CN110390655A - 一种基于蓝色通道校正的图像去雾方法 - Google Patents
一种基于蓝色通道校正的图像去雾方法 Download PDFInfo
- Publication number
- CN110390655A CN110390655A CN201910693791.3A CN201910693791A CN110390655A CN 110390655 A CN110390655 A CN 110390655A CN 201910693791 A CN201910693791 A CN 201910693791A CN 110390655 A CN110390655 A CN 110390655A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- blue
- depth
- red
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 15
- 239000003595 mist Substances 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 13
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000005811 Viola adunca Nutrition 0.000 description 1
- 240000009038 Viola odorata Species 0.000 description 1
- 235000013487 Viola odorata Nutrition 0.000 description 1
- 235000002254 Viola papilionacea Nutrition 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/90—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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于蓝色通道校正的图像去雾方法,应用于计算机视觉和图像处理技术领域,针对现有的直方图均衡化算法、多尺度Retinex(MSR)算法和暗通道先验去雾等算法,所存在的去雾效果差,算法局限性大的问题;本发明首先提取红、绿、蓝三通道的信息,并对其进行组合整理得到深度与透射率信息,然后将图像红、绿、蓝三通道分别计算,得到每个通道的去雾图像,最后组合图像得到最终的去雾图;具备计算参数少,计算简单快速,效果好,无色偏,非常适合于室外雾图像的处理的优点。
Description
技术领域
本发明属于计算机视觉和图像处理技术领域,特别涉及一种图像的去雾技术。
背景技术
在自然条件较好的情况下拍摄的图像,往往有较高的对比度与饱和度。而雾天气下,自然光受大气粒子影响产生散射,导致拍摄图像对比度减小,亮度降低,饱和度降低。例如,同一片草坪在天气情况较好时(晴朗无雾)呈现饱和度较高的绿色,而在雾天气下则会呈现低饱和度的绿色,且图像整体偏灰,细节模糊。这样得到的图像在进行图像分析时会产生巨大干扰,因此对雾天气下获得的图像进行校正就显得极为重要。
代表性的去雾算法包括直方图均衡化算法、多尺度Retinex(MSR)算法和暗通道先验去雾算法等。其中,直方图均衡化算法使用图像增强的方法进行图像去雾处理,在一些对比度较差的图像上效果很好,但在大部分雾图像上的结果较差。此后,Retinex算法利用仿生学方法模拟人眼观测到的光模型,针对雾噪声进行处理,得到了较好的去雾结果,但由于此方法将光路信息作为先验假设,所以在图像亮度变化较快的情况下极易出现光晕。近年来,比较典型的去雾算法主要是暗通道先验去雾算法,该方法通过计算一定区域内R、G、B通道最小值的方法,得到估算的近似深度图,并在大气散射物理模型框架下使用该估计深度图进行去雾处理。该方法在亮度较高的天空区域效果并不十分有效,天空区域极易产生色偏。另外,这几年越来越多的基于深度学习的去雾算法也取得了较好的效果,但其需要大量带有真实参考数据的图像进行模型训练,但是有雾图像一般无法得到对应的训练样本图像,使得这类方法的局限性比较大。
发明内容
为解决上述技术问题,本发明提出一种基于蓝色通道校正的图像去雾方法。
本发明采用的技术方案为:一种基于蓝色通道校正的图像去雾方法,包括:
S1、提取图像信息:将输入的彩色图像分解为红色、绿色和蓝色三个颜色通道,并求取图像最大值记为A;
S2、计算雾图像初始深度信息:根据步骤S1得到的红色、绿色和蓝色三个颜色通道,得到初始估计深度图D;初始估计深度图D中蓝色通道占比大于红色通道与绿色通道;
S3、计算雾图像修正深度信息:取步骤S1中得到的红色、绿色通道的图像的较大值组成图像max,取步骤S1中得到的红色、绿色通道的图像的较小值组成图像min;
将蓝色通道减去图像min并保留正数部分得到图E,图像max减去蓝色通道并保留正数部分得到图F;
将步骤S2中得到的初始估计深度图D依次与图E、图F作差,将图D依次作差后保留正数的图像进行放大后取对数,得到修正深度图;
S4、计算透射率信息:根据步骤S3得到的修正深度图得到红色、绿色和蓝色三个颜色通道透射率信息;
S5、雾图像去雾处理:将步骤S1中原始图像三个颜色通道的图像分别减去图像最大值A,再除以步骤S4计算得到的各个颜色通道对应的透射率信息,再加上图像最大值A实现雾图像的校正,最后三通道同乘1.05,得到结果图。
进一步地,所述步骤S4具体为:对步骤S3中计算得到的修正深度图进行窗口大小为5,强度为0.1的双边滤波;
根据滤波后的深度图求红色通道的透射率信息:将滤波后深度图乘以系数K再取相反数,以取相反数所得结果为指数幂求指数得到红色通道的透射率信息;
根据滤波后的深度图求绿色通道的透射率信息:将滤波后深度信息乘以0.95K,再取相反数,以取相反数所得结果为指数幂求指数得到绿色通道透射率信息;
根据滤波后的深度图求蓝色通道的透射率信息:将滤波后深度信息乘以0.9K,再取相反数,以取相反数所得结果为指数幂求指数得到蓝色通道透射率信息。
进一步地,K的取值范围为0.6~1.2。
进一步地,步骤S2具体为:取步骤S1中红色通道的10%~20%、绿色通道的10%~20%、蓝色通道的60%~80%进行相加得到初始估计深度图D,所取红色、绿色和蓝色三个颜色通道占比之和为1。
进一步地,步骤S3所述将步骤S2中得到的初始估计深度图D依次与图E、图F作差,具体为:将步骤S2中得到的初始估计深度图D依次减去1.32倍的图E、0.2倍的图F。
更进一步地,步骤S3所述将图D依次做差后保留正数的图像进行放大后加1取对数,这里的加1后的结果取值范围为1~10。
进一步地,步骤S3所述修正深度图取值范围为0~1。
本发明的有益效果:本发明的方法首先提取红、绿、蓝三通道的信息,并对其进行组合整理得到深度与透射率信息,然后将图像红、绿、蓝三通道分别计算,得到每个通道的去雾图像,最后组合图像得到最终的去雾图;本发明所提供的方法具备计算参数少,计算简单快速,效果好,无色偏,非常适合于室外雾图像的处理的优点。
附图说明
图1为本发明方法的流程图;
图2为采用本发明方法的去雾效果图;
其中,图2(a)为从图像库网站上下载的有雾图像,图2(b)为采用本发明方法对图2(a)进行去雾后的效果图,图2(c)为从图像库网站上下载的标准无雾图像。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
本实施例中从目前国际公认的用于验证图像去雾效果的图像库网站上下载的有雾图像及其对应的标准无雾图像,图像大小为413×550×3,图像格式为png格式。本发明的具体计算方法的流程如图1所示,包括以下步骤:
S1.提取图像信息:将输入的彩色图像分解为红色、绿色和蓝色三个颜色通道,求取灰度图像最大值记为A;以像素(200,200)为例,该像素在红绿蓝三通道的值分别为0.737,0.682,0.639,灰度图像最大值A为0.9778。
S2.计算雾图像初始深度信息:将步骤S1得到的红色,绿色和蓝色三个颜色通道按一定比例相加得到初始估计深度图D,实际处理中红色通道与绿色通道取原通道的10%~20%,蓝色通道取原通道的60%~80%,三个颜色通道占比之和为1;选取(200,200)点为例,本实例中红色通道、绿色通道、蓝色通道的占比分别为0.1,0.15,0.75。所以得到的初始深度值D为0.6555。
本步骤中对不同通道所取比例不同,主要考虑各波长光的散射程度,蓝紫色光最不易散射,红绿色光易散射;同时,自然界红绿色物体过多,要对其进行限制;在有饱和度过大物体状态下要减小对应通道占比;因此得出红色通道占比10%-20%,绿色通道占比10%-20%,蓝色通道占比60%-80%。
S3.计算雾图像修正深度信息:取S1中得到的红、绿通道的图像的较大值组成图像max,较小值组成图像min。将蓝色通道减去较小值min并保留正数部分得到图E,较大值max减去蓝色通道并保留正数部分得到图F。将S2中得到的初始估计深度图D与1.32倍的图E、0.2倍的图F依次作差,保留正数。最后将该图像扩大9倍后加1(将取值范围扩展到1~10)然后取对数,得到取值范围在0~1之间的修正深度图。以点(200,200)为例,红绿通道的较大值为0.737,较小值为0.682,蓝色通道值0.639减去较小值0.682小于0记为0,较大值0.737减去蓝色通道值0.639为0.098保留。将估计深度0.6477与1.32倍的图E、0.2倍的图F依次作差得到0.6555-1.32*0-0.2*0.098=0.6359,将该数字扩展到1~10之间为6.7231,取对数,得到修正后深度信息0.8276。
本步骤中图像max由各像素点红、绿通道数值相比的较大值组成,图像min由各像素点红、绿通道数值相比的较小值组成;本步骤中采用的1.32倍和0.2倍能得到最佳的雾图像修正深度信息。
S4.计算透射率信息:对步骤S3中计算得到的修正深度图进行窗口大小为5,强度为0.1的双边滤波。将滤波后深度图乘以系数K(K的取值范围为0.6~1.2,取值大小与图像雾浓度相关)再取相反数,以所得结果为指数幂求指数得到红色通道的透射率结果。将滤波后深度信息乘以0.95K,再取相反数,以所得结果为指数幂求指数得到绿色通道透射率结果。将滤波后深度信息乘以0.9K,再取相反数,以所得结果为指数幂求指数得到蓝色通道透射率结果。以点(200,200)为例,选取其邻域范围内5×5大小的区域的值分别为0.732,0.7454,0.6866,0.6825,0.7458,0.7216,0.7517,0.6957,0.6825,0.7458,0.732,0.7556,0.685,0.6733,0.7482,0.732,0.7614,0.6916,0.6733,0.7399,0.7439,0.766,0.7067,0.6837,0.7419。再计算其双边滤波结果为0.7190。选取K=0.9,计算得到红色通道的最终透射率结果为0.5236,绿色通道的最终结果为0.5408,蓝色通道的最终结果为0.5586。
本步骤中计算红色通道的透射率结果、绿色通道的透射率结果、蓝色通道的透射率结果使用的系数K、0.95K、0.9K,这里的不同系数与对应色光散射程度成比例。
S5.雾图像去雾处理:将原始图像三个颜色通道的图像分别减去图像最大值A,再除以步骤S4计算得到的各个颜色通道下的透射率信息,再加上图像最大值A实现雾图像的校正,最后三通道同乘1.05,提升图像亮度得到结果图。以点(200,200)为例,从S4中计算得到的透射率结果分别为0.5236,0.5408,0.5586,从S1中计算得到的图像最大值A为0.9778,三通道的初始值分别为0.737,0.682,0.639,三通道初始值分别减去图像最大值A后除以对应通道透射率信息再将图像最大值A加回,得到去雾结果,分别为0.5184,0.4315,0.3716,三通道同乘1.05后的最终结果为0.5443,0.4530,0.3902。
本步骤中的1.05用于对去雾处理后的图像进行亮度补偿;如果在对图像进行去雾处理后,不加补偿会导致整体偏暗,对亮度进行补偿后可使得图像更加接近真实图像。本发明中补偿值为1.05能使得最终得到的图像更接近真实图像。
测试结果如图2所示,其中:图2(a)为原始雾图像,图2(b)为本发明的基于蓝色通道校正方法计算得到的结果图,图2(c)为从图像库所提供的标准无雾图像。从图2中可以清楚看出,采用本发明方法对有雾图像进行处理,能够有效的去雾,使得图片显示更清晰;并且本发明方法得到的去雾图像与图2(c)从图像库所提供的标准无雾图像显示效果非常接近,可见本发明的图像去雾效果非常好;并且本发明的方法计算参数少,本发明方法具有计算简单、灵活的优点。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (7)
1.一种基于蓝色通道校正的图像去雾方法,其特征在于,包括:
S1、提取图像信息:将输入的彩色图像分解为红色、绿色和蓝色三个颜色通道,并求取灰色图像最大值记为A;
S2、计算雾图像初始深度信息:根据步骤S1得到的红色、绿色和蓝色三个颜色通道,得到初始估计深度图D;初始估计深度图D中蓝色通道占比大于红色通道与绿色通道;
S3、计算雾图像修正深度信息:取步骤S1中得到的红色、绿色通道的图像的较大值组成图像max,取步骤S1中得到的红色、绿色通道的图像的较小值组成图像min;
将蓝色通道减去图像min并保留正数部分得到图E,图像max减去蓝色通道并保留正数部分得到图F;
将步骤S2中得到的初始估计深度图D依次与图E、图F作差,将图D依次作差后保留正数的图像进行放大后加1取对数,得到修正深度图;
S4、计算透射率信息:根据步骤S3得到的修正深度图得到红色、绿色和蓝色三个颜色通道透射率信息;
S5、雾图像去雾处理:将步骤S1中原始图像三个颜色通道的图像分别减去图像最大值A,再除以步骤S4计算得到的各个颜色通道对应的透射率信息,再加上图像最大值A实现雾图像的校正,最后三通道同乘1.05,得到结果图。
2.根据权利要求1所述的一种基于蓝色通道校正的图像去雾方法,其特征在于,所述步骤S4具体为:对步骤S3中计算得到的修正深度图进行窗口大小为5,强度为0.1的双边滤波;
根据滤波后的深度图求红色通道的透射率信息:将滤波后深度图乘以系数K再取相反数,以取相反数所得结果为指数幂求指数得到红色通道的透射率信息;
根据滤波后的深度图求绿色通道的透射率信息:将滤波后深度信息乘以0.95K,再取相反数,以取相反数所得结果为指数幂求指数得到绿色通道透射率信息;
根据滤波后的深度图求蓝色通道的透射率信息:将滤波后深度信息乘以0.9K,再取相反数,以取相反数所得结果为指数幂求指数得到蓝色通道透射率信息。
3.根据权利要求2所述的一种基于蓝色通道校正的图像去雾方法,其特征在于,K的取值范围为0.6~1.2。
4.根据权利要求3所述的一种基于蓝色通道校正的图像去雾方法,其特征在于,步骤S2具体为:取步骤S1中红色通道的10%~20%、绿色通道的10%~20%、蓝色通道的60%~80%进行相加得到初始估计深度图D,所取红色、绿色和蓝色三个颜色通道占比之和为1。
5.根据权利要求4所述的一种基于蓝色通道校正的图像去雾方法,其特征在于,步骤S3所述将步骤S2中得到的初始估计深度图D依次与图E、图F作差,具体为:将步骤S2中得到的初始估计深度图D依次减去1.32倍的图E、0.2倍的图F。
6.根据权利要求5所述的一种基于蓝色通道校正的图像去雾方法,其特征在于,步骤S3所述将图D依次做差后保留正数的图像进行放大后加1取对数,这里的加1后的结果取值范围为1~10。
7.根据权利要求6所述的一种基于蓝色通道校正的图像去雾方法,其特征在于,步骤S3所述修正深度图取值范围为0~1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910693791.3A CN110390655B (zh) | 2019-07-30 | 2019-07-30 | 一种基于蓝色通道校正的图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910693791.3A CN110390655B (zh) | 2019-07-30 | 2019-07-30 | 一种基于蓝色通道校正的图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390655A true CN110390655A (zh) | 2019-10-29 |
CN110390655B CN110390655B (zh) | 2021-04-06 |
Family
ID=68287933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910693791.3A Active CN110390655B (zh) | 2019-07-30 | 2019-07-30 | 一种基于蓝色通道校正的图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390655B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411774A (zh) * | 2011-08-08 | 2012-04-11 | 安防科技(中国)有限公司 | 一种基于单幅图像去雾的处理方法、装置及系统 |
CN104794688A (zh) * | 2015-03-12 | 2015-07-22 | 北京航空航天大学 | 基于深度信息分离天空区域的单幅图像去雾方法及装置 |
CN104809707A (zh) * | 2015-04-28 | 2015-07-29 | 西南科技大学 | 一种单幅雾天图像能见度估计方法 |
CN105719247A (zh) * | 2016-01-13 | 2016-06-29 | 华南农业大学 | 基于特征学习的单幅图像去雾方法 |
CN106157270A (zh) * | 2016-08-29 | 2016-11-23 | 潍坊学院 | 一种单幅图像快速去雾方法及系统 |
US20170132761A1 (en) * | 2015-11-06 | 2017-05-11 | Adobe Systems Incorporated | Dehazing photos and videos using visual artifact suppression |
KR101784350B1 (ko) * | 2016-06-02 | 2017-10-11 | 한국항공대학교산학협력단 | 개선된 메디안 다크 채널 프라이어에 기반한 안개 제거 방법 및 장치 |
-
2019
- 2019-07-30 CN CN201910693791.3A patent/CN110390655B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411774A (zh) * | 2011-08-08 | 2012-04-11 | 安防科技(中国)有限公司 | 一种基于单幅图像去雾的处理方法、装置及系统 |
CN104794688A (zh) * | 2015-03-12 | 2015-07-22 | 北京航空航天大学 | 基于深度信息分离天空区域的单幅图像去雾方法及装置 |
CN104809707A (zh) * | 2015-04-28 | 2015-07-29 | 西南科技大学 | 一种单幅雾天图像能见度估计方法 |
US20170132761A1 (en) * | 2015-11-06 | 2017-05-11 | Adobe Systems Incorporated | Dehazing photos and videos using visual artifact suppression |
CN105719247A (zh) * | 2016-01-13 | 2016-06-29 | 华南农业大学 | 基于特征学习的单幅图像去雾方法 |
KR101784350B1 (ko) * | 2016-06-02 | 2017-10-11 | 한국항공대학교산학협력단 | 개선된 메디안 다크 채널 프라이어에 기반한 안개 제거 방법 및 장치 |
CN106157270A (zh) * | 2016-08-29 | 2016-11-23 | 潍坊学院 | 一种单幅图像快速去雾方法及系统 |
Non-Patent Citations (2)
Title |
---|
CHONGYI LI ET AL.: "Single underwater image restoration by blue-green channels dehazing and red channel correction", 《2016 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS,SPEECH AND SIGNAL PROCESSING(ICASSP)》 * |
郭既昌等: "水下图像增强和复原方法研究进展", 《中国图象图形学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110390655B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527332B (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
Shi et al. | Let you see in sand dust weather: A method based on halo-reduced dark channel prior dehazing for sand-dust image enhancement | |
Lee et al. | Adaptive multiscale retinex for image contrast enhancement | |
KR100771158B1 (ko) | 칼라 영상의 화질 향상을 위한 방법 및 시스템 | |
CN103455979B (zh) | 一种低照度视频图像增强方法 | |
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 | |
CN103593830A (zh) | 一种低照度视频图像增强方法 | |
Zotin | Fast algorithm of image enhancement based on multi-scale retinex | |
Vonikakis et al. | Multi-exposure image fusion based on illumination estimation | |
CN107895357B (zh) | 一种基于fpga的实时水面浓雾场景图像增强方法 | |
CN103268598A (zh) | 基于Retinex理论的低照度低空遥感影像增强方法 | |
CN108288258A (zh) | 一种针对恶劣天气条件下的低质图像增强方法 | |
CN105959510B (zh) | 一种视频快速去雾方法 | |
CN106485674A (zh) | 一种基于融合技术的弱光图像增强方法 | |
CN107316278A (zh) | 一种水下图像清晰化处理方法 | |
CN109886885B (zh) | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 | |
CN108648160B (zh) | 一种水下海参图像去雾增强方法及系统 | |
Muniraj et al. | Underwater image enhancement by modified color correction and adaptive Look-Up-Table with edge-preserving filter | |
Yu et al. | Color constancy-based visibility enhancement in low-light conditions | |
CN104657939A (zh) | 一种低照度视频图像增强方法 | |
CN110390655A (zh) | 一种基于蓝色通道校正的图像去雾方法 | |
Hari et al. | Dark and Bright Channel Priors for Haze Removal in Day and Night Images. | |
Xi et al. | Enhancement of unmanned aerial vehicle image with shadow removal based on optimized retinex algorithm | |
CN113379631B (zh) | 一种图像去雾的方法及装置 |
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 |