CN107767353A - 一种基于清晰度评价的自适应图像去雾方法 - Google Patents
一种基于清晰度评价的自适应图像去雾方法 Download PDFInfo
- Publication number
- CN107767353A CN107767353A CN201711263057.0A CN201711263057A CN107767353A CN 107767353 A CN107767353 A CN 107767353A CN 201711263057 A CN201711263057 A CN 201711263057A CN 107767353 A CN107767353 A CN 107767353A
- Authority
- CN
- China
- Prior art keywords
- image
- defogging
- algorithm
- definition
- index
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 239000003595 mist Substances 0.000 claims abstract description 31
- 238000013441 quality evaluation Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 15
- 230000008030 elimination Effects 0.000 claims abstract description 13
- 238000003379 elimination reaction Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 201000004569 Blindness Diseases 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000007773 growth pattern Effects 0.000 claims description 3
- 238000012880 independent component analysis Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000016507 interphase Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002689 soil Substances 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于清晰度评价的自适应图像去雾方法,包括:图像预处理、图像清晰度判决、图像去雾处理和编码决策优化;图像清晰度判决是根据气象学中能见度的定义,对输入的雾霾图像进行分类;图像去雾处理是对分类后的雾霾图像依次调用去雾算法进行处理;所述的编码决策优化是对处理结果进行图像质量评价,并对评价结果引入编码决策方法,进而再次自适应调用去雾算法进行处理,实现输出效果最优化。本发明避免了Retinex去雾算法造成图像的饱和度低,降低了对比度增强方法使去雾图像细节信息丢失严重,以及大气散射模型方法鲁棒性弱等问题,本发的图像去雾方法普适性强,稳定性,处理的图像效果好,质量高。
Description
技术领域
本发明涉及计算机视觉、图像去雾技术领域,具体为一种基于清晰度评价的自适应图像去雾方法。
背景技术
随着社会的不断发展与进步,尤其是科学技术的不断进入,人们的物质生活得到了很大的改善与提高,尤其是城市化进步点不断加快和交通运输业的飞速发展,人们得以走出去更多的了解外面的世界。社会快速发展进步的同时,也带来了许多负面的影响,如大量土地植被破坏,工业污染企业排污严重超标,机车保有量数量急剧增加,对人们赖以生存的空气环境造成了严重的破坏。
近年来,随着环境和气候的变化以及空气质量的不断下降,导致了雾霾天气的频繁出现。由于受到雾霾天气的影响,以及空气媒介对大气光的散射、反射和吸收作用,使得获取的图像清晰度降低、图像模糊不清、局部细节丢失严重,直接限制并影响了智能导航、公路视频监控、卫星遥感等视觉系统的有效发挥。
为了能够很好的对图像进行清晰度处理,现有公开文件中公开了诸多图像去雾的方法,如基于透射率归一化的增强弱光图像清晰度的方法、一种基于暗通道技术的提高交通视频图像清晰度方法和基于图割的图像去雾方法等;各种去雾方法在一定程度上都对图像去雾提高清晰度起到不同程度的作用。
而基于清晰度评价的图像去雾方法,尚未有公开,因此,提供一种基于清晰度评价的自事情图像去雾方法,是一个值得研究的问题。
发明内容
为了克服上述现有技术中的不足,本发明提供了一种基于非物理模型和物理模型的去雾方法,并针对不同浓度的雾霾图像,从图像清晰度判决分析的角度出发,自适应调用相应地去雾算法进行去雾处理,并对处理结果进行图像质量评价,进而引入编码决策方法,使得输出最佳去雾图像的方法。
本发明的目的是这样实现的:
一种基于清晰度评价的自适应图像去雾方法,包括:图像预处理、图像清晰度判决、图像去雾处理和编码决策优化;
所述的图像清晰度判决是根据气象学中能见度的定义,对输入的雾霾图像进行分类;
所述的图像去雾处理是对分类后的雾霾图像依次调用去雾算法进行处理;
所述的编码决策优化是对处理结果进行图像质量评价,并对评价结果引入编码决策方法,进而再次自适应调用去雾算法进行处理,实现输出效果最优化。
所述的一种基于清晰度评价的自适应图像去雾方法,具体包括以下步骤:
第一步:输入原始雾霾图像I(x,y),并计算图像I(x,y)的局部均值,局部方差,平均梯度,信息熵等清晰度指标;
第二步:根据清晰度指标判断图像是否含雾;如果含雾,则进一步判别所含雾霾的浓度情况;反之,则直接输出;
第三步:初始化备选去雾算法;
第四步:根据不同雾霾浓度的图像依次调用去雾算法进行处理;
第五步:对各去雾图像进行图像质量评价,并统计各评价指标;
第六步:根据评价指标相对最优准则,进行编码决策,并对结果重新进行自适应清晰度判决,最终输出较优的去雾图像;
所述第一步对输入的原始雾霾图像I(x,y),计算其局部均值,局部方差,平均梯度及信息熵等清晰度指标:
设I是一幅具有L灰度级的图像,图像总的像素点个数为M*N;假定I(i,j)是图像中某像素点的灰度值,局部区域的定义为:以(i,j)为中心,窗口大小为m*m(m=2n+1)的区域,其中n为一个整数。那么局部均值可以用下式计算:
(1)局部均值:
(2)局部方差:
(3)平均梯度:
(4)信息熵:
假设图像灰度级为l的像素出现的概率为pl=nk/n,其中,n表示像素的总个数,nk表示灰度级为l的像素个数,k=0,1,…,L-1,则信息熵为:
所述第二步进行图像清晰度判决,首先通过第一步对输入原始雾霾图像计算其清晰度判决指标;如果各项指标均处于某一阈值范围内,则依据气象学中图像能见度的判别标准表示输入图像含雾,并进一步判别图像所含雾霾浓度的情况,是否属于薄雾,轻雾,中雾,还是浓雾;反之,则直接输出;
所述第三步备选去雾算法初始化,备选去雾算法如下:
(1)Retinex去雾算法:
Retinex理论根据物体的颜色是由不同波长光的反射能力来确定的,且物体颜色一致性不会受到光照不均的影响。认为图像是由大气直射光和物体反射光之间相互作用而形成的;Retinex模型认为理想的图像I(x,y)可以表示为:
I(x,y)=L(x,y)·R(x,y)
其中,L(x,y)表示照射分量,与场景无关,可以确定图像的动态范围;R(x,y)表示反射分量,与照明无关,对应图像中包含细节纹理的高频信息,决定了图像的固有性质;为了求解方便,对上式两边分别取对数运算,把乘法运算转化为加法运算:
ln(I(x,y))=ln(L(x,y))+ln(R(x,y))
对上式进行变形,并由Retinex理论可知,单尺度Retinex算法(SSR)可以表示为:
Ri(x,y)=lnIi(x,y)-ln[G(x,y)*Ii(x,y)]
其中,Ri(x,y)为第i个单颜色通道图像的输出;Ii(x,y)为原始图像的亮度分量;“*”在此表示卷积运算;为高斯环绕函数。σ是高斯函数的标准差。
(2)对比度增强方法:
假设图像f(x,y)的灰度直方图可表示为:
其中,L表示灰度级范围,pk表示图像中灰度级为k的像素出现的概率,nk表示图像中灰度值为k的个数,rk表示第k级灰度值,n表示图像像素总数;
假设r为原图像归一化后的灰度级,s为均衡化处理并归一化后的灰度级,则直方图均衡化就是通过一个变换函数s=T(r)修正直方图使输入图像的灰度概率密度均匀分布,拉大像素灰度间距。变换函数T(r)必须满足自变量r在[0,1]上函数单调递增,且输入、输出灰度级必须保持一致,即当0≤r≤1时,0≤s≤1;
对于图像f(x,y),变换函数T(r)可以表示为:
通过上式改变输入图像的灰度分布,使变换后的图像的灰度分布均匀,拉伸了图像的灰度动态范围,进而改善了图像视觉效果;直方图均衡化实质上就是通过对图像灰度进行非线性拉伸,使图像的像素重新分配,并扩大直方图量化间隔,使一定灰度范围内的像素数量大致相同;
(3)大气散射模型方法:
大气散射模型方法的目的在于复原图像的细节信息,主要包括:Fattal的算法、Tarel等人算法、He等人算法以及改进算法和Meng等人算法;
(a)Fattal的复原算法
通过假设透射率与物体表面色度在局部不相关,用独立成分分析估计常向量反照率,并由此推导出投射率图而提出的一种估计透射率和大气光值的去雾方法;
(b)Tarel等人的复原算法
由于暗通道先验去雾算法使用的软抠图算法太复杂,利用中值滤波和它的改进算法替换软抠图算法,Tarel等人的算法可以实时的处理彩色或灰度图像;
(c)He的复原算法以及改进算法
He等人通过研究了大量的户外清晰图像,并发现在户外清晰图像上的大部分区域,有一个像素最小值为零的通道,故被称为暗通道先验理论;
(d)Meng等人通过对透射率强加一个固有的边界约束并采用基于正则化加权L1范数来优化透射率,而提出的一种改进的暗通道先验去雾算法;
根据不同雾霾浓度的图像依次调用第三步初始化的备选去雾算法,并进行去雾处理;
对第四步处理的去雾图像进行质量评价,并统计各评价指标;这里通过选用图像能见度的评价指标、颜色恢复的评价指标、图像结构相似性指标进行图像质量评价,质量评价指标如下:
(1)图像能见度指标
图像能见度的指标包括图像盲评估指标、图像能见度测量(IVM)、图像对比度和视觉对比度测量(VCM);
(a)图像盲评估指标:图像盲评估指标主要使用图像边缘的增强程度来表示图像的能见度的增强程度;第一个指标e表示雾霾图像增强后的可见边缘增长情况;第二个指标表示图像梯度的增强程度,或用来表示图像边缘信息和纹理信息的恢复程度;
(b)图像能见度测量(IVM):受盲目评价指标的启发,Yu等人提出了一种基于可见边缘分割的图像能见度测量方法;
(c)图像对比度增益:清晰图像的对比度通常比雾霾图像的对比度要高很多,所以图像的对比度可以用来比较不同的去雾算法;增强图像的对比度越高,去雾的算法越好;
(d)视觉对比度测量(VCM)。Jobson等人通过使用局部标准差表示图像能见度测量的对比度;
(2)颜色恢复指标
评价指标σ可以用来评估去雾算法的颜色恢复性能。σ表示图像去雾后的像素饱和率,计算公式为:
其中,M和N表示图像的尺寸大小,ns表示增强图像的黑白像素数,在原始有雾图像上并非绝对的黑色和白色;
(3)图像结构相似性指标
图像结构相似度和通用的质量评价指标可以评价原始有雾图像和增强图像之间结构相似性的性能;原则上图像结构相似度和通用的质量评价指标越高,比较图像越好;
根据评价指标相对最优准则,进行编码决策,最终输出较优的去雾效果图像。
积极有益效果:本发明基于非物理模型类去雾方法目的在于增强图像对比度,突出图像中景物的特征和有价值的信息。而基于物理模型类去雾方法复原后的图像效果真实,较为接近降质前原景,对复杂场景的图像处理效果较好,图像信息保存完整。因此避免了Retinex去雾算法造成图像的饱和度低,降低了对比度增强方法使去雾图像细节信息丢失严重,以及大气散射模型方法鲁棒性弱等问题,本发的图像去雾方法普适性强,稳定性,处理的图像效果好,质量高;不同雾霾图像处理均有较好的视觉效果,同其它去雾方法相比本文方法去雾普适性更强,稳定性更高。
附图说明
图1为本发明的去雾过程框图。
具体实施方式
下面结合附图,对本发明做进一步的说明:
如图1所述,一种基于清晰度评价的自适应图像去雾方法,包括:图像预处理、图像清晰度判决、图像去雾处理和编码决策优化;
所述的图像清晰度判决是根据气象学中能见度的定义,对输入的雾霾图像进行分类;
所述的图像去雾处理是对分类后的雾霾图像依次调用去雾算法进行处理;
所述的编码决策优化是对处理结果进行图像质量评价,并对评价结果引入编码决策方法,进而再次自适应调用去雾算法进行处理,实现输出效果最优化。
所述的一种基于清晰度评价的自适应图像去雾方法,具体包括以下步骤:
第一步:输入原始雾霾图像I(x,y),并计算图像I(x,y)的局部均值,局部方差,平均梯度,信息熵等清晰度指标;
第二步:根据清晰度指标判断图像是否含雾;如果含雾,则进一步判别所含雾霾的浓度情况;反之,则直接输出;
第三步:初始化备选去雾算法;
第四步:根据不同雾霾浓度的图像依次调用去雾算法进行处理;
第五步:对各去雾图像进行图像质量评价,并统计各评价指标;
第六步:根据评价指标相对最优准则,进行编码决策,并对结果重新进行自适应清晰度判决,最终输出较优的去雾图像;
所述第一步对输入的原始雾霾图像I(x,y),计算其局部均值,局部方差,平均梯度及信息熵等清晰度指标:
设I是一幅具有L灰度级的图像,图像总的像素点个数为M*N;假定I(i,j)是图像中某像素点的灰度值,局部区域的定义为:以(i,j)为中心,窗口大小为m*m(m=2n+1)的区域,其中n为一个整数。那么局部均值可以用下式计算:
(1)局部均值:
(2)局部方差:
(3)平均梯度:
(4)信息熵:
假设图像灰度级为l的像素出现的概率为pl=nk/n,其中,n表示像素的总个数,nk表示灰度级为l的像素个数,k=0,1,…,L-1,则信息熵为:
所述第二步进行图像清晰度判决,首先通过第一步对输入原始雾霾图像计算其清晰度判决指标;如果各项指标均处于某一阈值范围内,则依据气象学中图像能见度的判别标准表示输入图像含雾,并进一步判别图像所含雾霾浓度的情况,是否属于薄雾,轻雾,中雾,还是浓雾;反之,则直接输出;
所述第三步备选去雾算法初始化,备选去雾算法如下:
(1)Retinex去雾算法:
Retinex理论根据物体的颜色是由不同波长光的反射能力来确定的,且物体颜色一致性不会受到光照不均的影响。认为图像是由大气直射光和物体反射光之间相互作用而形成的;Retinex模型认为理想的图像I(x,y)可以表示为:
I(x,y)=L(x,y)·R(x,y)
其中,L(x,y)表示照射分量,与场景无关,可以确定图像的动态范围;R(x,y)表示反射分量,与照明无关,对应图像中包含细节纹理的高频信息,决定了图像的固有性质;为了求解方便,对上式两边分别取对数运算,把乘法运算转化为加法运算:
ln(I(x,y))=ln(L(x,y))+ln(R(x,y))
对上式进行变形,并由Retinex理论可知,单尺度Retinex算法(SSR)可以表示为:
Ri(x,y)=lnIi(x,y)-ln[G(x,y)*Ii(x,y)]
其中,Ri(x,y)为第i个单颜色通道图像的输出;Ii(x,y)为原始图像的亮度分量;“*”在此表示卷积运算;为高斯环绕函数。σ是高斯函数的标准差。
(2)对比度增强方法:
假设图像f(x,y)的灰度直方图可表示为:
其中,L表示灰度级范围,pk表示图像中灰度级为k的像素出现的概率,nk表示图像中灰度值为k的个数,rk表示第k级灰度值,n表示图像像素总数;
假设r为原图像归一化后的灰度级,s为均衡化处理并归一化后的灰度级,则直方图均衡化就是通过一个变换函数s=T(r)修正直方图使输入图像的灰度概率密度均匀分布,拉大像素灰度间距。变换函数T(r)必须满足自变量r在[0,1]上函数单调递增,且输入、输出灰度级必须保持一致,即当0≤r≤1时,0≤s≤1;
对于图像f(x,y),变换函数T(r)可以表示为:
通过上式改变输入图像的灰度分布,使变换后的图像的灰度分布均匀,拉伸了图像的灰度动态范围,进而改善了图像视觉效果;直方图均衡化实质上就是通过对图像灰度进行非线性拉伸,使图像的像素重新分配,并扩大直方图量化间隔,使一定灰度范围内的像素数量大致相同;
(3)大气散射模型方法:
大气散射模型方法的目的在于复原图像的细节信息,主要包括:Fattal的算法、Tarel等人算法、He等人算法以及改进算法和Meng等人算法;
(a)Fattal的复原算法
通过假设透射率与物体表面色度在局部不相关,用独立成分分析估计常向量反照率,并由此推导出投射率图而提出的一种估计透射率和大气光值的去雾方法;
(b)Tarel等人的复原算法
由于暗通道先验去雾算法使用的软抠图算法太复杂,利用中值滤波和它的改进算法替换软抠图算法,Tarel等人的算法可以实时的处理彩色或灰度图像;
(c)He的复原算法以及改进算法
He等人通过研究了大量的户外清晰图像,并发现在户外清晰图像上的大部分区域,有一个像素最小值为零的通道,故被称为暗通道先验理论;
(d)Meng等人通过对透射率强加一个固有的边界约束并采用基于正则化加权L1范数来优化透射率,而提出的一种改进的暗通道先验去雾算法;
根据不同雾霾浓度的图像依次调用第三步初始化的备选去雾算法,并进行去雾处理;
对第四步处理的去雾图像进行质量评价,并统计各评价指标;这里通过选用图像能见度的评价指标、颜色恢复的评价指标、图像结构相似性指标进行图像质量评价,质量评价指标如下:
(1)图像能见度指标
图像能见度的指标包括图像盲评估指标、图像能见度测量(IVM)、图像对比度和视觉对比度测量(VCM);
(a)图像盲评估指标:图像盲评估指标主要使用图像边缘的增强程度来表示图像的能见度的增强程度;第一个指标e表示雾霾图像增强后的可见边缘增长情况;第二个指标表示图像梯度的增强程度,或用来表示图像边缘信息和纹理信息的恢复程度;
(b)图像能见度测量(IVM):受盲目评价指标的启发,Yu等人提出了一种基于可见边缘分割的图像能见度测量方法;
(c)图像对比度增益:清晰图像的对比度通常比雾霾图像的对比度要高很多,所以图像的对比度可以用来比较不同的去雾算法;增强图像的对比度越高,去雾的算法越好;
(d)视觉对比度测量(VCM)。Jobson等人通过使用局部标准差表示图像能见度测量的对比度;
(2)颜色恢复指标
评价指标σ可以用来评估去雾算法的颜色恢复性能。σ表示图像去雾后的像素饱和率,计算公式为:
其中,M和N表示图像的尺寸大小,ns表示增强图像的黑白像素数,在原始有雾图像上并非绝对的黑色和白色;
(3)图像结构相似性指标
图像结构相似度和通用的质量评价指标可以评价原始有雾图像和增强图像之间结构相似性的性能;原则上图像结构相似度和通用的质量评价指标越高,比较图像越好;
根据评价指标相对最优准则,进行编码决策,最终输出较优的去雾效果图像。例如,表1展示了一幅大雾图像的图像质量评价指标统计数据。
表1去雾算法图像质量评价指标
通过对每种图像质量评价指标进行二进制编码,将评价指标最优的编码为1,其它的编码为0。表1中给出评价指标编码结果,并将数据右边括号里权重为1的数字进行统计,其结果如Statistic行所示。最终统计码元位为1个数最多指标的算法,并决策为最佳去雾算法。从表1中发现,依据图像的不同,对于大雾图像进行图像质量评价的结果,其算法对应的最佳指标依次为1,1,6。故Retinex算法最优指标个数最多,故判决为最佳去雾算法。
本发明基于非物理模型类去雾方法目的在于增强图像对比度,突出图像中景物的特征和有价值的信息。而基于物理模型类去雾方法复原后的图像效果真实,较为接近降质前原景,对复杂场景的图像处理效果较好,图像信息保存完整。因此避免了Retinex去雾算法造成图像的饱和度低,降低了对比度增强方法使去雾图像细节信息丢失严重,以及大气散射模型方法鲁棒性弱等问题,本发的图像去雾方法普适性强,稳定性,处理的图像效果好,质量高;不同雾霾图像处理均有较好的视觉效果,同其它去雾方法相比本文方法去雾普适性更强,稳定性更高。
以上实施方式仅用于说明本发明的优选实施方式,但本发明并不限于上述实施方式,在所述领域普通技术人员所具备的知识范围内,本发明的精神和原则之内所作的任何修改、等同替代及改进等,均应视为本申请的保护范围。
Claims (8)
1.一种基于清晰度评价的自适应图像去雾方法,其特征在于:包括:第一步、图像预处理;第二步、图像清晰度判决;第三步、图像去雾处理和编码决策优化;
所述的图像清晰度判决是根据气象学中能见度的定义,对输入的雾霾图像进行分类;
所述的图像去雾处理是对分类后的雾霾图像依次调用去雾算法进行处理;
所述的编码决策优化是对处理结果进行图像质量评价,并对评价结果引入编码决策方法,进而再次自适应调用去雾算法进行处理,实现输出效果最优化。
2.根据权利要求1所述的一种基于清晰度评价的自适应图像去雾方法,其特征在于,具体包括以下步骤:
第一步:输入原始雾霾图像I(x,y),并计算图像I(x,y)的局部均值,局部方差,平均梯度,信息熵等清晰度指标;
第二步:根据清晰度指标判断图像是否含雾;如果含雾,则进一步判别所含雾霾的浓度情况;反之,则直接输出;
第三步:初始化备选去雾算法;
第四步:根据不同雾霾浓度的图像依次调用去雾算法进行处理;
第五步:对各去雾图像进行图像质量评价,并统计各评价指标;
第六步:根据评价指标相对最优准则,进行编码决策,并对结果重新进行自适应清晰度判决,最终输出较优的去雾图像。
3.根据权利要求1所述的一种基于清晰度评价的自适应图像去雾方法,其特征在于:所述第一步对输入的原始雾霾图像I(x,y),计算其局部均值,局部方差,平均梯度及信息熵等清晰度指标:
设I是一幅具有L灰度级的图像,图像总的像素点个数为M*N;假定I(i,j)是图像中某像素点的灰度值,局部区域的定义为:以(i,j)为中心,窗口大小为m*m(m=2n+1)的区域,其中n为一个整数;那么局部均值可以用下式计算:
(1)局部均值:
(2)局部方差:
(3)平均梯度:
(4)信息熵:
假设图像灰度级为l的像素出现的概率为pl=nk/n,其中,n表示像素的总个数,nk表示灰度级为l的像素个数,k=0,1,…,L-1,则信息熵为:
4.根据权利要求1或2所述的一种基于清晰度评价的自适应图像去雾方法,其特征在于:所述第二步进行图像清晰度判决,首先通过第一步对输入原始雾霾图像计算其清晰度判决指标;如果各项指标均处于某一阈值范围内,则依据气象学中图像能见度的判别标准表示输入图像含雾,并进一步判别图像所含雾霾浓度的情况,是否属于薄雾,轻雾,中雾,还是浓雾;反之,则直接输出。
5.根据权利要求2所述的一种基于清晰度评价的自适应图像去雾方法,其特征在于:所述第三步备选去雾算法初始化,备选去雾算法如下:
(1)Retinex去雾算法:
Retinex理论根据物体的颜色是由不同波长光的反射能力来确定的,且物体颜色一致性不会受到光照不均的影响;认为图像是由大气直射光和物体反射光之间相互作用而形成的;Retinex模型认为理想的图像I(x,y)可以表示为:
I(x,y)=L(x,y)·R(x,y)
其中,L(x,y)表示照射分量,与场景无关,可以确定图像的动态范围;R(x,y)表示反射分量,与照明无关,对应图像中包含细节纹理的高频信息,决定了图像的固有性质;为了求解方便,对上式两边分别取对数运算,把乘法运算转化为加法运算:
ln(I(x,y))=ln(L(x,y))+ln(R(x,y))
对上式进行变形,并由Retinex理论可知,单尺度Retinex算法(SSR)可以表示为:
Ri(x,y)=lnIi(x,y)-ln[G(x,y)*Ii(x,y)]
其中,Ri(x,y)为第i个单颜色通道图像的输出;Ii(x,y)为原始图像的亮度分量;“*”在此表示卷积运算;为高斯环绕函数;σ是高斯函数的标准差;
(2)对比度增强方法:
假设图像f(x,y)的灰度直方图可表示为:
其中,L表示灰度级范围,pk表示图像中灰度级为k的像素出现的概率,nk表示图像中灰度值为k的个数,rk表示第k级灰度值,n表示图像像素总数;
假设r为原图像归一化后的灰度级,s为均衡化处理并归一化后的灰度级,则直方图均衡化就是通过一个变换函数s=T(r)修正直方图使输入图像的灰度概率密度均匀分布,拉大像素灰度间距;变换函数T(r)必须满足自变量r在[0,1]上函数单调递增,且输入、输出灰度级必须保持一致,即当0≤r≤1时,0≤s≤1;
对于图像f(x,y),变换函数T(r)可以表示为:
通过上式改变输入图像的灰度分布,使变换后的图像的灰度分布均匀,拉伸了图像的灰度动态范围,进而改善了图像视觉效果;直方图均衡化实质上就是通过对图像灰度进行非线性拉伸,使图像的像素重新分配,并扩大直方图量化间隔,使一定灰度范围内的像素数量大致相同;
(3)大气散射模型方法:
大气散射模型方法的目的在于复原图像的细节信息,主要包括:Fattal的算法、Tarel等人算法、He等人算法以及改进算法和Meng等人算法;
(a)Fattal的复原算法
通过假设透射率与物体表面色度在局部不相关,用独立成分分析估计常向量反照率,并由此推导出投射率图而提出的一种估计透射率和大气光值的去雾方法;
(b)Tarel等人的复原算法
由于暗通道先验去雾算法使用的软抠图算法太复杂,利用中值滤波和它的改进算法替换软抠图算法,Tarel等人的算法可以实时的处理彩色或灰度图像;
(c)He的复原算法以及改进算法
He等人通过研究了大量的户外清晰图像,并发现在户外清晰图像上的大部分区域,有一个像素最小值为零的通道,故被称为暗通道先验理论;
(d)Meng等人通过对透射率强加一个固有的边界约束并采用基于正则化加权L1范数来优化透射率,而提出的一种改进的暗通道先验去雾算法。
6.根据权利要求2所述的一种基于清晰度评价的自适应图像去雾方法,其特征在于:根据不同雾霾浓度的图像依次调用第三步初始化的备选去雾算法,并进行去雾处理。
7.根据权利要求6所述的一种基于清晰度评价的自适应图像去雾方法,其特征在于:对第四步处理的去雾图像进行质量评价,并统计各评价指标;这里通过选用图像能见度的评价指标、颜色恢复的评价指标、图像结构相似性指标进行图像质量评价,质量评价指标如下:
(1)图像能见度指标
图像能见度的指标包括图像盲评估指标、图像能见度测量(IVM)、图像对比度和视觉对比度测量(VCM);
(a)图像盲评估指标:图像盲评估指标主要使用图像边缘的增强程度来表示图像的能见度的增强程度;第一个指标e表示雾霾图像增强后的可见边缘增长情况;第二个指标表示图像梯度的增强程度,或用来表示图像边缘信息和纹理信息的恢复程度;
(b)图像能见度测量(IVM):受盲目评价指标的启发,Yu等人提出了一种基于可见边缘分割的图像能见度测量方法;
(c)图像对比度增益:清晰图像的对比度通常比雾霾图像的对比度要高很多,所以图像的对比度可以用来比较不同的去雾算法;增强图像的对比度越高,去雾的算法越好;
(d)视觉对比度测量(VCM)、Jobson等人通过使用局部标准差表示图像能见度测量的对比度;
(2)颜色恢复指标
评价指标σ可以用来评估去雾算法的颜色恢复性能;σ表示图像去雾后的像素饱和率,计算公式为:
其中,M和N表示图像的尺寸大小,ns表示增强图像的黑白像素数,在原始有雾图像上并非绝对的黑色和白色;
(3)图像结构相似性指标
图像结构相似度和通用的质量评价指标可以评价原始有雾图像和增强图像之间结构相似性的性能;原则上图像结构相似度和通用的质量评价指标越高,比较图像越好。
8.根据权利要求1或2所述的一种基于清晰度评价的自适应图像去雾方法,其特征在于:根据评价指标相对最优准则,进行编码决策,最终输出较优的去雾效果图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711263057.0A CN107767353A (zh) | 2017-12-04 | 2017-12-04 | 一种基于清晰度评价的自适应图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711263057.0A CN107767353A (zh) | 2017-12-04 | 2017-12-04 | 一种基于清晰度评价的自适应图像去雾方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107767353A true CN107767353A (zh) | 2018-03-06 |
Family
ID=61275924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711263057.0A Pending CN107767353A (zh) | 2017-12-04 | 2017-12-04 | 一种基于清晰度评价的自适应图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107767353A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510474A (zh) * | 2018-03-09 | 2018-09-07 | 上海烟草集团有限责任公司 | 烟叶图像质量的评价方法、系统、存储器、及电子设备 |
CN108615226A (zh) * | 2018-04-18 | 2018-10-02 | 南京信息工程大学 | 一种基于生成式对抗网络的图像去雾方法 |
CN108619729A (zh) * | 2018-04-25 | 2018-10-09 | 黄慧 | 幼儿定向服务式跷跷板 |
CN108619727A (zh) * | 2018-04-20 | 2018-10-09 | 陈军 | 基于体形检测的秋千管理系统 |
CN108805826A (zh) * | 2018-05-07 | 2018-11-13 | 珠海全志科技股份有限公司 | 改善去雾效果的方法 |
CN108961206A (zh) * | 2018-04-20 | 2018-12-07 | 北京航空航天大学 | 一种去雾效果的无参考客观评价方法 |
CN109102471A (zh) * | 2018-07-20 | 2018-12-28 | 遵义师范学院 | 一种基于直方图修正的低功耗图像显示驱动方法 |
CN109146826A (zh) * | 2018-06-27 | 2019-01-04 | 华南理工大学 | 一种图像增强方法及装置 |
CN109235513A (zh) * | 2018-04-20 | 2019-01-18 | 周慧 | 铲斗动力可控式挖掘机 |
CN109224460A (zh) * | 2018-04-20 | 2019-01-18 | 陈军 | 基于体形检测的秋千管理方法 |
CN109410142A (zh) * | 2018-10-31 | 2019-03-01 | 中国北方车辆研究所 | 一种基于图像质量评价最优的去雾方法 |
CN109447917A (zh) * | 2018-10-31 | 2019-03-08 | 西京学院 | 基于内容和特征及多尺度模型的遥感图像雾霾消除方法 |
CN109472751A (zh) * | 2018-10-29 | 2019-03-15 | 中国资源卫星应用中心 | 一种增强对比度的遥感卫星图像处理方法 |
CN110738624A (zh) * | 2019-10-18 | 2020-01-31 | 电子科技大学 | 一种区域自适应的图像去雾系统及方法 |
CN111145120A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 能见度检测方法、装置、计算机设备和存储介质 |
CN111915530A (zh) * | 2020-08-06 | 2020-11-10 | 温州大学 | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 |
CN112330675A (zh) * | 2020-12-15 | 2021-02-05 | 南昌工程学院 | 基于AOD-Net的交通道路图像大气能见度检测方法 |
CN112513928A (zh) * | 2018-07-24 | 2021-03-16 | 丰田自动车欧洲公司 | 训练模型以对有雾图像执行语义分割的方法和系统 |
CN113514228A (zh) * | 2021-03-16 | 2021-10-19 | 复旦大学 | 一种模拟雾环境下的图像采集装置清晰度的评价方法 |
CN113554596A (zh) * | 2021-06-23 | 2021-10-26 | 浙江大华技术股份有限公司 | 图像起雾判断方法、装置、电子装置和存储介质 |
CN113628133A (zh) * | 2021-07-28 | 2021-11-09 | 武汉三江中电科技有限责任公司 | 一种基于视频图像的去雨雾方法及装置 |
CN114067173A (zh) * | 2021-11-07 | 2022-02-18 | 西北工业大学 | 基于多清晰度集成自训练的小样本低质量图像目标检测方法 |
CN114332082A (zh) * | 2022-03-07 | 2022-04-12 | 飞狐信息技术(天津)有限公司 | 清晰度的评价方法、装置、电子设备及计算机存储介质 |
CN114862705A (zh) * | 2022-04-25 | 2022-08-05 | 陕西西影数码传媒科技有限责任公司 | 影像色彩修复的图像质量评价方法 |
CN116071688A (zh) * | 2023-03-06 | 2023-05-05 | 台州天视智能科技有限公司 | 一种车辆的行为分析方法、装置、电子设备及存储介质 |
CN117221736A (zh) * | 2023-11-09 | 2023-12-12 | 成都中轨轨道设备有限公司 | 低照度亮清采集的自动调节ai相机系统 |
CN118071877A (zh) * | 2024-04-19 | 2024-05-24 | 武汉追月信息技术有限公司 | 一种基于遥感图像的城市测绘服务方法及系统 |
JP7510258B2 (ja) | 2019-05-27 | 2024-07-03 | キヤノン株式会社 | 画像処理装置、画像処理方法、撮像装置、プログラム、記憶媒体 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201438464A (zh) * | 2013-03-19 | 2014-10-01 | Univ Chaoyang Technology | 具能見度強化之攝影系統 |
CN104506755A (zh) * | 2015-01-13 | 2015-04-08 | 武汉烽火众智数字技术有限责任公司 | 基于fpga的高清视频实时自动化去雾方法 |
CN104680494A (zh) * | 2015-03-14 | 2015-06-03 | 西安电子科技大学 | 基于人工加雾的最佳雾图复原方法 |
CN105160653A (zh) * | 2015-07-13 | 2015-12-16 | 中国人民解放军陆军军官学院 | 一种用于雾天图像的质量评价方法 |
CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
CN105574830A (zh) * | 2016-02-04 | 2016-05-11 | 沈阳工业大学 | 极端天气条件下低质图像增强方法 |
CN105678735A (zh) * | 2015-10-13 | 2016-06-15 | 中国人民解放军陆军军官学院 | 一种用于雾天图像的目标显著性检测方法 |
US20160267349A1 (en) * | 2015-03-11 | 2016-09-15 | Microsoft Technology Licensing, Llc | Methods and systems for generating enhanced images using multi-frame processing |
CN106296612A (zh) * | 2016-08-09 | 2017-01-04 | 南京工业大学 | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 |
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 |
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
CN106851086A (zh) * | 2016-11-28 | 2017-06-13 | 北京奇虎科技有限公司 | 一种进行照片生成的方法及设备 |
CN107424133A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
-
2017
- 2017-12-04 CN CN201711263057.0A patent/CN107767353A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201438464A (zh) * | 2013-03-19 | 2014-10-01 | Univ Chaoyang Technology | 具能見度強化之攝影系統 |
CN104506755A (zh) * | 2015-01-13 | 2015-04-08 | 武汉烽火众智数字技术有限责任公司 | 基于fpga的高清视频实时自动化去雾方法 |
US20160267349A1 (en) * | 2015-03-11 | 2016-09-15 | Microsoft Technology Licensing, Llc | Methods and systems for generating enhanced images using multi-frame processing |
CN104680494A (zh) * | 2015-03-14 | 2015-06-03 | 西安电子科技大学 | 基于人工加雾的最佳雾图复原方法 |
CN105160653A (zh) * | 2015-07-13 | 2015-12-16 | 中国人民解放军陆军军官学院 | 一种用于雾天图像的质量评价方法 |
CN105678735A (zh) * | 2015-10-13 | 2016-06-15 | 中国人民解放军陆军军官学院 | 一种用于雾天图像的目标显著性检测方法 |
CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
CN105574830A (zh) * | 2016-02-04 | 2016-05-11 | 沈阳工业大学 | 极端天气条件下低质图像增强方法 |
CN106296612A (zh) * | 2016-08-09 | 2017-01-04 | 南京工业大学 | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 |
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 |
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
CN106851086A (zh) * | 2016-11-28 | 2017-06-13 | 北京奇虎科技有限公司 | 一种进行照片生成的方法及设备 |
CN107424133A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
Non-Patent Citations (4)
Title |
---|
SHIH-CHIA HUANG 等: "Visibility Restoration of Single Hazy Images Captured in Real-World Weather Conditions", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 * |
ZHOU WANG 等: "Image Quality Assessment: From Error Visibility to Structural Similarity", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
王红 等: "基于模糊理论和CLAHE的雾天图像自适应清晰化算法", 《微电子学与计算机》 * |
郭璠 等: "图像去雾技术研究综述与展望", 《计算机应用》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510474A (zh) * | 2018-03-09 | 2018-09-07 | 上海烟草集团有限责任公司 | 烟叶图像质量的评价方法、系统、存储器、及电子设备 |
CN108510474B (zh) * | 2018-03-09 | 2021-07-06 | 上海烟草集团有限责任公司 | 烟叶图像质量的评价方法、系统、存储器、及电子设备 |
CN108615226A (zh) * | 2018-04-18 | 2018-10-02 | 南京信息工程大学 | 一种基于生成式对抗网络的图像去雾方法 |
CN108615226B (zh) * | 2018-04-18 | 2022-02-11 | 南京信息工程大学 | 一种基于生成式对抗网络的图像去雾方法 |
CN108961206B (zh) * | 2018-04-20 | 2021-05-11 | 北京航空航天大学 | 一种去雾效果的无参考客观评价方法 |
CN109235513A (zh) * | 2018-04-20 | 2019-01-18 | 周慧 | 铲斗动力可控式挖掘机 |
CN109224460A (zh) * | 2018-04-20 | 2019-01-18 | 陈军 | 基于体形检测的秋千管理方法 |
CN108961206A (zh) * | 2018-04-20 | 2018-12-07 | 北京航空航天大学 | 一种去雾效果的无参考客观评价方法 |
CN108619727A (zh) * | 2018-04-20 | 2018-10-09 | 陈军 | 基于体形检测的秋千管理系统 |
CN108619729A (zh) * | 2018-04-25 | 2018-10-09 | 黄慧 | 幼儿定向服务式跷跷板 |
CN108805826A (zh) * | 2018-05-07 | 2018-11-13 | 珠海全志科技股份有限公司 | 改善去雾效果的方法 |
CN109146826A (zh) * | 2018-06-27 | 2019-01-04 | 华南理工大学 | 一种图像增强方法及装置 |
CN109102471A (zh) * | 2018-07-20 | 2018-12-28 | 遵义师范学院 | 一种基于直方图修正的低功耗图像显示驱动方法 |
CN109102471B (zh) * | 2018-07-20 | 2021-11-23 | 遵义师范学院 | 一种基于直方图修正的低功耗图像显示驱动方法 |
CN112513928A (zh) * | 2018-07-24 | 2021-03-16 | 丰田自动车欧洲公司 | 训练模型以对有雾图像执行语义分割的方法和系统 |
CN109472751A (zh) * | 2018-10-29 | 2019-03-15 | 中国资源卫星应用中心 | 一种增强对比度的遥感卫星图像处理方法 |
CN109410142A (zh) * | 2018-10-31 | 2019-03-01 | 中国北方车辆研究所 | 一种基于图像质量评价最优的去雾方法 |
CN109410142B (zh) * | 2018-10-31 | 2021-07-02 | 中国北方车辆研究所 | 一种基于图像质量评价最优的去雾方法 |
CN109447917B (zh) * | 2018-10-31 | 2022-03-22 | 西京学院 | 基于内容和特征及多尺度模型的遥感图像雾霾消除方法 |
CN109447917A (zh) * | 2018-10-31 | 2019-03-08 | 西京学院 | 基于内容和特征及多尺度模型的遥感图像雾霾消除方法 |
JP7510258B2 (ja) | 2019-05-27 | 2024-07-03 | キヤノン株式会社 | 画像処理装置、画像処理方法、撮像装置、プログラム、記憶媒体 |
CN110738624A (zh) * | 2019-10-18 | 2020-01-31 | 电子科技大学 | 一种区域自适应的图像去雾系统及方法 |
CN110738624B (zh) * | 2019-10-18 | 2022-02-01 | 电子科技大学 | 一种区域自适应的图像去雾系统及方法 |
CN111145120A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 能见度检测方法、装置、计算机设备和存储介质 |
CN111915530A (zh) * | 2020-08-06 | 2020-11-10 | 温州大学 | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 |
CN112330675A (zh) * | 2020-12-15 | 2021-02-05 | 南昌工程学院 | 基于AOD-Net的交通道路图像大气能见度检测方法 |
CN113514228A (zh) * | 2021-03-16 | 2021-10-19 | 复旦大学 | 一种模拟雾环境下的图像采集装置清晰度的评价方法 |
CN113554596A (zh) * | 2021-06-23 | 2021-10-26 | 浙江大华技术股份有限公司 | 图像起雾判断方法、装置、电子装置和存储介质 |
CN113628133A (zh) * | 2021-07-28 | 2021-11-09 | 武汉三江中电科技有限责任公司 | 一种基于视频图像的去雨雾方法及装置 |
CN114067173A (zh) * | 2021-11-07 | 2022-02-18 | 西北工业大学 | 基于多清晰度集成自训练的小样本低质量图像目标检测方法 |
CN114332082A (zh) * | 2022-03-07 | 2022-04-12 | 飞狐信息技术(天津)有限公司 | 清晰度的评价方法、装置、电子设备及计算机存储介质 |
CN114332082B (zh) * | 2022-03-07 | 2022-05-27 | 飞狐信息技术(天津)有限公司 | 清晰度的评价方法、装置、电子设备及计算机存储介质 |
CN114862705A (zh) * | 2022-04-25 | 2022-08-05 | 陕西西影数码传媒科技有限责任公司 | 影像色彩修复的图像质量评价方法 |
CN114862705B (zh) * | 2022-04-25 | 2022-11-25 | 陕西西影数码传媒科技有限责任公司 | 影像色彩修复的图像质量评价方法 |
CN116071688A (zh) * | 2023-03-06 | 2023-05-05 | 台州天视智能科技有限公司 | 一种车辆的行为分析方法、装置、电子设备及存储介质 |
CN117221736A (zh) * | 2023-11-09 | 2023-12-12 | 成都中轨轨道设备有限公司 | 低照度亮清采集的自动调节ai相机系统 |
CN117221736B (zh) * | 2023-11-09 | 2024-01-26 | 成都中轨轨道设备有限公司 | 低照度亮清采集的自动调节ai相机系统 |
CN118071877A (zh) * | 2024-04-19 | 2024-05-24 | 武汉追月信息技术有限公司 | 一种基于遥感图像的城市测绘服务方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767353A (zh) | 一种基于清晰度评价的自适应图像去雾方法 | |
Wang et al. | Single image dehazing based on the physical model and MSRCR algorithm | |
CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
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 | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN109447917B (zh) | 基于内容和特征及多尺度模型的遥感图像雾霾消除方法 | |
CN109523480A (zh) | 一种海雾图像的去雾方法、装置、计算机存储介质及终端 | |
CN108765336A (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
CN115063329A (zh) | 低光照环境下的可见光和红外图像融合增强方法及系统 | |
CN114037712B (zh) | 基于深度学习的用户实时涂抹交互式图像分割方法 | |
CN110211067A (zh) | 一种用于uuv近海面可见光图像去雾方法 | |
CN106296618A (zh) | 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 | |
CN110349113B (zh) | 一种基于暗原色先验改进的自适应图像去雾方法 | |
CN109949239B (zh) | 一种适用于多浓度多场景雾霾图像的自适应清晰化方法 | |
CN109003287A (zh) | 基于改进遗传算法的图像分割方法 | |
CN110223240A (zh) | 基于颜色衰减先验的图像去雾方法、系统及存储介质 | |
CN115937019A (zh) | 一种lsd二次分割和深度学习相结合的不均匀去雾方法 | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
CN108269241A (zh) | 结合雾天道路图像场景深度和道路图像特点的去雾算法 | |
CN105913391B (zh) | 一种基于形状可变形态学重构的去雾方法 | |
Hua et al. | Image dehazing using near-infrared information based on dark channel prior | |
CN113822816A (zh) | 气雾散射模型优化的单张遥感图像去霾方法 | |
Li et al. | [Retracted] Research on Haze Image Enhancement based on Dark Channel Prior Algorithm in Machine Vision | |
CN109308709A (zh) | 基于图像分割的Vibe运动目标检测算法 | |
CN117611501A (zh) | 一种低照度图像增强方法、装置、设备及可读存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180306 |