CN110232666B - 基于暗原色先验的地下管道图像快速去雾方法 - Google Patents
基于暗原色先验的地下管道图像快速去雾方法 Download PDFInfo
- Publication number
- CN110232666B CN110232666B CN201910520930.2A CN201910520930A CN110232666B CN 110232666 B CN110232666 B CN 110232666B CN 201910520930 A CN201910520930 A CN 201910520930A CN 110232666 B CN110232666 B CN 110232666B
- Authority
- CN
- China
- Prior art keywords
- image
- underground pipeline
- original
- fog
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000002834 transmittance Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011084 recovery Methods 0.000 claims abstract description 4
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 12
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30184—Infrastructure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于暗原色先验的快速地下管道图像去雾方法。通过对带雾地下管道图像进行预处理,得到有雾图像对应的暗原色图像;对获取的暗原色图像进行均值滤波以估计图像透射率;对均值滤波的结果弥补一个偏移值,得出透射率的粗估计值;使用原图像与均值滤波后的图像的像素值来估计全局大气光;利用物理恢复模型恢复出去雾后图像。本发明的有益效果是,该方法在保证一定去雾效果的同时,兼顾了算法的快速性,能够实现实时去雾,适用于地下管道环境的视频监控、地下管道病害识别等科学领域。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种基于暗原色先验的地下管道图像快速去雾算法。
背景技术
在城市地下管道环境下,管道病害检测机器人获取的管道内部图像对于管道病害的识别起到重要的作用,但是由于管道环境复杂,内部环境存在阴暗、反光、水雾等各种不良条件,导致采集到的管道图像出现对比度小,细节模糊等退化现象,影响到管道检测机器人视觉系统的正常工作。因此,需要对采集的图像进行去雾复原工作。
目前,研究人员主要从两个方向来研究图像去雾这一问题:基于图像增强的方向和基于物理模型的方向。图像增强方向的去雾方法主要是针对降质后的图像本身,用图像处理方法提高图像的对比度、突出图像的特征、提高图像的视觉效果以便于计算机视觉系统对图像的分析和处理。但是这类方法立足于对图像的增强,并不考虑雾气降质的过程,只能有限地提高图像清晰度,对于计算机视觉系统对图像的后续处理效果不明显。基于物理模型的方法可以针对已有的单幅图像做出有效的处理,复原的图像与原景物较接近,特征明显,视觉效果良好。
暗原色先验是基于统计观察户外无雾图像得出的结论,即绝大多数的户外无雾图像的每个局部区域都存在某些至少一个颜色通道的强度值很低的像素。但是城市地下管道为无光或弱光环境,管道机器人对管道内部图像进行的采集依赖于本身自带的光源,这也导致了采集到的管道图像通常存在大面积反光区域,使得原始的暗原色去雾算法在地下管道场景下的去雾效果不佳。
暗原色先验去雾算法在户外场景下取得了很好的去雾效果。但是这种方法由于使用软抠图方法来细化透射率图,导致算法复杂度很高,无法达到视频流处理要求,不能用于实时去雾处理。
发明内容
本发明针对现有技术中的上述问题,提出一种基于暗原色先验的快速地下管道图像去雾方法,该方法能够有效的提高带雾地下管道图像的清晰度,能够满足实时性的要求,并且改进后的算法复杂度较低,对以后的管道图像处理工作产生积极作用,此方法可用于地下管道环境的视频监控、地下管道病害识别等科学领域。
为了达到上述目的,本发明采用的技术方案如下:
本发明涉及一种基于暗原色先验的快速地下管道图像去雾方法,包括以下步骤:
步骤(1)、对原始带雾地下管道图像进行预处理,消除带雾图像中对大气光值有影响的因素,得到原始带雾地下管道图像对应的暗原色图像,利用消除有雾图像中对大气光值有影响的因素;
步骤(2)、对步骤(1)获取的暗原色图像进行均值滤波以估计图像透射率;
步骤(3)、对步骤(2)中均值滤波的结果弥补一个偏移值,得出透射率的粗估计值;
步骤(4)、根据步骤(2)中的均值滤波计算和步骤(3)中透射率的粗估计值计算,得到估计透射率的表达式;
步骤(5)、使用原始带雾地下管道图像与步骤(2)中均值滤波后的图像的像素值来估计全局大气光;
步骤(6)、利用物理恢复模型恢复出去雾后图像;
本发明的有益效果是,该方法能够提高带雾地下管道图像的清晰度,在保证一定去雾效果的同时,兼顾了算法的时效性,能够实现实时去雾。
附图说明
下面结合附图和实施例对本发明进一步说明:
图1为本发明实施例的总体流程图;
图2为本发明实施例图像去雾效果对比图;
图3为本发明实施例不同分辨率的带雾地下管道图像的去雾时间对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明,以下实施例不构成对本发明的限定。
如图1所示,本发明方法的实施流程具体包括以下步骤:
S1.1:对原始带雾地下管道图像进行预处理,得到原始带雾图像对应的暗原色图像,利用获得的暗原色图像消除带雾图像中对大气光值有影响的因素。在本实施例中,采用暗原色先验算法对有雾图像进行预处理,其中暗原色先验算法是通过对多个无雾图像的统计得出,具体的:在绝大多数无雾图像中除天空所在区域之外的局部区域中,某一些像素总会有至少一个颜色通道具有很低的值,换言之,绝大多数无雾图像中除天空所在区域之外的局部区域的最小值是个很小的数。对原始带雾地下管道图像求取三个颜色通道的最小值:
其中,H(x)表示原始带雾地下管道图像;{r,g,b}表示红、绿、蓝三个颜色通道;Hc(x)表示原始带雾地下管道图像中空间坐标x处颜色通道为c的值,其中c∈{r,g,b};M(x)为原始带雾地下管道图像H(x)的暗通道图像;
S1.2:暗原色先验算法是一种基于物理模型的图像去雾算法,该算法基于经典的大气散射模型,大气散射模型的表达式为:
H(x)=F(x)t(x)+A(1-t(x)) (2)
式中,x为原始带雾地下管道图像像素的空间坐标;H是原始带雾地下管道图像;F是去雾后的地下管道图像;t(x)是透射率,描述物体反射光线能够经过衰减到达观测点的比例;A是全局大气光,通常情况下假设为全局常量,与空间坐标x无关。
S2.1:对原始带雾地下管道图像H(x)的暗通道图像M(x)进行均值滤波以估计透射率。
其中,表示使用Sa尺寸的窗口进行均值滤波,Mave(x)为对原始带雾地下管道图像对应的暗通道图像M(x)使用Sa尺寸的窗口进行均值滤波,Sa表示均值滤波窗口的尺寸,Ω(x)为空间坐标x的Sa×Sa邻域,y为空间坐标x的Sa×Sa邻域内的像素点的坐标,M(y)为原始带雾地下管道图像对应的暗通道图像中空间坐标x的Sa×Sa邻域内的像素点。均值滤波相对于其他的滤波方式来说具有更为快速的执行速度,能够在保证一定去雾效果的基础上,尽可能降低去雾算法的复杂度。
S3.1:因为均值滤波后的结果能反映t(x)的大致趋势,但与真实的t(x)相差一定的绝对值。因此对S2.1中均值滤波的结果弥补一个偏移值δ,得出透射率的粗估计值:
其中为透射率的粗估计值,δ=ρmav,ρ为可调节的参数且0≤ρ≤1/mav,mav是M(x)中所有像素的平均值。若原始带雾地下管道图像H的暗通道图像M(x)的范围为[0 255],则需要在求取M(x)中所有元素的平均值后相应缩小255倍,使得mav的值约束在[0,1]之间。
S3.2:为了防止去雾后的图像出现整体偏暗或偏亮的情况,将δ的上限设置为0.9,因为当δ取值较小时,透射率取值较大,最后恢复出的图像残留雾气较多,图像整体偏白;当δ取值较大时,透射率取值较小,最终恢复出的图像整体较为暗淡。表达式为:
δ=min(ρmav,0.9)
S4.1:结合S2.1、S3.2中的公式,可以得到估计透射率t(x)的表达式:
S4.2:由于L(x)=A(1-t(x)),其中,A为全局大气光,L(x)为环境光,t(x)为透射率,结合S4.1中的透射率公式,则可以计算环境光L(x)的表达式为:
L(x)=min(min(ρmav,0.9)Mave(x),M(x)) (6)
S5.1:使用原始带雾地下管道图像与均值滤波后的图像的像素值来估计全局大气光:
式中,0≤ε≤1,为经验常数,经过实验后,对ε取经验值0.5时效果较好。
S6.1:在估计出环境光L(x)与全局大气光A后,利用物理恢复模型恢复出去雾后的地下管道图像:
式中,F(x)为去雾后的地下管道图像。
S7.1:图2为地下管道图像去雾效果对比图,图2中图(b)为图2中图(a)的去雾效果图,图2中图(d)为图2中图(c)的去雾效果图。由图2可以看出,本发明能够有效提高地下管道图像的能见度和对比度。
S7.2:图3为不同分辨率的带雾地下管道图像的去雾时间对比图,由图3可以看出,本发明利用均值滤波对环境光和全局大气光进行估计,在保证去雾效果的同时,提高了方法的实时性。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种基于暗原色先验的地下管道图像快速去雾算法,其特征在于,包括以下步骤:
步骤(1)、对原始带雾地下管道图像进行预处理,得到带雾图像对应的暗原色图像,利用获得的暗原色图像消除带雾图像中对大气光值有影响的因素,其中,获取对应暗原色图像的方法为对原始带雾地下管道图像求取三个颜色通道的最小值:
其中,H(x)表示原始带雾地下管道图像;{r,g,b}表示红、绿、蓝三个颜色通道;Hc(x)表示原始带雾地下管道图像中空间坐标x处颜色通道为c的值,其中c∈{r,g,b};M(x)为原始带雾地下管道图像H(x)的暗通道图像;
步骤(2)、对原始带雾地下管道图像对应的暗通道图像M(x)进行均值滤波以估计透射率,公式如下:
其中,A0为大气光值在三个颜色通道的最小值,表示使用Sa尺寸的窗口进行均值滤波,Sa表示均值滤波窗口的尺寸,M(x)为原始带雾地下管道图像H(x)的暗通道图像,Mave(x)为对原始带雾地下管道图像对应的暗通道图像M(x)使用Sa尺寸的窗口进行均值滤波,Ω(x)为空间坐标x的Sa×Sa邻域,y为空间坐标x的Sa×Sa邻域内的像素点的坐标,M(y)为原始带雾地下管道图像对应的暗通道图像中空间坐标x的Sa×Sa邻域内的像素点;
步骤(3)、对均值滤波的结果弥补一个偏移值,得出透射率的粗估计值,公式如下:
δ=ρmav, (4)
在弥补一个偏移值后,为了防止去雾后的图像出现整体偏暗或偏亮的情况,将δ的上限设置为0.9,则δ的表达式进一步表示为:
δ=min(ρmav,0.9), (5)
步骤(4)、结合公式(3)(4)(5),得到估计透射率t(x)的表达式:
由带雾图像退化物理模型可知,L(x)=A(1-t(x)),其中,A为全局大气光,L(x)为环境光,t(x)为透射率,结合公式(6),则可以得到计算环境光L(x)的表达式为:
L(x)=min(min(ρmav,0.9)Mave(x),M(x)), (7)
步骤(5)、使用原始带雾地下管道图像与均值滤波后的图像的像素值来估计全局大气光A,公式如下:
式中,ε为经验常数,取0.5;
步骤(6)、利用物理恢复模型恢复出去雾后地下管道图像:
式中,F(x)为去雾后的地下管道图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910520930.2A CN110232666B (zh) | 2019-06-17 | 2019-06-17 | 基于暗原色先验的地下管道图像快速去雾方法 |
US16/901,093 US11145035B2 (en) | 2019-06-17 | 2020-06-15 | Method for rapidly dehazing underground pipeline image based on dark channel prior |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910520930.2A CN110232666B (zh) | 2019-06-17 | 2019-06-17 | 基于暗原色先验的地下管道图像快速去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232666A CN110232666A (zh) | 2019-09-13 |
CN110232666B true CN110232666B (zh) | 2020-04-28 |
Family
ID=67859987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910520930.2A Active CN110232666B (zh) | 2019-06-17 | 2019-06-17 | 基于暗原色先验的地下管道图像快速去雾方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11145035B2 (zh) |
CN (1) | CN110232666B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827228A (zh) * | 2019-11-18 | 2020-02-21 | 重庆鲁班机器人技术研究院有限公司 | 一种适用于电力监控的去雾方法及系统 |
CN111563852A (zh) * | 2020-04-24 | 2020-08-21 | 桂林电子科技大学 | 一种基于低复杂度mf的暗通道先验去雾方法 |
CN111598811A (zh) * | 2020-05-25 | 2020-08-28 | 中国科学院长春光学精密机械与物理研究所 | 一种单幅全色遥感雾霾图像清晰化方法 |
CN112750089B (zh) * | 2020-12-27 | 2023-03-28 | 同济大学 | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 |
CN112785521A (zh) * | 2021-01-19 | 2021-05-11 | 澜途集思生态科技集团有限公司 | 一种雾霾条件下的遥感影像处理方法 |
CN112989527B (zh) * | 2021-01-28 | 2024-06-14 | 上海淀山勘测有限公司 | 一种地下管线快速成图的方法 |
CN112862721B (zh) * | 2021-02-24 | 2022-01-07 | 中国矿业大学(北京) | 基于暗通道与Retinex的地下管道图像去雾方法 |
CN112819813B (zh) * | 2021-02-25 | 2022-09-20 | 同济大学 | 一种地下管线智能识别方法、装置及存储介质 |
CN112874438A (zh) * | 2021-03-01 | 2021-06-01 | 上海应用技术大学 | 一种实时去雾显示挡风玻璃装置 |
CN113012062A (zh) * | 2021-03-04 | 2021-06-22 | 西安电子科技大学 | 一种高清视频实时快速去雾方法 |
CN112927157B (zh) * | 2021-03-08 | 2023-08-15 | 电子科技大学 | 采用加权最小二乘滤波的改进暗通道去雾方法 |
CN113284060B (zh) * | 2021-05-17 | 2024-04-05 | 大连海事大学 | 一种基于波长衰减识别的水下图像增强方法 |
CN113298729B (zh) * | 2021-05-24 | 2022-04-26 | 中国科学院长春光学精密机械与物理研究所 | 基于最小值通道的快速单幅图像去雾方法 |
CN113379632B (zh) * | 2021-06-15 | 2023-04-25 | 深圳市赛蓝科技有限公司 | 一种基于小波透射率优化的图像去雾方法及系统 |
CN113436095A (zh) * | 2021-06-24 | 2021-09-24 | 哈尔滨理工大学 | 一种包含天空区域图像的去雾方法 |
CN113436124B (zh) * | 2021-06-29 | 2024-04-05 | 上海海事大学 | 一种应用于海洋雾天环境下的单图像去雾方法 |
CN113628131A (zh) * | 2021-07-22 | 2021-11-09 | 济南驰昊电力科技有限公司 | 雾天场景下变电站指针式油位表的智能识别方法 |
CN114066745A (zh) * | 2021-10-13 | 2022-02-18 | 南京邮电大学 | 一种基于区域线先验的图像去雾方法 |
CN113989142A (zh) * | 2021-10-25 | 2022-01-28 | 黑龙江科技大学 | 一种红外图像处理方法 |
CN114066764B (zh) * | 2021-11-23 | 2023-05-09 | 电子科技大学 | 基于距离加权色偏估计的沙尘退化图像增强方法及装置 |
CN114529464A (zh) * | 2022-01-14 | 2022-05-24 | 电子科技大学 | 一种基于深度学习的水下图像恢复方法 |
CN114565539B (zh) * | 2022-03-17 | 2023-04-07 | 中国人民解放军火箭军工程大学 | 一种基于线上知识蒸馏的图像去雾方法 |
CN115170443B (zh) * | 2022-09-08 | 2023-01-13 | 荣耀终端有限公司 | 一种图像处理方法、拍摄方法及电子设备 |
CN115331264B (zh) * | 2022-10-13 | 2023-01-31 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于神经网络的矿山工人安全识别管理方法 |
CN115937144B (zh) * | 2022-12-08 | 2023-08-25 | 郑州大学 | 一种胸腔镜术中图像处理方法及系统 |
CN115861133B (zh) * | 2023-02-22 | 2023-05-09 | 山东晋工科技有限公司 | 一种钻凿劈裂一体机的远程遥控无人驾驶系统 |
CN116630349B (zh) * | 2023-07-25 | 2023-10-20 | 山东爱福地生物股份有限公司 | 基于高分辨率遥感图像的秸秆还田区域快速分割方法 |
CN117078562B (zh) * | 2023-10-16 | 2023-12-26 | 四川中科友成科技有限公司 | 一种视频图像去雾方法、装置、计算机设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968772A (zh) * | 2012-12-04 | 2013-03-13 | 电子科技大学 | 一种基于暗通道信息的图像去雾方法 |
CN103034977A (zh) * | 2011-09-30 | 2013-04-10 | 株式会社日立制作所 | 图像除雾方法和相应的图像除雾装置 |
WO2014168587A1 (en) * | 2013-04-12 | 2014-10-16 | Agency For Science, Technology And Research | Method and system for processing an input image |
WO2017175231A1 (en) * | 2016-04-07 | 2017-10-12 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1143706A3 (en) * | 2000-03-28 | 2007-08-01 | Fujitsu Limited | Image sensor with black level control and low power consumption |
JP3963449B2 (ja) * | 2002-10-31 | 2007-08-22 | キヤノン株式会社 | 撮像装置 |
US7639291B2 (en) * | 2005-05-27 | 2009-12-29 | Aptina Imaging Corporation | Dark current/channel difference compensated image sensor |
TW201308251A (zh) * | 2011-08-04 | 2013-02-16 | Yi-Wu Chiang | 水下影像強化系統 |
CN104823216B (zh) * | 2012-11-13 | 2018-06-29 | 日本电气株式会社 | 图像处理装置、图像处理方法和程序 |
KR101477736B1 (ko) * | 2013-04-17 | 2014-12-31 | 중앙대학교 산학협력단 | 자동 백광 조정을 위한 다크 채널 프라이어 기반의 백색 영역 추정 장치 및 방법 |
JP6249638B2 (ja) * | 2013-05-28 | 2017-12-20 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
AR099579A1 (es) * | 2014-03-06 | 2016-08-03 | Nec Corp | Dispositivo para procesar imágenes, aparato para tomar imágenes, método para procesar imágenes y medio |
CN103942758B (zh) * | 2014-04-04 | 2017-02-15 | 中国人民解放军国防科学技术大学 | 基于多尺度融合的暗通道先验图像去雾方法 |
US9361670B2 (en) * | 2014-09-04 | 2016-06-07 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
US9560294B2 (en) * | 2014-12-10 | 2017-01-31 | Semiconductor Components Industries, Llc | Systems and methods for pixel-level dark current compensation in image sensors |
US9710715B2 (en) * | 2014-12-26 | 2017-07-18 | Ricoh Company, Ltd. | Image processing system, image processing device, and image processing method |
US9870600B2 (en) * | 2015-01-06 | 2018-01-16 | The Regents Of The University Of California | Raw sensor image and video de-hazing and atmospheric light analysis methods and systems |
US9628730B2 (en) * | 2015-01-27 | 2017-04-18 | Semiconductor Components Industries, Llc | Dark current gradient estimation using optically black pixels |
CN107615332A (zh) * | 2015-05-22 | 2018-01-19 | 三菱电机株式会社 | 图像处理装置、图像处理方法、程序、记录有该程序的记录介质、影像拍摄装置和影像记录再现装置 |
CN108140237B (zh) * | 2015-09-29 | 2021-11-19 | 富士胶片株式会社 | 图像处理装置以及图像处理方法 |
KR101756173B1 (ko) * | 2016-04-29 | 2017-07-10 | 전남대학교산학협력단 | 전달률 하한치의 변형에 의한 안개영상 개선 시스템 및 그 방법 |
CN106651939B (zh) * | 2016-09-14 | 2019-07-09 | 天津工业大学 | 基于大气散射原理构建模型检测夜间交通视频多景深车灯的方法 |
GB201711412D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
CN107133926A (zh) * | 2017-04-13 | 2017-09-05 | 中原智慧城市设计研究院有限公司 | 一种基于暗原色先验的图像去雾方法 |
-
2019
- 2019-06-17 CN CN201910520930.2A patent/CN110232666B/zh active Active
-
2020
- 2020-06-15 US US16/901,093 patent/US11145035B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034977A (zh) * | 2011-09-30 | 2013-04-10 | 株式会社日立制作所 | 图像除雾方法和相应的图像除雾装置 |
CN102968772A (zh) * | 2012-12-04 | 2013-03-13 | 电子科技大学 | 一种基于暗通道信息的图像去雾方法 |
WO2014168587A1 (en) * | 2013-04-12 | 2014-10-16 | Agency For Science, Technology And Research | Method and system for processing an input image |
WO2017175231A1 (en) * | 2016-04-07 | 2017-10-12 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
Also Published As
Publication number | Publication date |
---|---|
CN110232666A (zh) | 2019-09-13 |
US11145035B2 (en) | 2021-10-12 |
US20200394767A1 (en) | 2020-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232666B (zh) | 基于暗原色先验的地下管道图像快速去雾方法 | |
CN107103591B (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
CN108734670B (zh) | 单幅夜间弱照度雾霾图像的复原方法 | |
CN107767354A (zh) | 一种基于暗原色先验的图像去雾算法 | |
CN107301624B (zh) | 基于区域划分及浓雾预处理的卷积神经网络去雾方法 | |
CN104036466B (zh) | 一种视频去雾方法与系统 | |
CN106548461B (zh) | 图像去雾方法 | |
CN112837233B (zh) | 一种基于差分偏振获取透射率的偏振图像去雾方法 | |
CN104766286B (zh) | 基于无人驾驶汽车的图像去雾装置及去雾方法 | |
CN102665034A (zh) | 一种针对摄像机采集视频的夜间效果去除方法 | |
CN110689490A (zh) | 一种基于纹理颜色特征和优化透射率的水下图像复原方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN112991222A (zh) | 图像雾霾去除处理方法、系统、计算机设备、终端及应用 | |
CN112862721B (zh) | 基于暗通道与Retinex的地下管道图像去雾方法 | |
CN110335210B (zh) | 一种水下图像复原方法 | |
CN107085830B (zh) | 基于传播滤波的单幅图像去雾方法 | |
CN110874823A (zh) | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 | |
Yamashita et al. | A virtual wiper-restoration of deteriorated images by using multiple cameras | |
CN116433513A (zh) | 一种道路监视视频去雾方法、系统、电子设备和存储介质 | |
CN116757949A (zh) | 一种大气-海洋散射环境退化图像复原方法及系统 | |
CN110544216A (zh) | 基于深度学习的视频去雾系统 | |
CN110533619A (zh) | 一种基于暗通道先验的图像去雾改进方法 | |
CN115439349A (zh) | 一种基于图像增强的水下slam优化方法 | |
CN111091500B (zh) | 点光源多散射模型图像复原方法 | |
CN111028184A (zh) | 一种图像增强方法及系统 |
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 |