CN108305225A - 基于暗通道先验的交通监控图像快速去雾方法 - Google Patents
基于暗通道先验的交通监控图像快速去雾方法 Download PDFInfo
- Publication number
- CN108305225A CN108305225A CN201810038958.8A CN201810038958A CN108305225A CN 108305225 A CN108305225 A CN 108305225A CN 201810038958 A CN201810038958 A CN 201810038958A CN 108305225 A CN108305225 A CN 108305225A
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- traffic monitoring
- image
- defogging
- 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 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000002834 transmittance Methods 0.000 claims description 16
- 239000003595 mist Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 8
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20028—Bilateral 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于暗通道先验的交通监控图像快速去雾方法，采用形态学闭运算和高斯平滑滤波替代导向滤波或双边滤波，从而在较低的计算复杂度下保证了交通监控图像的透射率在景深相同处的局部平滑性；同时，利用高亮度像素集的平均RGB值和大气光值上、下界约束来尽量避免交通监控过程存在诸多干扰时出现大气光值估计不合理的情况；另外，通过透射率的非线性变换进一步增强输出图像的对比度，从而达到快速、有效地实现交通监控图像去雾的目的。
Description
技术领域
本发明涉及交通监控图像处理领域，尤其是一种运算速度快、去雾效果好的、基于暗通道先验的交通监控图像去雾方法。
背景技术
交通监控系统是智能交通的一个子系统，在道路、车辆和驾驶员之间建立快速通讯联系，而交通监控系统能够发挥的作用很大程度依赖于天气情况。雾、霾等恶劣天气条件下，交通监控设备拍摄的视频或图像会出现对比度下降、清晰度下降、颜色失真等问题，导致视频或图像的使用价值降低，影响了交通监控的作用力。去除或者降低尘埃、雾霾颗粒杂质的影响、提高监控图像质量是改善交通视频监控系统性能的关键技术环节之一，并且已成为近年来数字图像处理、计算机视觉领域的研究热点，得到了众多学者的广泛关注和研究。图像去雾的目的就在于恢复有雾图像的对比度和清晰度，还原其真实色彩以及真实场景，达到在理想天气状况下的拍摄效果，从而帮助智能交通系统实现正常的交通管理。
目前，典型的图像去雾算法主要包括两类：基于图像增强的去雾算法（如基于Retinex的去雾算法、基于小波变换的去雾方法等），基于图像复原的去雾算法（如基于暗通道先验的去雾、基于视觉信息损失先验的去雾等）。前者主要通过增强被降质图像的对比度、突出图像中景物的特征和有价值的信息，来改善图像的质量。但是，图像增强方法从本质上来讲只是提高了图像的对比度和清晰度，并没有真正意义上实现对图像的去雾，增强后的图像易出现颜色过于饱和的现象，究其原因是没有考虑大气光成分的影响。后者则以雾天图像降质的物理过程为基础建立雾天退化模型，在反演图像退化的过程中完成对参数的最优化估计，补偿退化过程中所造成的图像失真，从而改善雾天图像质量。因此，基于图像复原的去雾算法得到越来越多学者的关注与研究。
Nayar等人利用雾天图像退化模型恢复出无雾图像；Oakley等人建立了一个各种光线对雾天图像降质的计算模型。这两种方法的模型参数偏多，实现过程也较为复杂。Narasimhan等人使用不同天气状况下的图像先验来提取景深信息，由于图像先验知识不够且不同天气状况与雾天情况又往往不同，去雾效果一般。Fattal等人通过假设场景目标表面投影和光的传播局部不相关性，进而由估算得到的场景反射率推导出场景透射率来实现图像去雾。由于该方法是基于数据统计的，要求具有足够的颜色信息，在处理浓雾天气下颜色暗淡的图像时，往往会因统计信息不足而导致复原图像出现失真。
暗通道先验理论是He Kaiming等人通过统计户外无雾图像库得出的一种规律性结论，主要用于单一图像去雾，其基本思想是在不包括天空的绝大部分区域中总会存在一些“暗像素”，这些暗像素至少有一个颜色通道具有较低的强度值。在被雾干扰的图像里，这些暗像素的强度值会被大气中的白光成分所充斥而变得较高，故此能够直接用来评估雾光的透射情况，进而根据大气散射模型和光在雾天传输的物理特性，得到去雾后的图像。尽管基于暗通道先验的去雾算法是目前效果较好的一类算法，可是该算法在浓雾情况下的去雾效率相对有限。于是，很多研究人员致力于改进基于暗通道先验的去雾算法。比如，陈剑鹏等人在暗通道理论基础上引进白平衡理论来计算大气光照，并利用三边滤波对暗通道图像进行边缘细化；王一帆等人利用双边滤波计算大气光照、弱化明亮区域，从而获得无雾图像；He Kaiming等人利用导向滤波进一步优化了大气透射率图的计算；Meng等人采用基于块约束和上下文正则化的方法来估算大气透射率实现了图像去雾。虽然这些方法能对单幅图像做出比较理想的处理，尤其是对于景深变化较多的图像的处理效果比之前有了很大进步，但是韩正汀等人认为一般情况下透射率在局部区域内应该是恒定的，在含雾图像上进行导向滤波会使景深相同处的细节过于丰富（尤其是对于交通监控图像这种远距离广角图像，情况更是如此），不符合自然规律，进而提出采用大气光幕的导向图对大气透射率进行导向滤波，再结合大气物理散射模型完成去雾。不过，该算法的计算复杂度仍然较高，无法很好地满足交通监控图像处理的实时性要求。
发明内容
本发明是为了解决现有技术所存在的上述技术问题，提供一种运算速度快、去雾效果好的基于暗通道先验的交通监控图像快速去雾方法。
本发明的技术解决方案是：一种基于暗通道先验的交通监控图像快速去雾方法，其特征在于按照如下步骤进行：
步骤1. 输入一幅含雾的交通监控图像；
步骤2. 利用公式给出的两次最小值操作处理的每一个像素，计算得到的暗通道图：
所述表示的暗通道，表示输入图像的某一个RGB通道，表示以像素为中心、大小为像素的窗口内的像素集合，表示取最小值的函数；
步骤3. 求大气光值；
步骤3.1 将输入图像从RGB空间转换到HSV空间，结果图像为；
步骤3.2 将中的所有值进行非升序排列；
步骤3.3 在步骤3.1得到的非升序序列中取出位于前0.1%的值，并将这些值在暗通道中的位置记录到集合中；
步骤3.4 根据位置集合，到图像的亮度分量中取出在这些位置上具有最高亮度值的像素组成一个像素集，然后将像素集的平均RGB值作为大气光值；
步骤4. 粗估计透射率图像；
步骤4.1 计算场景透射率的粗估计值，其定义由公式给出：
所述表示大气光值的某一个RGB通道（），表示预设的大气光值下界的某一个RGB通道，表示预设的大气光值上界的某一个RGB通道；
步骤5. 精细估计透射率图像；
步骤5.1 采用大小为像素的结构元素对得到的透射率图像进行形态学闭运算；
步骤5.2 采用大小为像素、方差为的高斯平滑卷积核对透射率的粗估计值进行线性加权的平滑滤波，得到细化后的透射率图像；
步骤6. 利用大气光值和透射率图像对输入图像的每一个像素执行去雾操作，得到输出的交通监控图像，去雾过程由公式的定义给出：
所述表示输出图像中每个像素的某一个RGB颜色通道（），表示为了避免输出的像素值过大而预设的常数值，表示预设的非线性变换系数。
与现有的技术相比，本发明从三方面保证图像去雾的主客观质量：首先，利用高亮度像素集的平均RGB值以及预设的大气光值上界、下界约束来尽量避免监控图像中存在诸多干扰因素时，出现大气光值估计结果不合理的情况。考虑到在同一天气条件下，同一地区的大气光值往往趋于定值，这种参数设定非常简单，不会给用户造成使用时的不便；其次，在估计透射率图像时，采用形态学闭运算和高斯平滑滤波替代传统方法中的导向滤波或双边滤波，既可保证交通监控图像的透射率在景深相同处的局部平滑性，符合物理规律，又能避免导向滤波或双边滤波的高计算量。最后，在去雾时引入透射率的非线性变换，有利于扩展高亮度像素的动态范围，增强输出图像的对比度。因此，本发明具有运算速度快、去雾效果好的优点。
附图说明
图1~图3是本发明实施例与He Kaiming的基于暗通道的去雾结果对比图。
具体实施方式
一种供基于暗通道先验的交通监控图像快速去雾方法，其特征在于按照如下步骤进行：
步骤1. 输入一幅含雾的交通监控图像；
步骤2. 利用公式给出的两次最小值操作处理的每一个像素，计算得到的暗通道图：
所述表示的暗通道，表示输入图像的某一个RGB通道，表示以像素为中心、大小为像素的窗口内的像素集合，表示取最小值的函数，本实施例中令；
步骤3. 求大气光值；
步骤3.1 将输入图像从RGB空间转换到HSV空间，结果图像为；
步骤3.2 将中的所有值进行非升序排列；
步骤3.3 在步骤3.1得到的非升序序列中取出位于前0.1%的值，并将这些值在暗通道中的位置记录到集合中；
步骤3.4 根据位置集合，到图像的亮度分量中取出在这些位置上具有最高亮度值的像素组成一个像素集，然后将像素集的平均RGB值作为大气光值；
步骤4. 粗估计透射率图像；
步骤4.1 计算场景透射率的粗估计值，其定义由公式给出：
所述表示大气光值的某一个RGB通道（），表示预设的大气光值下界的某一个RGB通道，表示预设的大气光值上界的某一个RGB通道，本实施例中令，令；
步骤5. 精细估计透射率图像；
步骤5.1 采用大小为像素的结构元素对得到的透射率图像进行形态学闭运算，本实施例中令；
步骤5.2 采用大小为像素、方差为的高斯平滑卷积核对透射率的粗估计值进行线性加权的平滑滤波，得到细化后的透射率图像，本实施例中令，令；
步骤6. 利用大气光值和透射率图像对输入图像的每一个像素执行去雾操作，得到输出的交通监控图像，去雾过程由公式的定义给出：
所述表示输出图像中每个像素的某一个RGB颜色通道（），表示为了避免输出的像素值过大而预设的常数值，表示预设的非线性变换系数，本实施例中令，令。
不同含雾图像采用本发明和传统基于暗通道的去雾方法得到的结果如图1~图3。图1~图3中（a）为原始图像，（b） He Kaiming的基于暗通道的去雾结果图；（c）本发明实施例的去雾结果图。
从图1~图3可以看出：本发明实施例的去雾效果明显优于现有技术。
本发明实施例与He Kaiming的基于暗通道的去雾方法的计算时间比较如表1（实验例的硬件环境为CPU为Intel (R) Core (TM) i5-3470 @3.20GHz双核，内存为4GB，软件环境为Window 7操作系统、Matlab 2016科学计算平台）。表1结果表明本发明实施例的计算时间少于He Kaiming的基于暗通道的去雾方法。
表1 去雾方法的计算时间比较
。
Claims (1)
1.一种基于暗通道先验的交通监控图像快速去雾方法，其特征在于按如下步骤进行：
步骤1. 输入一幅含雾的交通监控图像；
步骤2. 利用公式给出的两次最小值操作处理的每一个像素，计算得到的暗通道图：
所述表示的暗通道，表示输入图像的某一个RGB通道，表示以像素为中心、大小为像素的窗口内的像素集合，表示取最小值的函数；
步骤3. 求大气光值；
步骤3.1 将输入图像从RGB空间转换到HSV空间，结果图像为；
步骤3.2 将中的所有值进行非升序排列；
步骤3.3 在步骤3.1得到的非升序序列中取出位于前0.1%的值，并将这些值在暗通道中的位置记录到集合中；
步骤3.4 根据位置集合，到图像的亮度分量中取出在这些位置上具有最高亮度值的像素组成一个像素集，然后将像素集的平均RGB值作为大气光值；
步骤4. 粗估计透射率图像；
步骤4.1 计算场景透射率的粗估计值，其定义由公式给出：
所述表示大气光值的某一个RGB通道（），表示预设的大气光值下界的某一个RGB通道，表示预设的大气光值上界的某一个RGB通道；
步骤5. 精细估计透射率图像；
步骤5.1 采用大小为像素的结构元素对得到的透射率图像进行形态学闭运算；
步骤5.2 采用大小为像素、方差为的高斯平滑卷积核对透射率的粗估计值进行线性加权的平滑滤波，得到细化后的透射率图像；
步骤6. 利用大气光值和透射率图像对输入图像的每一个像素执行去雾操作，得到输出的交通监控图像，去雾过程由公式的定义给出：
所述表示输出图像中每个像素的某一个RGB颜色通道（），表示为了避免输出的像素值过大而预设的常数值，表示预设的非线性变换系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810038958.8A CN108305225A (zh) | 2018-01-16 | 2018-01-16 | 基于暗通道先验的交通监控图像快速去雾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810038958.8A CN108305225A (zh) | 2018-01-16 | 2018-01-16 | 基于暗通道先验的交通监控图像快速去雾方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108305225A true CN108305225A (zh) | 2018-07-20 |
Family
ID=62869071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810038958.8A Pending CN108305225A (zh) | 2018-01-16 | 2018-01-16 | 基于暗通道先验的交通监控图像快速去雾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108305225A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255759A (zh) * | 2018-08-02 | 2019-01-22 | 辽宁师范大学 | 基于天空分割和透射率自适应修正的图像去雾方法 |
| CN109685735A (zh) * | 2018-12-21 | 2019-04-26 | 温州大学 | 基于雾层平滑先验的单张图片去雾方法 |
| CN110197465A (zh) * | 2019-05-28 | 2019-09-03 | 深圳供电规划设计院有限公司 | 一种有雾图像增强算法 |
| CN110969588A (zh) * | 2019-12-02 | 2020-04-07 | 杨勇 | 一种基于非线性导向滤波的图像增强方法及系统 |
| CN114082676A (zh) * | 2021-11-05 | 2022-02-25 | 江苏狼王机械科技有限公司 | 一种基于视觉传感检测功能的炸制品自动筛选装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968767A (zh) * | 2012-11-26 | 2013-03-13 | 中国科学院长春光学精密机械与物理研究所 | 带有白平衡校正的雾天降质图像实时复原方法 |
| CN104036466A (zh) * | 2014-06-17 | 2014-09-10 | 浙江立元通信技术股份有限公司 | 一种视频去雾方法与系统 |
| CN104182943A (zh) * | 2014-08-27 | 2014-12-03 | 湖南大学 | 一种融合人眼视觉特性的单幅图像去雾方法 |
| CN104574412A (zh) * | 2015-01-22 | 2015-04-29 | 浙江大学 | 一种非均匀云雾条件下的遥感图像去雾方法 |
| CN105046666A (zh) * | 2015-07-24 | 2015-11-11 | 中国科学技术大学 | 一种基于暗原色先验的交通视频实时去雾的方法 |
-
2018
- 2018-01-16 CN CN201810038958.8A patent/CN108305225A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968767A (zh) * | 2012-11-26 | 2013-03-13 | 中国科学院长春光学精密机械与物理研究所 | 带有白平衡校正的雾天降质图像实时复原方法 |
| CN104036466A (zh) * | 2014-06-17 | 2014-09-10 | 浙江立元通信技术股份有限公司 | 一种视频去雾方法与系统 |
| CN104182943A (zh) * | 2014-08-27 | 2014-12-03 | 湖南大学 | 一种融合人眼视觉特性的单幅图像去雾方法 |
| CN104574412A (zh) * | 2015-01-22 | 2015-04-29 | 浙江大学 | 一种非均匀云雾条件下的遥感图像去雾方法 |
| CN105046666A (zh) * | 2015-07-24 | 2015-11-11 | 中国科学技术大学 | 一种基于暗原色先验的交通视频实时去雾的方法 |
Non-Patent Citations (6)
| Title |
|---|
| CODERSKYCHEN: "基于暗通道去雾算法的实现与优化（二）opencv在pc上的实现", 《CSDN》 * |
| GAOFENG MENG等: "Efficient Image Dehazing with Boundary Constraint and Contextual Regularization", 《2013 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
| IMAGESHOP: "《Single Image Haze Removal Using Dark Channel Prior》一文中图像去雾算法的原理、实现、效果（速度可实时）", 《博客园》 * |
| 周首峰等: "基于暗原色先验的单幅图像去雾方法的优化技术", 《计算机应用与软件》 * |
| 宋瑞霞等: "基于HSI颜色空间和暗原色先验的去雾算法", 《系统科学与数学》 * |
| 燕磬: "基于机器视觉的车道线识别技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255759A (zh) * | 2018-08-02 | 2019-01-22 | 辽宁师范大学 | 基于天空分割和透射率自适应修正的图像去雾方法 |
| CN109255759B (zh) * | 2018-08-02 | 2021-06-15 | 辽宁师范大学 | 基于天空分割和透射率自适应修正的图像去雾方法 |
| CN109685735A (zh) * | 2018-12-21 | 2019-04-26 | 温州大学 | 基于雾层平滑先验的单张图片去雾方法 |
| CN110197465A (zh) * | 2019-05-28 | 2019-09-03 | 深圳供电规划设计院有限公司 | 一种有雾图像增强算法 |
| CN110197465B (zh) * | 2019-05-28 | 2023-09-12 | 深圳供电规划设计院有限公司 | 一种有雾图像增强方法 |
| CN110969588A (zh) * | 2019-12-02 | 2020-04-07 | 杨勇 | 一种基于非线性导向滤波的图像增强方法及系统 |
| CN114082676A (zh) * | 2021-11-05 | 2022-02-25 | 江苏狼王机械科技有限公司 | 一种基于视觉传感检测功能的炸制品自动筛选装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108305225A (zh) | 基于暗通道先验的交通监控图像快速去雾方法 | |
| CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
| Huang et al. | An advanced single-image visibility restoration algorithm for real-world hazy scenes | |
| Huang et al. | Visibility restoration of single hazy images captured in real-world weather conditions | |
| Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
| Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
| Wang et al. | A fast single-image dehazing method based on a physical model and gray projection | |
| Lv et al. | Real-time dehazing for image and video | |
| CN108734670B (zh) | 单幅夜间弱照度雾霾图像的复原方法 | |
| CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
| CN106897981A (zh) | 一种基于引导滤波的低照度图像增强方法 | |
| Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
| CN104253930A (zh) | 一种实时视频去雾方法 | |
| CN107360344B (zh) | 监控视频快速去雾方法 | |
| CN104809709A (zh) | 基于域变换与带权四叉树分解的单幅图像自适应去雾方法 | |
| Gao et al. | Sandstorm image enhancement based on YUV space | |
| CN110827221A (zh) | 一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法 | |
| CN107730472A (zh) | 一种基于暗原色先验的图像去雾优化算法 | |
| 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 | |
| CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
| Liang et al. | Learning to remove sandstorm for image enhancement | |
| Pang et al. | A novel framework for enhancement of the low lighting video | |
| Xue et al. | Video image dehazing algorithm based on multi-scale retinex with color restoration | |
| CN108629750A (zh) | 一种夜间去雾方法、终端设备及存储介质 | |
| CN102006462A (zh) | 利用运动信息的快速监控视频增强方法及其实现装置 |
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 |
Application publication date: 20180720 |
|
| WD01 | Invention patent application deemed withdrawn after publication |