CN107845078B - 一种元数据辅助的无人机图像多线程清晰化方法 - Google Patents

一种元数据辅助的无人机图像多线程清晰化方法 Download PDF

Info

Publication number
CN107845078B
CN107845078B CN201711086101.5A CN201711086101A CN107845078B CN 107845078 B CN107845078 B CN 107845078B CN 201711086101 A CN201711086101 A CN 201711086101A CN 107845078 B CN107845078 B CN 107845078B
Authority
CN
China
Prior art keywords
point
image
refractive index
unmanned aerial
aerial vehicle
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
CN201711086101.5A
Other languages
English (en)
Other versions
CN107845078A (zh
Inventor
丁文锐
刘春蕾
李红光
杨金宇
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN201711086101.5A priority Critical patent/CN107845078B/zh
Publication of CN107845078A publication Critical patent/CN107845078A/zh
Application granted granted Critical
Publication of CN107845078B publication Critical patent/CN107845078B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • 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
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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

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

本发明公开了一种元数据辅助的无人机图像多线程清晰化方法，属于遥感图像处理技术领域。该方法首先针对中高空无人机的某张有雾图像，获取暗原色先验规律下的大气光值，再建立无人机侦察平台与有雾图像各点所对应地面点的距离关系，构造景深模型；然后基于有雾图像中各点对应的景深结合大气光值，利用OpenMP并行处理框架建立无人机折射率模型。最后利用全局大气光值，结合折射率模型得到的该有雾图像各点折射率值，在经典大气散射模型的框架下对该有雾图像各点实现一一映射，从而得到复原后的清晰图像。本发明解决了高空无人机图像有效清晰化处理的问题，实现了对中高空图像的高度清晰化，有效提高了该清晰化算法的效率，可实现实时处理。

Description

一种元数据辅助的无人机图像多线程清晰化方法
技术领域
本发明属于遥感图像处理技术领域，具体涉及一种元数据辅助的无人机图像多线程清晰化方法。
背景技术
近年来，利用无人机进行目标识别、测绘和地质灾害防治等，已经成为无人机研究领域中的热点。无人机的侦察任务，主要依赖于质量较高的无人机侦察图像。然而，空气质量的逐渐恶化导致了雾霾天气的增多，这种天气下图像中基本的信息与内涵严重受损，从而对侦察任务造成了严重影响。因此，在无人机航拍领域，对侦察图像的清晰化处理必然有极高的研究意义。而由于中高空无人机成像的特殊性，无人机图像的清晰化处理研究依然是学者们涉及较少的领域。目前国内针对于图像清晰化的方法主要有以下两种：
一是基于物理模型的复原方法。该方法通过研究大气悬浮颗粒对光的散射作用，建立大气散射模型，应用图像退化的物理机理，反演复原出未降质前的图像。该方法针对性较强，能够得到较为自然的图像，一般图像中不会有信息损失；缺点是复杂大气环境下难以得到模型中参数的准确估计。
二是基于图像处理的增强方法。该方法是对被降质的图像进行增强，改善图像的质量。该方法可以有针对性地对已有的成熟图像处理算法进行运用和改良，增强图像的对比度，突出图像中景物的特征和有价值的信息；缺点是该方法可能会造成图像部分信息的损失，使图像失真。
中高空无人机成像距离远，大气散射影响较大，低能见度下图像降质严重，现有的卫星和低空户外图像退化模型，因针对的大气环境不同，不适用于中高空成像过程。基于物理模型的复原方法仅依据图像信息获取退化模型的各个参数，不适用于中高空无人机远距离成像。基于图像增强的增强方法没有考虑图像降质的本质，容易造成信息损失或失真。
从上述对比分析可以看出，现有的图像清晰化处理方法对数千米远所成的无人机图像效果有限。因此，低能见度大气环境下中高空无人机可见光图像清晰化处理既是一个特殊性问题，更是一个难点问题。同时，现有的方法在清晰化处理过程中耗时较长，难以满足无人机图像实时性处理需求。
发明内容
本发明为克服现有图像清晰化方法在实时性和清晰化效果方面的不足，以中高空无人机有雾图像作为研究对象，提出了一种元数据辅助的无人机图像多线程清晰化方法。该方法通过利用无人机元数据信息建立折射率模型，通过图像信息获取大气光值，实现对有雾图像的清晰化处理，并以利用OpenMP将算法并行化、多线程化的方式提升清晰化效率。实验结果表明，该算法在保证了图像清晰化效果的同时，有效提高了图像处理效率，实现了对无人机图像的实时处理。
具体步骤如下：
步骤一、针对中高空无人机的某张有雾图像，获取暗原色先验规律下的大气光值。
首先，根据暗原色先验统计规律获取该有雾图像的暗通道图，然后从暗通道图中按照亮度的大小选取最亮的前0.1％像素，最后，在原始有雾图像中寻找对应位置上的具有最高亮度的点的值，并以此作为大气光值A。
步骤二、基于元数据信息，建立无人机侦察平台与有雾图像各点所对应地面点的距离关系，构造景深模型。
元数据信息包括无人机摄像机距离地面的垂直高度，相机倾斜角，分辨率以及焦距。
针对有雾图像中某点对应的景深d等效为：
Figure BDA0001460122880000021
M×N是该有雾图像的分辨率；图像中某点的坐标是(m,n)；R是有雾图像该点所对应地面点到无人机侦察设备垂足点的距离；H是无人机的高度；θ是有雾图像该点所对应的地面点相对于垂足点的方位角。α是倾斜角，90°-β为视角。
步骤三、基于有雾图像中各点对应的景深结合大气光值，利用OpenMP并行处理框架建立无人机折射率模型。
具体步骤如下：
步骤301、利用OpenMP并行处理框架，在该有雾图像的宽和高上循环选取暗原色值为零的点，作为基准景深点x0，并构建基准景深点对应的折射率t(x0)公式；
Figure BDA0001460122880000031
d(x0)为基准景深点x0的场景景深，σ为消光系数。
步骤302、利用折射率t(x0)公式得到基准景深点x0的景深d(x0)；
Figure BDA0001460122880000032
步骤303、根据大气散射通用模型得到基准点的标准折射率t；
大气散射通用模型：I＝Jt+A(1-t)；
基准点的标准折射率
Figure BDA0001460122880000033
I为雾图中各点的强度，J为雾图中某点对应清晰化后各点的强度，A为全局大气光值，t为折射率；
步骤304、将标准折射率t带入基准景深点x0的景深d(x0)中，得到：
Figure BDA0001460122880000034
步骤305、根据基准景深点x0的景深d(x0)计算该有雾图像的各像素点的景深d(x)；
Figure BDA0001460122880000035
步骤306、利用该有雾图像的各像素点景深d(x)，通过OpenMP并行处理框架循环计算该有雾图像的各像素点的折射率，形成折射率模型；
Figure BDA0001460122880000036
步骤四、利用全局大气光值，结合折射率模型得到的该有雾图像各点折射率值，在经典大气散射模型的框架下对该有雾图像各点实现一一映射，从而得到复原后的清晰图像。
本发明的优点和有益效果如下：
1)、一种元数据辅助的无人机图像多线程清晰化方法，基于中高空远距离成像特点，利用无人机元数据信息建立折射率模型，解决了现有方法不能对中高空无人机图像进行有效清晰化处理的问题，有针对性地实现了对中高空图像的高度清晰化。
2)、一种元数据辅助的无人机图像多线程清晰化方法，率先提出通过利用OpenMP并行处理框架将算法耗时部分并行化，大大缩短了算法运行的时间，有效提高了该清晰化算法的效率，可实现实时处理。
附图说明
图1为本发明一种元数据辅助的无人机图像多线程清晰化方法的流程图；
图2为本发明选用的中高空无人机的有雾图像的三种形式；
图2(a)为该原始的有雾图像，图2(b)为该有雾图像的暗通道图，图2(c)为有雾图像的大气光图；
图3为本发明基于元数据的景深关系获取的示意图；
图4为本发明利用OpenMP并行处理框架建立无人机折射率模型的流程图；
图5为本发明选用的中高空无人机的有雾图像复原后的清晰效果图；
图5(a)为无人机原始的有雾图像，图5(b)为折射率关系图，图5(c)为复原的清晰图像。
具体实施方式
下面结合附图，对本发明的具体实施方法进行详细说明。
本发明一种元数据辅助的无人机图像多线程清晰化方法，针对中高空无人机的某张有雾图像，首先通过图像信息计算大气光值，进而利用无人机元数据信息获得景深关系而建立折射率模型以获取折射率，在算法中加入OpenMP并行处理框架，从而加快算法运行速度，提高算法效率，最后实现对无人机雾图的快速有效清晰化处理。
整体流程图如图1所示，包括以下步骤：
步骤一、针对中高空无人机的某张有雾图像，获取暗原色先验规律下的大气光值。
经典大气散射模型如下：
I(x)＝J(x)t(x)+A(1-t(x)) (1)
其中I(x)为雾图中点x处的强度，J(x)为对应清晰化后点x处的强度，A为全局大气光值，t(x)为折射率，其中t(x)＝e-σd，d为场景景深，σ为消光系数。
根据暗原色先验统计规律可知，在晴好天气下的非天空局部区域内，总存在某一些像素至少有一个颜色通道具有很低的亮度值，将像素点3个颜色通道中的亮度最小值称为该点的暗原色值。使用最小滤波半径为7，即窗口大小为15×15的最小值滤波器，获取无人机雾图的暗通道图，其中无人机原始雾图如图2(a)所示，得到的暗通道图如图2(b)所示。从暗通道图中按照亮度的大小提取最亮的前0.1％像素。然后，在原始有雾图像I中寻找对应位置上的具有最高亮度的点的值，并以此作为大气光A的值；获取大气光值示意图，如图2(c)所示。
步骤二、基于元数据信息，建立无人机侦察平台与有雾图像各点所对应地面点的距离关系，构造景深模型。
为进行无人机图像清晰化处理，本发明利用元数据信息建立无人机侦察平台与地面各点场景之间的景深关系，元数据信息如表1所示。同时，本发明中需要利用到无人机视角信息，该视角信息可以通过摄像机焦距得到，焦距(mm)与视角(°)之间的对应关系见表2。
表1
Figure BDA0001460122880000051
表2
Figure BDA0001460122880000052
Figure BDA0001460122880000061
通过对无人机成像过程进行分析，建立起无人机侦察设备到图像各点所对应地面点的距离关系，即景深模型。如图3所示，倾斜角是α，90°-β为视角，D是地面上某点，θ是点D相对于垂足点Q的方位角。此外，图像的分辨率是M×N，图像中任意一点的坐标是(m,n)，H是无人机的高度，R是地面点到无人机侦察设备垂足点的距离。根据光学成像原理和图像投影面与像素之间的对应关系，可以建立以下方程组：
Figure BDA0001460122880000062
通过联立方程组(2)可以得到R为：
Figure BDA0001460122880000063
因此图像各点景深d可等效为：
Figure BDA0001460122880000064
步骤三、基于有雾图像中各点对应的景深结合大气光值，利用OpenMP并行处理框架建立无人机折射率模型。
折射率对最终的清晰化结果起着决定性作用，为获得适用于中高空无人机远距离成像情况的折射率模型，本算法基于获得的图像各点景深，利用大气散射模型中参数间的相对关系对各点折射率进行求取。已知折射率t＝e-σd，在光线传播的过程中，所经过的大气层近似相同，即消光系数σ相同，因此图像上坐标点之间的折射率差异主要体现在景深的差异上，图像各像素点景深已由第二步公式求得。
本发明时间消耗主要存在于循环寻找折射率基准点与循环计算图像各点折射率两个方面，为提高图像处理效率，实现对无人机图像的实时化处理，在算法中加入了OpenMP多线程处理框架；通过编写并行程序，将并行处理语句加载在两次嵌套循环外层。充分利用多核处理器的潜在资源，通过设置处理器的最大线程数以最大限度地提升算法运行速度和图像清晰化效率。
配置OpenMP并调用其函数库，利用其并行调用语句将程式并行化、多线程化的过程如下：
首先，获取最大线程数目，利用omp_get_max_threads()函数获取处理器可执行的最大线程数；
然后，利用omp_set_num_threads(int i)设置在本算法中需要使用的线程数目，该线程数目应不大于最大线程数，在本算法中，设置线程数i为处理器的最大线程数。
最后，在寻找折射率基准点和计算图像各像素点折射率两处循环处利用“#pragmaomp parallel”语句建立并行处理机制，实现对本发明原有图像清晰化算法的优化，加快图像处理速度，其并行处理流程如图4所示。
具体步骤如下：
步骤301、利用OpenMP并行处理框架，在该有雾图像的宽和高上循环选取暗原色值为零的点，作为基准景深点x0，并构建基准景深点对应的折射率t(x0)公式；
利用相对关系建立无人机折射率模型，首先需要找到基准点，经统计得出，绝大部分的暗原色值很低甚至趋近于零，可以认为一幅晴好天气图像至少存在一个暗原色值为零的点。将其作为基准景深点，并记为x0，该点处的折射率可以表示为：
Figure BDA0001460122880000071
d(x0)为基准景深点x0的场景景深，σ为消光系数。
步骤302、利用折射率t(x0)公式得到基准景深点x0的景深d(x0)；
Figure BDA0001460122880000072
步骤303、根据大气散射通用模型得到基准点的标准折射率t；
根据暗通道先验原理，由大气散射模型I＝Jt+A(1-t)可知，在暗原色值为零处，标准折射率
Figure BDA0001460122880000073
I为雾图中各点的强度，J为雾图中某点对应清晰化后各点的强度，A为全局大气光值，t为折射率；
步骤304、将标准折射率t带入基准景深点x0的景深d(x0)中，得到：
Figure BDA0001460122880000081
步骤305、根据基准景深点x0的景深d(x0)计算该有雾图像的各像素点的景深d(x)；
Figure BDA0001460122880000082
步骤306、利用该有雾图像的各像素点景深d(x)，通过OpenMP并行处理框架循环计算该有雾图像的各像素点的折射率，形成折射率模型；
Figure BDA0001460122880000083
步骤四、利用全局大气光值，结合折射率模型得到的该有雾图像各点折射率值，在经典大气散射模型的框架下对该有雾图像各点实现一一映射，从而得到复原后的清晰图像。
由获取的图像各点处的折射率可知，只要选定合适的基准点，再通过计算像素点的相对景深，各点一一映射就可以得到整个图像各像素点的折射率值，进而利用步骤一所获取的全局大气光值，在经典大气散射模型的框架下得到清晰化后的图像，清晰化公式如下：
Figure BDA0001460122880000084
本发明通过实验测试，对雾图进行有效清晰化处理，未用OpenMP算法优化前，对640像素×480像素的无人机侦察雾图的平均处理时间为1100ms，本发明将线程数设置为8(处理器最大线程数)，在8线程并行处理之后，该平均清晰化时间降至79ms，且清晰化效果相同，从而证明加入并行处理框架后，算法充分有效地利用了计算机资源，在不影响效果的同时明显提高算法的运行效率，效率提升了14倍，并且实现了对图像的实时化处理。
如图5(a)所示为中高空无人机侦察平台所获取的雾图，图5(b)代表折射率关系图，图5(c)代表利用本发明所提出的清晰化方法处理后得到的清晰图像。从折射率关系图中可以明显看出由于中高空远距离成像，无人机所获取的折射率关系图具有等折射率的特点，即以垂足为中心向外扩散开。从最终的清晰化图像和雾图的比较可以看出，本发明所提供的方法可以有效处理中高空无人机雾图，提高了图像对比度，并突出了图像细节。同传统暗通道去雾方法相比，本发明在颜色、对比度等指标上均有所提升。

Claims (3)

1.一种元数据辅助的无人机图像多线程清晰化方法，其特征在于，具体步骤如下：
步骤一、针对中高空无人机的某张有雾图像，获取暗原色先验规律下的大气光值；
步骤二、基于元数据信息，建立无人机与有雾图像各点所对应地面点的距离关系，构造景深模型；
针对有雾图像中某点对应的景深d等效为：
Figure FDA0002266521470000011
M×N是该有雾图像的分辨率；图像中某点的坐标是(m,n)；R是有雾图像该点所对应地面点到无人机垂足点的距离；H是无人机的高度；θ是有雾图像该点所对应的地面点相对于垂足点的方位角；α是倾斜角，90°-β为视角；
步骤三、基于有雾图像中各点对应的景深结合大气光值，利用OpenMP并行处理框架建立无人机折射率模型；具体步骤如下：
步骤301、利用OpenMP并行处理框架，在该有雾图像的宽和高上循环选取暗原色值为零的点，作为基准景深点x0，并构建基准景深点对应的折射率t(x0)公式；
Figure FDA0002266521470000012
d(x0)为基准景深点x0的场景景深，σ为消光系数；
步骤302、利用折射率t(x0)公式得到基准景深点x0的景深d(x0)；
Figure FDA0002266521470000013
步骤303、根据大气散射通用模型得到基准点的标准折射率t；
大气散射通用模型：I＝Jt+A(1-t)；
基准点的标准折射率
Figure FDA0002266521470000014
I为雾图中各点的强度，J为雾图中某点对应清晰化后各点的强度，A为全局大气光值，t为折射率；
步骤304、将标准折射率t带入基准景深点x0的景深d(x0)中，得到：
Figure FDA0002266521470000015
步骤305、根据基准景深点x0的景深d(x0)计算该有雾图像的各像素点的景深d(x)；
Figure FDA0002266521470000021
步骤306、利用该有雾图像的各像素点景深d(x)，通过OpenMP并行处理框架循环计算该有雾图像的各像素点的折射率，形成折射率模型；
Figure FDA0002266521470000022
步骤四、利用全局大气光值，结合折射率模型得到的该有雾图像各点折射率值，在经典大气散射模型的框架下对该有雾图像各点实现一一映射，从而得到复原后的清晰图像。
2.如权利要求1所述的一种元数据辅助的无人机图像多线程清晰化方法，其特征在于，所述的步骤一获取暗原色先验规律下的大气光值的具体过程如下：
首先，根据暗原色先验统计规律获取该有雾图像的暗通道图，然后从暗通道图中按照亮度的大小选取最亮的前0.1％像素，最后，在原始有雾图像中寻找对应位置上的具有最高亮度的点的值，并以此作为大气光值A。
3.如权利要求1所述的一种元数据辅助的无人机图像多线程清晰化方法，其特征在于，步骤二中，所述的元数据信息包括无人机距离地面的垂直高度，相机倾斜角，分辨率以及焦距。
CN201711086101.5A 2017-11-07 2017-11-07 一种元数据辅助的无人机图像多线程清晰化方法 Active CN107845078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711086101.5A CN107845078B (zh) 2017-11-07 2017-11-07 一种元数据辅助的无人机图像多线程清晰化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711086101.5A CN107845078B (zh) 2017-11-07 2017-11-07 一种元数据辅助的无人机图像多线程清晰化方法

Publications (2)

Publication Number Publication Date
CN107845078A CN107845078A (zh) 2018-03-27
CN107845078B true CN107845078B (zh) 2020-04-14

Family

ID=61682327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711086101.5A Active CN107845078B (zh) 2017-11-07 2017-11-07 一种元数据辅助的无人机图像多线程清晰化方法

Country Status (1)

Country Link
CN (1) CN107845078B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113200678B (zh) 2021-03-18 2022-06-10 常熟佳合显示科技有限公司 一种玻璃材料及其制备方法和其制品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637293A (zh) * 2011-02-12 2012-08-15 株式会社日立制作所 运动图像处理装置及运动图像处理方法
CN104200445A (zh) * 2014-09-26 2014-12-10 常熟理工学院 一种最优对比度和最小信息损失的图像去雾方法
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
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
CN106780380A (zh) * 2016-12-09 2017-05-31 电子科技大学 一种图像去雾方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9965835B2 (en) * 2014-11-28 2018-05-08 Axis Ab Defogging images and video

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637293A (zh) * 2011-02-12 2012-08-15 株式会社日立制作所 运动图像处理装置及运动图像处理方法
CN104200445A (zh) * 2014-09-26 2014-12-10 常熟理工学院 一种最优对比度和最小信息损失的图像去雾方法
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
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
CN106780380A (zh) * 2016-12-09 2017-05-31 电子科技大学 一种图像去雾方法及系统

Also Published As

Publication number Publication date
CN107845078A (zh) 2018-03-27

Similar Documents

Publication Publication Date Title
Ancuti et al. Dense-haze: A benchmark for image dehazing with dense-haze and haze-free images
Tripathi et al. Single image fog removal using bilateral filter
TWI514323B (zh) 基於混合暗通道先驗的影像除霧方法及其系統
Carr et al. Improved single image dehazing using geometry
Sahu et al. A survey on underwater image enhancement techniques
CN103186887B (zh) 图像除雾装置和图像除雾方法
KR101582779B1 (ko) 영상의 파장 적응적 안개 제거 장치 및 방법
CN110288539B (zh) 一种结合颜色空间移动与暗通道先验的水下图像清晰方法
CN102930514A (zh) 基于大气物理散射模型的快速图像去雾方法
CN110827218B (zh) 基于图像hsv透射率加权校正的机载图像去雾方法
CN104200445A (zh) 一种最优对比度和最小信息损失的图像去雾方法
CN103198459A (zh) 雾霾图像快速去雾方法
CN109389569B (zh) 基于改进DehazeNet的监控视频实时去雾方法
Cheng et al. Visibility enhancement of single hazy images using hybrid dark channel prior
CN104318528A (zh) 基于多尺度wls滤波的雾天图像恢复方法
Ji et al. Real-time enhancement of the image clarity for traffic video monitoring systems in haze
Patel et al. A review on methods of image dehazing
CN107845078B (zh) 一种元数据辅助的无人机图像多线程清晰化方法
CN112907461B (zh) 一种红外雾天降质图像去雾增强方法
Fu et al. Scene-awareness based single image dehazing technique via automatic estimation of sky area
Anwar et al. Classification of foggy images for vision enhancement
CN112598777B (zh) 一种基于暗通道先验的雾霾融合方法
Kawarabuki et al. Snowfall detection in a foggy scene
Kim et al. A system architecture for real time traffic monitoring in foggy video
CN109242805A (zh) 一种基于独立分量分析的单幅图像雾霾快速去除方法

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180327

Assignee: Beijing northern sky long hawk UAV Technology Co.,Ltd.

Assignor: BEIHANG University

Contract record no.: X2021990000039

Denomination of invention: Metadata aided multithreading method for UAV image

Granted publication date: 20200414

License type: Exclusive License

Record date: 20210119