)将
Figure GDA00022081563100000433
转换到HSV颜色空间，提取色度特征图
Figure GDA00022081563100000434
饱和度特征图
Figure GDA00022081563100000435
计算梯度特征图
Figure GDA00022081563100000436
大小为n×n；
(3)将
Figure GDA00022081563100000437
对应的
Figure GDA00022081563100000438
及
Figure GDA00022081563100000439
输入到透射率估计网络Wt中，得到
Figure GDA00022081563100000440
的估计值
Figure GDA00022081563100000441
并计算
Figure GDA00022081563100000442
的估计误差
Figure GDA00022081563100000443
公式如下：
Figure GDA00022081563100000444
(4)将色度特征图
Figure GDA00022081563100000445
饱和度特征图
Figure GDA00022081563100000446
梯度特征图
Figure GDA0002208156310000051
作为训练数据，采用批量梯度下降算法对We进行训练，迭代次数为Ne，目标函数为：
Figure GDA0002208156310000052
其中，
Figure GDA0002208156310000053
表示We在第k次迭代后(k∈{1,2,......,Ne})对估计误差
Figure GDA0002208156310000054
的预测值，
Figure GDA0002208156310000055
为第k次迭代后的总的误差；
算法包括下列步骤：
步骤1：将有雾图像Ih划分成N个大小为n×n的不重叠的图像块P1,P2,......,PN，设Ih去雾后的结果为Jf；
步骤2：初始化i＝1；
步骤3：提取图像块Pi，将其转换至HSV颜色空间，提取其色度特征图Hi、饱和度特征图Si；计算梯度特征图Gi，大小为n×n；
步骤4:将步骤3中得到的特征图Hi、Si及Gi输入到预先训练好的透射率估计网络Wt中，得到Pi的透射率的估计值
Figure GDA0002208156310000056
步骤5：将步骤3中提取的特征图Hi、Si及Gi输入到预先训练好的透射率误差估计网络We中，估计Wt对Pi的透射率的估计误差
Figure GDA0002208156310000057
步骤6：将
Figure GDA0002208156310000058
与
Figure GDA0002208156310000059
相加，得到Pi的透射率的估计值ti，公式如下：
Figure GDA00022081563100000510
步骤7：利用透射率ti，计算Pi对应的无雾图像块Ji，公式如下：
Figure GDA00022081563100000511
其中，y为Pi的一个像素点，
Figure GDA00022081563100000512
为Pi在y点R、G、B颜色通道的像素值；
Figure GDA00022081563100000513
为Ji在y点R、G、B颜色通道的像素值，A＝(255,255,255)T；
步骤8：将Ji赋值给Jf中对应Pi位置的图像块
Figure GDA00022081563100000514
公式如下：
Figure GDA00022081563100000515
其中，y表示Ji中任意像素点；
步骤9：判断i的值是否小于N，如果小于N，执行步骤10；否则，结束循环；
步骤10：将i加1，返回步骤3。

Claims (1)

1.一种基于误差补偿的图像去雾方法，包括下列步骤：
(1)：训练透射率估计网络Wt和透射率误差估计网络We:
①透射率估计网络Wt采用NIN卷积神经网络结构，训练步骤如下：
1)任意选取M个大小为n×n的无雾图像块
Figure FDA0002305029020000011
对每一个图像块
Figure FDA0002305029020000012
任意选取一个透射率值
Figure FDA0002305029020000013
对
Figure FDA0002305029020000014
进行加雾，得到加雾后的图像块
Figure FDA0002305029020000015
公式如下：
Figure FDA0002305029020000016
其中，At＝(255,255,255)T；
2)将
Figure FDA0002305029020000017
转换到HSV颜色空间，提取色度特征图
Figure FDA0002305029020000018
饱和度特征图
Figure FDA0002305029020000019
计算梯度特征图
Figure FDA00023050290200000110
3)将色度特征图
Figure FDA00023050290200000111
饱和度特征图
Figure FDA00023050290200000112
梯度特征图
Figure FDA00023050290200000113
作为训练数据，采用批量梯度下降方法，迭代次数为Nt，通过最小化Wt对
Figure FDA00023050290200000114
的估计值与
Figure FDA00023050290200000115
的差的平方和，对Wt进行训练；
②透射率误差估计网络We，采用NIN卷积神经网络结构，训练步骤如下：
1)任意选取L个大小为n×n的无雾图像块
Figure FDA00023050290200000116
对每一个图像块
Figure FDA00023050290200000117
任意选取一个透射率值
Figure FDA00023050290200000118
对
Figure FDA00023050290200000119
进行加雾，得到加雾后的图像块
Figure FDA00023050290200000120
公式如下：
Figure FDA00023050290200000121
其中，Ae＝(255,255,255)T；
2)将
Figure FDA00023050290200000122
转换到HSV颜色空间，提取色度特征图
Figure FDA00023050290200000123
饱和度特征图
Figure FDA00023050290200000124
计算梯度特征图
Figure FDA00023050290200000125
3)将每一个图像块
Figure FDA00023050290200000126
对应的
Figure FDA00023050290200000127
及
Figure FDA00023050290200000128
输入到透射率估计网络Wt中，得到
Figure FDA00023050290200000129
的估计值
Figure FDA0002305029020000021
并计算
Figure FDA0002305029020000022
的估计误差
Figure FDA0002305029020000023
为
Figure FDA0002305029020000024
与
Figure FDA0002305029020000025
差的绝对值；
4)将色度特征图
Figure FDA0002305029020000026
饱和度特征图
Figure FDA0002305029020000027
梯度特征图
Figure FDA0002305029020000028
作为训练数据，采用批量梯度下降方法，迭代次数为Ne，通过最小化We对
Figure FDA0002305029020000029
的预测值与
Figure FDA00023050290200000210
的差的平方和对We进行训练；
(2)将有雾图像Ih划分成N个大小为n×n的不重叠的图像块P1,P2,......,PN，同时，设Ih去雾后的结果为Jf；
(3)初始化i＝1
(4)取图像块Pi，将图像块Pi从RGB颜色空间转换到HSV颜色空间，提取色度特征图Hi及饱和度特征图Si，计算Pi的梯度特征图Gi；
(5)将Hi、Si及Gi输入到透射率估计网络Wt中，得到Pi的透射率的估计值
Figure FDA00023050290200000211
(6)将步骤(4)中提取的特征图Hi、Si及Gi输入到透射率误差估计网络We中，估计We对Pi的透射率的估计误差
Figure FDA00023050290200000212
(7)将
Figure FDA00023050290200000213
与
Figure FDA00023050290200000214
相加，得到Pi的透射率的估计值ti；
(8)利用透射率ti，计算Pi对应的无雾图像块Ji，公式如下：
Figure FDA00023050290200000215
其中，
Figure FDA00023050290200000216
为Pi在y点R、G、B颜色通道的像素值，A＝(255,255,255)T；
(9)将Ji赋值给Jf中对应Pi位置的图像块
Figure FDA00023050290200000217
(10)判断i的值是否小于N，如果小于N，执行步骤(11)；否则，结束循环；
(11)将i加1，返回步骤(4)。
CN201710414383.0A 2017-06-05 2017-06-05 基于误差补偿的图像去雾方法 Active CN107292837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710414383.0A CN107292837B (zh) 2017-06-05 2017-06-05 基于误差补偿的图像去雾方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710414383.0A CN107292837B (zh) 2017-06-05 2017-06-05 基于误差补偿的图像去雾方法

Publications (2)

Publication Number Publication Date
CN107292837A CN107292837A (zh) 2017-10-24
CN107292837B true CN107292837B (zh) 2020-03-17

Family

ID=60094183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710414383.0A Active CN107292837B (zh) 2017-06-05 2017-06-05 基于误差补偿的图像去雾方法

Country Status (1)

Country Link
CN (1) CN107292837B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921805B (zh) * 2018-07-06 2020-11-03 厦门理工学院 一种图像及视频去雾霾方法、计算机装置及存储介质
CN109118451A (zh) * 2018-08-21 2019-01-01 李青山 一种基于卷积回归的航空正射影像去雾算法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101394361B1 (ko) * 2012-11-21 2014-05-14 중앙대학교 산학협력단 알파매트 추정과 영상 합성을 이용한 단일 영상의 안개 제거 장치 및 방법
CN104933680B (zh) * 2015-03-13 2017-10-31 哈尔滨工程大学 一种智能的无人艇视觉系统视频快速海雾去除方法
CN105719247B (zh) * 2016-01-13 2019-05-17 华南农业大学 基于特征学习的单幅图像去雾方法
CN106780356B (zh) * 2016-11-15 2020-04-28 天津大学 基于卷积神经网络和先验信息的图像去雾方法

Also Published As

Publication number Publication date
CN107292837A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
CN107301624B (zh) 基于区域划分及浓雾预处理的卷积神经网络去雾方法
CN107767354B (zh) 一种基于暗原色先验的图像去雾算法
CN106920220B (zh) 基于暗原色和交替方向乘子法优化的湍流图像盲复原方法
Pinto et al. Video stabilization using speeded up robust features
KR20080046269A (ko) 적응적 움직임 검색 범위
CN106210448B (zh) 一种视频图像抖动消除处理方法
JP2011060282A (ja) 動き領域の非線形スムージングを用いた動き検出方法およびシステム
JP2015060593A (ja) 画像をフィルタリングするための方法および装置
CN106023108A (zh) 基于边界约束和上下文正则化的图像去雾算法
CN107292837B (zh) 基于误差补偿的图像去雾方法
CN111598886B (zh) 一种基于单幅图像的像素级透过率估计方法
CN113284061A (zh) 一种基于梯度网络的水下图像增强方法
CN105023246B (zh) 一种基于对比度和结构相似度的图像增强方法
Zuo et al. Video Denoising Based on a Spatiotemporal Kalman‐Bilateral Mixture Model
CN110335210B (zh) 一种水下图像复原方法
Chen et al. Improve transmission by designing filters for image dehazing
Zhang et al. MetaUE: Model-based meta-learning for underwater image enhancement
CN112215766B (zh) 一种图像复原与图像增强相融合的图像去雾方法及其卷积网络
CN110366029B (zh) 一种视频间插入图像帧的方法、系统及电子设备
JP7263149B2 (ja) 画像処理装置、画像処理方法、およびプログラム
CN109410142B (zh) 一种基于图像质量评价最优的去雾方法
CN112567722B (zh) 用于处理含有噪声的视频序列中的数据的方法和装置
Shivakumar et al. Remote sensing and natural image dehazing using DCP based IDERS framework
Romanenko et al. Image matching in Bayer raw domain to de-noise low-light still images, optimized for real-time implementation
Parihar et al. Prior based single image dehazing using decision image

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