CN110211067A - 一种用于uuv近海面可见光图像去雾方法 - Google Patents
一种用于uuv近海面可见光图像去雾方法 Download PDFInfo
- Publication number
- CN110211067A CN110211067A CN201910446695.9A CN201910446695A CN110211067A CN 110211067 A CN110211067 A CN 110211067A CN 201910446695 A CN201910446695 A CN 201910446695A CN 110211067 A CN110211067 A CN 110211067A
- Authority
- CN
- China
- Prior art keywords
- transmissivity
- image
- sky areas
- value
- sky
- 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 30
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000003384 imaging method Methods 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000009738 saturating Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 7
- 239000007921 spray Substances 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000001914 filtration Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000011084 recovery Methods 0.000 description 6
- 239000003595 mist Substances 0.000 description 5
- 239000006002 Pepper Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010027146 Melanoderma Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理领域,公开了一种用于UUV近海面可见光图像去雾方法,包含如下步骤:步骤(1):获取原始有雾图像,对取三个颜色通道的最小值并记为;步骤(2):利用三个颜色通道的最小值和四叉树细分法求取全局大气光值;步骤(3):利用滤波器和Canny算子将原始有雾图像分割成天空区域和非天空区域,然后对天空区域进行透射率的优化估计,得到优化后透射率;步骤(4):利用三个颜色通道的最小值和优化后透射率求出大气散射函数,再用雾天成像物理模型求出无雾图像并输出。本发明解决了大范围的天空区域以及水面反光、白色浪花等高亮度区域导致的透射率估计不精确问题,能够保留图像边缘特征,去除大面积光环现象,去雾效果好。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种用于UUV近海面可见光图像去雾方法。
背景技术
中国拥有漫长的海岸线,海上的天气状况十分复杂,由于海雾引起的船只碰撞事故屡见不鲜。光在大气介质中传播时被悬浮颗粒折射或反射,导致安装在海事浮标或者水下航行器上图像采集装置获取的视频图像中大量特征被掩盖,对比度下降,边缘细节模糊,容易造成图像内容的误判,从而对后续的目标定位、识别与跟踪造成影响。因此,UUV近海面可见光图像去雾处理是一项实用且具有挑战性的问题。
目前各种滤波技术,如联合双边滤波、维纳滤波、中值滤波、基于边缘保持的滤波等,已经被运用来估计图像中的光雾,继而实现单帧图像去雾。基于维纳滤波的局部自适应去雾具有高效的运算效率和性能,但其输出的去雾结果存在某种光晕效应,使得视觉观感较差[1]。基于快速中值滤波的去雾算法也具有较高的运算效率与去雾效果,但其不能对存在浓雾的图像去雾。基于边缘引导的插值去雾算法可以非常有效的去除图像中的浓雾,但其存在较高的计算复杂度。结合图形模型与场景反照的统计技术可以有效的去雾,但如果有雾的场景中信噪比较低,该方法的去雾效果不太理想。一般来说,雾天图像具有很低的对比度,因此为了恢复出原始图像,结合现有技术提升图像的对比度是非常有效的。最大化局部对比度技术能够有效处理浓雾图像,但会产生彩色伪轮廓。基于融合的方法已经被成功的应用到白平衡与对比度增强相关算法中,但是不能有效去除具有浓雾的图像。基于四叉树分解与最大化对比度技术可以去除图像中的雾,但其存在较高的计算复杂度。由于雾天图像质量的退化与图像的场景深度密切相关,因此,常见的图像处理算法并不能取得很好的增强和恢复效果,反而会带来一些人工效应。
文献《Single Image Haze Removal Using Dark Channel Prior》(Proceedingsof IEEECVPR.Miami,USA:IEEEComputerSociety,2009:2341-2353)提出了一种基于暗通道先验的去雾方法。首先利用最小值滤波粗估计出透射率,然后采用软抠图算法对透射率进行细化,进而完成图像去雾。但是,这种暗原色先验是基于无雾图像的统计学的规律,如果当目标场景内在和大气光类似时,例如近海面可见光图像的场景内,存在大范围的天空区域以及水面反光、白色浪花等高亮度区域,将严重影响暗通道先验理论,将导致透射率的预估不精确,容易导致复原的图像大范围颜色失真或局部出现黑斑现象。
文献《Fast Visibility Restoration from a Single Color or Gray LevelImage》(Proceedings of IEEEICCV,2009:2201–2208)利用中值滤波的变形式估计大气耗散函数,假设大气耗散函数在可行域中逼近最大值,且局部变化平缓。该方法是一种快速图像去雾方法。但是,中值滤波并不能很好的解决图像的边缘问题,容易造成边缘失真。
发明内容
本发明的目的在于公开能够保留图像边缘信息、消除光环现象的一种用于UUV近海面可见光图像去雾方法。
本发明的目的是这样实现的:
一种用于UUV近海面可见光图像去雾方法,包含如下步骤:
步骤(1):获取原始有雾图像I(x),对I(x)取三个颜色通道的最小值并记为M(x);
步骤(2):利用三个颜色通道的最小值M(x)和四叉树细分法求取全局大气光值A;
步骤(2.1):将分割后的天空区域拟合成一个长方形,然后将天空区域分为四个矩形区域,并设置面积阈值为ST;
步骤(2.2):求取每个矩形区域的像素点的平均值与方差,平均值减去方差作为矩形区域的分数;
步骤(2.3):将分数最高的矩形区域再划为四个矩形区域;
步骤(2.4):重复步骤(2.2)、步骤(2.3),直到分数最高的矩形区域的面积小于设置的面积阈值ST时停止;取最后得到的分数最高的矩形区域的亮度值最高的像素点的像素值作为全局大气光值A。
步骤(3):利用滤波器和Canny算子将原始有雾图像分割成天空区域和非天空区域,然后对天空区域进行透射率的优化估计,得到优化后透射率;
步骤(3.1):首先利用滤波器和Canny算子将原始有雾图像分割成天空区域和非天空区域;
步骤(3.2):将原始有雾图像的彩色图像转换为灰度图像,再应用自适应中值滤波进行预处理,滤除图像中的噪声;
步骤(3.3):将自适应中值滤波处理后的图像利用Canny算子进行边缘检测,得到灰度图像的边缘信息,然后进行数学形态学操作获得二值图像,二值图像中白色区域为天空区域;
步骤(3.4):对天空区域进行透射率的优化估计,得到优化后透射率:
依据暗通道先验理论求取透射率的方式得到优化前天空区域透射率ttk(x),并且找到天空区域透射率的最小值min与最大值max,将二者作差得到Δt=max-min;
然后对天空区域初始透射率进行优化:
t′tk(x)=ttk(x)+(1-a)×ts;
上式中,x为像素点,ttk(x)为优化前天空区域透射率,t′tk(x)为优化后透射率,ts为透射率阈值。
步骤(4):利用三个颜色通道的最小值和优化后透射率求出大气散射函数,再用雾天成像物理模型求出无雾图像并输出。
本发明的有益效果为:
本发明对使用滤波器和Canny算子分割的图像中的天空区域单独进行透射率优化估计,进而求取大气散射函数,实现对有雾图像的复原,有效解决大范围的天空区域以及水面反光、白色浪花等高亮度区域导致的透射率估计不精确问题,能够在去雾程度较好的同时保留图像边缘特征,且能够有效去除大面积光环现象,去雾效果更好,细节特征明显,过渡自然。
经典的暗通道先验去雾理论方法处理近海面雾天图像时,恢复后的图像容易在天空位置出现大面积的光晕,颜色失真严重,这是因为暗通道先验原理是以统计学原理为基础提出的,在面对无天空区域的图像能够较为准确地估计出大气光值,但近海面可见光图像一般含有大量白色浪花,而且该区域亮度高,易产生误差。本发明针对UUV近海面可见光雾天图像的特点,对使用滤波器和Canny算子分割的图像中的天空区域单独进行透射率优化估计,进而求取大气散射函数,实现对有雾图像的复原。该发明能够有效解决由于图像在近海面获取时产生的大范围的天空区域以及水面反光、白色浪花等高亮度区域导致的透射率估计不精确问题,能够在去雾程度较好的同时保留图像边缘特征,且能够有效去除大面积光环现象,去雾效果更好,细节特征较为明显,过渡自然。
附图说明
图1是一种用于UUV近海面可见光图像去雾方法流程图;
图2是原始有雾图像;
图3是取三个颜色通道最小值后的图像;
图4是区域分割示意图;
图5是利用滤波器和Canny算子将原始图像分割后的图像;
图6是对天空区域进行透射率的优化估计后的图像;
图7是大气散射函数的图像;
图8是无雾图像。
具体实施方式
下面结合附图来进一步描述本发明:
实施例1:
如图1,一种用于UUV近海面可见光图像去雾方法,包含如下步骤:
步骤(1):利用VS2010和OPENCV语言编程输入并显示原始有雾图像I(x),对I(x)取三个颜色通道的最小值并记为M(x):
M(x)=minc∈{r,g,b}(Ic(x));
上式中,x为像素点;原始有雾图像如图2所示。取三个颜色通道的最小值之后的图像如图3所示。
步骤(2):利用三个颜色通道的最小值M(x)和四叉树细分法求取全局大气光值A;
步骤(2.1):将分割后的天空区域拟合成一个长方形,然后将天空区域分为四个矩形区域,并设置面积阈值为ST;
步骤(2.2):求取每个矩形区域的像素点的平均值与方差,平均值减去方差作为矩形区域的分数;
步骤(2.3):将分数最高的矩形区域再划为四个矩形区域;
步骤(2.4):重复步骤(2.2)、步骤(2.3),直到分数最高的矩形区域的面积小于设置的面积阈值ST时停止;取最后得到的分数最高的矩形区域的亮度值最高的像素点的像素值作为全局大气光值A。经过大量实验,当ST=10时,取得最亮点的坐标,并且运行次数最少,效果最好。最少仅需迭代四次,并能够得出大气光值。过程如图4所示。
步骤(3):利用滤波器和Canny算子将原始有雾图像分割成天空区域和非天空区域,然后对天空区域进行透射率的优化估计,得到优化后透射率;
步骤(3.1):首先利用滤波器和Canny算子将原始有雾图像分割成天空区域和非天空区域。
步骤(3.2):将原始有雾图像的彩色图像转换为灰度图像,再应用自适应中值滤波进行预处理,滤除图像中的噪声,便于边缘提取。相较于中值滤波器,自适应中值滤波器不仅能够滤除椒盐噪声,而且能够更好的保留图像细节。自适应中值滤波具有m×n的矩形窗口Sxy。能够处理更大概率的脉冲噪声与椒盐噪声,而且能保留细节。在Sxy定义的滤波器区域内定义如下变量:Zmin=Sxy中的最小灰度值;Zmax=Sxy中的最大灰度值;Zmed=Sxy中的灰度值的中值;Zxy=(x,y)处的灰度值;Smax=Sxy允许的最大尺寸。
自适应中值滤波器包括进程A与进程B:
(1)进程A:
A1=Zmed-Zmin;
A2=Zmed-Zmax;
如果A1>0且A2<0,则转至进程B,否则增大窗口尺寸;如果窗口尺寸≤Smax,则重复进程A否则输出Zmed。
(2)进程B:B1=Zxy-Zmin;B2=Zxy-Zmax;
如果B1>0且B2<0,则输出Zxy,否则输出Zmed。
步骤(3.3):由于天空的灰度十分平坦,将自适应中值滤波处理后的图像利用Canny算子进行边缘检测,得到灰度图像的边缘信息,然后进行数学形态学操作如膨胀等获得二值图像,二值图像中白色区域为天空区域。二值图像如图5所示,白色区域即为天空区域。
步骤(3.4):然后对天空区域进行透射率的优化估计,得到优化后透射率:
依据暗通道先验理论求取透射率的方式得到优化前天空区域透射率ttk(x),并且找到天空区域透射率的最小值min与最大值max,将二者作差得到Δt=max-min。
然后对天空区域初始透射率进行优化:
t′tk(x)=ttk(x)+(1-a)×ts;
上式中,x为像素点,ttk(x)为优化前天空区域透射率,t′tk(x)为优化后透射率,ts为透射率阈值,是一个经验设定值,范围为60~80,本实施例设置为76。能够清晰看出对于透射率的优化,但其优化的质量与最初天空区域的透射率有着密切联系,这样就能够较为准确地估计透射率。
天空区域进行透射率的优化估计后的图像如图6所示。
步骤(4):利用三个颜色通道的最小值和优化后透射率求出大气散射函数,再用雾天成像物理模型求出无雾图像并输出。
在计算机视觉中,根据米氏散射原理,雾天成像物理模型表示为:
I(x)=J(x)·t(x)+A(1-t(x));
上式中,I(x)为原始有雾图像;J(x)为无雾图像;A为全局大气光值;t(x)为大气透射率,表示场景中物体反射的光线没有发生散射而直接传输到摄像机的比例。
大气散射模型由两项组成:第一项为入射光衰减模型,表示物体表面反射的光线在空气中传播衰减后的辐射强度;第二项为大气散射函数,表示大气环境中其他光线对成像所产生的影响,导致图像色彩和亮度的偏移。为了方便,大气散射函数表示为:
L(x)=A(1-t(x));
大气散射函数的图像如图7所示。
从原始有雾图像I(x)中估计出原始有雾图像A和大气散射函数L(x)后,得到无雾图像J(x):
得到的无雾图像如图8所示。
与现有技术相比,本发明对使用滤波器和Canny算子分割的图像中的天空区域单独进行透射率优化估计,进而求取大气散射函数,实现对有雾图像的复原,有效解决大范围的天空区域以及水面反光、白色浪花等高亮度区域导致的透射率估计不精确问题,能够在去雾程度较好的同时保留图像边缘特征,且能够有效去除大面积光环现象,去雾效果更好,细节特征明显,过渡自然。
综上,本文公开了一种UUV近海面可见查图像去雾方法,包括以下步骤:(1)获取原始有雾近海面可见光图像,并求取三个颜色通道的最小值;(2)利用三个颜色通道的最小值和四叉树细分法求取全局大气光值;(3)利用滤波器和Canny算子进行滤波及边缘检测,并将原始图像分割成天空区域和非天空区域,然后对天空区域进行透射率的优化估计,得到优化后的透射率;(4)利用三个颜色通道的最小值和优化后的透射率求出大气散射函数,再借助雾天成像物理模型求得无雾图像并输出。针对包含大范围的天空区域以及水面白色浪花等高亮度区域的近海面有雾图像,将严重影响暗通道先验理论从而导致透射率的预估不精确和复原的图像大范围颜色失真等特点,该方法能够较好地保留图像边缘,去雾程度较好而且能够有效去除大范围光环现象。
Claims (4)
1.一种用于UUV近海面可见光图像去雾方法,其特征在于:包含如下步骤:
步骤(1):获取原始有雾图像I(x),对I(x)取三个颜色通道的最小值并记为M(x);
步骤(2):利用三个颜色通道的最小值M(x)和四叉树细分法求取全局大气光值A;
步骤(3):利用滤波器和Canny算子将原始有雾图像分割成天空区域和非天空区域,然后对天空区域进行透射率的优化估计,得到优化后透射率;
步骤(4):利用三个颜色通道的最小值和优化后透射率求出大气散射函数,再用雾天成像物理模型求出无雾图像并输出。
2.根据权利要求1所述的一种用于UUV近海面可见光图像去雾方法,其特征在于:所述的步骤(2)包括:
步骤(2.1):将分割后的天空区域拟合成一个长方形,然后将天空区域分为四个矩形区域,并设置面积阈值为ST;
步骤(2.2):求取每个矩形区域的像素点的平均值与方差,平均值减去方差作为矩形区域的分数;
步骤(2.3):将分数最高的矩形区域再划为四个矩形区域;
步骤(2.4):重复步骤(2.2)、步骤(2.3),直到分数最高的矩形区域的面积小于设置的面积阈值ST时停止;取最后得到的分数最高的矩形区域的亮度值最高的像素点的像素值作为全局大气光值A。
3.根据权利要求2所述的一种用于UUV近海面可见光图像去雾方法,其特征在于:所述的步骤(3)包括:
步骤(3.1):首先利用滤波器和Canny算子将原始有雾图像分割成天空区域和非天空区域;
步骤(3.2):将原始有雾图像的彩色图像转换为灰度图像,再应用自适应中值滤波进行预处理,滤除图像中的噪声;
步骤(3.3):将自适应中值滤波处理后的图像利用Canny算子进行边缘检测,得到灰度图像的边缘信息,然后进行数学形态学操作获得二值图像,二值图像中白色区域为天空区域;
步骤(3.4):对天空区域进行透射率的优化估计,得到优化后透射率:
依据暗通道先验理论求取透射率的方式得到优化前天空区域透射率ttk(x),并且找到天空区域透射率的最小值min与最大值max,将二者作差得到Δt=max-min;
然后对天空区域初始透射率进行优化:
t′tk(x)=ttk(x)+(1-a)×ts;
上式中,x为像素点,ttk(x)为优化前天空区域透射率,t′tk(x)为优化后透射率,ts为透射率阈值。
4.根据权利要求3所述的一种用于UUV近海面可见光图像去雾方法,其特征在于:步骤(4)中的雾天成像物理模型为:
I(x)=J(x)·t(x)+A(1-t(x));
式中,I(x)为原始有雾图像;J(x)为无雾图像;A为全局大气光值;t(x)为大气透射率,表示场景中物体反射的光线没有发生散射而直接传输到摄像机的比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910446695.9A CN110211067B (zh) | 2019-05-27 | 2019-05-27 | 一种用于uuv近海面可见光图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910446695.9A CN110211067B (zh) | 2019-05-27 | 2019-05-27 | 一种用于uuv近海面可见光图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211067A true CN110211067A (zh) | 2019-09-06 |
CN110211067B CN110211067B (zh) | 2023-03-17 |
Family
ID=67788700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910446695.9A Active CN110211067B (zh) | 2019-05-27 | 2019-05-27 | 一种用于uuv近海面可见光图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211067B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062293A (zh) * | 2019-12-10 | 2020-04-24 | 太原理工大学 | 一种基于深度学习的无人机森林火焰识别方法 |
CN111489302A (zh) * | 2020-03-27 | 2020-08-04 | 武汉理工大学 | 一种雾气环境下海事图像增强方法 |
CN111553862A (zh) * | 2020-04-29 | 2020-08-18 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
CN111598791A (zh) * | 2020-04-13 | 2020-08-28 | 西安理工大学 | 一种基于改进动态大气散射系数函数的图像去雾方法 |
CN111899198A (zh) * | 2020-08-06 | 2020-11-06 | 北京科技大学 | 一种海上图像去雾方法及装置 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875351A (zh) * | 2017-01-11 | 2017-06-20 | 西南科技大学 | 一种面向大面积天空区域图像的去雾方法 |
JP2017138647A (ja) * | 2016-02-01 | 2017-08-10 | 三菱電機株式会社 | 画像処理装置、画像処理方法、映像撮影装置、映像記録再生装置、プログラム及び記録媒体 |
CN107767354A (zh) * | 2017-12-08 | 2018-03-06 | 福州大学 | 一种基于暗原色先验的图像去雾算法 |
-
2019
- 2019-05-27 CN CN201910446695.9A patent/CN110211067B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017138647A (ja) * | 2016-02-01 | 2017-08-10 | 三菱電機株式会社 | 画像処理装置、画像処理方法、映像撮影装置、映像記録再生装置、プログラム及び記録媒体 |
CN106875351A (zh) * | 2017-01-11 | 2017-06-20 | 西南科技大学 | 一种面向大面积天空区域图像的去雾方法 |
CN107767354A (zh) * | 2017-12-08 | 2018-03-06 | 福州大学 | 一种基于暗原色先验的图像去雾算法 |
Non-Patent Citations (2)
Title |
---|
苏丽等: "一种改进的全景海雾图像去雾算法", 《计算机仿真》 * |
邱东芳等: "透射率和大气光自适应估计的暗通道去雾", 《计算机应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111062293A (zh) * | 2019-12-10 | 2020-04-24 | 太原理工大学 | 一种基于深度学习的无人机森林火焰识别方法 |
CN111062293B (zh) * | 2019-12-10 | 2022-09-09 | 太原理工大学 | 一种基于深度学习的无人机森林火焰识别方法 |
CN111489302A (zh) * | 2020-03-27 | 2020-08-04 | 武汉理工大学 | 一种雾气环境下海事图像增强方法 |
CN111489302B (zh) * | 2020-03-27 | 2023-12-05 | 武汉理工大学 | 一种雾气环境下海事图像增强方法 |
CN111598791A (zh) * | 2020-04-13 | 2020-08-28 | 西安理工大学 | 一种基于改进动态大气散射系数函数的图像去雾方法 |
CN111598791B (zh) * | 2020-04-13 | 2024-01-23 | 西安理工大学 | 一种基于改进动态大气散射系数函数的图像去雾方法 |
CN111553862A (zh) * | 2020-04-29 | 2020-08-18 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
CN111553862B (zh) * | 2020-04-29 | 2023-10-13 | 大连海事大学 | 一种海天背景图像去雾和双目立体视觉定位方法 |
CN111899198A (zh) * | 2020-08-06 | 2020-11-06 | 北京科技大学 | 一种海上图像去雾方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110211067B (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211067A (zh) | 一种用于uuv近海面可见光图像去雾方法 | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN106251301B (zh) | 一种基于暗原色先验的单幅图像去雾方法 | |
CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
Tripathi et al. | Single image fog removal using bilateral filter | |
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 | |
CN102750674B (zh) | 基于自适应容差的视频图像去雾方法 | |
CN107103591B (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
CN106548463A (zh) | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 | |
CN108765342A (zh) | 一种基于改进暗通道的水下图像复原方法 | |
CN104318524A (zh) | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 | |
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 | |
CN111062293B (zh) | 一种基于深度学习的无人机森林火焰识别方法 | |
CN109523480A (zh) | 一种海雾图像的去雾方法、装置、计算机存储介质及终端 | |
CN110675340A (zh) | 一种基于改进的非局部先验的单幅图像去雾方法及介质 | |
CN105447825B (zh) | 图像去雾方法及其系统 | |
CN106780390B (zh) | 基于边缘分类加权融合的单幅图像去雾方法 | |
CN111161167B (zh) | 基于中通道补偿和自适应大气光估计的单幅图像去雾方法 | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
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 | |
CN112200746A (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
CN109118440A (zh) | 基于透射率融合与自适应大气光估计的单幅图像去雾方法 | |
Mei et al. | Single image dehazing using dark channel fusion and haze density weight | |
CN106780362B (zh) | 基于双色反射模型与双边滤波的道路视频去雾方法 |
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 |