CN108154492A - 一种基于非局部均值滤波的图像去雾霾方法 - Google Patents
一种基于非局部均值滤波的图像去雾霾方法 Download PDFInfo
- Publication number
- CN108154492A CN108154492A CN201711421010.2A CN201711421010A CN108154492A CN 108154492 A CN108154492 A CN 108154492A CN 201711421010 A CN201711421010 A CN 201711421010A CN 108154492 A CN108154492 A CN 108154492A
- Authority
- CN
- China
- Prior art keywords
- image
- haze
- value
- pixel
- spreading rate
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001914 filtration Methods 0.000 title claims abstract description 19
- 230000007480 spreading Effects 0.000 claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract 2
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000010419 fine particle Substances 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
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
本发明涉及一种基于非局部均值滤波的图像去雾霾方法，包括以下步骤：(1)针对获取的原始图像，进行RGB颜色空间和YCrCb颜色空间的转换，得到原始图像的亮度分量。(2)利用直方图统计亮度分量像素值，求取所有亮度分量像素值的平均值。(3)判断亮度分量像素平均值大小，若平均值大于150则认为原始图像含雾霾，反之图像不含雾霾。(4)针对输入的原始图像，求取图像暗原色。(5)选取图像暗原色中亮度值最高的0.1％像素的位置，并将该位置内亮度最大值作为大气光值。(6)根据暗原色计算公式，粗略估计大气散射模型的传播率。(7)采用非局部均值滤波方法细化传播率。(8)将大气光值与细化的传播率代入大气散射模型，复原去雾霾后的图像。
Description
技术领域
本发明涉及一种基于非局部均值滤波的图像去雾霾方法，适用于在雾霾天气情况下，为室外的视频监控、遥感导航、飞行器电视电子成像等系统提供清晰、辨识度高的实时图像。
背景技术
近年来，由于我国工业生产规模的扩大和生活水平的提高，导致多地出现了较为严重的雾霾天气。雾霾天气条件下，大气中的微小粒子会对可见光产生吸收、散射等作用，使物体表面的反射光线在传播途中发生衰减，造成目标物体的能见度降低；另外，太阳光在经过该微小粒子时，也会发生一定程度的散射，且散射过程中部分光线能量得到增强；两者共同作用的情况下，最终造成了目标物体的图像质量下降、对比度和能见度降低的情况。因此，针对这种现象，需要对图像进行去雾霾处理来提高图像的清晰度和对比度，还原图像色彩，使得人眼获得更好的视觉效果。
对于图像去雾霾的算法主要分为两种：基于图像增强的去雾霾算法与基于物理模型的有雾霾图像复原算法。基于图像增强的方法主要是通过改善有雾霾图像的对比度、提高图像的颜色和亮度，突出图像特征来达到去雾霾效果，但是该方法没有考虑到图像退化降质的原因，会损失一些图像突出部分的信息。基于物理模型的方法则是考虑了雾霾天气状况下图像发生降质的原因，从而建立物理退化模型，并分析模型内参数，减少和消除了图像退化后产生的模糊、对比度低、图像失真等问题，相比于基于图像增强的去雾霾算法，基于物理模型的方法在图像去雾霾中能够获得更好的效果。
在基于物理模型的图像去雾霾领域内，研究人员广泛采用的是基于大气散射模型的单幅图像去雾霾算法。该类算法通过利用单幅图像内的先验性信息，计算得到大气散射模型中的衰减模型和环境光模型，从而获得去雾霾后的实际图像模型，最终达到对图像去雾霾的目的。此外，在单幅图像去雾霾算法中，基于暗原色先验的去雾霾算法取得的去雾霾效果最好，该算法通过将基于统计学规律的暗原色原理与大气散射模型相结合，较为精确的计算了模型内的各个参数，还原了真实的物体图像，实现了去雾霾的效果。
目前为止，国内采用基于暗原色先验算法进行图像去雾霾的专利，主要是直接对输入的原始图像直接进行处理，然后利用暗原色算法和高斯滤波算法求取大气散射模型，但该类方法存在两个方面的缺点：(1)针对输入的图像并不判断其是否有雾霾，导致对无雾霾情况下的图像进行去雾霾，造成输出图像失真等现象。(2)传统暗原色先验算法得到的大气散射模型透射率计算时间太长，无法实时进行图像去雾霾，而且高斯滤波算法的保边性能较差，最后造成去雾霾图像的细节特征丢失。
发明内容
本发明的技术解决问题是：克服现有技术不足，针对有雾霾图像的模糊、对比度低和图像整体偏暗的问题，提供一种基于非局部均值滤波的图像去雾霾方法，该方法将非局部均值滤波算法与暗原色先验算法结合，可有效进行图像去雾霾并改善图像的视觉效果。
本发明的技术解决方案为一种基于非局部均值滤波的图像去雾霾方法，实现步骤如下：
(1)针对在室外场景下获取的原始图像，进行RGB颜色空间和YCrCb颜色空间的转换，将R、G、B分量转化为亮度和色度分量；
(2)利用直方图统计方法对步骤(1)获得的亮度分量的像素值进行统计，求取所有亮度分量的像素值的平均值；
(3)若步骤(2)计算得到的亮度分量的像素平均值大于150，则判定该原始图像有雾霾，进行后续步骤(4)的去雾霾处理；若亮度分量的像素平均值小于150，则判定该原始图像无雾霾，直接输出该原始图像；
(4)针对输入的原始图像，求取RGB三个颜色通道的强度最小值，即求取图像暗原色；
(5)利用步骤(4)中计算得到的图像暗原色，选取其中亮度值最高的0.1％像素的位置，再计算所述位置内亮度最大值，并将所述最大值作为大气光值A；
(6)将步骤(5)中的大气光值A代入大气散射模型，粗略估计大气散射模型中的传播率；
(7)采用非局部均值滤波方法细化步骤(6)中得到的传播率，得到细化传播率；
(8)将步骤(5)中的大气光值A与步骤(7)中计算得到细化传播率代入大气散射模型，复原去雾霾后的图像。
所述步骤(7)中，非局部均值滤波方法为：根据非局部均值滤波函数与粗略估计的传播率得到细化传播率t(x)，表达式如下所示：
其中：
是图像中所有像素的加权平均值，h为滤波系数，f(i)为含雾霾图像中的像素值，Z(i)为归一化系数，Ni和Nj分别是以像素点i，j为中心的3×3像素大小的正方形区域。
所述步骤(8)中，复原图像的表达式如下所示：
其中，t0为t(x)的下限，本发明经过大量试验设为0.1，J(x)为去雾霾后的图像，I(x)为输入的原始含雾霾图像，A为大气光值，t(x)为细化传播率。
本发明与现有技术相比的优点在于：
(1)本发明采用了将RGB颜色空间与YCrCb颜色空间相互转换的方式，将RGB图像转换为YCrCb图像，得到图像的亮度和色度分量值，通过计算YCrCb颜色空间的亮度分量像素值是否大于150(经过大量反复实验得出的经验值，此时效果最好)，来判定图像是否含雾霾，因此该方式计算简单，可以快速判断图像是否需要去雾霾，若无需去雾霾，则可以直接输出原始图像。
(2)本发明采用了将非局部均值滤波方法与暗原色先验方法相结合的方式，该方式相比传统的高斯函数滤波的方法，具有既能去除噪声、又能保留图像边缘细节的优点；同时针对直接将粗略估计的传播率用于大气散射模型去雾霾会出现块状效应的的现象，采用非局部均值滤波方法对粗略估计的传播率进行细化，得到细化传播率，在细化传播率的过程中计算速度比传统的抠图算法要快，从而可实现图像的实时去雾霾。
附图说明
图1为本发明一种基于非局部均值滤波的图像去雾霾方法流程图；
图2为本发明输入的原始图像；
图3为采用本发明方法获得的去雾霾后的图像。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1所示，本发明的具体实现步骤如下(以下以机载吊舱电视图像为例来说明方法的具体实现)：
1、针对在室外场景下获取的原始图像，进行RGB颜色空间和YCrCb颜色空间的转换，将R,G,B,分量转化为亮度和色度分量。其中转换函数如下所示：
Y＝0.257×R+0.504×G+0.098×B
Cb＝-0.148×R-0.291×G+0.439×B
Cr＝0.439×R-0.368×G-0.071×B
其中R，G，B分别为RGB空间原有像素值，Y，Cb，Cr分别为YCbCr空间像素值。
2、利用直方图统计YCrCb颜色空间内的亮度分量像素值，并求取该空间内亮度分量像素的平均值，平均值计算公式如下所示：
其中，为亮度分量像素平均值，N为像素个数，Yi为每个像素亮度值。
3、利用亮度分量像素平均值对输入的原始图像是否含雾霾进行判断，即若则认为当前图像不含雾霾，可不进行去雾霾处理可直接输出，若则认为当前图像含雾霾，可进行下一步的图像去雾霾处理。
4、针对判定的含雾霾图像进行暗原色求取，首先对含雾霾图像在R，G，B三个颜色通道中进行分解，之后对每个颜色通道分别在局部区域进行最小值滤波计算，最后求取三个通道中的像素强度最小值。暗原色求取表达式如下所示：
其中，Jdark表示暗原色图像，Jc是RGB三通道中某一通道的无雾霾图像，Ω(x)为以x像素点为中心的一个区域，{r,g,b}表示R，G，B三个颜色通道的集合。
5、对求得的暗原色图像Jdark，选取其中亮度值最高的0.1％像素的位置，之后计算该位置内亮度最大值，并将该最大值作为大气光值A。
6、借助大气散射模型以及暗原色先验原理对透射率进行估计。首先假设大气光值是已知的，且在某一区域内该透射率是一个定值，然后对大气散射模型进行最小化运算进行求解，大气散射模型的一般形式如下所示：
I(x)＝J(x)t(x)+A(1-t(x))
其中，I(x)表示含雾霾图像的强度，J(x)为物体实际光线的强度，A为大气光值，t(x)表示透射率。
大气散射模型最小化运算形式如下所示：
其中，Ω(x)是以x像素点为中心的一个区域，y是属于Ω(x)区域内的像素点，Ic是RGB三通道中某一通道的有雾霾图像，Jc是RGB三通道中某一通道的无雾霾图像，t(x)表示透射率，Ac表示RGB三通道中某一通道的大气光值。
对大气散射模型的最小化运算形式进行整理，达到如下形式：
根据暗原色先验原理和暗原色求取表达式可知，Jdark的值趋近于0且大气光值A始终大于0。因此，将Jc值与Jdark近似，可以得到大气散射模型传播率的简化方程，如下所示。
由于上式求得的是简化得到的，因此可以认为是传播率t(x)的粗略估计。
7、针对直接将粗略估计的传播率用于大气散射模型去雾霾会出现块状效应的的现象，决定采用非局部均值滤波方法对粗略估计的传播率进行细化，得到细化传播率t(x)。非局部均值滤波函数如下所示：
其中，是图像中所有像素的加权平均值，h为滤波系数，f(i)为含雾霾图像中的像素值，Z(i)为归一化系数。Ni是以像素i为中心的图像区域，Nj是以像素j为中心的图像区域。
根据非局部均值滤波函数与粗略估计的传播率可以得到细化传播率t(x)，表达式如下所示：
8、将大气光值A与计算得到细化传播率t(x)代入大气散射模型，复原去雾霾后的图像。最终复原图像的表达式如下所示：
其中，t0为t(x)的下限，设为0.1，J(x)为去雾霾后的图像，I(x)为输入的原始含雾霾图像，A为大气光值，t(x)为传播率。
如图2所示，该图为输入的原始图像，因为室外场景是含雾霾的天气，所以图2的整体对比度偏低，且图像比较模糊。通过计算该图像矩阵的均值与均方差可得到图2的整体亮度为135.42，对比度为66.58。图3为经过图像去雾霾后的图像，去雾霾后，图3的整体亮度得到提升，边缘细节更加突出，对比度明显，通过计算该图像矩阵的均值和均方差可以得到图3的整体亮度为74.67，对比度为144.87。因此可见，本发明能够提高去雾霾后图像的亮度、对比度并改善视觉效果，保持图像边缘细节。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
Claims (3)
1.一种基于非局部均值滤波的图像去雾霾方法，其特征在于，包括以下步骤：
(1)针对在室外场景下获取的原始图像，进行RGB颜色空间和YCrCb颜色空间的转换，将R、G、B分量转化为亮度和色度分量；
(2)利用直方图统计方法对步骤(1)获得的亮度分量的像素值进行统计，求取所有亮度分量的像素值的平均值；
(3)若步骤(2)计算得到的亮度分量的像素平均值大于150，则判定该原始图像有雾霾，进行后续步骤(4)的去雾霾处理；若亮度分量的像素平均值小于150，则判定该原始图像无雾霾，直接输出该原始图像；
(4)针对输入的原始图像，求取RGB三个颜色通道的强度最小值，即求取图像暗原色；
(5)利用步骤(4)中计算得到的图像暗原色，选取其中亮度值最高的0.1％像素的位置，再计算所述位置内亮度最大值，并将所述最大值作为大气光值A；
(6)将步骤(5)中的大气光值A代入大气散射模型，粗略估计大气散射模型中的传播率；
(7)采用非局部均值滤波方法细化步骤(6)中得到的传播率，得到细化传播率；
(8)将步骤(5)中的大气光值A与步骤(7)中计算得到细化传播率代入大气散射模型，复原去雾霾后的图像。
2.根据权利要求1所述的基于非局部均值滤波的图像去雾霾方法，其特征在于：所述步骤(7)中，非局部均值滤波方法为：根据非局部均值滤波函数与粗略估计的传播率得到细化传播率t(x)，表达式如下所示：
其中：
是图像中所有像素的加权平均值，h为滤波系数，f(i)为含雾霾图像中的像素值，Z(i)为归一化系数，Ni和Nj分别是以像素点i，j为中心的3×3像素大小的正方形区域。
3.根据权利要求1所述的基于非局部均值滤波的图像去雾霾方法，其特征在于：所述步骤(8)中，复原图像的表达式如下所示：
其中，t0为t(x)的下限，J(x)为去雾霾后的图像，I(x)为输入的原始含雾霾图像，A为大气光值，t(x)为细化传播率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711421010.2A CN108154492B (zh) | 2017-12-25 | 2017-12-25 | 一种基于非局部均值滤波的图像去雾霾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711421010.2A CN108154492B (zh) | 2017-12-25 | 2017-12-25 | 一种基于非局部均值滤波的图像去雾霾方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108154492A true CN108154492A (zh) | 2018-06-12 |
| CN108154492B CN108154492B (zh) | 2019-02-15 |
Family
ID=62465834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711421010.2A Active CN108154492B (zh) | 2017-12-25 | 2017-12-25 | 一种基于非局部均值滤波的图像去雾霾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108154492B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109801241A (zh) * | 2019-01-22 | 2019-05-24 | 三峡大学 | 一种基于改进型暗通道优先算法的太阳耀斑图像去云方法 |
| CN110246195A (zh) * | 2018-10-19 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种大气光值的确定方法、装置、电子设备和存储介质 |
| CN110929722A (zh) * | 2019-11-04 | 2020-03-27 | 浙江农林大学 | 一种基于树木整体图像的树木检测方法 |
| CN112686825A (zh) * | 2021-01-05 | 2021-04-20 | 北京航科威视光电信息技术有限公司 | 一种基于fpga的地面浓雾场景灰度图像去雾方法 |
| CN113063432A (zh) * | 2021-04-13 | 2021-07-02 | 清华大学 | 一种烟雾环境下的可见光视觉导航方法 |
| CN113822816A (zh) * | 2021-09-25 | 2021-12-21 | 李蕊男 | 气雾散射模型优化的单张遥感图像去霾方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120121162A1 (en) * | 2010-11-11 | 2012-05-17 | Samsung Electronics Co., Ltd. | Filtering apparatus and method for high precision restoration of depth image |
| CN104318524A (zh) * | 2014-10-15 | 2015-01-28 | 烟台艾睿光电科技有限公司 | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 |
-
2017
- 2017-12-25 CN CN201711421010.2A patent/CN108154492B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120121162A1 (en) * | 2010-11-11 | 2012-05-17 | Samsung Electronics Co., Ltd. | Filtering apparatus and method for high precision restoration of depth image |
| CN104318524A (zh) * | 2014-10-15 | 2015-01-28 | 烟台艾睿光电科技有限公司 | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 |
Non-Patent Citations (2)
| Title |
|---|
| KAIMING HE 等: "Single Image Haze Removal Using Dark Channel Prior", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| 杨艳静: "序列图像去雾技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110246195A (zh) * | 2018-10-19 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种大气光值的确定方法、装置、电子设备和存储介质 |
| CN110246195B (zh) * | 2018-10-19 | 2022-05-17 | 浙江大华技术股份有限公司 | 一种大气光值的确定方法、装置、电子设备和存储介质 |
| CN109801241A (zh) * | 2019-01-22 | 2019-05-24 | 三峡大学 | 一种基于改进型暗通道优先算法的太阳耀斑图像去云方法 |
| CN110929722A (zh) * | 2019-11-04 | 2020-03-27 | 浙江农林大学 | 一种基于树木整体图像的树木检测方法 |
| CN112686825A (zh) * | 2021-01-05 | 2021-04-20 | 北京航科威视光电信息技术有限公司 | 一种基于fpga的地面浓雾场景灰度图像去雾方法 |
| CN113063432A (zh) * | 2021-04-13 | 2021-07-02 | 清华大学 | 一种烟雾环境下的可见光视觉导航方法 |
| CN113822816A (zh) * | 2021-09-25 | 2021-12-21 | 李蕊男 | 气雾散射模型优化的单张遥感图像去霾方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108154492B (zh) | 2019-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108154492B (zh) | 一种基于非局部均值滤波的图像去雾霾方法 | |
| CN108122213B (zh) | 一种基于YCrCb的低对比度图像增强方法 | |
| CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
| CN109191390A (zh) | 一种基于不同颜色空间多算法融合的图像增强算法 | |
| CN106780438A (zh) | 基于图像处理的绝缘子缺陷检测方法及系统 | |
| CN107358585B (zh) | 基于分数阶微分及暗原色先验的雾天图像增强方法 | |
| CN110146791A (zh) | 一种基于图像处理的电晕检测方法 | |
| CN109087254B (zh) | 无人机航拍图像雾霾天空和白色区域自适应处理方法 | |
| CN111598791B (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
| CN110148093B (zh) | 一种基于暗通道先验的图像去雾改进方法 | |
| CN102637301B (zh) | 航空摄影过程中实时自动评定影像色彩质量的方法 | |
| CN108093175B (zh) | 一种实时高清视频自适应去雾方法及装置 | |
| CN105631823A (zh) | 基于阈值分割优化的暗原色天空区域去雾方法 | |
| CN108564597A (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 | |
| CN102855627B (zh) | 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法 | |
| CN108257094A (zh) | 基于暗通道的遥感影像薄雾快速去除方法 | |
| CN105139344B (zh) | 基于频域及相位一致性的单幅图像去除雨滴影响的方法和系统 | |
| CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
| CN109003238B (zh) | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 | |
| CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
| CN111325688B (zh) | 融合形态学聚类优化大气光的无人机图像去雾方法 | |
| CN112950589A (zh) | 一种多尺度卷积神经网络的暗通道先验去雾算法 | |
| CN108154490A (zh) | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 | |
| CN110223253B (zh) | 一种基于图像增强的去雾方法 | |
| CN114037641A (zh) | 一种低照度图像增强方法、装置、设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |