CN107451977B - 一种图像去雾方法及其系统 - Google Patents

一种图像去雾方法及其系统 Download PDF

Info

Publication number
CN107451977B
CN107451977B CN201710666291.1A CN201710666291A CN107451977B CN 107451977 B CN107451977 B CN 107451977B CN 201710666291 A CN201710666291 A CN 201710666291A CN 107451977 B CN107451977 B CN 107451977B
Authority
CN
China
Prior art keywords
image
parameter
value
light intensity
atmospheric light
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.)
Expired - Fee Related
Application number
CN201710666291.1A
Other languages
English (en)
Other versions
CN107451977A (zh
Inventor
梁义涛
赵奎斌
李亚飞
李岚
胡江汇
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.)
Henan University of Technology
Original Assignee
Henan University of Technology
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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN201710666291.1A priority Critical patent/CN107451977B/zh
Publication of CN107451977A publication Critical patent/CN107451977A/zh
Application granted granted Critical
Publication of CN107451977B publication Critical patent/CN107451977B/zh
Expired - Fee Related 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种图像去雾方法及其系统，具体为，基于对对比度增强模型的认识，将大气散射模型变形并简化为线性模型，用可变参数的线性模型描述含雾图像，在基于大气散射模型的初步去雾处理后，再通过遗传算法进行参数寻优，最终实现高质量的图像去雾。通过上述方案，本发明能够对含雾图像有效消除雾霾，并且去雾图像质量高，而且对于不同种类的雾霾图像均能够有效的处理。

Description

一种图像去雾方法及其系统
技术领域
本发明涉及一种图像去雾方法及其系统，属于图像处理领域。
背景技术
在图像采集过程中，遇到气象条件不佳的情况下，特别是雾霾天获取的图像，由于受到空气中悬浮的微小粒子(如雾、霾等)的散射作用，导致成像后图像的对比度低、色彩失真、甚至出现模糊不清严重降质的现象，不仅影响了人们对观测图像的视觉效果，而且使户外视觉系统的正常运行受到限制。为了克服这一困难，我们就需要对获取到的雾霾图像进行去雾处理。
现有技术中，基于大气散射模型的暗原色先验去雾方法，容易对暗原色估计过大，透射率估计过小，而出现色彩失真的现象；对比度增强的方法会使得图像的清晰部分和景深信息失真。
发明内容
本发明的目的是提供一种图像去雾方法及其系统，用以解决现有技术在进行图像去雾时无法获得高质量的去雾图像的问题。
为实现上述目的，本发明的方案包括：
本发明的一种图像去雾方法，包括以下步骤
简化大气散射模型，获得线性模型：
Figure BDA0001371872370000011
其中，x表示图像上像素点位置坐标，I(x)表示含雾图像，t(x)表示透射率，J(x)表示要恢复的无雾图像，A表示大气光强度；
估计含雾图像的大气光强度A和透射率t(x)，进而获得参数k(x)的初值、b(x)的值；
当固定b(x)的值时，对所述含雾图像的每个像素点寻找对应的参数k(x)的最优值，并将所述参数k(x)的最优值以及参数b(x)带入线性模型，进而复原得到无雾图像；所述参数k(x)的最优值为，使对应像素点符合设定去雾要求的k(x)值。
进一步的，所述寻找参数k(x)的最优值的过程为利用遗传算法的参数寻优；首先根据所述参数k(x)的初值随机产生一组参数k(x)的预测值作为初始种群，然后以图像清晰度判决准则作为适应度函数，设置进化代数，经过所述代数的遗传运算，最终输出所述参数k(x)的最优值。
进一步的，通过暗原色先验算法估计大气光强度A，进而得到所述参数k(x)的初值。
进一步的，所述大气光强度A的估计为，通过暗原色先验法，初步估计初始大气光强度，再通过变差函数进一步估计所述大气光强度A；所述变差函数为
Figure BDA0001371872370000021
设置一个阈值Δ，若S＜Δ，则基于该像素点估计的所述初始大气光强度无效，若S＞Δ，则基于该像素点估计的所述初始大气光强度有效；最后从有效的初始大气光强度中得到所述大气光强度A；其中，η为比例系数、Rm＝Rc-m为红色通道的变差、Gm＝Gc-m为绿色通道的变差、Bm＝Bc-m为蓝色通道的变差、
Figure BDA0001371872370000022
为当前像素Rc、Gc、Bc通道的平均灰度值。
进一步的，所述图像清晰度判决准则为，图像峰值信噪比、绝对平均误差和最小均方差。
本发明的一种图像去雾系统，包括处理器，存储器，所述处理器用于执行实现下述步骤的指令：
简化大气散射模型，获得线性模型：
Figure BDA0001371872370000023
其中，x表示图像上像素点位置坐标，I(x)表示含雾图像，t(x)表示透射率，J(x)表示要恢复的无雾图像，A表示大气光强度；
估计含雾图像的大气光强度A和透射率t(x)，进而获得参数k(x)的初值、b(x)的值；
当固定b(x)的值时，对所述含雾图像的每个像素点寻找对应的参数k(x)的最优值，并将所述参数k(x)的最优值以及参数b(x)带入线性模型，进而复原得到无雾图像；所述参数k(x)的最优值为，使对应像素点符合设定去雾要求的k(x)值。
进一步的，所述寻找参数k(x)的最优值的过程为利用遗传算法的参数寻优；首先根据所述参数k(x)的初值随机产生一组参数k(x)的预测值作为初始种群，然后以图像清晰度判决准则作为适应度函数，设置进化代数，经过所述代数的遗传运算，最终输出所述参数k(x)的最优值。
进一步的，通过暗原色先验算法估计大气光强度A，进而得到所述参数k(x)的初值。
进一步的，所述大气光强度A的估计为，通过暗原色先验法，初步估计初始大气光强度，再通过变差函数进一步估计所述大气光强度A；所述变差函数为
Figure BDA0001371872370000031
设置一个阈值Δ；若S＜Δ，则基于该像素点估计的所述初始大气光强度无效，若S＞Δ，则基于该像素点估计的所述初始大气光强度有效；最后从有效的初始大气光强度中得到所述大气光强度A；其中，η为比例系数、Rm＝Rc-m为红色通道的变差、Gm＝Gc-m为绿色通道的变差、Bm＝Bc-m为蓝色通道的变差、
Figure BDA0001371872370000032
为当前像素Rc、Gc、Bc通道的平均灰度值。
进一步的，所述图像清晰度判决准则为，图像峰值信噪比、绝对平均误差和最小均方差。
本发明的有益效果为：
本发明将大气散射模型和对比度增强的方法统一成线性模型，从而将去雾问题转化为模型参数的寻优问题。利用暗原色先验算法，对线性模型的参数进行估计，并引入遗传算法和清晰度判决函数进行参数寻优，能够得到高质量的去雾图像，并且有效解决了现有技术雾霾图像去雾效果单一、普适性差的问题。
附图说明
图1是基于遗传算法图像去雾方法流程图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
如图1所示本发明的一种图像去雾方法的流程图，包括以下步骤：
1)输入原始的含雾图像；
2)针对该图像建立大气散射模型：I(x)＝J(x)t(x)+A(1-t(x))；其中，x表示图像上像素点位置坐标，I(x)表示含雾图像，t(x)表示透射率，J(x)表示要恢复的无雾图像，A表示大气光强度；
3)对上述模型进行变形：
Figure BDA0001371872370000041
4)统一线性模型：
J(x)＝k(x)·I(x)+b(x)，其中
Figure BDA0001371872370000042
通过将线性模型和对比度增强模型
Figure BDA0001371872370000043
相对比可以发现，两者具有一定的相似性(皆可以看作线性模型)；因此基于大气散射模型的图像去雾过程，可以借鉴基于对比度增强的线性模型的处理思路。其中，第一项
Figure BDA0001371872370000044
看作图像的对比度增益，第二项
Figure BDA0001371872370000045
为常数项。令
Figure BDA0001371872370000046
表示线性方程的斜率，
Figure BDA0001371872370000047
Figure BDA0001371872370000048
表示线性方程的截距。
5)对于一幅确定的图像，大气光强度A和透射率t(x)是可以估计的，所以k(x)、b(x)也是可以估计出来的。对大气光强度A和透射率t(x)的估计基于暗原色先验的图像去雾算法，而暗原色先验算法在估计大气光强度A时，在高亮区域是不成立的，存在一定局限性。为了减少甚至排除高亮区域对大气光强度A估计的影响。定义图像的变差函数为：
Figure BDA0001371872370000049
式中，Rm＝Rc-m表示红色通道的变差、Gm＝Gc-m表示绿色通道的变差、Bm＝Bc-m表示蓝色通道的变差、
Figure BDA0001371872370000051
表示当前像素Rc、Gc、Bc通道的平均灰度值。
通过计算图像的每个像素点的变差来确定整幅图像的变差。由于S的值在高亮区域非常小，在非高亮区域则比较大，因此可以利用变差函数值S来判断图像的明暗，变差函数值S越大，则对应像素越明亮。由于景深关系，高亮物体会随着在图像场景内距离的增加而变暗，所以一个物体的明暗在距离上极不稳定，为了拉伸变差对比，使其效果更加明显，对上式引入一个比例系数η，即
Figure BDA0001371872370000052
通过实验可知，确定η的值一般取16。为了确定图像某像素点值是否来自高亮区域，根据变差函数的定义必须确定一个阈值，从而确定该像素点在大气光强度A估计时的有效性。在本实施例中，设置阈值Δ＝40。如果S＜Δ，则认为最亮点来自于高亮区域并放弃该数据；若S≥Δ，则该像素点数据作为一个有效的大气光强度估计的依据。通过使用此阈值能够有效地避免高亮区域的影响，并有效地保证整个图像的大气光强度A的估计是合理的。进而按照亮度值的大小提取最亮的前0.1％的像素，并寻找原始有雾图像中对应位置上的具有最高亮度的点的值，以此作为大气光强度A。
估计出大气光强度A后，根据暗原色先验算法估计出透射率t(x)，进而计算出参数k(x)的初值和参数b(x)；然后，固定常数项b(x)，根据经验设置范围参数L和步长参数n，在-L＜k(x)的初值＜L范围内，每隔步长
Figure BDA0001371872370000053
取一个k(x)的预测值，最后获得一组k(x)的预测值；例如，假设L＝1、n＝10、k(x)在某像素点的初值为k，则搜索范围为[k-1，k+1]，搜索步长为
Figure BDA0001371872370000054
这样k(x)的一组预测值为为k-1.0、k-0.8、k-0.6、k-0.4、k-0.2、k、k+0.2、k+0.4、k+0.6、k+0.8、k+1.0。
本步骤中有关暗原色先验的算法和通过变差函数估计大气光强度A的方法具体可参考龚昌来，罗聪.一种改进的容差机制图像去雾算法.《液晶与显示》.2016。
刘万军，赵庆国，曲海成.变差函数和形态学滤波的图像去雾算法.《中国图像图形学报》.2016.12.16
在获得k(x)的一组预测值后(假设有M个预测值)，设置进化代数T，产生一个以k(x)的M个预测值为个体的初始种群P1(1)。
6)将参数k(x)的各个预测值，带入转化模型可以得到一组图像，并求出各个个体的适应度Fi(i＝1,2,…,M)，适应度函数采用图像清晰度判决准则。
7)根据计算出的适应度，找出适应度最大时的k值，将它的二进制编码保留到下一代，并用该k值代替适应度最小时的k的二进制编码，即对群体P1(1)进行优胜劣汰选择运算，得到P2(1)。
8)交叉运算。对选择出的个体集合P2(1)进行单点交叉运算，得到P3(1)。
9)变异运算。对P3(1)进行均匀变异操作，得到第二代种群P1(2)。
10)重新计算各个新个体的适应度。
11)重复步骤7)至10)完成T代进化，得到T+1代种群P1(T+1)；
12)根据T+1代种群P1(T+1)中各个个体的适应度，找出最优参数k(x)和b(x)的值，带入步骤1)线性模型，获得无雾图像J。
遗传算法进行参数k(x)的优化搜索中，将问题解的空间映射为个体基因串，假设图像为256个灰度级的二维矩阵。则将个体编码成以各个像素灰度值为元素的二维矩阵。例如，如果待去雾的图像尺寸为A×B，则个体基因值xi,j(i＝0,1,…,A-1；j＝0,1,…,B-1)表示为推测图像上第i行、第j列的灰度值。其次，由于灰度值是[0,255]以内的整数，所以算法采用整数编码进行交叉、变异。最后，种群数量M的设定，考虑到图像本身已经包含大量数据，而每一代群体的M个个体又关系到M幅图像，若M值选取过大则会大大增加数据量和运算量，导致运算速度缓慢，因此M值应该选取较小的值，即建立较小的初始种群。
对于小种群，一般采用较大的变异率和交叉率，经验值(典型值)为交叉率取0.9、变异率取0.01。由于三种遗传算子相互作用会影响实验结果，而目前却没有很好的标准进行算子的选取。通过多次实验，根据实验的效果和可行性，一般选取优胜劣汰算子、单点交叉算子、均匀变异算子作为遗传算子。
遗传算法中用适应度评价群体中各个个体(即各个图像)的优劣程度(去雾图像质量)，本实施例中选取三种图像质量评价标准用作适应度函数标准。即分别选取峰值信噪比、绝对平均误差和最小均方差作为图像质量的评价指标。
以上为针对图像进行基于本方法去雾的实施例；同样的，本方法还能用于录像、监控等基于帧图像的视频的去雾。
以上给出了具体的实施方式，但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。

Claims (8)

1.一种图像去雾方法，其特征在于，包括以下步骤
简化大气散射模型，获得线性模型：
Figure FDA0002346129110000011
其中，x表示图像上像素点位置坐标，I(x)表示含雾图像，t(x)表示透射率，J(x)表示要恢复的无雾图像，A表示大气光强度；
估计含雾图像的大气光强度A和透射率t(x)，进而获得参数k(x)的初值、b(x)的值；
当固定b(x)的值时，对所述含雾图像的每个像素点寻找对应的参数k(x)的最优值，并将所述参数k(x)的最优值以及参数b(x)带入线性模型，进而复原得到无雾图像；所述参数k(x)的最优值为，使对应像素点符合设定去雾要求的k(x)值；
所述寻找参数k(x)的最优值的过程为利用遗传算法的参数寻优；首先根据所述参数k(x)的初值随机产生一组参数k(x)的预测值作为初始种群，将各个参数k(x)的预测值带入所述线性模型得到多个图像，然后以图像清晰度判决准则作为适应度函数，找出适应度最大的参数k(x)的预测值，用该适应度最大的参数k(x)的预测值代替所述初始种群中适应度最小的参数k(x)的预测值，设置进化代数，经过所述代数的遗传运算，最终输出所述参数k(x)的最优值。
2.根据权利要求1所述的一种图像去雾方法，其特征在于，通过暗原色先验算法估计大气光强度A，进而得到所述参数k(x)的初值。
3.根据权利要求2所述的一种图像去雾方法，其特征在于，所述大气光强度A的估计为，通过暗原色先验法，初步估计初始大气光强度，再通过变差函数进一步估计所述大气光强度A；所述变差函数为
Figure FDA0002346129110000012
设置一个阈值Δ，若S＜Δ，则基于该像素点估计的所述初始大气光强度无效；若S＞Δ，则基于该像素点估计的所述初始大气光强度有效；最后从有效的初始大气光强度中得到所述大气光强度A；其中，η为比例系数、Rm＝Rc-m为红色通道的变差、Gm＝Gc-m为绿色通道的变差、Bm＝Bc-m为蓝色通道的变差、
Figure FDA0002346129110000021
为当前像素Rc、Gc、Bc通道的平均灰度值。
4.根据权利要求1所述的一种图像去雾方法，其特征在于，所述图像清晰度判决准则为，图像峰值信噪比、绝对平均误差和最小均方差。
5.一种图像去雾系统，包括处理器，存储器，其特征在于，所述处理器用于执行实现下述步骤的指令：
简化大气散射模型，获得线性模型：
J(x)＝k(x)·I(x)+b(x),k(x)＝1/t(x),b(x)＝-1/t(x)A(1-t(x))；
其中，x表示图像上像素点位置坐标，I(x)表示含雾图像，t(x)表示透射率，J(x)表示要恢复的无雾图像，A表示大气光强度；
估计含雾图像的大气光强度A和透射率t(x)，进而获得参数k(x)的初值、b(x)的值；
当固定b(x)的值时，对所述含雾图像的每个像素点寻找对应的参数k(x)的最优值，并将所述参数k(x)的最优值以及参数b(x)带入线性模型，进而复原得到无雾图像；所述参数k(x)的最优值为，使对应像素点符合设定去雾要求的k(x)值；
所述寻找参数k(x)的最优值的过程为利用遗传算法的参数寻优；首先根据所述参数k(x)的初值随机产生一组参数k(x)的预测值作为初始种群，将各个参数k(x)的预测值带入所述线性模型得到多个图像，然后以图像清晰度判决准则作为适应度函数，找出适应度最大的参数k(x)的预测值，用该适应度最大的参数k(x)的预测值代替所述初始种群中适应度最小的参数k(x)的预测值，设置进化代数，经过所述代数的遗传运算，最终输出所述参数k(x)的最优值。
6.根据权利要求5所述的一种图像去雾系统，其特征在于，通过暗原色先验算法估计大气光强度A，进而得到所述参数k(x)的初值。
7.根据权利要求6所述的一种图像去雾系统，其特征在于，所述大气光强度A的估计为，通过暗原色先验法，初步估计初始大气光强度，再通过变差函数进一步估计所述大气光强度A；所述变差函数为
Figure FDA0002346129110000031
设置一个阈值Δ，若S＜Δ，则基于该像素点估计的所述初始大气光强度无效；若S＞Δ，则基于该像素点估计的所述初始大气光强度有效；最后从有效的初始大气光强度中得到所述大气光强度A；其中，η为比例系数、Rm＝Rc-m为红色通道的变差、Gm＝Gc-m为绿色通道的变差、Bm＝Bc-m为蓝色通道的变差、
Figure FDA0002346129110000032
为当前像素Rc、Gc、Bc通道的平均灰度值。
8.根据权利要求5所述的一种图像去雾系统，其特征在于，所述图像清晰度判决准则为，图像峰值信噪比、绝对平均误差和最小均方差。
CN201710666291.1A 2017-08-07 2017-08-07 一种图像去雾方法及其系统 Expired - Fee Related CN107451977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710666291.1A CN107451977B (zh) 2017-08-07 2017-08-07 一种图像去雾方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710666291.1A CN107451977B (zh) 2017-08-07 2017-08-07 一种图像去雾方法及其系统

Publications (2)

Publication Number Publication Date
CN107451977A CN107451977A (zh) 2017-12-08
CN107451977B true CN107451977B (zh) 2020-08-21

Family

ID=60490912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710666291.1A Expired - Fee Related CN107451977B (zh) 2017-08-07 2017-08-07 一种图像去雾方法及其系统

Country Status (1)

Country Link
CN (1) CN107451977B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11803942B2 (en) 2021-11-19 2023-10-31 Stmicroelectronics (Research & Development) Limited Blended gray image enhancement

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389175B (zh) * 2018-04-26 2021-05-18 长安大学 融合变差函数和颜色衰减先验的图像去雾方法
CN111815515B (zh) * 2020-07-01 2024-02-09 成都智学易数字科技有限公司 基于医学教育的对象三维绘制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102231791A (zh) * 2011-06-30 2011-11-02 北京云加速信息技术有限公司 一种基于图像亮度分层的视频图像去雾方法
CN106023118A (zh) * 2016-06-13 2016-10-12 凌云光技术集团有限责任公司 一种图像去雾方法及其在fpga上的实现方法
CN106296618A (zh) * 2016-09-19 2017-01-04 河南工业大学 一种基于高斯函数加权直方图规定化的彩色图像去雾方法
CN106355563A (zh) * 2016-08-31 2017-01-25 河南工业大学 一种图像去雾方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102231791A (zh) * 2011-06-30 2011-11-02 北京云加速信息技术有限公司 一种基于图像亮度分层的视频图像去雾方法
CN106023118A (zh) * 2016-06-13 2016-10-12 凌云光技术集团有限责任公司 一种图像去雾方法及其在fpga上的实现方法
CN106355563A (zh) * 2016-08-31 2017-01-25 河南工业大学 一种图像去雾方法和装置
CN106296618A (zh) * 2016-09-19 2017-01-04 河南工业大学 一种基于高斯函数加权直方图规定化的彩色图像去雾方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
The Judgment of Funds Image Dinition;Yitao Liang等;《2012 international symposium on instrumentataion&measurement,sensor network and automation(IMSNA)》;20121008;第440-443页 *
变差函数和形态学滤波的图像去雾算法;刘万军等;《中国图象图形学报》;20161216;第21卷(第12期);第1节、第2节、第3.1节 *
基于混合对比度增强的户外图像去雾方法;翟艺书等;《计算机仿真》;20100515;第27卷(第5期);第227-230页 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11803942B2 (en) 2021-11-19 2023-10-31 Stmicroelectronics (Research & Development) Limited Blended gray image enhancement

Also Published As

Publication number Publication date
CN107451977A (zh) 2017-12-08

Similar Documents

Publication Publication Date Title
Golts et al. Unsupervised single image dehazing using dark channel prior loss
CN112288658B (zh) 一种基于多残差联合学习的水下图像增强方法
CN110363716B (zh) 一种基于条件生成对抗网络复合降质图像高质量重建方法
Xu et al. A sparse control model for image and video editing
CN107451977B (zh) 一种图像去雾方法及其系统
Huang et al. Self-filtering image dehazing with self-supporting module
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
CN105303581B (zh) 一种自适应参数的运动目标检测方法
CN101527038B (zh) 一种改进的基于直方图的图像对比度增强方法
Guo et al. Genetic algorithm-based parameter selection approach to single image defogging
CN110675462A (zh) 一种基于卷积神经网络的灰度图像彩色化方法
CN110992365B (zh) 一种基于图像语义分割的损失函数及其设计方法
Zhao et al. Deep fully convolutional regression networks for single image haze removal
CN113628152B (zh) 一种基于多尺度特征选择性融合的暗光图像增强方法
CN102625030A (zh) 视频增强方法和系统
Huo et al. High‐dynamic range image generation from single low‐dynamic range image
CN111598814B (zh) 基于极端散射通道的单图像去雾方法
CN108898561B (zh) 一种含天空区域雾天图像的去雾方法、服务器及系统
CN109308709B (zh) 基于图像分割的Vibe运动目标检测算法
CN107451962B (zh) 一种图像去雾方法及装置
Xu et al. Deep video inverse tone mapping
CN112329793B (zh) 基于结构自适应和规模自适应感受野的显著性检测方法
Li et al. FastLLVE: Real-Time Low-Light Video Enhancement with Intensity-Aware Look-Up Table
Zhang et al. Mffe: Multi-scale feature fusion enhanced net for image dehazing
Zhang et al. Dehazing with improved heterogeneous atmosphere light estimation and a nonlinear color attenuation prior model

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: 20200821

Termination date: 20210807

CF01 Termination of patent right due to non-payment of annual fee