CN110246102A - 一种雨天视频清晰处理方法 - Google Patents
一种雨天视频清晰处理方法 Download PDFInfo
- Publication number
- CN110246102A CN110246102A CN201910509651.6A CN201910509651A CN110246102A CN 110246102 A CN110246102 A CN 110246102A CN 201910509651 A CN201910509651 A CN 201910509651A CN 110246102 A CN110246102 A CN 110246102A
- Authority
- CN
- China
- Prior art keywords
- raindrop
- pixel
- frame
- carried out
- confidence level
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 11
- 238000005352 clarification Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—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
- G06T2207/10016—Video; Image sequence
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种雨天视频清晰处理方法,包括:对视频序列帧图像的第n‑1帧图像与第n帧图像进行匹配校正,得到对齐校正后图像Ia和In;对Ia和In进行帧差,并对帧差结果进行前景信息提取,得到前景运动区域Ifg;根据雨滴光度学模型和雨线方向分布特性模型分别对Ifg进行约束检测,得到相应的候选雨滴像素概率Pi和Po;对Pi和Po进行决策级融合,得到候选雨滴像素的置信度Bel;根据Bel和背景像素强度不大于雨滴像素强度约束条件,确定相邻帧候选雨滴像素中置信度最小值,并将相邻帧候选雨滴像素中置信度最小值作为背景像素强度Ik;根据Ik、Ifg以及高斯滤波函数G计算得到场景复原图像Inew。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种雨天视频清晰处理方法。
背景技术
在雨天条件下,由于空中随机分布了大量快速运动的雨滴,造成目标物体与背景之间光线的反射和折射,导致图像对比度降低、成像模糊,细节信息丢失,给交通运输、户外视频监控、军事侦察等领域带来巨大困难。
在计算机视觉与图像处理领域,目前主要采用基于成像参数的雨天视频清晰化方法、基于频域特性的雨天视频清晰化方法、基于时域特性的雨天视频清晰化方法。但是,基于成像参数的雨天视频清晰化方法仅仅通过调节相机的曝光时间、光圈级数和景深等参数,来改善视频源的视觉效果。从本质上看,基于成像参数的雨天视频清晰化方法只是衰减了雨滴的可视化效果,并没有对雨滴进行任何处理,因此这类方法虽然操作简单,但对于目标细节信息可能会造成损失;基于频域特性的雨天视频清晰化方法往往会对由细小雨滴所形成的雨线产生漏检测;基于时域特性的雨天视频清晰化方法容易受到外界环境光照条件的影响,从而产生误检测。
发明内容
基于背景技术存在的技术问题,本发明提出了一种雨天视频清晰处理方法;
本发明提出的一种雨天视频清晰处理方法,包括:
S1、对视频序列帧图像的第n-1帧图像与第n帧图像进行匹配校正,得到对齐校正后图像Ia和In;
S2、对Ia和In进行帧差,并对帧差结果进行前景信息提取,得到前景运动区域Ifg;
S3、根据雨滴光度学模型和雨线方向分布特性模型分别对Ifg进行约束检测,得到相应的候选雨滴像素概率Pi和Po;
S4、对Pi和Po进行决策级融合,得到候选雨滴像素的置信度Bel;
S5、根据Bel和背景像素强度不大于雨滴像素强度约束条件,确定相邻帧候选雨滴像素中置信度最小值,并将相邻帧候选雨滴像素中置信度最小值作为背景像素强度Ik;
S6、根据Ik、Ifg以及高斯滤波函数G计算得到场景复原图像Inew。
优选地,步骤S1,具体包括:
第n-1帧图像为I(x,y,n-1),第n帧图像为I(x,y,n);
基于相位相关性对第n-1帧图像中的每个像素进行匹配校正:Ia(x,y,n-1)=I(x+d1,y+d2,n-1),其中,d1和d2为预设的误差值;
基于相位相关性对第n帧图像中的每个像素进行匹配校正:In(x,y,n)=I(x+d1,y+d2,n),其中,d1和d2为预设的误差值。
优选地,步骤S2,具体包括:
S21、对Ia和In进行帧差,得到帧差结果ΔI(x,y,n)=In(x,y,n)-Ia(x,y,n-1);
S22、将In(x,y,n)与Ia(x,y,n-1)进行比较,若In(x,y,n)≤Ia(x,y,n-1),则令ΔI(x,y,n)=0;否则,保持ΔI(x,y,n)不变;
S23、采用相位一致性特征检测对帧差结果中的前景信息进行提取,得到相位一致检测结果:PC(ΔI)=E(x)/(ε+∑nAn),其中,E(x)为局部能量,f(x)是信号ΔI(x)中的非直流部分,fH(x)为f(x)经过Hilbert变换的结果,An为第n个傅里叶分量的振幅;
S24、在相位一致检测结果中找到大于零的区域,并将该区域作为前景区域Ifg,Ifg={(x,y)|PC(x,y)>0}。
优选地,步骤S3,具体包括:
根据雨滴与背景强度的线性关系和高斯分布模型计算得到符合雨滴光度学模型的候选雨滴像素概率Pi,其中,雨滴与背景强度的线性关系为:ΔI=αIbg+δ,其中,ΔI为雨滴像素与背景像素的差值,α的取值范围在[-0.039,0],δ为常数;
根据雨线的方向分布特性和高斯分布模型计算得到符合雨线方向分布特性模型的候选雨滴像素概率Po,其中,根据雨线方向分布特性模型可确定同一场景下视频中雨线的方向分布近似一致,即θr=|θi-θmain|≤T,其中,θmain为雨线的分布方向,由方向统计直方图得出,T为阈值,由雨线方向角分布决定。
优选地,步骤S4,具体包括:
S41、对Pi和Po进行决策级融合,若Pi=0或Po=0,则融合后的置信度Bel=0,否则,执行步骤S42;
S42、若Pi=1或Po=1,则融合后的置信度Bel=1,否则,执行步骤S43;
S43、令融合后的置信度Bel=(Pi+Po)/2。
优选地,步骤S6,具体包括:
对Ifg进行二值化并对二值化结果进行高斯滤波,得到高斯滤波结果G;
根据Ik、Ifg以及G重构复原图像:Inew=G(Ifg)×Ik+(1-G(Ifg))×In。
本发明根据雨滴和雨线的时域特性与频域特性具有的互补性,采用雨滴光度学模型和雨线方向分布特性模型分别进行约束检测,得到相应的候选雨滴像素概率,并通过决策级融合来求得候选雨滴像素的置信度,由此确定相邻帧背景像素并替换受雨影响像素,最终获得清晰化后的视频,具有准确、自动处理的特点,能够有效去除雨线的遮挡,改善场景的清晰度。
附图说明
图1为本发明提出的一种雨天视频清晰处理方法的流程示意图。
具体实施方式
参照图1,本发明提出的一种雨天视频清晰处理方法,包括:
步骤S1,对视频序列帧图像的第n-1帧图像与第n帧图像进行匹配校正,得到对齐校正后图像Ia和In。
本步骤具体包括:
第n-1帧图像为I(x,y,n-1),第n帧图像为I(x,y,n);基于相位相关性对第n-1帧图像中的每个像素进行匹配校正:Ia(x,y,n-1)=I(x+d1,y+d2,n-1),其中,d1和d2为预设的误差值;基于相位相关性对第n帧图像中的每个像素进行匹配校正:In(x,y,n)=I(x+d1,y+d2,n),其中,d1和d2为预设的误差值。
在具体方案中,当摄像机及视频采集系统不固定或存在轻微抖动时,直接对当前帧前景信息进行提取会产生大量的误检测,因此需要将视频中连续两帧匹配校正,设第n-1帧图像和第n帧图像分别为I(x,y,n-1)和I(x,y,n),基于相位相关性对第n-1帧图像和第n帧图像中的每个像素进行计算:
Ia(x,y,n-1)=I(x+d1,y+d2,n-1);In(x,y,n)=I(x+d1,y+d2,n),使第n-1帧与第n帧进行匹配,得到匹配后的图像Ia和In。
步骤S2,对Ia和In进行帧差,并对帧差结果进行前景信息提取,得到前景运动区域Ifg。
本步骤具体包括:
S21、对Ia和In进行帧差,得到帧差结果ΔI(x,y,n)=In(x,y,n)-Ia(x,y,n-1);
S22、将In(x,y,n)与Ia(x,y,n-1)进行比较,若In(x,y,n)≤Ia(x,y,n-1),则令ΔI(x,y,n)=0;否则,保持ΔI(x,y,n)不变;
S23、采用相位一致性特征检测对帧差结果中的前景信息进行提取,得到相位一致检测结果:PC(ΔI)=E(x)/(ε+∑nAn),其中,E(x)为局部能量,f(x)是信号ΔI(x)中的非直流部分,fH(x)为f(x)经过Hilbert变换的结果,An为第n个傅里叶分量的振幅;
S24、在相位一致检测结果中找到大于零的区域,并将该区域作为前景区域Ifg,Ifg={(x,y)|PC(x,y)>0}。
在具体方案中,首先匹配后的连续两帧图像Ia和In进行帧差,得到帧差结果ΔI(x,y,n)=I(x,y,n)-Ia(x,y,n-1),将In(x,y,n)与Ia(x,y,n-1)进行比较,若In(x,y,n)≤Ia(x,y,n-1),则令ΔI(x,y,n)=0,否则,保持帧差结果不变;然后,采用相位一致性特征检测对帧差结果中的前景信息进行提取,得到提取后的结果:PC(ΔI)=E(x)/(ε+∑nAn),其中E(x)为局部能量,f(x)是信号ΔI(x)中的非直流部分,fH(x)为f(x)经过Hilbert变换得到的结果,An代表第n个傅里叶分量的振幅;最后,在相位一致检测结果PC(ΔI)中找到大于零的区域,该区域即为当前帧的前景区域Ifg={(x,y)|PC(x,y)>0}。
步骤S3,根据雨滴光度学模型和雨线方向分布特性模型分别对Ifg进行约束检测,得到相应的候选雨滴像素概率Pi和Po。
本步骤具体包括:
根据雨滴与背景强度的线性关系和高斯分布模型计算得到符合雨滴光度学模型的候选雨滴像素概率Pi,其中,雨滴与背景强度的线性关系为:ΔI=αIbg+δ,其中,ΔI为雨滴像素与背景像素的差值,α的取值范围在[-0.039,0],δ为常数;根据雨线的方向分布特性和高斯分布模型计算得到符合雨线方向分布特性模型的候选雨滴像素概率Po,其中,根据雨线方向分布特性模型可确定同一场景下视频中雨线的方向分布近似一致,即θr=|θi-θmain|≤T,其中,θmain为雨线的分布方向,由方向统计直方图得出,T为阈值,由雨线方向角分布决定。
在具体方案中,首先根据雨滴光度学模型可知,雨滴在视频中是由背景辐射强度和雨滴自身辐射强度在曝光时间内积分获得,因此雨滴与背景强度有着线性关系,即:ΔI=αIbg+δ,其中ΔI为雨滴像素与背景像素的差值,α的取值范围在[-0.039,0],δ为常数,然后,利用高斯分布模型计算出符合雨滴光度学模型的候选雨滴像素概率Pi;其次,根据雨线方向分布特性模型可知,同一场景下视频中雨线的方向分布近似一致,即:θr=|θi-θmain|≤T,其中,θmain为雨线的主要分布方向,由方向统计直方图得出,T为阈值,由雨线方向角分布决定,利用高斯分布模型计算出符合雨线方向分布特性模型的候选雨滴像素概率Po。
步骤S4,对Pi和Po进行决策级融合,得到候选雨滴像素的置信度Bel。
本步骤具体包括:
S41、对Pi和Po进行决策级融合,若Pi=0或Po=0,则融合后的置信度Bel=0,否则,执行步骤S42;
S42、若Pi=1或Po=1,则融合后的置信度Bel=1,否则,执行步骤S43;
S43、令融合后的置信度Bel=(Pi+Po)/2。
在具体方案中,根据符合雨滴光度学模型的候选雨滴像素概率Pi和符合雨线方向分布特性模型的候选雨滴像素概率Po计算融合后的候选雨滴像素置信度Bel。
步骤S5,根据Bel和背景像素强度不大于雨滴像素强度约束条件,确定相邻帧候选雨滴像素中置信度最小值,并将相邻帧候选雨滴像素中置信度最小值作为背景像素强度Ik;
在具体方案中,根据背景像素判别约束条件,即背景像素强度值小于或等于当前帧受雨影响像素的强度值,确定相邻帧候选雨滴像素中置信度Bel最小值作为背景像素强度Ik。
步骤S6,根据Ik、Ifg以及高斯滤波函数G计算得到场景复原图像Inew。
本步骤具体包括:
对Ifg进行二值化并对二值化结果进行高斯滤波,得到高斯滤波结果G;
根据Ik、Ifg以及G重构复原图像:Inew=G(Ifg)×Ik+(1-G(Ifg))×In。
在具体方案中,首先,对前景信息区域Ifg进行二值化并对二值化结果进行高斯滤波,得到高斯滤波结果G,将G为权值与背景像素强度Ik、前景运动区域Ifg重构复原图像:Inew=G(Ifg)×Ik+(1-G(Ifg))×In。
本发明根据雨滴和雨线的时域特性与频域特性具有的互补性,采用雨滴光度学模型和雨线方向分布特性模型分别进行约束检测,得到相应的候选雨滴像素概率,并通过决策级融合来求得候选雨滴像素的置信度,由此确定相邻帧背景像素并替换受雨影响像素,最终获得清晰化后的视频,具有准确、自动处理的特点,能够有效去除雨线的遮挡,改善场景的清晰度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种雨天视频清晰处理方法,其特征在于,包括:
S1、对视频序列帧图像的第n-1帧图像与第n帧图像进行匹配校正,得到对齐校正后图像Ia和In;
S2、对Ia和In进行帧差,并对帧差结果进行前景信息提取,得到前景运动区域Ifg;
S3、根据雨滴光度学模型和雨线方向分布特性模型分别对Ifg进行约束检测,得到相应的候选雨滴像素概率Pi和Po;
S4、对Pi和Po进行决策级融合,得到候选雨滴像素的置信度Bel;
S5、根据Bel和背景像素强度不大于雨滴像素强度约束条件,确定相邻帧候选雨滴像素中置信度最小值,并将相邻帧候选雨滴像素中置信度最小值作为背景像素强度Ik;
S6、根据Ik、Ifg以及高斯滤波函数G计算得到场景复原图像Inew。
2.根据权利要求1所述的雨天视频清晰处理方法,其特征在于,步骤S1,具体包括:
第n-1帧图像为I(x,y,n-1),第n帧图像为I(x,y,n);
基于相位相关性对第n-1帧图像中的每个像素进行匹配校正:Ia(x,y,n-1)=I(x+d1,y+d2,n-1),其中,d1和d2为预设的误差值;
基于相位相关性对第n帧图像中的每个像素进行匹配校正:In(x,y,n)=I(x+d1,y+d2,n),其中,d1和d2为预设的误差值。
3.根据权利要求1所述的雨天视频清晰处理方法,其特征在于,步骤S2,具体包括:
S21、对Ia和In进行帧差,得到帧差结果ΔI(x,y,n)=In(x,y,n)-Ia(x,y,n-1);
S22、将In(x,y,n)与Ia(x,y,n-1)进行比较,若In(x,y,n)≤Ia(x,y,n-1),则令ΔI(x,y,n)=0;否则,保持ΔI(x,y,n)不变;
S23、采用相位一致性特征检测对帧差结果中的前景信息进行提取,得到相位一致检测结果:PC(ΔI)=E(x)/(ε+∑nAn),其中,E(x)为局部能量,f(x)是信号ΔI(x)中的非直流部分,fH(x)为f(x)经过Hilbert变换的结果,An为第n个傅里叶分量的振幅;
S24、在相位一致检测结果中找到大于零的区域,并将该区域作为前景区域Ifg,Ifg={(x,y)|PC(x,y)>0}。
4.根据权利要求1所述的雨天视频清晰处理方法,其特征在于,步骤S3,具体包括:
根据雨滴与背景强度的线性关系和高斯分布模型计算得到符合雨滴光度学模型的候选雨滴像素概率Pi,其中,雨滴与背景强度的线性关系为:ΔI=αIbg+δ,其中,ΔI为雨滴像素与背景像素的差值,α的取值范围在[-0.039,0],δ为常数;
根据雨线的方向分布特性和高斯分布模型计算得到符合雨线方向分布特性模型的候选雨滴像素概率Po,其中,根据雨线方向分布特性模型可确定同一场景下视频中雨线的方向分布近似一致,即θr=|θi-θmain|≤T,其中,θmain为雨线的分布方向,由方向统计直方图得出,T为阈值,由雨线方向角分布决定。
5.根据权利要求1所述的雨天视频清晰处理方法,其特征在于,步骤S4,具体包括:
S41、对Pi和Po进行决策级融合,若Pi=0或Po=0,则融合后的置信度Bel=0,否则,执行步骤S42;
S42、若Pi=1或Po=1,则融合后的置信度Bel=1,否则,执行步骤S43;
S43、令融合后的置信度Bel=(Pi+Po)/2。
6.根据权利要求1所述的雨天视频清晰处理方法,其特征在于,步骤S6,具体包括:
对Ifg进行二值化并对二值化结果进行高斯滤波,得到高斯滤波结果G;
根据Ik、Ifg以及G重构复原图像:Inew=G(Ifg)×Ik+(1-G(Ifg))×In。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910509651.6A CN110246102B (zh) | 2019-06-13 | 2019-06-13 | 一种雨天视频清晰处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910509651.6A CN110246102B (zh) | 2019-06-13 | 2019-06-13 | 一种雨天视频清晰处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110246102A true CN110246102A (zh) | 2019-09-17 |
CN110246102B CN110246102B (zh) | 2022-05-31 |
Family
ID=67886820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910509651.6A Active CN110246102B (zh) | 2019-06-13 | 2019-06-13 | 一种雨天视频清晰处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110246102B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184572A (zh) * | 2020-09-14 | 2021-01-05 | 中山大学 | 一种针对动态视觉传感器事件流的新型去雨方法及系统 |
CN112446344A (zh) * | 2020-12-08 | 2021-03-05 | 北京深睿博联科技有限责任公司 | 路况提示的方法及装置、电子设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942766A (zh) * | 2014-04-03 | 2014-07-23 | 天津大学 | 一种基于时-空-频三域联合处理的雨天视频复原方法 |
CN105046653A (zh) * | 2015-06-12 | 2015-11-11 | 中国科学院深圳先进技术研究院 | 一种视频雨滴去除方法及系统 |
CN105139344A (zh) * | 2015-06-12 | 2015-12-09 | 中国科学院深圳先进技术研究院 | 基于频域及相位一致性的单幅图像去除雨滴影响的方法和系统 |
CN105184761A (zh) * | 2015-08-28 | 2015-12-23 | 中国科学院深圳先进技术研究院 | 一种基于小波分析的图像去雨方法及系统 |
CN105205791A (zh) * | 2015-08-28 | 2015-12-30 | 中国科学院深圳先进技术研究院 | 一种基于高斯混合模型的视频雨滴去除方法及其系统 |
US10182225B1 (en) * | 2016-08-31 | 2019-01-15 | Amazon Technologies, Inc. | Processing images to remove precipitation |
-
2019
- 2019-06-13 CN CN201910509651.6A patent/CN110246102B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942766A (zh) * | 2014-04-03 | 2014-07-23 | 天津大学 | 一种基于时-空-频三域联合处理的雨天视频复原方法 |
CN105046653A (zh) * | 2015-06-12 | 2015-11-11 | 中国科学院深圳先进技术研究院 | 一种视频雨滴去除方法及系统 |
CN105139344A (zh) * | 2015-06-12 | 2015-12-09 | 中国科学院深圳先进技术研究院 | 基于频域及相位一致性的单幅图像去除雨滴影响的方法和系统 |
CN105184761A (zh) * | 2015-08-28 | 2015-12-23 | 中国科学院深圳先进技术研究院 | 一种基于小波分析的图像去雨方法及系统 |
CN105205791A (zh) * | 2015-08-28 | 2015-12-30 | 中国科学院深圳先进技术研究院 | 一种基于高斯混合模型的视频雨滴去除方法及其系统 |
US10182225B1 (en) * | 2016-08-31 | 2019-01-15 | Amazon Technologies, Inc. | Processing images to remove precipitation |
Non-Patent Citations (9)
Title |
---|
JÉRÉMIE BOSSU 等: "Rain or Snow Detection in Image Sequences Through Use of a Histogram of Orientation of Streaks", 《INT J COMPUT VIS》 * |
NATHAN BREWER 等: "Using the Shape Characteristics of Rain to Identify and Remove Rain from Video", 《SSPR&SPR 2008》 * |
QINGSONG ZHU 等: "A Novel Rain Detection and Removal Approach Using Guided Filtering and Formation Modeling", 《PROCEEDING OF THE IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS (ROBIO)》 * |
YUAN ZHOU 等: "Rain Removal in Videos Based on Optical Flow and Hybrid Properties Constraint", 《7TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE》 * |
周浦城 等: "视频图像去雨技术研究进展", 《图学学报》 * |
周远 等: "一种单幅图像雨滴去除的方法", 《图学学报》 * |
张娟: "雨天视频图像清晰化技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
牛金星 等: "视频图像去雨算法的比较研究", 《河南科技》 * |
艾凯文 等: "一种融合雨滴检测算法的混合高斯模型", 《装备制造技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184572A (zh) * | 2020-09-14 | 2021-01-05 | 中山大学 | 一种针对动态视觉传感器事件流的新型去雨方法及系统 |
CN112446344A (zh) * | 2020-12-08 | 2021-03-05 | 北京深睿博联科技有限责任公司 | 路况提示的方法及装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110246102B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shin et al. | Radiance–reflectance combined optimization and structure-guided $\ell _0 $-Norm for single image dehazing | |
CN107253485B (zh) | 异物侵入检测方法及异物侵入检测装置 | |
Shimizu et al. | Super-resolution from image sequence under influence of hot-air optical turbulence | |
CN109493283A (zh) | 一种高动态范围图像鬼影消除的方法 | |
CN104182968B (zh) | 宽基线多阵列光学探测系统模糊动目标分割方法 | |
CN110246102A (zh) | 一种雨天视频清晰处理方法 | |
CN102014281A (zh) | 具有非线性运动场平滑的运动估计的方法和系统 | |
CN109886883A (zh) | 实时偏振透雾成像图像增强处理方法 | |
CN114973028B (zh) | 一种航拍视频图像实时变化检测方法及系统 | |
Chen et al. | Dbarf: Deep bundle-adjusting generalizable neural radiance fields | |
CN108564602A (zh) | 一种基于机场遥感图像的飞机检测方法 | |
CN106101588A (zh) | 全景图像渐晕现象的补偿方法 | |
CN106023108A (zh) | 基于边界约束和上下文正则化的图像去雾算法 | |
Fan et al. | Multiscale cross-connected dehazing network with scene depth fusion | |
CN104463812A (zh) | 修复在拍摄时受到雨滴干扰的视频图像的方法 | |
Lelégard et al. | Detecting and correcting motion blur from images shot with channel-dependent exposure time | |
CN110264434A (zh) | 一种基于低秩矩阵补全的单幅图像去雨方法 | |
CN109544580A (zh) | 一种基于旋转拍摄图像前背景自动分离方法 | |
Nieuwenhuizen et al. | Dynamic turbulence mitigation with large moving objects | |
CN104732503B (zh) | 图像去雾增强方法和装置 | |
Xu et al. | Geometric distortion correction of long-range imaging containing moving objects | |
Nunes et al. | A novel approach for mitigating atmospheric turbulence using weighted average Sobolev gradient and Laplacian | |
Stojanović et al. | Real-time multi-sensor infrared imagery enhancement | |
Babu et al. | Development and performance evaluation of enhanced image dehazing method using deep learning networks | |
Subhashini et al. | Implementation of Satellite Road Image Denoising using Iterative Domain Guided Image Filtering with Gray World Optimization. |
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 |