CN107798670B - 一种利用图像引导滤波器的暗原色先验图像去雾方法 - Google Patents
一种利用图像引导滤波器的暗原色先验图像去雾方法 Download PDFInfo
- Publication number
- CN107798670B CN107798670B CN201710852127.XA CN201710852127A CN107798670B CN 107798670 B CN107798670 B CN 107798670B CN 201710852127 A CN201710852127 A CN 201710852127A CN 107798670 B CN107798670 B CN 107798670B
- Authority
- CN
- China
- Prior art keywords
- image
- depth change
- value
- reference image
- dark
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 238000003708 edge detection Methods 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010038910 Retinitis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
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
本发明公开了一种利用图像引导滤波器的暗原色先验图像去雾方法。本发明的暗原色先验图像去雾方法包括:输入图像,并将输入图像转化为灰度图;对灰度图进行滤波,得到第一图像;对第一图像进行边缘检测,并提取第一图像的边缘特征,得到图像初始深度变化参考图;对初始深度变化参考图进行处理,得到图像的细节部分和深度的变化部分的平坦区域参考图像;利用平坦区域参考图像的掩模值计算获取所输入图像的暗通道值;利用暗通道值估算大气光的值,计算初始的透射图;对初始的透射图进行优化的处理,得到优化后的透视图像;利用输入图像和大气光的值以及优化后的透视图像,计算获取去雾后图像。本发明具有处理速度快、对比度均衡、细节还原准确的优点。
Description
技术领域
本发明涉及暗原色先验图像去雾方法属于图像处理技术领域,特别涉及一种利用图像引导滤波器的暗原色先验图像去雾方法及计算机程序。
背景技术
图像去雾(Haze removal or De-hazing)算法是计算机视觉领域中一个重要的研究课题,在诸如自动监控系统、自动驾驶、室外目标识别和低能见度环境中可视导航等领域内有着广泛的应用。雨、雾、雪等自然现象很容易导致户外图像降质;普通的图像增强算法不能有效的处理这些降质图像。通过图像去雾,可以显著提高图像的对比度、还原真实信息,直接影响接下来的图像分割、目标识别等;在航空航天、目标精确定位与打击、对地观测等领域,智能交通系统、户外监视系统、地形侦测系统等领域均有重要的应用。
暗原色先验(dark channel prior)为单一输入图像去雾。暗原色先验来自对户外无雾图像数据库的统计规律,它基于经观察得到的这么一个关键事实——绝大多数的户外无雾图像的每个局部区域都存在某些至少一个颜色通道的强度值很低的像素。利用这个先验建立的去雾模型,可直接估算雾的浓度并且复原得到高质量的去除雾干扰的图像。对户外各种不同的带雾图像的处理结果表明了暗原色先验的巨大作用。同时,作为去雾过程中的副产品,还可获得该图像高质量的深度图。
目前图像增强方法主要有基于直方图均衡化方法,基于视网膜皮层Retinex方法,同态滤波方法,小波变换方法。Tan基于无雾图像的对比度比有雾图像的对比度要高的事实,通过最大化局部对比度后基于MRF框架对结果进行规整化,实现了单幅图像的去雾,该方法能极大的增强图像的对比度,但是容易导致图像的颜色失真,并且在场景深度不连续的地方会产生光圈效应。Fattal运用独立成份分析的方法,基于图像表面阴影和大气传递函数在图像局部块上统计不相关的假设,利用雾天图像退化模型,在MRF框架的约束下,实现了单幅图像的去雾,该方法去雾效果显著,不过对于图像各个分量变化不大的情况,处理效果不好。另外还有DCP先验方法,简单却强大;通过DCP先验,能够快速估计出大气传输函数t,进而求解清晰图像J,去雾效果很理想,但是平滑大气传输函数t时复杂度过高,导致去雾速度较慢。
发明内容
本发明旨在克服现有暗原色先验图像去雾方法的缺陷,本发明采用以下技术方案:
一方面,本发明提供一种利用图像引导滤波器的暗原色先验图像去雾方法,包括以下步骤:输入图像,并将所述输入图像转化为灰度图;对所述灰度图进行滤波,得到第一图像;对所述第一图像进行边缘检测,并提取所述第一图像的边缘的特征,得到图像初始深度变化参考图;对初始深度变化参考图进行处理,得到图像的细节部分和深度的变化部分的平坦区域参考图像;利用平坦区域参考图像的掩模值计算获取所输入图像的暗通道值;利用所述暗通道值估算大气光的值,计算初始的透射图;对所述初始的透射图进行优化的处理,得到优化后的透视图像;利用所述输入图像和大气光的值以及优化后的透视图像,计算获取去雾后图像。
一些实施例中,对所述灰度图进行滤波,得到第一图像,是利用图像导向滤波器对所述灰度图进行滤波。
一些实施例中,对初始深度变化参考图进行处理,得到图像的细节部分和深度的变化部分的平坦区域参考图像,是指对所述初始深度变化参考图进行形态学处理。
一些实施例中,对初始深度变化参考图处理,得到图像的细节部分和深度的变化部分的平坦区域参考图,具体包括以下步骤:对所述初始深度变化参考图利用形态学进行膨胀,让琐碎的边缘点彼此互相连接;去除所述琐碎的边缘点;对所述处理后的图像进行腐蚀,得到图像的细节部分和深度的变化部分的平坦区域参考图。
一些实施例中,利用平坦区域参考图像的掩模值计算获取所输入图像的暗通道值之前还包括对所述平坦区域参考图像中的像素进行最小滤波。
一些实施例中,对所述平坦区域参考图像中的像素利用3乘3大小的窗口的滤波进行最小滤波。
一些实施例中,对所述平坦区域参考图像中的像素利用9乘9大小的窗口的滤波进行最小滤波。
一些实施例中,对所述初始的透射图进行优化的处理,得到优化后的透视图像,是利用图像导向滤波器对所述优化后的透视图像进行处理。
一些实施例中,对所述第一图像进行边缘检测,并提取所述第一图像的边缘的特征,得到图像初始深度变化参考图,是通过Canny算子对所述第一图像进行边缘检测。
另一方面,本发明还提供了一种计算机程序,其用于处理如前所述的暗原色先验图像去雾方法。
本发明的有益效果在于:本发明提供的利用图像引导滤波器的暗原色先验图像去雾方法通过改进暗通道图像计算方法,并优化透射图,使本发明提出的暗原色先验图像去雾方法在算法处理速度上有了很大的提高,并且达到了得到的图像对比度均衡、细节还原准确技术效果。
附图说明
图1示出了根据本发明一个实施例的利用图像引导滤波器的暗原色先验图像去雾方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,而不构成对本发明的限制。
首先参考图1所示,是根据本发明一个实施例的利用图像引导滤波器的暗原色先验图像去雾方法的流程图。所述暗原色先验图像去雾方法包括以下步骤:
S1,输入图像,并将所述输入图像转化为灰度图;
S2,对所述灰度图进行滤波,得到第一图像;
S3,对所述第一图像进行边缘检测,并提取所述第一图像的边缘的特征,得到图像初始深度变化参考图;
S4,对初始深度变化参考图进行处理,得到图像的细节部分和深度的变化部分的平坦区域参考图像;
S5,利用平坦区域参考图像的掩模值计算获取所输入图像的暗通道值;
S6,利用所述暗通道值估算大气光的值,计算初始的透射图;
S7,对所述初始的透射图进行优化的处理,得到优化后的透视图像;
S8,利用所述输入图像和大气光的值以及优化后的透视图像,计算获取去雾后图像。
一些实施例中,所述步骤S2:对所述灰度图进行滤波,得到第一图像,是利用图像导向滤波器对所述灰度图进行滤波。所述导向滤波器是hekaiming于2010年提出的一种滤波器,导向图像可以是输入图像自身或者是另外一个不同的图像。导向滤波器能够向双边滤波器一样保持边缘平滑,但是它在边缘附近有更好的表现。导向滤波器也是更一般地超越平滑的概念:它可以转化导向图的结构为滤波输出,用于很多新的滤波应用像去雾及导向抠图。更多的,导向滤波器自然的有个快速并且不近似线性时间算法,与核的尺寸和像素亮度范围。现在,它是最快的边缘保持滤波器之一。实验显示导向滤波器在很多种计算机视觉及图形学的应用中有很好的作用及效率,包括边缘保持平滑,细节增强,HDR压缩,图像抠图,去雾,级联采样等等。将输入的图像记为p,引导的图像记为l,滤波输出的图像记为q。以k为中心的窗口wk中可以得出以下的线性关系:ωk为半径是r的方形的窗口,ak,bk为窗口里面的线性因数,在窗口中是固定的值。从上式可以看出,线性的模型在保证了窗口中l具有边缘的时候,q才能产生相对应的边缘,导向滤波的作用在于搜索出来线性因子(ak,bk)的最优化解,使得输入的图像p和输出图像q之间存在插值最小化,在窗口ωk里面代价函数表示:可以得到(ak,bk)最优化解的表达式:上式中ω为窗口ωk的像素数量,μk为窗口ωk里面l方差和平均值,为窗口p的平均值。点i被包括在许多个窗口里面,由于窗口不一样,ak,bk也不一样,需要先计算i中心窗口里面ak,bk平均值,求出qi值,公式为设原始含雾作为引导图像l,初始的透射图像为输入的图像p,优化之后的图像设为q,当l为彩色图像的时候,线性模型改成上式Ii为3乘1的颜色的向量,ak是相对应的3乘1线性因子的向量,qi,bk均为标量,上述几个式子改为,∑k,U,μk分别为图像l在窗口ωk中3乘3方差矩阵,以及3乘1的颜色向量的平均值。对引导滤波器的核函数来说,它区别高斯滤波器核函数和传统的函数最大不同是凝固了邻域里面的像素均值和方差作为局部估计量,可以跟踪图像的内容自适应调整,输出权重值.下图给出了利用这两种核函数生成的拉普拉斯矩阵的第二个特征向量.对比图如下所示,可以看出高斯核函数无法捕捉图像里面复杂的细节,而引导滤波和核函数可以很好的将复杂的前景与背景分开。
一些实施例中,所述步骤S4:对初始深度变化参考图进行处理,得到图像的细节部分和深度的变化部分的平坦区域参考图像,是指对所述初始深度变化参考图进行形态学处理。所述的形态学处理是一门建立在格论和拓扑学基础之上的图像分析学科,是数学形态学图像处理的基本理论。其基本的运算包括:二值腐蚀和膨胀、二值开闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换、灰值腐蚀和膨胀、灰值开闭运算、灰值形态学梯度等。
一些实施例中,所述步骤S5:对初始深度变化参考图处理,得到图像的细节部分和深度的变化部分的平坦区域参考图,具体包括以下步骤:对所述初始深度变化参考图利用形态学进行膨胀,让琐碎的边缘点彼此互相连接;去除所述琐碎的边缘点;对所述处理后的图像进行腐蚀,得到图像的细节部分和深度的变化部分的平坦区域参考图。
一些实施例中,所述步骤S5:利用平坦区域参考图像的掩模值计算获取所输入图像的暗通道值之前还包括对所述平坦区域参考图像中的像素进行最小滤波。
一些实施例中,所述对所述平坦区域参考图像中的像素利用3乘3大小的窗口的滤波进行最小滤波。是因为深度变化区域也被平坦区域包括了,如果用小的窗口进行最小滤波,可以恢复很多场景所看不到的细节,而且可以大大减少深度突然变化的区域周围产生的光晕效应。
一些实施例中,所述对所述平坦区域参考图像中的像素利用9乘9大小的窗口的滤波进行最小滤波。这样就可以大大提高图像的视觉效果,图片看起来更加自然.
一些实施例中,所述步骤S6,利用所述暗通道值估算大气光的值,计算初始的透射图一般利用以下的图形成模型:I(x)=J(x)t(x)+A(1-t(x))(2),I(x)为已经有的图像(待去雾的图像),J(x)为待恢复的无雾的图像,A为全球大气光成分,t(x)为透射率。
一些实施例中,所述步骤S7:对所述初始的透射图进行优化的处理,得到优化后的透视图像,是利用图像导向滤波器对所述优化后的透视图像进行处理。
一些实施例中,所述步骤S3:对所述第一图像进行边缘检测,并提取所述第一图像的边缘的特征,得到图像初始深度变化参考图,是通过Canny算子对所述第一图像进行边缘检测。所述canny算子是边缘检测的经典算法,其步骤为:(1)去噪任何边缘检测算法都不可能在未经处理的原始数据上很好地处理,所以第一步是对原始数据与高斯mask作卷积,得到的图像与原始图像相比有些轻微的模糊(blurred)。这样,单独的一个像素雜訊在经过高斯平滑的图像上变得几乎没有影响。(2)用一阶偏导的有限差分来计算梯度的幅值和方向。(3)对梯度幅值进行非极大值抑制。
另一方面,本发明还提供了一种计算机程序,其用于处理如前所述的暗原色先验图像去雾方法。具体的处理方法如前所述,无需赘述。
本发明利用对图像的暗通道图进行优化,从而提高投射图正确率。我们先对暗通道的图像优化,利用图像的向素值是否处于包含在深度忽然变化的区域的平坦区,以此来进行最小滤波,来选择图像块,由此优化透视图。一般来说,图像深度突变区域出现在图像边缘地带,因此利用边缘检测来估计图像深度突变的区域,之后利用图像突变区和平滑区域合并为图像平坦区域,但是在同一个场景经常会出现很多琐碎的边缘点,如对树叶边缘检测可能会发现很多非深度变化趋于的边缘检测点,导向滤波器可以保持图像边缘信息不变,同时保持图像的平滑,因此在检测图像边缘前可以先对其进行导向滤波,这样可以使深度突变的区域来的更加的平滑,自然本发明利用图像的向素是否属于平坦的区域,由此确定图像的块的大小。
下面将用一个具体实施例来描述本发明的暗原色先验图像去雾方法的具体实施过程,其包括以下步骤:
S1,输入图像,并将所述输入图像转化为灰度图;
S2,对所述灰度图进行滤波,得到第一图像Ig;
S3,对所述第一图像Ig进行边缘检测,并提取所述第一图像Ig的边缘的特征,得到图像初始深度变化参考图M';
S4,对初始深度变化参考图M'进行处理,得到图像的细节部分和深度的变化部分的平坦区域参考图像M;
S5,利用平坦区域参考图像M的掩模值计算获取所输入图像的暗通道值;
S8,利用所述输入图像和大气光的值以及优化后的透视图像t(x),计算获取去雾后图像J(x)。
本发明的有益效果在于:本发明提供暗原色先验图像去雾方法通过改进暗通道图像计算方法,并优化透射图,使本发明提出的暗原色先验图像去雾方法在算法处理速度上有了很大的提高,并且得到的不错的图像视觉效果;本发明还达到了得到的图像对比度均衡、细节还原准确的有益效果。
本领域内的技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (8)
1.一种利用图像引导滤波器的暗原色先验图像去雾方法,其特征在于,包括以下步骤:
输入图像,并将所述输入图像转化为灰度图;
利用图像引导滤波器对所述灰度图进行滤波,得到第一图像;
对所述第一图像进行边缘检测,并提取所述第一图像的边缘的特征,得到图像初始深度变化参考图;
对初始深度变化参考图进行处理,得到图像的细节部分和深度的变化部分的平坦区域参考图像;
利用平坦区域参考图像的掩模值计算获取所输入图像的暗通道值;
利用所述暗通道值估算大气光的值,计算初始的透射图;
对所述初始的透射图进行优化的处理,得到优化后的透视图像;
利用所述输入图像和大气光的值以及优化后的透视图像,计算获取去雾后图像;
所述对初始深度变化参考图进行处理,得到图像的细节部分和深度的变化部分的平坦区域参考图像,是指对所述初始深度变化参考图进行形态学处理;具体包括以下步骤:
对所述初始深度变化参考图利用形态学进行膨胀,让琐碎的边缘点彼此互相连接;
去除所述琐碎的边缘点;
对所述处理后的图像进行腐蚀,得到图像的细节部分和深度的变化部分的平坦区域参考图。
2.如权利要求1所述的利用图像引导滤波器的暗原色先验图像去雾方法,其特征在于,对所述灰度图进行滤波,得到第一图像,是利用图像导向滤波器对所述灰度图进行滤波。
3.如权利要求1所述的利用图像引导滤波器的暗原色先验图像去雾方法,其特征在于,利用平坦区域参考图像的掩模值计算获取所输入图像的暗通道值之前还包括对所述平坦区域参考图像中的像素进行最小滤波。
4.如权利要求3所述的利用图像引导滤波器的暗原色先验图像去雾方法,其特征在于,对所述平坦区域参考图像中的像素利用3乘3大小的窗口的滤波进行最小滤波。
5.如权利要求3所述的利用图像引导滤波器的暗原色先验图像去雾方法,其特征在于,对所述平坦区域参考图像中的像素利用9乘9大小的窗口的滤波进行最小滤波。
6.如权利要求1所述的利用图像引导滤波器的暗原色先验图像去雾方法,其特征在于,对所述初始的透射图进行优化的处理,得到优化后的透视图像,是利用图像导向滤波器对所述优化后的透视图像进行处理。
7.如权利要求1所述的利用图像引导滤波器的暗原色先验图像去雾方法,其特征在于,对所述第一图像进行边缘检测,并提取所述第一图像的边缘的特征,得到图像初始深度变化参考图,是通过Canny算子对所述第一图像进行边缘检测。
8.一种计算机程序,其用于处理如权利要求1-7任一项所述的暗原色先验图像去雾方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852127.XA CN107798670B (zh) | 2017-09-20 | 2017-09-20 | 一种利用图像引导滤波器的暗原色先验图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852127.XA CN107798670B (zh) | 2017-09-20 | 2017-09-20 | 一种利用图像引导滤波器的暗原色先验图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107798670A CN107798670A (zh) | 2018-03-13 |
CN107798670B true CN107798670B (zh) | 2021-03-19 |
Family
ID=61531941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710852127.XA Active CN107798670B (zh) | 2017-09-20 | 2017-09-20 | 一种利用图像引导滤波器的暗原色先验图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798670B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110186566B (zh) * | 2019-05-30 | 2020-12-01 | 上海交通大学 | 基于光场相机多谱测温的二维真实温度场成像方法及系统 |
CN110766634A (zh) * | 2019-10-23 | 2020-02-07 | 华中科技大学鄂州工业技术研究院 | 基于引导滤波器的图像划分的方法、装置及电子设备 |
CN111275139B (zh) * | 2020-01-21 | 2024-02-23 | 杭州大拿科技股份有限公司 | 手写内容去除方法、手写内容去除装置、存储介质 |
CN111738928B (zh) * | 2020-04-30 | 2021-04-13 | 南京图格医疗科技有限公司 | 一种基于概率优化和神经网络的内窥镜去雾方法 |
CN113962872B (zh) * | 2020-07-21 | 2023-08-18 | 四川大学 | 一种双通道联合优化的夜间图像去雾方法 |
CN114638763B (zh) * | 2022-03-24 | 2024-05-24 | 华南理工大学 | 图像去雾方法、系统、计算机设备和存储介质 |
CN114693713A (zh) * | 2022-05-30 | 2022-07-01 | 天地智控(天津)科技有限公司 | 一种矿井下高清图像去粉尘烟雾快速恢复方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750674A (zh) * | 2012-04-26 | 2012-10-24 | 长春理工大学 | 基于自适应容差的视频图像去雾方法 |
WO2017048927A1 (en) * | 2015-09-18 | 2017-03-23 | The Regents Of The University Of California | Cameras and depth estimation of images acquired in a distorting medium |
-
2017
- 2017-09-20 CN CN201710852127.XA patent/CN107798670B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750674A (zh) * | 2012-04-26 | 2012-10-24 | 长春理工大学 | 基于自适应容差的视频图像去雾方法 |
WO2017048927A1 (en) * | 2015-09-18 | 2017-03-23 | The Regents Of The University Of California | Cameras and depth estimation of images acquired in a distorting medium |
Non-Patent Citations (2)
Title |
---|
图像去雾算法研究及硬件实现;刘丰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150315(第03期);第38-39页 * |
基于FPGA实现实时图像去雾算法的研究;王凯;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170615(第06期);第26、64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107798670A (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798670B (zh) | 一种利用图像引导滤波器的暗原色先验图像去雾方法 | |
Tripathi et al. | Single image fog removal using anisotropic diffusion | |
CN102326379B (zh) | 从图像中去除模糊的方法 | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
Hassan et al. | Real-time image dehazing by superpixels segmentation and guidance filter | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
Xu et al. | Single image haze removal using light and dark channel prior | |
CN111667433A (zh) | 一种基于简单线性迭代聚类优化的无人机图像去雾方法 | |
Kumari et al. | Single image fog removal using gamma transformation and median filtering | |
CN114219732A (zh) | 基于天空区域分割和透射率细化的图像去雾方法及系统 | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
Kansal et al. | Fusion-based image de-fogging using dual tree complex wavelet transform | |
CN113421210A (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
Baiju et al. | An intelligent framework for transmission map estimation in image dehazing using total variation regularized low-rank approximation | |
Anantrasirichai et al. | Mitigating the effects of atmospheric distortion using DT-CWT fusion | |
CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
US20240005454A1 (en) | Method of performing l0 smoothing on the basis of deep gradient prior information to improve sharpness | |
Wang et al. | Model based edge-preserving and guided filter for real-world hazy scenes visibility restoration | |
Kim et al. | Single image dehazing of road scenes using spatially adaptive atmospheric point spread function | |
Kumari et al. | Real time image and video deweathering: The future prospects and possibilities | |
Senthamilarasu et al. | A new approach for removing haze from images | |
Qin et al. | Fast single image dehazing with domain transformation-based edge-preserving filter and weighted quadtree subdivision | |
KR102187639B1 (ko) | 적외선 영상을 위한 잡음 제거 방법 | |
Elhefnawy et al. | Effective visibility restoration and enhancement of air polluted images with high information fidelity |
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 |