CN110503615B - 一种基于可变步长导向滤波和对比度拉伸的融合去雾方法 - Google Patents
一种基于可变步长导向滤波和对比度拉伸的融合去雾方法 Download PDFInfo
- Publication number
- CN110503615B CN110503615B CN201910798541.6A CN201910798541A CN110503615B CN 110503615 B CN110503615 B CN 110503615B CN 201910798541 A CN201910798541 A CN 201910798541A CN 110503615 B CN110503615 B CN 110503615B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- matrix
- filtering
- gray
- multiplied
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 230000006835 compression Effects 0.000 claims abstract description 20
- 238000007906 compression Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 84
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000003199 nucleic acid amplification method Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T2207/10004—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
- G06T2207/10016—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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于可变步长导向滤波和对比度拉伸的融合去雾方法,其步骤包括,先对图像进行下采样压缩,之后再进行去雾操作,最后使用双线性差值进行上采样放大;其中去雾操作包括:RGB数值转化操作、线性变换操作、大窗口的高增压滤波操作、白平衡调整;线性变换操作包括:灰度变换、灰度图遍历取最大值与最小值、遍历除法;大窗口的增压滤波操作包括:导向滤波和遍历乘加。本发明能在基本不影响图像去雾质量的前提下,优化去雾步骤,提高去雾速度。
Description
技术领域
本发明属于图像处理的图像去雾领域,尤其涉及一种可变步长的导向滤波器和使用该导向滤波器的图像融合去雾方法。
背景技术
社会的快速发展,人们对物质生活的各种要求不断提高,各种机动车辆数量不断增加,产生大量污染,同时重工业对其产生的废气不能够进行很好的处理,也导致大气污染不断加剧,己经演变成极其严重的环境问题。
在航空领域,雾霾会严重影响飞行员的视野,这使得飞机无论是起飞还是降落都有很大的风险,而且在飞行的过程中,雾霾会导致飞行员感知距离和实际距离产生偏差,增加了事故发生的可能性;在视频监控领域,雾霾会导致监控的效果大打折扣,无法满足一些关键场景的监控要求;而在当前非常热门的自动驾驶领域,汽车电子系统捕捉到的图片和视频,是汽车自我决策的重要依据,如果在雾霾天气下,如果不能实时的对汽车捕捉到的视频进行去雾处理,那么汽车就相当于“失去了眼睛”,决策就会出现问题,可能会导致汽车的停止当前的进程,更有甚者会造成事故的发生,严重威胁了驾驶人和乘客的人身安全。
综上所述,雾霾问题严重影响了很多应用领域的发展,所以设计一个有效的去雾系统是一件刻不容缓的事情。何恺明提出了一种基于暗通道的图像去雾算法,该算法去雾效果比较好,但是这个算法也不是十全十美的,其出色的去雾效果是建立在耗费大量时间的基础上的。文杰提出了一种新的图像融合的去雾方法。将输入图像进行线性拉伸后的图像和基于导向滤波的高增强滤波后的图像进行融合,得到去雾图像。相对于何恺明提出的暗通道算法,该算法处理速度更快,得到的去雾图像光晕效应更弱。但是其也有具体如下几个不足之处:
1.在处理全高清图像、2K图像和4K图像时,线性拉伸过程中遍历所占用的时间过长,滤波过程中所需要的滤波窗口过多;
2.需要对R、G、B三通道进行遍历筛选最大值与最小值,之后再对每一个通道再进行遍历与除法操作,过于繁琐;
3.步长为1的导向滤波方法无法满足高帧率处理场景的实时性要求。
发明内容
本发明为克服上述现有技术存在的不足之处,提出一个基于可变步长导向滤波和对比度拉伸的融合去雾方法,以期能在基本不影响图像去雾质量的前提下,优化去雾步骤,从而提高去雾速度。
本发明为达到上述目的所采用的技术方案是:
本发明一种基于可变步长导向滤波和对比度拉伸的融合去雾方法的特点是按如下步骤进行:
步骤1、获取颜色标准为RGB888且分辨率为M×N的输入图像,其中,M为每一行像素的个数,N为每一列像素的个数;
定义导向滤波窗口的大小为K×K;
定义导向滤波窗口移动的步长为k,k∈[1,K];
步骤2、将所述输入图像中的每一个像素值所对应的R、G、B三通道值从整数分别转化为单精度小数,并依次存储至M×N×3的三维矩阵A中;
对所述M×N×3的三维矩阵A进行s倍的采样压缩,得到(M/s)×(N/s)×3的三维压缩矩阵B;其中,s为采样压缩的倍数;
步骤3、对所述三维压缩矩阵B进行灰度变换,得到灰度图像并存储至(M/s)×(N/s)的二维灰度矩阵C中;
步骤4、对所述二维灰度矩阵C进行遍历,并筛选出最大灰度值GrayMax和最小灰度值GrayMin;
步骤5、利用所述最大灰度值GrayMax和最小灰度值GrayMin对所述二维灰度矩阵C进行线性变换,得到(M/s)×(N/s)的二维线性变换矩阵D;
步骤6、按照K×K的滤波窗口对所述三维压缩矩阵B进行可变步长的导向滤波,得到(M/s)×(N/s)×3的三维导向滤波矩阵E;
步骤7、对所述三维导向滤波矩阵E进行高增压滤波,得到(M/s)×(N/s)×3的三维高增压滤波矩阵F;
步骤8、使用式(1)对所述二维线性变换矩阵D和所述三维高增压滤波矩阵F中第i个二维矩阵Fi进行融合,得到第i个二维色彩通道矩阵Gi,从而得到(M/s)×(N/s)×3的三维融合矩阵G:
步骤9、对所述三维融合矩阵G进行白平衡矫正,得到(M/s)×(N/s)×3的三维白平衡矩阵I;
步骤10、使用双线性插值对所述三维白平衡矩阵I进行上采样,得到M×N×3的三维去雾图像并输出显示。
本发明所述的融合去雾方法的特点也在于,所述步骤6是按如下过程进行:
步骤6.1、初始化行计数值m=0和列计数值n=0;
步骤6.2、将所述三维压缩矩阵B复制,得到三维导向滤波矩阵E;
步骤6.3、按照K×K的滤波窗口对所述三维导向滤波矩阵E中的元素I(m,0),I(m+1,0),……,I(m+K,0),……,I(m+K-1,n+K-1)进行导向滤波得到导向滤波系数a和b,其中,(m,0),(m+1,0),……,(m+K-1,0),……,(m+K-1,n+K-1)为元素的位置;
步骤6.4、使用公式I′(j,k)=aI(j,k)+b计算出第j行第k列位置元素I(j,k)的更新值,并将更新后的K×K个元素值依次储存在三维导向滤波矩阵E相对应的位置中,其中(j,k)=(m,0),(m+1,0),……,(m+K-1,0),……,(m+K-1,n+K-1);
步骤6.5、判断行计数值m是否小于M/s,若是,则执行步骤6.6,否则,执行步骤6.7;
步骤6.6、将m+k赋值给m后,返回步骤6.2;
步骤6.7、判断列计数值n是否小于N/s,若是,则执行步骤6.8,否则,执行步骤6.9;
步骤6.8、令m=0,将n+k赋值给n后,执行步骤6.3;
步骤6.9、得到(M/s)×(N/s)×3的三维导向滤波矩阵E。
与现有技术相比,本发明的有益技术效果体现在:
1、本发明提出在去雾之前,对输入图片进行下采样预处理,减少了去雾步骤的计算量,可以将去雾步骤数据处理量减少75%。
2、本发明提出将传统基于高增压滤波的融合去雾方法中的线性变换步骤简化为对比度拉伸,只需遍历两次即可得到线性变化值,节省了66.7%的遍历时间。
3、本发明提出了一种可变步长的导向滤波方法,使其行滑动步长和列滑动步长不再是固定值。可根据具体的速度与效果的需求改变导向滤波步长,提高了导向滤波的可配置性,最高可减少80%的导向滤波时间。
4、本发明提出在去雾之后,使用双线性插值进行上采样,使其能达到全高清的输出要求。
附图说明
图1为本发明融合去雾过程流程图;
图2为本发明压缩说明图;
图3为本发明对比度拉伸过程流程图;
图4为本发明对比度拉伸时间对比图;
图5为本发明可变步长导向滤波流程图;
图6为本发明步长为7的箱式滤波器原理图;
图7为本发明步长为7的箱式滤波器原理图;
图8为本发明各步长导向滤波器行滤波窗口数量对比图;
图9为本发明各步长导向滤波器行滤波器加法次数节省对比图。
具体实施方式
本实施例中,一种基于可变步长导向滤波和对比度拉伸的融合去雾方法是对读入图像进行下采样,然后进行灰度计算和遍历取最大值和最小值,并再次遍历灰度矩阵,计算每一个灰度值的对比度拉伸值,之后再进行基于可变步长导向滤波的高增压滤波,最后融合对比度拉伸值和高增压滤波值,进行白平衡和上采样,得到最终的去雾图片,具体的说,如图1所示,该方法是按如下步骤进行:
步骤1、获取颜色标准为RGB888且分辨率为M×N=1920×1080的输入图像,其中,M=1920为每一行像素的个数,N=1080为每一列像素的个数;
定义导向滤波窗口的大小为K×K=8×8;
定义导向滤波窗口移动的步长为k=8;
步骤2、将输入图像中的每一个像素值所对应的R、G、B三通道值从整数分别转化为单精度小数,并依次存储至1920×1080×3的三维矩阵A中;
如图2所示,对M×N×3=1920×1080×3的三维矩阵A进行s=4倍的采样压缩,得到(M/s)×(N/s)×3=480×270×3的三维压缩矩阵B;
如图3所示,首先对压缩矩阵进行灰度变换和线性变换;
步骤3、对三维压缩矩阵B进行灰度变换,得到灰度图像并存储至(M/s)×(N/s)=480×270的二维灰度矩阵C中;
在4、对二维灰度矩阵C进行遍历,并筛选出最大灰度值GrayMax和最小灰度值GrayMin;
步骤5、使用公式计算灰度矩阵C中每一个元素的线性变换值,从而得到(M/s)×(N/s)=480×270的二维线性变换矩阵D,其中GrayMax为最大灰度值,GrayMin为最小灰度值,j和k分别为二维矩阵中的行坐标和列坐标;
如图4所示,对比度拉伸可以达到并行线性拉伸的时间,相对于线性拉伸可以节约66.7%的时间;
如图5所示,步骤6、按照8×8的滤波窗口对三维压缩矩阵B进行可变步长的导向滤波,得到(M/s)×(N/s)×3=480×270×3的三维导向滤波矩阵E;
具体的可变步长导向滤波方法如下:
步骤6.1、初始化行计数值m=0和列计数值n=0;
步骤6.2、将三维压缩矩阵B复制,得到三维导向滤波矩阵E;
步骤6.3、按照8×8的滤波窗口对三维导向滤波矩阵E中的元素I(m,0),I(m+1,0),……,I(m+7,0),……,I(m+7,n+7)进行导向滤波得到导向滤波系数a和b,其中(m,0),(m+1,0),……,(m+7,0),……,(m+7,n+7)为元素的位置;
步骤6.4、使用公式I′(j,k)=aI(j,k)+b计算出每一个位置元素I(j,k)的更新值,将更新后的8×8个元素值依次储存在三维导向滤波矩阵E相对应的位置中,其中(j,k)=(m,0),(m+1,0),……,(m+7,0),……,(m+7,n+7);
步骤6.5、判断行计数值m是否小于M/s=480,若是,则执行步骤6.6,否则,执行步骤6.7;
步骤6.6、更新行计数值,将m+8赋值给m后,返回步骤6.2;
步骤6.7、判断列计数值n是否小于N/s=270,若是,则执行步骤6.8,否则,执行步骤6.9;
步骤6.8、更新行计数值,更新方法为m=0,更新列计数值,更新方法为将n+8赋值给n后,执行步骤6.3;
步骤6.9、得到(M/s)×(N/s)×3的三维导向滤波矩阵E;
如图6所示,滤波窗口滑动步长为8的滤波窗口滑动方式为当一个8×8的导向滤波窗口滤波完成之后,会向右滑动8列再进行滤波;
如图7所示,传统的滤波窗口滑动方式为当一个8×8的导向滤波窗口滤波完成之后,会向右滑动1列再进行滤波;
使用传统滤波窗口滑动方式,一张图片需要480×270个滤波窗口才能处理完成,而使用步长为8的滤波窗口滑动方式,一张图片仅需要60×34个滤波窗口,大大缩减了一张图片的处理时间;
步骤7、对三维导向滤波矩阵E进行高增压滤波,得到(M/s)×(N/s)×3=480×270×3的三维高增压滤波矩阵F;
步骤8、使用式(1)对所述二维线性变换矩阵D和所述三维高增压滤波矩阵F中第i个二维矩阵Fi进行融合,得到第i个二维色彩通道矩阵Gi,从而得到(M/s)×(N/s)×3的三维融合矩阵G:
步骤9、对三维融合矩阵G进行白平衡矫正,得到(M/s)×(N/s)×3=480×270×3的三维白平衡矩阵I;
步骤10、使用双线性插值对三维白平衡矩阵I进行上采样,得到M×N×3=1920×1080×3的三维去雾图像并输出显示;
如图8所示,以7×7滤波窗口为例,步长为2,每一行所需要的滤波窗口可以减少478个;步长为3,每一行所需要的滤波窗口可以减少637个;步长为4,每一行所需要的滤波窗口可以减少716个;步长为5,每一行所需要的滤波窗口可以减少764个;步长为6,每一行所需要的滤波窗口可以减少796个;步长为7,每一行所需要的滤波窗口可以减少816个;
如图9所示,以7×7滤波窗口为例,步长为2,每一行的减法次数可以减少3346次;步长为3,每一行的减法次数可以减少4459次;步长为4,每一行的减法次数可以减少5012次;步长为5,每一行的减法次数可以减少5348次;步长为6,每一行的减法次数可以减少5572次;步长为7,每一行的减法次数可以减少5712次。
Claims (1)
1.一种基于可变步长导向滤波和对比度拉伸的融合去雾方法,其特征是按如下步骤进行:
步骤1、获取颜色标准为RGB888且分辨率为M×N的输入图像,其中,M为每一行像素的个数,N为每一列像素的个数;
定义导向滤波窗口的大小为K×K;
定义导向滤波窗口移动的步长为k,k∈[1,K];
步骤2、将所述输入图像中的每一个像素值所对应的R、G、B三通道值从整数分别转化为单精度小数,并依次存储至M×N×3的三维矩阵A中;
对所述M×N×3的三维矩阵A进行s倍的采样压缩,得到(M/s)×(N/s)×3的三维压缩矩阵B;其中,s为采样压缩的倍数;
步骤3、对所述三维压缩矩阵B进行灰度变换,得到灰度图像并存储至(M/s)×(N/s)的二维灰度矩阵C中;
步骤4、对所述二维灰度矩阵C进行遍历,并筛选出最大灰度值GrayMax和最小灰度值GrayMin;
步骤5、利用所述最大灰度值GrayMax和最小灰度值GrayMin对所述二维灰度矩阵C进行线性变换,得到(M/s)×(N/s)的二维线性变换矩阵D;
步骤6、按照K×K的滤波窗口对所述三维压缩矩阵B进行可变步长的导向滤波,得到(M/s)×(N/s)×3的三维导向滤波矩阵E;
步骤6.1、初始化行计数值m=0和列计数值n=0;
步骤6.2、将所述三维压缩矩阵B复制,得到三维导向滤波矩阵E;
步骤6.3、按照K×K的滤波窗口对所述三维导向滤波矩阵E中的元素I(m,0),I(m+1,0),……,I(m+K-1,0),……,I(m+K-1,n+K-1)进行导向滤波得到导向滤波系数a和b,其中,(m,0),(m+1,0),……,(m+K-1,0),……,(m+K-1,n+K-1)为元素的位置;
步骤6.4、使用公式I′(j,k)=aI(j,k)+b计算出第j行第k列位置元素I(j,k)的更新值,并将更新后的K×K个元素值依次储存在三维导向滤波矩阵E相对应的位置中,其中(j,k)=(m,0),(m+1,0),……,(m+K-1,0),……,(m+K-1,n+K-1);
步骤6.5、判断行计数值m是否小于M/s,若是,则执行步骤6.6,否则,执行步骤6.7;
步骤6.6、将m+k赋值给m后,返回步骤6.2;
步骤6.7、判断列计数值n是否小于N/s,若是,则执行步骤6.8,否则,执行步骤6.9;
步骤6.8、令m=0,将n+k赋值给n后,执行步骤6.3;
步骤6.9、得到(M/s)×(N/s)×3的三维导向滤波矩阵E;
步骤7、对所述三维导向滤波矩阵E进行高增压滤波,得到(M/s)×(N/s)×3的三维高增压滤波矩阵F;
步骤8、使用式(1)对所述二维线性变换矩阵D和所述三维高增压滤波矩阵F中第i个二维矩阵Fi进行融合,得到第i个二维色彩通道矩阵Gi,从而得到(M/s)×(N/s)×3的三维融合矩阵G:
步骤9、对所述三维融合矩阵G进行白平衡矫正,得到(M/s)×(N/s)×3的三维白平衡矩阵I;
步骤10、使用双线性插值对所述三维白平衡矩阵I进行上采样,得到M×N×3的三维去雾图像并输出显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910798541.6A CN110503615B (zh) | 2019-08-27 | 2019-08-27 | 一种基于可变步长导向滤波和对比度拉伸的融合去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910798541.6A CN110503615B (zh) | 2019-08-27 | 2019-08-27 | 一种基于可变步长导向滤波和对比度拉伸的融合去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503615A CN110503615A (zh) | 2019-11-26 |
CN110503615B true CN110503615B (zh) | 2021-09-21 |
Family
ID=68590016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910798541.6A Active CN110503615B (zh) | 2019-08-27 | 2019-08-27 | 一种基于可变步长导向滤波和对比度拉伸的融合去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503615B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242834B (zh) * | 2020-01-13 | 2023-03-14 | 合肥工业大学 | 基于数据复用导向滤波和对比度拉伸的融合去雾电路 |
CN114140450B (zh) * | 2021-12-07 | 2024-02-20 | 合肥工业大学 | 基于并行灰度线性拉伸和差值导向滤波的融合去雾电路 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846274A (zh) * | 2017-01-23 | 2017-06-13 | 重庆师范大学 | 结合he和引导滤波的msrcr交通图像去雾霾方法 |
CN107578386A (zh) * | 2017-09-01 | 2018-01-12 | 荆门程远电子科技有限公司 | 一种无人机拍摄图像的优化去雾处理方法 |
CN110084761A (zh) * | 2019-04-24 | 2019-08-02 | 深圳南山供电局 | 一种基于灰色关联度引导滤波的图像去雾算法 |
-
2019
- 2019-08-27 CN CN201910798541.6A patent/CN110503615B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846274A (zh) * | 2017-01-23 | 2017-06-13 | 重庆师范大学 | 结合he和引导滤波的msrcr交通图像去雾霾方法 |
CN107578386A (zh) * | 2017-09-01 | 2018-01-12 | 荆门程远电子科技有限公司 | 一种无人机拍摄图像的优化去雾处理方法 |
CN110084761A (zh) * | 2019-04-24 | 2019-08-02 | 深圳南山供电局 | 一种基于灰色关联度引导滤波的图像去雾算法 |
Non-Patent Citations (3)
Title |
---|
The Effects of Image Dehazing Methods Using Dehazing Contrast-Enhancement Filters on Image Compression;Liping Wang,et al.;《KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS》;20160731;第10卷(第7期);全文 * |
噪声干扰下的雾天降质图像增强方法;高明等;《微型机与应用》;20160325(第06期);全文 * |
基于负修正和对比度拉伸的快速去雾算法;王琳等;《计算机应用》;20160410(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110503615A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503615B (zh) | 一种基于可变步长导向滤波和对比度拉伸的融合去雾方法 | |
US9189830B2 (en) | Image defogging method and system | |
CN102831591B (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
DE602004002618T2 (de) | Verfahren und System zur Kantenhervorhebung | |
EP2568438A2 (en) | Image defogging method and system | |
CN103761720B (zh) | 图像去雾方法以及图像去雾装置 | |
CN109145798B (zh) | 一种驾驶场景目标识别与可行驶区域分割集成方法 | |
CN102222326B (zh) | 一种基于单张低分辨率的图像去模糊方法及装置 | |
CN110062236B (zh) | 基于空时域恰可感知失真的码率分配方法、系统及介质 | |
CN113706412B (zh) | 一种sdr到hdr转换方法 | |
CN113793275A (zh) | 一种Swin Unet低照度图像增强方法 | |
CN103888638B (zh) | 基于引导滤波和非局部平均滤波的时空域自适应去噪方法 | |
EP3855387A1 (en) | Image processing method and apparatus, electronic device, and readable storage medium | |
DE102009028743A1 (de) | Verfahren und Steuergerät zur Entzerrung eines Kamerabildes | |
CN105701783A (zh) | 一种基于环境光模型的单幅图像去雾方法及装置 | |
CN105809643A (zh) | 一种基于自适应块通道拉伸的图像增强方法 | |
CN113095277B (zh) | 一种基于目标空间分布特征的无人机航拍车辆检测方法 | |
CN110969584B (zh) | 一种低照度图像增强方法 | |
US11323678B2 (en) | Method of and apparatus for processing frames in a data processing system | |
EP2777017B1 (de) | Verfahren zum verarbeiten einer bildsequenz und testgerät für einen kraftwagen | |
CN109754372A (zh) | 一种图像去雾处理方法及装置 | |
CN115601688B (zh) | 基于深度学习的视频主体内容检测方法及系统 | |
CN114863104B (zh) | 一种基于标签分布学习的图像分割方法 | |
CN112019774B (zh) | 一种红外高位宽数字图像的高质量显示方法 | |
CN115019038A (zh) | 一种相似图像像素级语义匹配方法 |
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 |