CN110097523B - 一种视频图像雾气浓度分类及自适应去雾方法 - Google Patents

一种视频图像雾气浓度分类及自适应去雾方法 Download PDF

Info

Publication number
CN110097523B
CN110097523B CN201910459652.4A CN201910459652A CN110097523B CN 110097523 B CN110097523 B CN 110097523B CN 201910459652 A CN201910459652 A CN 201910459652A CN 110097523 B CN110097523 B CN 110097523B
Authority
CN
China
Prior art keywords
image
fog
frame
video image
video
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
CN201910459652.4A
Other languages
English (en)
Other versions
CN110097523A (zh
Inventor
柳晓鸣
白雪纯
李梦蕊
成晓男
李星辰
姚婷婷
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime 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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN201910459652.4A priority Critical patent/CN110097523B/zh
Publication of CN110097523A publication Critical patent/CN110097523A/zh
Application granted granted Critical
Publication of CN110097523B publication Critical patent/CN110097523B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/14—Picture signal circuitry for video frequency region
    • H04N5/21—Circuitry for suppressing or minimising disturbance, e.g. moiré or halo
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种视频图像雾气浓度分类及自适应去雾方法，通过CCTV监控系统对天气进行监控，将处理后的每帧图像保存到本地文件夹，求取所述每帧图像的峰值信噪比、所述每帧图像的信息熵以及对所述每帧图像的边缘强度特征信息进行提取，对所述每帧图像的雾级浓度进行预先标记，将其分为浓雾中雾薄雾，输入实时采集到的有雾视频图像并分帧处理，求取实时采集的有雾视频图像的特征信息。通过K最近邻分类算法，对所述每帧视频图像进行雾级分类。本发明主要运用于CCTV降质视频图像清晰化处理的研究，对有雾视频图像的雾气浓度进行分类并根据分类结果对视频图像进行自适应去雾处理，从而提高视频去雾算法的自适应能力，达到视频去雾的实时性与时空一致性要求。

Description

一种视频图像雾气浓度分类及自适应去雾方法
技术领域
本发明属于视频监控技术领域，涉及海上船舶视频监控系统、交通管理监控系统及治安监控系统等在有雾视频图像去雾处理中应用的一种雾气浓度分类及自适应去雾方法。
背景技术
近些年来，随着计算机运算能力和信号采集技术的日趋发展与完善，以图像和视频作为内容载体的多媒体应用得到了广泛关注并被快速普及。但现实生活中常常由于雾天、背光以及夜晚等特殊场景影响了视频采集系统的成像质量，在特殊场景下采集到的图像质量严重下降，图像模糊不清，对比度偏低，并且有明显的颜色失真，这样的图像应用价值低，会直接影响户外采集系统的使用，无法满足对视频监控系统实现全天候采集清晰视频图像的要求。
在过去的十几年里，国内外学者针对单幅图像去雾开展了很多研究，并提出了多种有效的图像去雾方法。然而在视频图像去雾方面，由于对去雾方法的实时性以及去雾后视频图像的时空一致性要求较高，相关研究工作与单幅图像去雾方法相比存在许多不足。目前已提出的视频图像去雾方法包括两种类型。一种方法是针对具有固定背景的有雾视频，将其背景进行一次去雾处理，后续帧背景采用前帧去雾后背景替换；对其余区域进行逐帧去雾。该方法运算量相对较少，但仅适用于存在固定背景的视频应用。另一种方法是采用光流法进行运动估计，然后利用视频图像前后帧的透射率信息及运动估计结果构造马尔科夫场，通过求解全局最优值来获得本帧透射率。此种方法利用了相邻帧之间高冗余性的图像数据，保持了时空一致性，但由于求解全局最优需要解算大型稀疏方程，运算量极大，不适合于具有实时性要求的视频应用场合。根据以上分析，现有的视频图像去雾方法的适用范围较小且无法满足数字成像系统的实时性要求。解决以上问题需提高去雾算法的自适应能力，在对视频图像去雾处理之前将视频图像的雾气浓度进行分类并根据雾气浓度自适应选择去雾方法，可以大大减少视频去雾的运算量，满足了视频图像去雾的实时性与时空一致性要求，对视频图像去雾处理具有重大意义。
发明内容
根据上述提出的技术问题，而提供一种视频图像雾级分类方法，通过K最近邻分类算法对实时采集的有雾视频图像进行雾级分类，包括以下步骤：
步骤S1-1：通过智能云台CCTV监控系统对天气进行监控，所述CCTV监控系统包括两个FY-SP2515智能云台、1台网络交换机、通过所述两台云台控制工作站和RS232/RS242协议变换器，获取户外雾天场景下不同浓度的雾天视频图像。
步骤S1-2：将所述CCTV监控系统获取的所述雾天监控视频图像以每秒25帧进行分帧处理，将处理后的每帧图像保存到本地文件夹。
步骤S1-3：求取所述每帧图像的峰值信噪比、所述每帧图像的信息熵以及对所述每帧图像的边缘强度特征信息进行提取，将所述每帧图像的峰值信噪比、信息熵以及边缘强度汇总形成特征数据集。
步骤S1-4：对所述每帧图像的雾级浓度进行预先标记，将其分为浓雾、中雾、薄雾三类。
步骤S1-5：输入实时采集到的有雾视频图像并分帧处理。
步骤S1-6：求取实时采集的有雾视频图像的特征信息。
步骤S1-7：通过所述预设分类结果的特征信息为依据，通过K最近邻分类算法，对所述每帧视频图像进行雾级分类，将实时采集的雾天视频图像分为浓雾、中雾、薄雾三类。
进一步地，所述每帧图像的峰值信噪比、所述每帧图像的信息熵以及对所述每帧图像的边缘强度特征信息还包含以下步骤：
步骤S1-3-1：求取所述每帧视频图像的峰值信噪比，公式为：
Figure BDA0002077648520000031
其中
Figure BDA0002077648520000032
与f(x,y)分别为处理后的图像与原始图像；M、N分别为图像的行数与列数；fmax为图像灰度的最大值；
步骤S1-3-2：求取所述每帧视频图像的信息熵，公式为：
Figure BDA0002077648520000033
其中，N表示图像灰度值的亮度级；参数pi表示为图像中每一灰度级出现的概率。
步骤S1-3-3：求取每帧视频图像的图像边缘强度，公式为：
Figure BDA0002077648520000034
Figure BDA0002077648520000035
其中，M、N分别表示图像的横向与纵向的分辨率；f'(x,y)为输入图像的一个邻域；Gx和Gy分别表示水平和垂直方向上的‘sobel’算子边缘检测后的图像邻域。
步骤S1-3-4：将求得的图像的峰值信噪比、信息熵以及边缘强度特征信息汇总形成特征数据集。
更进一步地，所述特征数据集的分类结果为依据，将有雾图片分为薄雾、中雾及浓雾的标记结果，通过K最近邻分类算法对所述每帧视频图像进行雾级分类。
步骤S1-5-1：建立三维坐标系，将所述每帧图像的峰值信噪比作为横坐标，图像信息熵作为纵坐标，图像的边缘强度作为竖坐标。
步骤S1-5-2：将所说特征数据集中的特征信息与实时采集的视频图像特征信息在三维坐标系中显示。
步骤S1-5-3：运用两点间距离公式计算实时采集视频图像的特征信息与特征数据集中的特征信息的距离。
步骤S1-5-4：圈定与实时采集视频图像的特征信息距离最近的K个特征数据集对象，作为实时采集视频图像的近邻。
步骤S1-5-5：将K个特征数据集中占比重最大的雾级浓度类型作为实时采集视频图像的雾级浓度。
进一步的本发明还包含一种视频图像自适应去雾方法，其特征在于，包括以下步骤：
步骤S2-1：建立含有未知参数的高斯滤波环绕函数与图像雾气浓度的线性模型。
步骤S2-2：选取平均梯度
Figure BDA0002077648520000041
作为求取线性模型中未知参数的最优准则，并在最优准则下对线性模型的未知参数求取。
步骤S2-3：得出参数估计后的高斯滤波环绕函数与图像雾气浓度的线性模型。
步骤S2-4：根据线性模型实现自适应去雾处理。
进一步地，所述选取平均梯度
Figure BDA0002077648520000042
作为求取线性模型中未知参数的最优准则，并在最优准则下对线性模型的未知参数进行估计：
步骤S2-2-1：选取选取平均梯度
Figure BDA0002077648520000043
作为评价的最优准则：
Figure BDA0002077648520000044
其中M、N分别表示图像的大小；f(x,y)表示图像像素灰度值。
步骤S2-2-2：统计最优准则下分别对应的尺度参数和雾气浓度均值，将得到的数据进行线性拟合。
步骤S2-2-3：将得到的数据进行线性拟合，得出线性模型参数的估计值。
更进一步地，步骤S2-3-1：确定高斯滤波器的环绕函数为：
Figure BDA0002077648520000045
其中，d(x,y)表示景深信息；
步骤S2-3-2：确定高斯滤波环绕函数与图像雾气浓度的线性模型。
较现有技术相比，本发明具有以下优点：
本发明主要运用于CCTV降质视频图像清晰化处理的研究，对有雾视频图像的雾气浓度进行分类并根据分类结果对视频图像进行自适应去雾处理，从而提高视频去雾算法的自适应能力，达到视频去雾的实时性与时空一致性要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明整体流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示为本发明一种视频图像雾级分类方法，通过K最近邻分类算法对实时采集的有雾视频图像进行雾级分类，包括以下步骤：
步骤S1-1：通过智能云台CCTV监控系统对天气进行监控，所述CCTV监控系统包括两个FY-SP2515智能云台、1台网络交换机、通过所述两台云台控制工作站和RS232/RS242协议变换器，获取户外雾天场景下不同浓度的雾天视频图像。
步骤S1-2：将所述CCTV监控系统获取的所述雾天监控视频图像以每秒25帧进行分帧处理，将处理后的每帧图像保存到本地文件夹。
步骤S1-3：求取所述每帧图像的峰值信噪比、所述每帧图像的信息熵以及对所述每帧图像的边缘强度特征信息进行提取，将所述每帧图像的峰值信噪比、信息熵以及边缘强度汇总形成特征数据集。
步骤S1-4：对所述每帧图像的雾级浓度进行预先标记，将其分为浓雾、中雾、薄雾三类。
步骤S1-5：输入实时采集到的有雾视频图像并分帧处理。
步骤S1-6：求取实时采集的有雾视频图像的特征信息。
步骤S1-7：通过所述预设分类结果的特征信息为依据，通过K最近邻分类算法，对所述每帧视频图像进行雾级分类，将实时采集的雾天视频图像分为浓雾、中雾、薄雾三类。
作为一种优选的实施方式，所述每帧图像的峰值信噪比、所述每帧图像的信息熵以及对所述每帧图像的边缘强度特征信息还包含以下步骤：
步骤S1-3-1：求取所述每帧视频图像的峰值信噪比，公式为：
Figure BDA0002077648520000061
其中
Figure BDA0002077648520000062
与f(x,y)分别为处理后的图像与原始图像；M、N分别为图像的行数与列数；fmax为图像灰度的最大值；
步骤S1-3-2：求取所述每帧视频图像的信息熵，公式为：
Figure BDA0002077648520000063
其中，N表示图像灰度值的亮度级；参数pi表示为图像中每一灰度级出现的概率。
步骤S1-3-3：求取每帧视频图像的图像边缘强度，公式为：
Figure BDA0002077648520000071
Figure BDA0002077648520000072
其中，M、N分别表示图像的横向与纵向的分辨率；f'(x,y)为输入图像的一个邻域；Gx和Gy分别表示水平和垂直方向上的‘sobel’算子边缘检测后的图像邻域。
步骤S1-3-4：将求得的图像的峰值信噪比、信息熵以及边缘强度特征信息汇总形成特征数据集。
在本实施方式中，所述特征数据集的分类结果为依据，将有雾图片分为薄雾、中雾及浓雾的标记结果，通过K最近邻分类算法对所述每帧视频图像进行雾级分类。
步骤S1-5-1：建立三维坐标系，将所述每帧图像的峰值信噪比作为横坐标，图像信息熵作为纵坐标，图像的边缘强度作为竖坐标。
步骤S1-5-2：将所说特征数据集中的特征信息与实时采集的视频图像特征信息在三维坐标系中显示。
步骤S1-5-3：运用两点间距离公式计算实时采集视频图像的特征信息与特征数据集中的特征信息的距离。
步骤S1-5-4：圈定与实时采集视频图像的特征信息距离最近的K个特征数据集对象，作为实时采集视频图像的近邻。
步骤S1-5-5：将K个特征数据集中占比重最大的雾级浓度类型作为实时采集视频图像的雾级浓度。
作为一种优选的实施方式，本发明还包含一种视频图像自适应去雾方法，其特征在于，包括以下步骤：
步骤S2-1：建立含有未知参数的高斯滤波环绕函数与图像雾气浓度的线性模型。
步骤S2-2：选取平均梯度
Figure BDA0002077648520000073
作为求取线性模型中未知参数的最优准则，并在最优准则下对线性模型的未知参数求取。
步骤S2-3：得出参数估计后的高斯滤波环绕函数与图像雾气浓度的线性模型。
步骤S2-4：根据线性模型实现自适应去雾处理。
在本实施方式中，所述选取平均梯度
Figure BDA0002077648520000081
作为求取线性模型中未知参数的最优准则，并在最优准则下对线性模型的未知参数进行估计：
步骤S2-2-1：选取选取平均梯度
Figure BDA0002077648520000082
作为评价的最优准则：
Figure BDA0002077648520000083
其中M、N分别表示图像的大小；f(x,y)表示图像像素灰度值。
步骤S2-2-2：统计最优准则下分别对应的尺度参数和雾气浓度均值，将得到的数据进行线性拟合。
步骤S2-2-3：将得到的数据进行线性拟合，得出线性模型参数的估计值。
步骤S2-3-1：确定高斯滤波器的环绕函数为：
Figure BDA0002077648520000084
其中，d(x,y)表示景深信息；
步骤S2-3-2：确定高斯滤波环绕函数与图像雾气浓度的线性模型。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种视频图像雾级分类方法，其特征在于，通过K最近邻分类算法对实时采集的有雾视频图像进行雾级分类，包括以下步骤：
S1-1：通过智能云台CCTV监控系统对天气进行监控，所述CCTV监控系统包括两个FY-SP2515智能云台、1台网络交换机、通过所述两台云台控制工作站和RS232/RS242协议变换器，获取户外雾天场景下不同浓度的雾天视频图像；
S1-2：将所述CCTV监控系统获取的所述雾天监控视频图像以每秒25帧进行分帧处理，将处理后的每帧图像保存到本地文件夹；
S1-3：求取所述每帧图像的峰值信噪比、所述每帧图像的信息熵以及对所述每帧图像的边缘强度特征信息进行提取，将所述每帧图像的峰值信噪比、信息熵以及边缘强度汇总形成特征数据集；
S1-4：对所述每帧图像的雾级浓度进行预先标记，将其分为浓雾、中雾、薄雾三类；
S1-5：输入实时采集到的有雾视频图像并分帧处理；
S1-6：求取实时采集的有雾视频图像的特征信息；
S1-7：通过预设分类结果的特征信息为依据，通过K最近邻分类算法，对每帧视频图像进行雾级分类，将实时采集的雾天视频图像分为浓雾、中雾、薄雾三类。
2.根据权利要求1所述的一种视频图像雾级分类方法，其特征还在于：
所述每帧图像的峰值信噪比、所述每帧图像的信息熵以及对所述每帧图像的边缘强度特征信息还包含以下步骤：
S1-3-1：求取所述每帧视频图像的峰值信噪比，公式为：
Figure FDA0003793098260000011
其中
Figure FDA0003793098260000012
与f(x,y)分别为处理后的图像与原始图像；M、N分别为图像的行数与列数；fmax为图像灰度的最大值；
S1-3-2：求取所述每帧视频图像的信息熵，公式为：
Figure FDA0003793098260000021
其中，N表示图像灰度值的亮度级；参数pi表示为图像中每一灰度级出现的概率；
S1-3-3：求取每帧视频图像的图像边缘强度，公式为：
Figure FDA0003793098260000022
Figure FDA0003793098260000023
其中，M、N分别表示图像的横向与纵向的分辨率；f'(x,y)为输入图像的一个邻域；Gx和Gy分别表示水平和垂直方向上的‘sobel’算子边缘检测后的图像邻域；
S1-3-4：将求得的图像的峰值信噪比、信息熵以及边缘强度特征信息汇总形成特征数据集。
3.根据权利要求1所述的一种视频图像雾级分类方法，其特征还在于：
所述特征数据集的分类结果为依据，将有雾图片分为薄雾、中雾及浓雾的标记结果，通过K最近邻分类算法对所述每帧视频图像进行雾级分类：
S1-5-1：建立三维坐标系，将所述每帧图像的峰值信噪比作为横坐标，图像信息熵作为纵坐标，图像的边缘强度作为竖坐标；
S1-5-2：将所说特征数据集中的特征信息与实时采集的视频图像特征信息在三维坐标系中显示；
S1-5-3：运用两点间距离公式计算实时采集视频图像的特征信息与特征数据集中的特征信息的距离；
S1-5-4：圈定与实时采集视频图像的特征信息距离最近的K个特征数据集对象，作为实时采集视频图像的近邻；
S1-5-5：将K个特征数据集中占比重最大的雾级浓度类型作为实时采集视频图像的雾级浓度。
4.应用权利要求1-3所述的视频图像雾级分类方法的一种视频图像自适应去雾方法，其特征在于，包括以下步骤：
S2-1：建立含有未知参数的高斯滤波环绕函数与图像雾气浓度的线性模型；
S2-2：选取平均梯度
Figure FDA0003793098260000031
作为求取线性模型中未知参数的最优准则，并在最优准则下对线性模型的未知参数求取；
S2-3：得出参数估计后的高斯滤波环绕函数与图像雾气浓度的线性模型；
S2-4：根据线性模型实现自适应去雾处理。
5.根据权利要求4所述的一种视频图像自适应去雾方法，其特征还在于：
所述选取平均梯度
Figure FDA0003793098260000032
作为求取线性模型中未知参数的最优准则，并在最优准则下对线性模型的未知参数进行估计：
S2-2-1：选取平均梯度
Figure FDA0003793098260000033
作为评价的最优准则：
Figure FDA0003793098260000034
其中M、N分别表示图像的大小；f(x,y)表示图像像素灰度值；
S2-2-2：统计最优准则下分别对应的尺度参数和雾气浓度均值，将得到的数据进行线性拟合；
S2-2-3：将得到的数据进行线性拟合，得出线性模型参数的估计值。
6.根据权利要求4所述的一种视频图像自适应去雾方法，其特征还在于：
S2-3-1：确定高斯滤波器的环绕函数为：
Figure FDA0003793098260000035
其中，d(x,y)表示景深信息；
S2-3-2：确定高斯滤波环绕函数与图像雾气浓度的线性模型。
CN201910459652.4A 2019-05-30 2019-05-30 一种视频图像雾气浓度分类及自适应去雾方法 Active CN110097523B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910459652.4A CN110097523B (zh) 2019-05-30 2019-05-30 一种视频图像雾气浓度分类及自适应去雾方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910459652.4A CN110097523B (zh) 2019-05-30 2019-05-30 一种视频图像雾气浓度分类及自适应去雾方法

Publications (2)

Publication Number Publication Date
CN110097523A CN110097523A (zh) 2019-08-06
CN110097523B true CN110097523B (zh) 2022-10-18

Family

ID=67449696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910459652.4A Active CN110097523B (zh) 2019-05-30 2019-05-30 一种视频图像雾气浓度分类及自适应去雾方法

Country Status (1)

Country Link
CN (1) CN110097523B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112285105B (zh) * 2020-09-25 2022-05-24 北京科技大学 一种膏体浓度非接触式自动检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009136894A1 (en) * 2008-05-08 2009-11-12 Utc Fire & Security System and method for ensuring the performance of a video-based fire detection system
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
CN107646089A (zh) * 2015-03-06 2018-01-30 英国质谱公司 光谱分析

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009136894A1 (en) * 2008-05-08 2009-11-12 Utc Fire & Security System and method for ensuring the performance of a video-based fire detection system
CN107646089A (zh) * 2015-03-06 2018-01-30 英国质谱公司 光谱分析
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
海上监控视频实时去雾算法研究;神和龙等;《北京理工大学学报》;20180415(第04期);全文 *

Also Published As

Publication number Publication date
CN110097523A (zh) 2019-08-06

Similar Documents

Publication Publication Date Title
Chen et al. Robust video content alignment and compensation for rain removal in a cnn framework
CN107480772B (zh) 一种基于深度学习的车牌超分辨率处理方法及系统
CN113011329B (zh) 一种基于多尺度特征金字塔网络及密集人群计数方法
CN108182670B (zh) 一种事件图像的分辨率增强方法及系统
WO2022099598A1 (zh) 一种基于图像像素相对统计特征的视频动态目标检测的方法
US11877085B2 (en) Optimized video review using motion recap images
CN104766076B (zh) 一种视频图像文字的检测方法和装置
CN106846339A (zh) 一种图像检测方法和装置
WO2014125502A2 (en) Segmenting objects in multimedia data
CN102194443A (zh) 视频画中画窗口的显示方法、系统及视频处理设备
Liu et al. Real-world underwater enhancement: challenges, benchmarks, and solutions
CN112232356B (zh) 一种基于合群度和边界特征的事件相机去噪方法
CN112104869B (zh) 一种视频大数据存储及转码优化系统
CN111242096B (zh) 基于人数梯度的人群聚集的判别方法
CN105898111B (zh) 一种基于谱聚类的视频去雾方法
CN113269683B (zh) 一种基于自适应阈值的局部时空事件流滤波方法与系统
CN110097523B (zh) 一种视频图像雾气浓度分类及自适应去雾方法
CN108520496B (zh) 一种基于光流法的海空背景监控视频图像拼接方法
CN111461076A (zh) 帧差法与神经网络结合的烟雾检测方法和检测系统
CN114612456A (zh) 一种基于深度学习的钢坯自动语义分割识别方法
Zhou et al. Rain detection and removal of sequential images
CN111696142A (zh) 一种快速人脸检测方法及系统
CN116524432A (zh) 一种小目标检测算法在交通监控中的应用
CN112184572B (zh) 一种针对动态视觉传感器事件流的新型去雨方法及系统
CN111127392B (zh) 一种基于对抗生成网络的无参考图像质量评价方法

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