CN110400270A - 一种利用图像分解和多重校正融合的车牌去雾方法 - Google Patents
一种利用图像分解和多重校正融合的车牌去雾方法 Download PDFInfo
- Publication number
- CN110400270A CN110400270A CN201910603633.4A CN201910603633A CN110400270A CN 110400270 A CN110400270 A CN 110400270A CN 201910603633 A CN201910603633 A CN 201910603633A CN 110400270 A CN110400270 A CN 110400270A
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- defogging
- structure sheaf
- texture layer
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 230000015556 catabolic process Effects 0.000 title claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 4
- 239000003595 mist Substances 0.000 claims description 15
- 230000002708 enhancing effect Effects 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 238000002156 mixing Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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 by the use of local operators
-
- G06T5/80—
-
- 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
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Abstract
本发明提出了一种利用图像分解和多重校正融合的车牌去雾方法。该方法包括：将雾天车牌图像分解为纹理层和结构层，并且增强纹理层，对结构层进行去雾处理；结构层去雾，采用伽马校正、同态滤波处理图像，最后将图像的饱和度和对比度设置为融合权重，按拉普拉斯融合方法融合图像，得到去雾的车牌图像结构层；融合去雾的结构层和增强后的纹理层，得到最终去雾的车牌图像。本方法解决了大雾天气环境下车牌识别困难的问题，有效提高图像清晰度，提高车牌定位识别的准确性，恢复智能交通系统的正常高效工作。
Description
技术领域
本发明涉及图像处理、计算机视觉、计算机应用技术等领域，尤其涉及车牌图像的去雾。
背景技术
近几年随着环境的逐步恶化，雾霾现象变得更加严重，大雾天气的出现越来越频繁。中国社会科学院、中国气象局联合发布的《应对气候变化报》指出，近50年来中国雾霾天气总体呈增加趋势。现如今是智能交通的时代，计算机视觉系统在交通中的合理应用，提高了交通系统的管理效率。雾天给智能交通系统带来了很多困难，对车牌识别检测部分影响最为严重。因此急需高效的大雾天气下车牌去雾识别算法从而解决该方面问题。
智能交通系统最为典型的应用便是交通监控，交通监控的车牌识别环节在交通问题处理上起到至关重要的作用，如肇事车辆侦查，交通违规违法行为定责。但是，大雾天气下智能交通系统中的车牌识别环节的效率大大降低，甚至无法正常工作，如大雾天气下交通监控拍下的模糊图像无法获得有用的车牌信息。所以本发明以此为背景进行研究，提高模糊车辆图像的车牌识别效率，恢复智能交通系统的正常高效工作。
虽然车牌识别技术能够在多数情况下发挥重要作用，但是在雾天环境中却会因受到大气光的干扰而造成识别率下降，这使得智能交通无法在雾天情况下正常工作。为解决大雾天气下车牌识别困难，很多研究将图像去雾算法加入车牌识别中。多数为单纯改进去雾算法，或者改进车牌识别算法。如将Retinex算法应用于车牌识别中，在车牌识别中使用全局直方图处理和Retinex算法相结合的去雾方法。更多的基于改进暗通道去雾方法的应用，还有基于改进曲线分割算法提取被雾遮挡的车辆分型线，对车牌进行曲线分割，然后对分割后的车牌图像进行去雾的车牌图像识别方法。这些方法本质上只是改进的去雾算法在实际应用中的一例，并没有针对雾天车牌特点的特定去雾算法。本发明设计出针对雾天车牌图像去雾方法，更好的恢复车牌等重要部分信息，为车牌识别提供更仔细、更全面图像信息。
发明内容
本发明针对以上问题，提出一种利用图像分解和多重校正融合的车牌去雾方法，解决大雾天气环境下车牌识别困难的问题，恢复智能交通系统的正常高效工作。
为了实现所述目的，本发明所采用的技术方案为：一种利用图像分解和多重校正融合的车牌去雾方法，包括以下步骤：
(1)将雾天车牌图像利用全变差图像重建模型，将所述雾天车牌图像分离为包含纹理细节信息及噪声的纹理层T(x)和包含雾及亮度信息的结构层S(x)，所述x表示图像像素点；其中纹理细节进一步包含车辆边缘、车牌边框及字母边缘重要的纹理信息。
(2)对纹理层进行去噪平滑，再采用高频增强滤波器来增强纹理层中的高频细节信息，从而得到增强后的车牌图像纹理层T'(x)；
(3)对结构层采用多重校正融合的方法实现去雾，从而得到去雾的车牌图像结构层S'(x)；
(4)将步骤(2)处理后的纹理层T'(x)和步骤(3)处理后的结构层S'(x)按公式C(x)＝S′(x)+ωT′(x)进行融合，得到最终去雾的车牌图像，其中ω是用于控制纹理级别的增强参数。融合去雾后的结构层和优化后的纹理层得到纹理细节较为完善、视觉效果良好的去雾车牌图像。
进一步的，步骤(1)中所述的结构层S(x)和纹理层T(x)的计算方法为：构建目标函数并通过该目标函数计算出结构层S(x)；然后将计算出的结构层S(x)带入公式T(x)＝I(x)-S(x)，计算出纹理层T(x)，其中I(x)是输入的原始雾图，是梯度算子，λ是控制结构层细节信息的调节参数。
进一步，步骤(2)所述的对纹理层进行去噪平滑的方法为：利用去噪公式去除纹理层中的小噪声点，设计高频增强滤波器增强纹理层中的边缘信息，得到增强后的纹理层T'(x)。具体的，构造平滑公式式中k表示平滑系数，去除噪声、平滑纹理层T(x)边缘，得到去噪平滑纹理层
步骤(2)所述的T'(x)的获得方法为：设计高频增强滤波器Hhfe(u,v)＝a+bHhp(u,v)，其中a≥0，b>a，Hhp(u,v)表示高通滤波器，依据该高通增强滤波器对去噪平滑纹理层滤波从而得到所述增强后的车牌图像纹理层T'(x)，来增强车牌纹理。
进一步，步骤(3)所述的去雾的车牌图像结构层S'(x)的获得方法为：去除结构层的雾，恢复图像的颜色及细节信息，首先，利用伽马校正对所述结构层S(x)进行γ值大于1的校正变换，得到校正后的图像S(x)1，S(x)2，…，S(x)n，，原始图像中受雾影响而导致的图像亮度增强细节信息丢失，随着γ值的增大，亮区的细节得到逐渐恢复，整体图像亮度降低。然后，对校正后的图像S(x)1，S(x)2，…，S(x)n进行同态滤波，得到新的车牌细节增强的图像S(x)1'，S(x)2'，…，S(x)n'，校正后的图像会逐渐恢复原始亮区的细节，但是校正过程中也会导致车牌区域亮度过低，从而丢失有用信息，所以对其进行同态滤波使得恢复车牌区域图像信息同时增强细节信息。然后构建不同程度校正滤波图像序列E＝{S(x)1'，S(x)2'，…，S(x)n'}，其中n为对同一结构层S(x)的校正变换次数，取值在5～10。
再将图像的对比度和饱和度设置为融合权重，采用多尺度图像融合技术，拉普拉斯金字塔融合规则融合校正滤波后的图像S(x)1'，S(x)2'，…，S(x)n'，得到去雾后的结构层S'(x)。具体的，将使用不同γ值校正并经同态滤波处理后的全部图像进行融合，源图像为每个像素点x(x1,y1)处的对比度Ck(x)为一个简单拉普拉斯滤波器响应饱和度Sk(x)为颜色通道的标准差融合权重设置为图像饱和度和对比度的乘积Wk(x)＝Ck(x)Sk(x)，融合方法遵循拉普拉斯图像融合原则，利用公式其中Ek(x)即为图像序列E，K是图像序列Ek(x)的图像数量，即K＝n，k＝1、2、3......K，实现将每个参与融合的图像中高饱和度、高对比度的区域进行融合得到最终去雾的车牌图像结构层S'(x)。
相比于现有技术，本发明提供的基于图像分解和多重校正融合的车牌去雾方法具有以下优势：
(1)设计背景贴近现实，应用背景广泛且有很大应用价值和市场需求。
(2)分离图像纹理层和结构层，对结构层去雾的同时增强纹理层的纹理特征，提高车牌识别的准确性。
(3)采用多重校正图像融合方法去雾，根据实际情况进行融合来代替单一的公式推导，使得该方法适应性强，能够避免图像失真，并且去雾思路简单、效果好，确保有效提高车牌识别准确性。
本发明方法有效地恢复了由于大雾影响而丢失的车牌图像有用信息，并且简单可行、易于实现、速度快，提高雾天车牌图像识别的准确率。
附图说明
为了更清楚的说明本发明的实施方式，下面介绍所需的示意图及流程图：
图1为本发明所提出的车牌去雾算法流程图；
图2为本发明的图像采集示意图；
图3为拉普拉斯金字塔分解示意图；
图4为采集到的雾天车牌图像和去雾效果，其中图(a)为雾天车牌图像，图(b)为多尺度Retinex算法处理后的车牌图像，图(c)为本发明实施例算法处理后的车牌图像。
具体实施方式
本发明下面结合实施例作进一步详述：
本发明的图像采集过程如图2所示，在雾天环境下，监控摄像头拍下车辆图像并且通过网络传输到计算机进行存储和处理。针对雾天车辆图像纹理不清晰、图像模糊不利于车牌的识别这一问题，本发明提出了新的车牌去雾方法，图1为具体去雾算法的流程图。为了保证对图像进行去雾处理时不影响车辆的纹理信息，将输入图像I(x)分解为结构层S(x)和纹理层T(x)：
I(x)＝S(x)+T(x) (1)
结构层包含输入图像的雾及亮度信息，后期只对结构层进行去雾处理，得到去雾的车牌图像结构层S'(x)。纹理层包含输入图像的纹理细节信息及噪声，所以对纹理层进行去噪和纹理增强处理，得到增强的纹理层T'(x)。最后将二者按公式(2)融合得到最后的去雾图C(x)，其中ω是用于控制纹理级别的增强参数。
C(x)＝S′(x)+ωT′(x) (2)
下面具体介绍具体步骤，见图1和图2：
步骤(1)：将雾天车牌图像分离为包含纹理细节信息及噪声的纹理层和包含雾及亮度信息的结构层。
利用全变差图像重建公式，构建公式(3)所示目标函数，计算出结构层S(x)。
其中x表示像素点，I(x)是输入图像，是梯度算子，λ是控制结构层细节信息的重要调节参数。获得结构层之后便可计算出纹理层T(x)：
T(x)＝I(x)-S(x) (4)
步骤(2)：对纹理层进行去噪平滑，再采用高频增强滤波器来增强纹理层中的高频细节信息。
①原始纹理层包含很多小噪声，因此利用公式(5)来去除小噪声点，并且平滑纹理层边缘，得到去噪平滑的纹理层式中k表示平滑系数：
②增强平滑后的纹理层，纹理层包含了大量的纹理细节信息，纹理细节表征图像的高频部分，所以本发明设计高频增强滤波器，来增强纹理层中重要的高频细节信息。高频增强滤波器的传递函数如下：
Hhfe(u,v)＝a+bHhp(u,v) (6)
其中a≥0，b>a，Hhp(u,v)表示高通滤波器，高通滤波器在保留高频分量的同时，也加入了背景的低频成分，所以满足增强图像高频细节信息，同时保留低频信息。使用该高通增强滤波器对步骤①中得到的去噪平滑纹理层滤波得到增强后的车牌图像纹理层T'(x)：
步骤(3)：对结构层采用多重校正融合的方法实现去雾。
①利用伽马校正对有雾的车牌图像结构层S(x)进行校正变换，校正公式如公式(8)，其中I表示输入图像，得到多个包含不同程度(不同程度是指，γ取值不同，其校正后的图像细节程度不同)图像细节的模糊图像S(x)1，S(x)2，…，S(x)n，其中n表示对图像结构层S(x)的校正变换次数，取值在5～10。
f(I)＝Iγ (8)
伽马校正变换多用于图像的增强提升暗部细节，但出于本文去雾的目的，所以不需要对图像进行γ值小于1的变换处理。由于雾会使得拍摄的图像整体变亮，导致亮部区域细节丢失，所以需要提升高灰度值区域的对比度，便于观察细节，所以仅对图像进行γ值大于1的变换处理。该操作的全局效果是降低亮度，伽马校正后续应用中随着γ值的增加可以揭示关于模糊图像的有用视觉信息。
②对伽马校正的图像进行同态滤波，得到新的车牌细节增强的图像S(x)1'，S(x)2'，…，S(x)n'，构建不同程度校正滤波图像序列E＝{S(x)1'，S(x)2'，…，S(x)n'}。
③对处理后的多个图像S(x)1'，S(x)2'，…，S(x)n'进行融合，得到去雾的车牌图像结构层S'(x)。
本发明遵循拉普拉斯金字塔图像融合方法进行图像的融合。在高斯金字塔的运算过程中，图像经过卷积和下采样操作会丢失部分高频细节信息。为描述这些高频信息，定义了拉普拉斯金字塔(Laplacian Pyramid，LP)。用高斯金字塔的每一层图像Gn减去其上一层图像上采样并高斯卷积之后的预测图像G* n，得到一系列的差值图像即为LP分解图像。分解过程如图3所示，根据图3所示分解过程，得出无雾结构层计算公式，如下：
a.多图像融合可以表示为公式(9)：
其中Wk.是融合权重，Ek(x)即为图像序列E，K是图像序列Ek(x)的图像数量，即K＝n，k＝1、2、3......K，S'(x)是Ek中图像组合产生的清晰图像。彩色图像有RGB三通道，源图像可表示为每个像素点x(x1,y1)处的对比度Ck(x)为一个简单拉普拉斯滤波器响应的绝对值，饱和度Sk(x)为颜色通道的标准差，最后设置权重图Wk(x)为对比度与饱和度的乘积：
Wk(x)＝Ck(x)Sk(x) (12)
b.构建高斯金字塔
式中ds2[.]表示使用高斯内核卷积运算，然后将其下采样到其原始维度的一半。迭代这个过程N次产生一组逐渐变小和更平滑的权重图{Wk 1，Wk 2，...，Wk N}，以相同方法构建校正图像高斯金字塔
c.构建校正图像的拉普拉斯金字塔如公式(14)所示，
其中us2[.]表示上采样2倍大小：
d.最后将K个金字塔中的每个图像组合在一起并将上采样结果汇总在一起来实现所有Ek(x)的多尺度融合。如果源图像Ek(x)的维数为m×n，则拉
普拉斯金字塔融合给出：
步骤(4)：利用公式(2)融合处理后的纹理层和结构层得到最终去雾的车牌图像。
实施例1
将采集到的一幅雾天天气下的车牌图像，在PC机上进行去雾处理。图4(a)是采集的原始雾天车牌图像；图4(b)是传统去雾算法多尺度Retinex处理后的车牌图像，可以看出虽有一定去雾效果，但图像对比度不高，且车牌字迹不清晰；图4(c)是本实施例算法处理后的图像，首先将采集的雾天车牌图像分解为结构层和纹理层，然后去除纹理层噪声，增强边缘纹理信息，结构层采用多重伽马校正滤波并且融合其中高质量图像信息，得到高对比度、高饱和度的清晰结构层，伽马校正过程中γ的取值依次为1、1.5、2、2.5、3、3.5、4、4.5、5，进而n＝9，最后融合处理后的纹理层和结构层得到最终去雾效果良好、图像纹理清晰的车牌图像。从图4(c)中可以看出图像对比度高，车牌字迹较清晰。
Claims (4)
1.一种利用图像分解和多重校正融合的车牌去雾方法，其特征在于：包括以下步骤：
(1)将雾天车牌图像利用全变差图像重建模型，将所述雾天车牌图像分离为包含纹理细节信息及噪声的纹理层T(x)和包含雾及亮度信息的结构层S(x)，所述x表示图像像素点；
(2)对纹理层进行去噪平滑，再采用高频增强滤波器来增强纹理层中的高频细节信息，从而得到增强后的车牌图像纹理层T'(x)；
(3)对结构层采用多重校正融合的方法实现去雾，从而得到去雾的车牌图像结构层S'(x)；
(4)将步骤(2)处理后的纹理层T'(x)和步骤(3)处理后的结构层S'(x)按公式C(x)＝S′(x)+ωT′(x)进行融合，得到最终去雾的车牌图像，其中ω是用于控制纹理级别的增强参数。
2.如权利要求1所述的利用图像分解和多重校正融合的车牌去雾方法，其特征在于：步骤(1)中所述的结构层S(x)和纹理层T(x)的计算方法为：构建目标函数并通过该目标函数计算出结构层S(x)；然后将计算出的结构层S(x)带入公式T(x)＝I(x)-S(x)，计算出纹理层T(x)，其中I(x)是输入的原始雾图，是梯度算子，λ是控制结构层细节信息的调节参数。
3.如权利要求1所述的利用图像分解和多重校正融合的车牌去雾方法，其特征在于：步骤(2)所述的对纹理层进行去噪平滑的方法为：
构造平滑公式式中k表示平滑系数，去除噪声、平滑纹理层T(x)边缘，得到去噪平滑纹理层
步骤(2)所述的T'(x)的获得方法为：设计高频增强滤波器Hhfe(u,v)＝a+bHhp(u,v)，其中a≥0，b>a，Hhp(u,v)表示高通滤波器，依据该高通增强滤波器对去噪平滑纹理层滤波从而得到所述增强后的车牌图像纹理层T'(x)，来增强车牌纹理。
4.如权利要求1所述的利用图像分解和多重校正融合的车牌去雾方法，其特征在于：步骤(3)所述的去雾的车牌图像结构层S'(x)的获得方法为：
首先，利用伽马校正对所述结构层S(x)进行γ值大于1的校正变换，得到校正后的图像S(x)1，S(x)2，…，S(x)n，提升高灰度值区域的对比度，恢复雾所导致的高亮区域的细节，并且对伽马校正过后的图像S(x)1，S(x)2，…，S(x)n进行同态滤波处理得到校正滤波后的图像S(x)1'，S(x)2'，…，S(x)n'，增强校正后图像暗区的图像细节，同时又不损失亮区的图像细节，使校正后的图像保留更多的细节，构建不同程度校正滤波图像序列E＝{S(x)1'，S(x)2'，…，S(x)n'}，其中n为对同一结构层S(x)的校正变换次数，取值在5～10；
然后，将使用不同γ值校正并经同态滤波处理后的全部图像进行融合，源图像为每个像素点x(x1,y1)处的对比度Ck(x)为一个简单拉普拉斯滤波器响应饱和度Sk(x)为颜色通道的标准差融合权重设置为图像饱和度和对比度的乘积Wk(x)＝Ck(x)Sk(x)，融合方法遵循拉普拉斯图像融合原则，利用公式其中Ek(x)即为图像序列E，K是图像序列Ek(x)的图像数量，即K＝n，k＝1、2、3......K，实现将每个参与融合的图像中高饱和度、高对比度的区域进行融合得到最终去雾的车牌图像结构层S'(x)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910603633.4A CN110400270B (zh) | 2019-07-05 | 2019-07-05 | 一种利用图像分解和多重校正融合的车牌去雾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910603633.4A CN110400270B (zh) | 2019-07-05 | 2019-07-05 | 一种利用图像分解和多重校正融合的车牌去雾方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110400270A true CN110400270A (zh) | 2019-11-01 |
| CN110400270B CN110400270B (zh) | 2023-05-12 |
Family
ID=68322676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910603633.4A Active CN110400270B (zh) | 2019-07-05 | 2019-07-05 | 一种利用图像分解和多重校正融合的车牌去雾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110400270B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754440A (zh) * | 2020-06-29 | 2020-10-09 | 苏州科达科技股份有限公司 | 车牌图像增强方法、系统、设备及存储介质 |
| CN112019774A (zh) * | 2020-08-10 | 2020-12-01 | 中国科学院光电技术研究所 | 一种红外高位宽数字图像的高质量显示方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942758A (zh) * | 2014-04-04 | 2014-07-23 | 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 |
| CN104200437A (zh) * | 2014-09-04 | 2014-12-10 | 北京工业大学 | 一种图像去雾处理方法 |
| CN104318524A (zh) * | 2014-10-15 | 2015-01-28 | 烟台艾睿光电科技有限公司 | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 |
| CN108734670A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 单幅夜间弱照度雾霾图像的复原算法 |
| CN108921803A (zh) * | 2018-06-29 | 2018-11-30 | 华中科技大学 | 一种基于毫米波与可见光图像融合的去雾方法 |
| CN109658447A (zh) * | 2018-11-06 | 2019-04-19 | 天津大学 | 基于边缘细节保持的夜间图像去雾方法 |
-
2019
- 2019-07-05 CN CN201910603633.4A patent/CN110400270B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942758A (zh) * | 2014-04-04 | 2014-07-23 | 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 |
| CN104200437A (zh) * | 2014-09-04 | 2014-12-10 | 北京工业大学 | 一种图像去雾处理方法 |
| CN104318524A (zh) * | 2014-10-15 | 2015-01-28 | 烟台艾睿光电科技有限公司 | 一种基于YCbCr色彩空间的图像增强方法、装置及系统 |
| CN108734670A (zh) * | 2017-04-20 | 2018-11-02 | 天津工业大学 | 单幅夜间弱照度雾霾图像的复原算法 |
| CN108921803A (zh) * | 2018-06-29 | 2018-11-30 | 华中科技大学 | 一种基于毫米波与可见光图像融合的去雾方法 |
| CN109658447A (zh) * | 2018-11-06 | 2019-04-19 | 天津大学 | 基于边缘细节保持的夜间图像去雾方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754440A (zh) * | 2020-06-29 | 2020-10-09 | 苏州科达科技股份有限公司 | 车牌图像增强方法、系统、设备及存储介质 |
| CN111754440B (zh) * | 2020-06-29 | 2023-05-05 | 苏州科达科技股份有限公司 | 车牌图像增强方法、系统、设备及存储介质 |
| CN112019774A (zh) * | 2020-08-10 | 2020-12-01 | 中国科学院光电技术研究所 | 一种红外高位宽数字图像的高质量显示方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110400270B (zh) | 2023-05-12 |
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 | |
| CN103955905B (zh) | 基于快速小波变换和加权图像融合的单幅图像去雾方法 | |
| CN106296612B (zh) | 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 | |
| CN108734670B (zh) | 单幅夜间弱照度雾霾图像的复原方法 | |
| CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
| US10424054B2 (en) | Low-illumination image processing method and device | |
| CN106846263A (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
| CN106709893B (zh) | 一种全天时雾霾图像清晰化恢复方法 | |
| CN104200437B (zh) | 一种图像去雾处理方法 | |
| CN108765342A (zh) | 一种基于改进暗通道的水下图像复原方法 | |
| CN104537615A (zh) | 一种基于HSV色彩空间的局部Retinex增强算法 | |
| CN108537756A (zh) | 基于图像融合的单幅图像去雾方法 | |
| CN105631823A (zh) | 基于阈值分割优化的暗原色天空区域去雾方法 | |
| CN105701783A (zh) | 一种基于环境光模型的单幅图像去雾方法及装置 | |
| CN103914820A (zh) | 一种基于图像分层增强的图像去雾方法及系统 | |
| CN107067375A (zh) | 一种基于暗通道先验和边缘信息的图像去雾方法 | |
| CN109064419A (zh) | 一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法 | |
| CN110400270A (zh) | 一种利用图像分解和多重校正融合的车牌去雾方法 | |
| CN106447617A (zh) | 一种改进的Retinex图像去雾方法 | |
| CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
| CN106251296A (zh) | 一种图像去雾方法和系统 | |
| Kansal et al. | Fusion-based image de-fogging using dual tree complex wavelet transform | |
| CN109544470A (zh) | 一种边界约束的卷积神经网络单幅图像去雾方法 | |
| CN111652809A (zh) | 一种增强细节的红外图像噪声抑制方法 | |
| CN105913391A (zh) | 一种基于形状可变形态学重构的去雾方法 |
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 |