CN108537760A - 一种基于大气散射模型的红外图像增强方法 - Google Patents
一种基于大气散射模型的红外图像增强方法 Download PDFInfo
- Publication number
- CN108537760A CN108537760A CN201810582601.6A CN201810582601A CN108537760A CN 108537760 A CN108537760 A CN 108537760A CN 201810582601 A CN201810582601 A CN 201810582601A CN 108537760 A CN108537760 A CN 108537760A
- Authority
- CN
- China
- Prior art keywords
- block
- sub
- infrared image
- image
- formula
- 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 31
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 3
- 239000003595 mist Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005192 partition Methods 0.000 description 2
- 238000009738 saturating Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于大气散射模型的红外图像增强方法，步骤包括：利用反转红外图像和有雾图像之间的相似性，对红外图像进行反转操作将其转化为虚拟的雾天图像；利用四叉树分解技术将反转红外图像分割为一系列子块，并在各子块内进行独立的去雾处理；将去雾处理后的反转红外图像再次反转，得到增强后的红外图像；基于导向全变分模型对增强后的红外图像进行边缘修复；基于Retinex模型对对增强后的红外图像进行亮度调节，从而获得最终的增强后的红外图像。该红外图像增强方法能够恢复出红外图像中原本隐藏的大量的场景细节，且不会引入负面效应。
Description
技术领域
本发明涉及一种红外图像增强方法，尤其是一种基于大气散射模型的红外图像增强方法。
背景技术
目前，现有的红外图像增强方法难以恢复出红外图像中原本隐藏的大量的场景细节，导致红外图像中原本隐藏的大量的场景细节丢失，而且在此过程中容易引入过曝光、过增强、光晕效应等负面效应。因此有必要设计出一种基于大气散射模型的红外图像增强方法，能够恢复出红外图像中原本隐藏的大量的场景细节，且不会引入负面效应。
发明内容
本发明的目的在于：提供一种基于大气散射模型的红外图像增强方法，能够恢复出红外图像中原本隐藏的大量的场景细节，且不会引入负面效应。
为了实现上述发明目的，本发明提供了一种基于大气散射模型的红外图像增强方法，包括如下步骤：
步骤1，利用反转红外图像和有雾图像之间的相似性，对红外图像进行反转操作将其转化为虚拟的雾天图像；
步骤2，利用四叉树分解技术将反转红外图像分割为一系列子块，并在各子块内进行独立的去雾处理；
步骤3，将去雾处理后的反转红外图像再次反转，得到增强后的红外图像；
步骤4，基于导向全变分模型对增强后的红外图像进行边缘修复；
步骤5，基于Retinex模型对对增强后的红外图像进行亮度调节，从而获得最终的增强后的红外图像。
进一步地，步骤1中，对红外图像进行反转操作如下：
Ireverse(x,y)＝1-IInfrared(x,y) (1)
式(1)中，IInfrared(x,y)是目标红外图像，Ireverse(x,y)是反转红外图像。
进一步地，步骤2中，利用四叉树分解技术对反转红外图像Ireverse(x,y)进行图像分割如下：
式(2)中，是分割所得的各子块，i是子块索引，N是子块总数，Quadtree(·)是四叉树分解操作。
进一步地，步骤2中，在各子块内进行独立的去雾处理的具体步骤为：
步骤2.1，对大气散射模型进行改进，并基于改进的大气散射模型对分割所得的各子块建模：
式(3)中，Ai是重新定义的子块大气光，t(i)是重新定义的子块透射率，基于式(3)在各子块内对Ai和t(i)进行独立估计，便估计出Ji(x,y)；
步骤2.2，在各子块内对子块大气光Ai进行估计，先对先进行腐蚀运算，再进行膨胀运算，具体如下：
式(4)中，erode(·)是腐蚀算子，dilate(·)是膨胀算子，再在去噪后的子块中定位出亮度最高的前10％的像素点，并将这些像素点的平均值定义为子块大气光Ai；
步骤2.3，在各子块内对子块透射率t(i)进行估计，先依据式(3)将Ji(x,y)改写为一个只与子块透射率t(i)有关的函数：
步骤2.4，引入图像信息熵函数如下：
式(6)中，entropy(t(i))是当子块透射率为t(i)时所对应的图像块Ji(x,y)的信息熵，是子块中像素数，sumj(t(i))是子块透射率为t(i)时所对应的图像块Ji(x,y)中灰度值为j的像素数，由于子块所对应的图像块Ji(x,y)存在像素强度上界和下界
式(7)中，max(·)、min(·)和var(·)分别是图像中全图像素强度的最大值、最小值和方差。
因此，定义一个只与子块透射率有关的溢出检测函数，对子块透射率为t(i)时所对应的图像块Ji(x,y)进行逐像素检测，具体为：
因此，较为合理的子块透射率t(i)应当对应于较大的S(t(i))值，于是定义子块透射率t(i)优化函数optimal(t(i))如下：
使用黄金分割法对公式(9)求解获得最优的子块透射率
进一步地，步骤3中，得到增强后的红外图像的具体步骤为：将估计所得的和Ai代入式(5)，便可得到子块所对应图像块Ji(x,y)，在各子块内重复上述代入式(5)的计算过程，即可获得去雾处理后的红外图像，在对去雾处理后的红外图像进行再次反转，便可得到增强后的红外图像J(x,y)。
进一步地，步骤4中，基于导向全变分模型对增强后的红外图像进行边缘修复的具体过程如下：
式(10)中，Jrefined(x,y)是修正后的清晰图像，定义红外图像IInfrared(x,y)的灰度图像作为导向图G(x,y)，α1和α2分别是保真项和边缘修复项的正则化因子，再将公式(10)改写为：
式(11)中，和Gi(x,y)分别是和G(x,y)邻域内第i个像素，b是邻域内像素总数，基于式(11)对Jrefined(x,y)求偏导得到：
对式(12)整理得到：
对式(13)迭代求解如下：
式(14)中，k是迭代次数索引，设置初始状态为：(Jrefined(x,y))0＝J(x,y)，迭代终止条件设置为：当迭代终止时，则可以获得边缘修复后的清晰图像Jrefined(x,y)。
进一步地，步骤5中，基于Retinex模型对对增强后的红外图像进行亮度调节的具体步骤为：
式(15)中，(x',y')是以像素(x,y)为中心的邻域Ω(x,y)中的像素，R(x,y)是亮度修正后的红外图像。
本发明的有益效果在于：通过对现有大气散射模型进行改进，克服了其对反转红外图像的不适用性。进而，通过利用四叉树分解技术将目标图像分割为一系列子块并在各子块中进行独立去雾处理，提高了图像的增强效果。利用了各子块内透射率的局部相似性，提出一种基于子块的透射率估计方法，有效降低了估计复杂度。使用导向全变分模型消除了增强后图像中的块效应，同时对所增强图像进行了边缘修正。使用一种基于Retinex模型的增强方法对增强后的图像进行亮度调节，改善了增强后图像的视觉效果。
附图说明
图1为本发明的方法流程图；
图2为本发明处理前的红外图像；
图3为本发明处理中的反转红外图像；
图4为本发明处理中的四叉树分割图；
图5为本发明处理中的四叉树分割图分块去雾图像；
图6为本发明处理中的增强后的红外图像；
图7为本发明处理中的基于导向全变分模型的边缘结构修复图；
图8为本发明处理后的基于Retinex模型的增强后图像亮度调节图。
具体实施方式
如图1所示，本发明公开的基于大气散射模型的红外图像增强方法，包括如下步骤：
步骤1，利用反转红外图像和有雾图像之间的相似性，对红外图像进行反转操作将其转化为虚拟的雾天图像；
步骤2，利用四叉树分解技术将反转红外图像分割为一系列子块，并在各子块内进行独立的去雾处理；
步骤3，将去雾处理后的反转红外图像再次反转，得到增强后的红外图像；
步骤4，基于导向全变分模型对增强后的红外图像进行边缘修复；
步骤5，基于Retinex模型对对增强后的红外图像进行亮度调节，从而获得最终的增强后的红外图像。
步骤1中，对红外图像进行反转操作如下：
Ireverse(x,y)＝1-IInfrared(x,y) (1)
式(1)中，IInfrared(x,y)是目标红外图像，如图2所示，Ireverse(x,y)是反转红外图像，如图3所示。
步骤2中，利用四叉树分解技术对反转红外图像Ireverse(x,y)进行图像分割如下：
式(2)中，是分割所得的各子块，如图4所示，i是子块索引，N是子块总数，Quadtree(·)是四叉树分解操作。
步骤2中，在各子块内进行独立的去雾处理的具体步骤为：
步骤2.1，对大气散射模型进行改进，并基于改进的大气散射模型对分割所得的各子块建模：
式(3)中，Ai是重新定义的子块大气光，t(i)是重新定义的子块透射率，基于式(3)在各子块内对Ai和t(i)进行独立估计，便估计出Ji(x,y)；
步骤2.2，在各子块内对子块大气光Ai进行估计，先对先进行腐蚀运算，再进行膨胀运算，具体如下：
式(4)中，erode(·)是腐蚀算子，dilate(·)是膨胀算子，再在去噪后的子块中定位出亮度最高的前10％的像素点，并将这些像素点的平均值定义为子块大气光Ai；
步骤2.3，在各子块内对子块透射率t(i)进行估计，先依据式(3)将Ji(x,y)改写为一个只与子块透射率t(i)有关的函数：
步骤2.4，引入图像信息熵函数如下：
式(6)中，entropy(t(i))是当子块透射率为t(i)时所对应的图像块Ji(x,y)的信息熵，是子块中像素数，sumj(t(i))是子块透射率为t(i)时所对应的图像块Ji(x,y)中灰度值为j的像素数，由于子块所对应的图像块Ji(x,y)存在像素强度上界和下界
式(7)中，max(·)、min(·)和var(·)分别是图像中全图像素强度的最大值、最小值和方差。
因此，定义一个只与子块透射率有关的溢出检测函数，对子块透射率为t(i)时所对应的图像块Ji(x,y)进行逐像素检测，具体为：
因此，较为合理的子块透射率t(i)应当对应于较大的S(t(i))值，于是定义子块透射率t(i)优化函数optimal(t(i))如下：
使用黄金分割法对公式(9)求解获得最优的子块透射率
步骤3中，得到增强后的红外图像的具体步骤为：将估计所得的和Ai代入式(5)，便可得到子块所对应图像块Ji(x,y)，在各子块内重复上述代入式(5)的计算过程，即可获得去雾处理后的红外图像，如图5所示，再对去雾处理后的红外图像进行再次反转，便可得到增强后的红外图像J(x,y)，如图6所示。
步骤4中，基于导向全变分模型对增强后的红外图像进行边缘修复的具体过程如下：
式(10)中，Jrefined(x,y)是修正后的清晰图像，定义红外图像IInfrared(x,y)的灰度图像作为导向图G(x,y)，α1和α2分别是保真项和边缘修复项的正则化因子，再将公式(10)改写为：
式(11)中，和Gi(x,y)分别是Jrefined(x,y)和G(x,y)邻域内第i个像素，b是邻域内像素总数，基于式(11)对Jrefined(x,y)求偏导得到：
对式(12)整理得到：
对式(13)迭代求解如下：
式(14)中，k是迭代次数索引，设置初始状态为：(Jrefined(x,y))0＝J(x,y)，迭代终止条件设置为：当迭代终止时，则可以获得边缘修复后的清晰图像Jrefined(x,y)，如图7所示。
步骤5中，基于Retinex模型对对增强后的红外图像进行亮度调节的具体步骤为：
式(15)中，(x',y')是以像素(x,y)为中心的邻域Ω(x,y)中的像素，R(x,y)是亮度修正后的红外图像，如图8所示。
Claims (7)
1.一种基于大气散射模型的红外图像增强方法，其特征在于，包括如下步骤：
步骤1，利用反转红外图像和有雾图像之间的相似性，对红外图像进行反转操作将其转化为虚拟的雾天图像；
步骤2，利用四叉树分解技术将反转红外图像分割为一系列子块，并在各子块内进行独立的去雾处理；
步骤3，将去雾处理后的反转红外图像再次反转，得到增强后的红外图像；
步骤4，基于导向全变分模型对增强后的红外图像进行边缘修复；
步骤5，基于Retinex模型对对增强后的红外图像进行亮度调节，从而获得最终的增强后的红外图像。
2.根据权利要求1所述的基于大气散射模型的红外图像增强方法，其特征在于，步骤1中，对红外图像进行反转操作如下：
Ireverse(x,y)＝1-IInfrared(x,y) (1)
式(1)中，IInfrared(x,y)是目标红外图像，Ireverse(x,y)是反转红外图像。
3.根据权利要求2所述的基于大气散射模型的红外图像增强方法，其特征在于，步骤2中，利用四叉树分解技术对反转红外图像Ireverse(x,y)进行图像分割如下：
式(2)中，是分割所得的各子块，i是子块索引，N是子块总数，Quadtree(·)是四叉树分解操作。
4.根据权利要求2所述的基于大气散射模型的红外图像增强方法，其特征在于，步骤2中，在各子块内进行独立的去雾处理的具体步骤为：
步骤2.1，对大气散射模型进行改进，并基于改进的大气散射模型对分割所得的各子块建模：
式(3)中，Ai是重新定义的子块大气光，t(i)是重新定义的子块透射率，基于式(3)在各子块内对Ai和t(i)进行独立估计，便估计出Ji(x,y)；
步骤2.2，在各子块内对子块大气光Ai进行估计，先对先进行腐蚀运算，再进行膨胀运算，具体如下：
式(4)中，erode(·)是腐蚀算子，dilate(·)是膨胀算子，再在去噪后的子块中定位出亮度最高的前10％的像素点，并将这些像素点的平均值定义为子块大气光Ai；
步骤2.3，在各子块内对子块透射率t(i)进行估计，先依据式(3)将Ji(x,y)改写为一个只与子块透射率t(i)有关的函数：
步骤2.4，引入图像信息熵函数如下：
式(6)中，entropy(t(i))是当子块透射率为t(i)时所对应的图像块Ji(x,y)的信息熵，是子块中像素数，sumj(t(i))是子块透射率为t(i)时所对应的图像块Ji(x,y)中灰度值为j的像素数，由于子块所对应的图像块Ji(x,y)存在像素强度上界和下界
式(7)中，max(·)、min(·)和var(·)分别是图像中全图像素强度的最大值、最小值和方差。
因此，定义一个只与子块透射率有关的溢出检测函数，对子块透射率为t(i)时所对应的图像块Ji(x,y)进行逐像素检测，具体为：
因此，较为合理的子块透射率t(i)应当对应于较大的S(t(i))值，于是定义子块透射率t(i)优化函数optimal(t(i))如下：
使用黄金分割法对公式(9)求解获得最优的子块透射率
5.根据权利要求4所述的基于大气散射模型的红外图像增强方法，其特征在于，步骤3中，得到增强后的红外图像的具体步骤为：将估计所得的和Ai代入式(5)，便可得到子块所对应图像块Ji(x,y)，在各子块内重复上述代入式(5)的计算过程，即可获得去雾处理后的红外图像，再对去雾处理后的红外图像进行再次反转，便可得到增强后的红外图像J(x,y)。
6.根据权利要求5所述的基于大气散射模型的红外图像增强方法，其特征在于，步骤4中，基于导向全变分模型对增强后的红外图像进行边缘修复的具体过程如下：
式(10)中，Jrefined(x,y)是修正后的清晰图像，定义红外图像IInfrared(x,y)的灰度图像作为导向图G(x,y)，α1和α2分别是保真项和边缘修复项的正则化因子，再将公式(10)改写为：
式(11)中，和Gi(x,y)分别是Jrefined(x,y)和G(x,y)邻域内第i个像素，b是邻域内像素总数，基于式(11)对Jrefined(x,y)求偏导得到：
对式(12)整理得到：
对式(13)迭代求解如下：
式(14)中，k是迭代次数索引，设置初始状态为：(Jrefined(x,y))0＝J(x,y)，迭代终止条件设置为：当迭代终止时，则可以获得边缘修复后的清晰图像Jrefined(x,y)。
7.根据权利要求6所述的基于大气散射模型的红外图像增强方法，其特征在于，步骤5中，基于Retinex模型对对增强后的红外图像进行亮度调节的具体步骤为：
式(15)中，(x',y')是以像素(x,y)为中心的邻域Ω(x,y)中的像素，R(x,y)是亮度修正后的红外图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810582601.6A CN108537760B (zh) | 2018-06-07 | 2018-06-07 | 一种基于大气散射模型的红外图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810582601.6A CN108537760B (zh) | 2018-06-07 | 2018-06-07 | 一种基于大气散射模型的红外图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537760A true CN108537760A (zh) | 2018-09-14 |
| CN108537760B CN108537760B (zh) | 2021-10-01 |
Family
ID=63470415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810582601.6A Active CN108537760B (zh) | 2018-06-07 | 2018-06-07 | 一种基于大气散射模型的红外图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537760B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109801238A (zh) * | 2019-01-10 | 2019-05-24 | 南京信息职业技术学院 | 一种基于简化大气散射模型的弱光照图像增强方法 |
| CN110175962A (zh) * | 2019-05-22 | 2019-08-27 | 南京信息职业技术学院 | 一种基于区域显著性识别的红外图像增强方法 |
| CN110175972A (zh) * | 2019-05-29 | 2019-08-27 | 南京信息职业技术学院 | 一种基于透射图融合的红外图像增强方法 |
| CN110555814A (zh) * | 2019-08-30 | 2019-12-10 | 深圳市商汤科技有限公司 | 图像去雾处理方法及装置、存储介质 |
| CN113837971A (zh) * | 2021-09-30 | 2021-12-24 | 重庆邮电大学 | 一种基于暗通道和分数阶多变分正则化的图像去雾方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971337A (zh) * | 2014-04-29 | 2014-08-06 | 杭州电子科技大学 | 一种利用大气传输特征的红外图像去雾霾方法 |
| CN104822055A (zh) * | 2015-05-19 | 2015-08-05 | 重庆大学 | 一种针对雾天的红外热像监控系统及方法 |
| CN105913387A (zh) * | 2016-04-01 | 2016-08-31 | 浙江大学 | 基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法 |
| CN106056557A (zh) * | 2016-06-12 | 2016-10-26 | 南京邮电大学 | 一种基于改进大气散射模型的单幅图像快速去雾方法 |
| US20170109870A1 (en) * | 2015-10-16 | 2017-04-20 | Sogang University Research Foundation | Image processing device |
-
2018
- 2018-06-07 CN CN201810582601.6A patent/CN108537760B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971337A (zh) * | 2014-04-29 | 2014-08-06 | 杭州电子科技大学 | 一种利用大气传输特征的红外图像去雾霾方法 |
| CN104822055A (zh) * | 2015-05-19 | 2015-08-05 | 重庆大学 | 一种针对雾天的红外热像监控系统及方法 |
| US20170109870A1 (en) * | 2015-10-16 | 2017-04-20 | Sogang University Research Foundation | Image processing device |
| CN105913387A (zh) * | 2016-04-01 | 2016-08-31 | 浙江大学 | 基于Angstrom指数的可见光及近红外多波段遥感图像去雾方法 |
| CN106056557A (zh) * | 2016-06-12 | 2016-10-26 | 南京邮电大学 | 一种基于改进大气散射模型的单幅图像快速去雾方法 |
Non-Patent Citations (1)
| Title |
|---|
| XUAN DONG: "fast efficient algorithm for enhancement of low lighting video", 《2011 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109801238A (zh) * | 2019-01-10 | 2019-05-24 | 南京信息职业技术学院 | 一种基于简化大气散射模型的弱光照图像增强方法 |
| CN109801238B (zh) * | 2019-01-10 | 2023-05-23 | 南京信息职业技术学院 | 一种基于简化大气散射模型的弱光照图像增强方法 |
| CN110175962A (zh) * | 2019-05-22 | 2019-08-27 | 南京信息职业技术学院 | 一种基于区域显著性识别的红外图像增强方法 |
| CN110175962B (zh) * | 2019-05-22 | 2023-02-10 | 南京信息职业技术学院 | 一种基于区域显著性识别的红外图像增强方法 |
| CN110175972A (zh) * | 2019-05-29 | 2019-08-27 | 南京信息职业技术学院 | 一种基于透射图融合的红外图像增强方法 |
| CN110175972B (zh) * | 2019-05-29 | 2023-02-14 | 南京信息职业技术学院 | 一种基于透射图融合的红外图像增强方法 |
| CN110555814A (zh) * | 2019-08-30 | 2019-12-10 | 深圳市商汤科技有限公司 | 图像去雾处理方法及装置、存储介质 |
| CN113837971A (zh) * | 2021-09-30 | 2021-12-24 | 重庆邮电大学 | 一种基于暗通道和分数阶多变分正则化的图像去雾方法 |
| CN113837971B (zh) * | 2021-09-30 | 2023-08-04 | 重庆邮电大学 | 一种基于暗通道和分数阶多变分正则化的图像去雾方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537760B (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537760A (zh) | 一种基于大气散射模型的红外图像增强方法 | |
| CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
| CN107301623B (zh) | 一种基于暗通道和图像分割的交通图像去雾方法及系统 | |
| CN109919879B (zh) | 一种基于暗通道先验与亮通道先验的图像去雾方法 | |
| CN109255759B (zh) | 基于天空分割和透射率自适应修正的图像去雾方法 | |
| CN105046658B (zh) | 一种低照度图像处理方法和装置 | |
| CN106709964B (zh) | 基于梯度修正和多向纹理提取的素描画生成方法及装置 | |
| CN108182671B (zh) | 一种基于天空区域识别的单幅图像去雾方法 | |
| CN105023256B (zh) | 一种图像去雾方法及系统 | |
| CN110570360B (zh) | 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法 | |
| CN114331873B (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
| CN107154026B (zh) | 一种基于自适应亮度高程模型的消除路面阴影的方法 | |
| CN110570381B (zh) | 一种基于高斯总变差的半解耦图像分解暗光图像增强方法 | |
| CN106709504B (zh) | 细节保持的高保真色调映射方法 | |
| WO2018166083A1 (zh) | 一种对比度增强和视觉显著度优化方法在高尔夫球场图中的应用 | |
| CN111105371A (zh) | 一种低对比度红外图像的增强方法 | |
| CN111462022B (zh) | 一种水下图像清晰化增强方法 | |
| CN105488769B (zh) | 一种实时视频去雾方法 | |
| CN114022383A (zh) | 一种文字图像的摩尔纹祛除方法、装置及电子设备 | |
| CN108898561B (zh) | 一种含天空区域雾天图像的去雾方法、服务器及系统 | |
| CN111563854B (zh) | 用于水下图像增强处理的粒子群优化方法 | |
| CN110992287B (zh) | 一种非均匀光照视频的清晰化方法 | |
| Chen et al. | An adaptive image dehazing algorithm based on dark channel prior | |
| CN112233050B (zh) | 一种光线自适应的绿色场地提取方法 | |
| CN109886901B (zh) | 一种基于多通路分解的夜间图像增强方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220916 Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd. Address before: No.99 Wenlan Road, Xianlin University Town, Qixia District, Nanjing City, Jiangsu Province Patentee before: NANJING College OF INFORMATION TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230308 Address after: 100000 room 2072, gate 2, building 1, No. 62 Zizhuyuan Road, Haidian District, Beijing Patentee after: Li Yonghong Address before: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd. |
|
| TR01 | Transfer of patent right |