CN108022225A - 基于快速导向滤波改进的暗通道先验图像去雾算法 - Google Patents
基于快速导向滤波改进的暗通道先验图像去雾算法 Download PDFInfo
- Publication number
- CN108022225A CN108022225A CN201711438997.9A CN201711438997A CN108022225A CN 108022225 A CN108022225 A CN 108022225A CN 201711438997 A CN201711438997 A CN 201711438997A CN 108022225 A CN108022225 A CN 108022225A
- Authority
- CN
- China
- Prior art keywords
- msub
- mean
- mrow
- image
- algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000002834 transmittance Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/20024—Filtering details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于快速导向滤波改进的暗通道先验图像去雾算法，属于图像去雾算法技术领域。本发明为了解决现有暗通道先验的单幅图像去雾算法中全局大气光强估计易受图中白色物体干扰，天空区域颜色失真，和使用软抠图方法优化透射率计算复杂的问题。本发明的基于快速导向滤波改进的暗通道先验图像去雾算法，采用改进的四叉树搜索算法和改进的快速导向滤波细化透射率，有效改善了去雾效果，恢复的图像颜色鲜明，视觉效果清晰自然，处理时间也有一定的改善。
Description
技术领域
本发明涉及基于快速导向滤波改进的暗通道先验图像去雾算法，属于图像去雾算法技术领域。
背景技术
秋冬时节我国大范围出现雾霾等恶劣天气，空气中的悬浮颗粒对光线的吸收和散射作用，导致成像设备捕获的图像出现对比度低、颜色失真等退化现象，对计算机视觉应用如视频监控、地形勘测、遥感航拍等领域产生了重大的影响，图像去雾算法的研究显得尤其重要。
发明内容
针对现有技术的不足，本发明提供了基于快速导向滤波改进的暗通道先验图像去雾算法，解决了现有暗通道先验的单幅图像去雾算法中全局大气光强估计易受图中白色物体干扰，天空区域颜色失真，和使用软抠图方法优化透射率计算复杂的问题。
本发明解决其技术问题所采用的技术方案是：基于快速导向滤波改进的暗通道先验图像去雾算法，Ⅰ.采用改进的四叉树搜索算法来精确估计全局大气光强A，算法步骤如下：
Step1:对输入的雾霾图像I进行灰度化处理，得到灰度图像G；
Step2:对图像G进行四叉树分割，并顺时针标记为1,2,3,4区域；
Step3:利用公式θi＝mean(Gi)-σi，计算区域1和区域2的数值；
Step4:比较θ1和θ2的值，θ值大的区域重复Step2和Step3，若分割出的图像大小或小于设定的阈值尺寸，停止分割；
Step5:对所确定的区域W定义为天空区域，为避免所选的区域中没有天空区域，对区域W判断其方差σ2，若σ2≤0.01所确定的区域W就是真正的天空区域，分割得到的橙色区域就是天空区域，取橙色区域的最大值作为全局大气光强A，若σ2≥0.01则确定的区域W是非天空区域，则按照亮度大小从暗通道图中选取前0.1％的像素点，在原始图像中找到这些像素点对应值，取这些像素值的平均值作为全局大气光强A；
Ⅱ.采用改进的快速导向滤波细化透射率，算法步骤如下：
导向滤波中输出图像q和导向图I是一个局部线性模型即
其中q是滤波输出图像，k是速率为r的局部窗口W的索引，输出图像p，通过公式θi＝mean(Gi)-σi最小化P和q的重建误差，
μk和σk是图像I在窗口k中的均值方差，∈是一个调整平滑度的正则化参数。滤波输出可用下面公式计算：
和是以像素点i为中心的窗口wi内的a和b的均值，算法的计算量是框滤波器；
快速导向滤波的算法实现过程，伪代码为：
本发明的有益效果为：基于快速导向滤波改进的暗通道先验图像去雾算法，结合大气散射模型，采用改进的四叉树搜索算法对全局大气光进行精确地估计，利用快速导向滤波算法细化透射率复原无雾图像；有效改善了去雾效果，恢复的图像颜色鲜明，视觉效果清晰自然，处理时间也有一定的改善。
附图说明
图1是本发明的实施例的去雾算法框架结构示意图。
图2是本发明的实施例的一幅天空区域的雾天图像与其四叉树分割效果图的对比图。
图3是本发明的实施例的另一幅天空区域的雾天图像与其四叉树分割效果图的对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进一步说明。
如图1至图2所示，本发明的实施例提供了基于快速导向滤波改进的暗通道先验图像去雾算法，雾天成像模型常被用于图像去雾中，该模型可表达为下式：
I(x)＝J(x)t(x)+A(1-t(x)) (1.1)
I(x)表示拍摄到的有雾图像，J(x)表示要复原的清晰无雾图像，A表示全局大气光强，t(x)是媒介透射率。在同质大气中：
t(x)＝e-βd(x) (1.2)
β为大气散射系数，d(x)为景深。依据暗通道先验规律，在大多数非天空区域局部区域内，至少存在一个通道内的像素点的亮度值非常低甚至接近于0。图像的暗通道Jdark(x)定义如下：
1、Jc是图像J的颜色通道，其中c∈{r,g,b}，Ω(x)是中心点在x的局部区域。假设已知全局大气光强A，对(1.1)式两边同除以A，
进一步假设在每一个局部窗口Ω(x)内,透射率t(x)是一个常数，用表示，本文中Ω(x)采用7*7的邻域。然后对公式(1.4)两边计算暗通道，得到：
根据无雾图像的暗通道先验规律可知：
因此，估算出的粗透射率公式如下：
因为在晴天的条件下大气中也存在着一定的微小颗粒，远景图像中保留一定的雾气可以感觉到景深的存在，复原出的无雾图像更加真实自然。因此引入一个调整参数w∈(0,1]，本文中取w＝0.95。
天空区域具有亮度较高、灰度平坦、位置偏上等特性，本文将满足以上特性的区域称为天空区域，采用一种改进的四叉树搜索算法来精确估计全局大气光强A。算法步骤如下：
Step1:对输入的雾霾图像I进行灰度化处理，得到灰度图像G；
Step2:对图像G进行四叉树分割，并顺时针标记为1,2,3,4区域；
Step3:利用公式(2.1)，计算区域1,2的数值；
θi＝mean(Gi)-σi (2.1)
Step4:比较θ1和θ2的值，θ值大的区域重复步骤(2)和步骤(3)，若分割出的图像大小小于设定的阈值尺寸，停止分割。
Step5:对所确定的区域W定义为天空区域。为避免所选的区域中没有天空区域，对区域W判断其方差σ2，若σ2≤0.01所确定的区域W就是真正的天空区域，图2和图3中分割得到的橙色区域就是天空区域，取橙色区域的最大值作为全局大气光强A。若σ2≥0.01则确定的区域W是非天空区域，则按照亮度大小从暗通道图中选取前0.1％的像素点，在原始图像中找到这些像素点对应值，取这些像素值的平均值作为全局大气光强A。
图2中左侧图和图3中的左侧图是含有天空区域的雾天图像，图2中右侧图和图3中的右侧图是分别对应的四叉树分割效果图，橙色区域就是真正的天空区域，因此可以准确的估计出全局大气光强A，本文设定的阈值尺寸为30*30。
采用改进的快速导向滤波细化透射率，该算法的时间复杂度与滤波窗口大小无关，不仅可以保持边缘和细节纹理，处理速度上更是大有提高。
导向滤波中输出图像q和导向图I是一个局部线性模型即
其中q是滤波输出图像，k是速率为r的局部窗口W的索引，考虑到输出图像p，通过公式(2.1)和(2.2)最小化P和q的重建误差。
μk和σk是图像I在窗口k中的均值方差，∈是一个调整平滑度的正则化参数。滤波输出可用下面公式计算：
和是以像素点i为中心的窗口wi内的a和b的均值，所以算法主要的计算量是许多的框滤波器。
快速导向滤波的算法实现过程，伪代码如下：
和是两个平滑图，输出图像q的边缘和结构主要是通过调整导向图I，但是导向滤波的主要计算量是为了平滑和这不需要在全分辨率图中实现。在快速导向滤波中，对导向图像I和输入图像p以速率s进行近邻采样或者双线性二次采样，所有框滤波器都是在低分辨率图上实现，这就是快速导向滤波的主要计算。通过两个系数图和双线性上采样到原始图的大小，输出仍用公式(2.1)计算。在算法的最后步骤中，图像I是没有进行下采样的全分辨率导向图，但I仍然对滤波输出起着重要的作用。
所有框滤波器的计算把时间复杂度从O(N)减少到O(N/s2),最后的双线性上采样和滤波输出的时间复杂度为O(N)，但是只占用了计算量的较小部分，实际中当s＝4时我们可观察到近10倍的加速效果。
当透射率t的值趋向于0时，公式(1.1)中的乘积项J(x)t(x)便会趋向于0。因此设置一个阈值t0＝0.1，当t值小于t0时，令t＝t0。因此，最终无雾图像的复原公式如下：
经实验仿真结果发现，基于暗通道先验的去雾算法复原后的图像在色彩上整体偏暗，本文对复原后的图像进行增强处理。具体的算法如下:
Step1:将复原后的无雾图像转换到HSV空间；
Step2:用MSR(多尺度Retinex)算法对V通道进行增强；
Step3:把增强后的HSV图像再转换到RGB空间。
虽然本发明所揭示的实施方式如上，但其内容只是为了便于理解本发明的技术方案而采用的实施方式，并非用于限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭示的核心技术方案的前提下，可以在实施的形式和细节上做任何修改与变化，但本发明所限定的保护范围，仍须以所附的权利要求书限定的范围为准。
Claims (1)
1.基于快速导向滤波改进的暗通道先验图像去雾算法，其特征在于：
Ⅰ.采用改进的四叉树搜索算法来精确估计全局大气光强A，算法步骤如下：
Step1:对输入的雾霾图像I进行灰度化处理，得到灰度图像G；
Step2:对图像G进行四叉树分割，并顺时针标记为1,2,3,4区域；
Step3:利用公式θi＝mean(Gi)-σi，计算区域1和区域2的数值；
Step4:比较θ1和θ2的值，θ值大的区域重复Step2和Step3，若分割出的图像大小或小于设定的阈值尺寸，停止分割；
Step5:对所确定的区域W定义为天空区域，为避免所选的区域中没有天空区域，对区域W判断其方差σ2，若σ2≤0.01所确定的区域W就是真正的天空区域，分割得到的橙色区域就是天空区域，取橙色区域的最大值作为全局大气光强A，若σ2≥0.01则确定的区域W是非天空区域，则按照亮度大小从暗通道图中选取前0.1％的像素点，在原始图像中找到这些像素点对应值，取这些像素值的平均值作为全局大气光强A；
Ⅱ.采用改进的快速导向滤波细化透射率，算法步骤如下：
导向滤波中输出图像q和导向图I是一个局部线性模型即
<mrow>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
</mrow>
其中q是滤波输出图像，k是速率为r的局部窗口W的索引，输出图像p，通过公式θi＝mean(Gi)-σi最小化P和q的重建误差，
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mi>w</mi>
<mo>|</mo>
</mrow>
</mfrac>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
</mrow>
</msub>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mover>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mrow>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>k</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>&Element;</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3.2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>k</mi>
</msub>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
μk和σk是图像I在窗口k中的均值方差，∈是一个调整平滑度的正则化参数。滤波输出可用下面公式计算：
<mrow>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>a</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>b</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3.4</mn>
<mo>)</mo>
</mrow>
</mrow>
和是以像素点i为中心的窗口wi内的a和b的均值，算法的计算量是框滤波器；
快速导向滤波的算法实现过程，伪代码为：
1:I'＝fsubsample(I,s)
p'＝fsubsample(p,s)
r'＝r/s
2:meanI＝fmean(I',r')
meanP＝fmean(p',r')
corrI＝fmean(I'.*I',r')
corrIp＝fmean(I'.*p',r')
3:varI＝corrI-meanI.*meanI
varIp＝corrIp-meanI.*meanp
4:a＝covIP./(varI+∈)
b＝meanb-a.*meanI
5:meana＝fmean(a,r')
meanb＝fmean(b,r')
6:meana＝fupsample(meana,s)
meanb＝fupsample(meanb,s)
7:q＝meana.*I+meanb。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711438997.9A CN108022225A (zh) | 2017-12-26 | 2017-12-26 | 基于快速导向滤波改进的暗通道先验图像去雾算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711438997.9A CN108022225A (zh) | 2017-12-26 | 2017-12-26 | 基于快速导向滤波改进的暗通道先验图像去雾算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108022225A true CN108022225A (zh) | 2018-05-11 |
Family
ID=62071468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711438997.9A Pending CN108022225A (zh) | 2017-12-26 | 2017-12-26 | 基于快速导向滤波改进的暗通道先验图像去雾算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108022225A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110148093A (zh) * | 2019-04-17 | 2019-08-20 | 中山大学 | 一种基于暗通道先验的图像去雾改进方法 |
| CN110223258A (zh) * | 2019-06-12 | 2019-09-10 | 西南科技大学 | 一种多模式快速视频图像去雾方法及装置 |
| CN110428371A (zh) * | 2019-07-03 | 2019-11-08 | 深圳大学 | 基于超像素分割的图像去雾方法、系统、存储介质及电子设备 |
| CN111598788A (zh) * | 2020-04-08 | 2020-08-28 | 西安理工大学 | 一种基于四叉树分解与非局部先验的单幅图像去雾方法 |
| CN112183366A (zh) * | 2020-09-29 | 2021-01-05 | 重庆大学 | 一种高压电力线鸟巢检测方法、系统及机器可读介质 |
| CN112825189A (zh) * | 2019-11-21 | 2021-05-21 | 武汉Tcl集团工业研究院有限公司 | 一种图像去雾方法及相关设备 |
| CN113436095A (zh) * | 2021-06-24 | 2021-09-24 | 哈尔滨理工大学 | 一种包含天空区域图像的去雾方法 |
| CN113538284A (zh) * | 2021-07-22 | 2021-10-22 | 哈尔滨理工大学 | 一种基于暗通道先验的图像去雾算法的移植方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794697A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 一种基于暗原色先验的图像去雾方法 |
-
2017
- 2017-12-26 CN CN201711438997.9A patent/CN108022225A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794697A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 一种基于暗原色先验的图像去雾方法 |
Non-Patent Citations (2)
| Title |
|---|
| KAIMING HE ET AL: "Fast Guided Filter", 《ARXIV:1505.00996V1 [CS.CV]》 * |
| 胡晨辉 等: "导向滤波优化的单幅去雾算法", 《传感器与微系统》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110148093A (zh) * | 2019-04-17 | 2019-08-20 | 中山大学 | 一种基于暗通道先验的图像去雾改进方法 |
| CN110148093B (zh) * | 2019-04-17 | 2023-05-16 | 中山大学 | 一种基于暗通道先验的图像去雾改进方法 |
| CN110223258A (zh) * | 2019-06-12 | 2019-09-10 | 西南科技大学 | 一种多模式快速视频图像去雾方法及装置 |
| CN110428371A (zh) * | 2019-07-03 | 2019-11-08 | 深圳大学 | 基于超像素分割的图像去雾方法、系统、存储介质及电子设备 |
| CN112825189A (zh) * | 2019-11-21 | 2021-05-21 | 武汉Tcl集团工业研究院有限公司 | 一种图像去雾方法及相关设备 |
| CN112825189B (zh) * | 2019-11-21 | 2024-03-12 | 武汉Tcl集团工业研究院有限公司 | 一种图像去雾方法及相关设备 |
| CN111598788A (zh) * | 2020-04-08 | 2020-08-28 | 西安理工大学 | 一种基于四叉树分解与非局部先验的单幅图像去雾方法 |
| CN111598788B (zh) * | 2020-04-08 | 2023-03-07 | 西安理工大学 | 一种基于四叉树分解与非局部先验的单幅图像去雾方法 |
| CN112183366A (zh) * | 2020-09-29 | 2021-01-05 | 重庆大学 | 一种高压电力线鸟巢检测方法、系统及机器可读介质 |
| CN113436095A (zh) * | 2021-06-24 | 2021-09-24 | 哈尔滨理工大学 | 一种包含天空区域图像的去雾方法 |
| CN113538284A (zh) * | 2021-07-22 | 2021-10-22 | 哈尔滨理工大学 | 一种基于暗通道先验的图像去雾算法的移植方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108022225A (zh) | 基于快速导向滤波改进的暗通道先验图像去雾算法 | |
| CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
| CN105225210B (zh) | 一种基于暗通道的自适应直方图增强去雾方法 | |
| CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
| CN103218778B (zh) | 一种图像和视频的处理方法及装置 | |
| CN104794697B (zh) | 一种基于暗原色先验的图像去雾方法 | |
| Wang et al. | A fast single-image dehazing method based on a physical model and gray projection | |
| 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 | |
| CN105913390B (zh) | 一种图像去雾方法及系统 | |
| Shi et al. | Single image dehazing in inhomogeneous atmosphere | |
| CN104318524A (zh) | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 | |
| CN104867121B (zh) | 基于暗原色先验和Retinex理论的图像快速去雾法 | |
| CN105976337B (zh) | 一种基于中值引导滤波的图像去雾方法 | |
| CN107424133A (zh) | 图像去雾方法、装置、计算机可存储介质和移动终端 | |
| CN110827218A (zh) | 基于图像hsv透射率加权校正的机载图像去雾方法 | |
| CN107798670A (zh) | 一种利用图像引导滤波器的暗原色先验图像去雾方法 | |
| CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
| CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
| CN104318528A (zh) | 基于多尺度wls滤波的雾天图像恢复方法 | |
| CN111598814A (zh) | 基于极端散射通道的单图像去雾方法 | |
| Khan et al. | Recent advancement in haze removal approaches | |
| CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
| CN108765337A (zh) | 一种基于暗原色先验与非局部mtv模型的单幅彩色图像去雾处理方法 | |
| CN112465720A (zh) | 一种基于图像天空分割的图像去雾方法、装置和存储介质 | |
| Song et al. | An adaptive real-time video defogging method based on context-sensitiveness |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180511 |
|
| RJ01 | Rejection of invention patent application after publication |