CN110852971B - 基于暗原色先验和Retinex的视频去雾方法及存储介质 - Google Patents
基于暗原色先验和Retinex的视频去雾方法及存储介质 Download PDFInfo
- Publication number
- CN110852971B CN110852971B CN201911094014.3A CN201911094014A CN110852971B CN 110852971 B CN110852971 B CN 110852971B CN 201911094014 A CN201911094014 A CN 201911094014A CN 110852971 B CN110852971 B CN 110852971B
- Authority
- CN
- China
- Prior art keywords
- image
- video
- value
- dark
- color
- 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 46
- 238000012545 processing Methods 0.000 claims abstract description 11
- 108091006146 Channels Proteins 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 230000000007 visual effect Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 4
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000002834 transmittance Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
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
本发明涉及一种基于暗原色先验和Retinex的视频去雾方法及存储介质,属于图像处理领域。本发明利用暗原色先验理论结合Retinex理论,将色彩调整和增强对比度的图像增强方法与逆向还原图像降质过程的基于物理模型的图像复原的方法相结合实现图像去雾,针对大气散射模型中的重要参数进行优化,并对复原图像进行色彩调整以实现良好的视觉效果;本发明不仅克服了经典去雾方法去雾效果不足、图像颜色出现偏移及处理后视频出现颜色跳变等缺点,还提高了复原视频的清晰度、对比度及颜色还原视觉效果,并可实现较快的处理速度。
Description
技术领域
本发明涉及一种基于暗原色先验和Retinex的视频去雾方法及存储介质,属于图像处理技术领域。
背景技术
近些年来,雾霾天气在我国特别是北方大部分地区的秋冬季节呈现出现频率高、存在时长久、覆盖范围广的特征。由于雾霾的组成微粒对光线的吸收、反射及散射作用,图像采集系统捕获的图像及视频发生降质,变现出画面整体颜色偏灰白、边缘模糊、细节丢失及对比度降低等特征。这样广泛存在的天气情况对基于图像的计算机视觉系统的正常工作造成了严重影响,因此对受雾霾影响的降质图像进行去雾处理就显得尤为重要。
He K M等在《Computer Vision and Pattern Recognition》(IEEE,2009:1956-1963.)中利用暗通道先验在局部区域内估计透射率,但是得到的透射率图存在严重的块效应,导致恢复的图像含有严重晕轮效应,需要后处理滤波[2]过程,增加算法复杂度。
目前常用的图像去雾方法常应用于静态单幅图像去雾领域,但是常存在去雾效果不佳、颜色偏移、色彩还原度不够和处理时间过长等不足。
其他可供参考或者对比的现有技术文献还有:
[1]He K M,Sun J,Tang X.Single image haze remova| using dark channelprior[C].Computer Vision and Pattern Recognition,IEEE,2009:1956-1963.
[2]He,K M,Sun J,Tang X.Guided Image Filtering[C].European Conferenceon Computer Vision Springer,Berlin,Heidelberg,2010:1-14.
[3]郭璠,蔡自兴,谢斌.基于雾气理论的视频去雾算法[J].电子学报,2011,39(9):2019-2025.
[4]Zhang J,Li L,Zhang Y,Yang G.Video dehazing with spatial andtemporal coherence[J].Visual Computer,2011,27(6):749-757.
[5]Kim J H,Jang W D,Sim J Y.Optimized contrast enhancement for real-time image and video dehazing[J].Journal ofVisual Communication and ImageRepresentation,2013,24(3):410-425.
[6]Hautière N,Tarel J P,Aubert D.Blind Contrast EnhancementAssessment by Gradient Ratioing at Visible Edges[J].Image Analysis&Stereology,2008,27(2):87-95.
[7]李大鹏,禹晶,肖创柏:图像去雾的无参考客观质量评测方法[C],全国图象图形学学术会议,2010:1753-1757。
发明内容
本发明要解决的技术问题是提供一种基于暗原色先验和Retinex的视频去雾方法及存储介质,以克服现有技术存在的不足。
本发明的技术方案是:
一种基于暗原色先验和Retinex的视频去雾方法,所述方法的具体步骤如下:
Step1、对根据输入的视频序列采用平均值法求取视频背景图像,并应用于整个视频序列,有雾图像成像构成模型表达式为:
I(x)=J(x)t(x)+A(1-t(x))=Aρ(x)t(x)+A(1-t(x))
式中,I(x)为视频图像采集设备捕获到的有雾图像,A为大气光值,J(x)为未受雾气影响的原始清晰无雾图像,即本方法的最终输出,ρ(x)为场景反照率,t(x)为介质传播图;
为实现对大气光值A和介质传播图t(x)的估计,采用平均值法求取视频背景图像Ibc(x),并对大气散射模型表达式,两边取最小值操作可得:
Step2、利用暗原色先验知识,若暗通道中的白色的尺寸小于灰度开运算中结构元素的尺寸,则场景反照率的暗通道值趋近于0,通过对背景图像暗通道表达式两侧进行灰度开运算后变换得到介质传播图的初始估计t(x),且取值不大于t(x)中对应的像素点的取值;
对所述Idark表达式两侧取灰度开运算,可得:
Step3、A的区间估计可表示为:
Step4、利用由Step3求得的大气光值A与输入视频的每一帧图像I(x)通过运算得到M(x),进而得到逆反照率N(x)
式中,I(x)为输入的有雾视频的对应每一帧图像,A为由Step3求得的大气光值;
Step5、将Step1获得的背景图像和Step3求取的大气光值A代入大气散射模型表达式,得到介质传播图的粗略估计,所述介质传播图的粗略估计表示为t″(x)。
Step6、采用自适应参数调整的方法对Step5中求得的介质传播图的粗略估计t″(x)进行修正;t″(x)=imadjust(t″(x),[min(t″(x)),max(t″(x))],[td·min(t″(x)),min(tu·max(t″(x),1)])
式中,imadjust(g)表示对t″(x)中灰度值进行线性映射,td和tu用来调节映射区间范围;
采用图像融合的方式,实现介质传播图的值域调整,通过下式得到介质传播图的最终估计t′″(x):
t″′(x)=ω1·t′(x)+ω2·t″(x)
式中,ω1和ω2为加权系数,且满足ω1+ω2=1;
Step7、将输入的视频帧图像I(x)与Step3求得的大气光值A和求得的介质传播图代入计算,通过运算得到逆反照率N(x):
进而得到场景反照率ρ(x):
其中,M(x)和N(x)由Step4得到,t(x)为介质传播图由Step6得到;
Step8、将Step7的反照率ρ(x)与Step3求得的大气光值A相乘的结果进行色调调整后得到去雾视频;按照大气散射模型理论得到的初始复原图像J(x)表达式为:
对求得的经自适应对数映射算子对复原视频帧图像进行色彩调整后得到最终的输出图像Jop(x)表达式为:
式中,JC(x)为复原视频帧图像J(x)中的一个彩色通道,Jop(x)为对JC(x)进行色彩调整后的输出结果,为JC(x)中像素点的最大值,Odmax和b分别为显示设备可以显示的最大亮度值和偏置参数。
进一步地,所述步骤Step5中,所述td和tu分别设置为0.95和1.05。
进一步地,所述步骤Step8中,可根据不同显示设备的具体情况对所述Odmax和b分别设置为100和0.85。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现所述的基于暗原色先验和Retinex的视频去雾方法所包含的步骤。
本发明的有益效果是:
本发明利用暗原色先验理论结合Retinex理论,将色彩调整和增强对比度的图像增强方法与逆向还原图像降质过程的基于物理模型的图像复原的方法相结合实现图像去雾,针对大气散射模型中的重要参数进行优化,并对复原图像进行色彩调整以实现良好的视觉效果;本发明不仅克服了经典去雾方法去雾效果不足、图像颜色出现偏移及处理后视频出现颜色跳变等缺点,还提高了复原视频的清晰度、对比度及颜色效果,并可实现较快的处理速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图进行简单的介绍。
图1是本发明的一种基于暗原色先验和Retinex的视频去雾方法的流程框图。
图2是根据本发明实施例的两段有雾视频去雾处理前几处理后的效果展示图。
图2中:(a)为第一段有雾视频中的三幅截取图像(待处理的有雾视频中的三幅截取图像,简称a系列);(b)为对应第一段有雾视频中的三幅截取图像去雾效果图;(c)为第二段有雾视频中的三幅截取图像(待处理的有雾视频中的三幅截取图像,简称c系列);(d)为对应第二段有雾视频中的三幅截取图像去雾效果图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本实施例提供了一种基于暗原色先验和Retinex的视频去雾方法,该方法的处理对象是雾霾天气下工作的固定视野范围户外监控系统捕获的视频,具体步骤如下:
Step1、在实际监控应用场景中,图像采集设备视角大多固定,故捕捉图像范围背景图像及其景深变化不大,可根据输入的视频序列采用平均值法求取视频背景图像,并应用于整个视频序列以减少计算量,提升处理效率;本方法基于大气散射模型,有雾图像成像构成模型表达式为:
I(x)=J(x)t(x)+A(1-t(x))=Aρ(x)t(x)+A(1-t(x))
其中,I(x)为视频图像采集设备捕获到的有雾图像,即本方法的输入,J(x)为未受雾气影响的原始清晰无雾图像,即本方法的最终输出,ρ(x)为场景反照率,t(x)为介质传播图。所述步骤Step1中:为实现对大气光值A和介质传播图t(x)的估计,首先采用平均值法求取视频背景图像Ibc(x),并对大气散射模型表达式,两边取最小值操作可得:
Step2、利用暗原色先验知识,若暗通道中的白色的尺寸小于灰度开运算中结构元素的尺寸,则场景反照率的暗通道值趋近于0,故通过对背景图像暗通道表达式两侧进行灰度开运算后变换得到介质传播图的初始估计t(x),且取值不大于t(x)中对应的像素点的取值。
以暗原色先验理论为基础得到介质传播图的初始估计,考虑到暗通道Idark中白色物体对大气光值估计的影响,对Idark表达式两侧取灰度开运算,可得:
Step3、一般情况下,大气光值A的取值不大于原图像中像素点的最大值,故可确定其取值范围,通过设置所有像素点的灰度均值调节参数a来自动调节大气光值,从而通过区间估计的方式得到大气光值A。A的区间估计可表示为:
Step4、利用由Step3求得的大气光值A与输入视频的每一帧图像I(x)通过运算得到M(x),进而得到逆反照率N(x)。其中,其中,I(x)为输入的有雾视频的对应每一帧图像,A为由Step3求得的大气光值。
Step5、利用Retinex方法忽略入射光图像的性质,获得物体的反射性质,实现图像增强的效果,将Step1获得的背景图像和Step3求取的大气光值A代入大气散射模型表达式,得到介质传播图的粗略估计。
介质传播图的粗略估计表示为t″(x)。
Step6、为避免白色物体、天空等明亮区域介质传播图可能被低估,采用自适应参数调整的方法对Step5中求得的上述区域的粗略介质传播图进行修正,
t″(x)=imadjust(t″(x),[min(t″(x)),max(t″(x))],[td·min(t″(x)),min(tu·max(t″(x),1)])
其中,imadjust(g)表示对t″(x)中灰度值进行线性映射,td和tu用来调节映射区间范围,根据实验统计结果,td和tu分别设置为0.95和1.05;
实现介质传播图的值域调整,采用图像融合的方式,通过联合双边滤波和值域调整得到介质传播图的最终估计。由于t′(x)和t″(x)是分别从图像复原和图像增强的角度对介质传播图进行估计,两者具有较高的相似性和互补性,因此,本方法利用图像亮度和关系系数对t′(x)和t″(x)的相似性进行度量,并采用像素级融合中加权平均方法对t′(x)和ω1+ω2=1进行柔性处理,得到优化介质透射率传播图t″′(x)其表达式为:
t″′(x)=ω1·t′(x)+ω2·t″(x)
其中,ω1和ω2为加权系数,且满足ω1+ω2=1。
Step7、将输入的视频帧图像与Step3求得的大气光值A和求得的介质传播图代入计算,通过运算得到逆反照率N(x):
进而得到场景反照率ρ(x):
其中,M(x)和N(x)由Step4得到,t(x)为介质传播图由Step6得到。
Step8、将Step7的反照率ρ(x)与Step3求得的大气光值A相乘的结果进行色调调整后得到方法的输出结果去雾视频。按照大气散射模型理论得到的初始复原图像J(x)表达式为:
对求得的经自适应对数映射算子对复原视频帧图像进行色彩调整后得到最终的输出图像Jop(x)表达式为:
其中,JC(x)为复原视频帧图像J(x)中的一个彩色通道,Jop(x)为对JC(x)进行色彩调整后的输出结果,为JC(x)中像素点的最大值,Odmax和b分别为显示设备可以显示的最大亮度值和偏置参数,可根据不同显示设备的具体情况加以设置,其通常设置为100和0.85。
参考本说明书中背景技术中的参考文献,为客观评价本发明方法的有益效果,需要说明的有:
(1)对去雾处理后的图像选用的客观评价标准
新增可见边之比e[6],可见边梯度比色调保证度[7]以及图像信息熵H[7]。一般情况下,新增可见边之比e和可见边梯度比越大,说明去雾后的图片相对于原图具有更多的可见边和更高的可见度。色调保真度越高,去雾后图像的颜色还原越真实,颜色偏移失真越小。信息熵H表示图像所含平均信息量,并能反映细节恢复程度,信息熵H值大,说明图像色彩艳丽、轮廓清晰。
(2)本发明的有益效果
由表2结果可以看出,本发明方法进行自适应色彩调整处理后的图像颜色还原真实度高,且包含更多的细节信息。
表1客观评价指标比较结果
表2客观评价指标比较结果
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现本发明所述的基于暗原色先验和Retinex的视频去雾方法所包含的步骤。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所做的改变、修饰、替代、组合、简化,均应含在本发明的保护范围之内。
Claims (4)
1.一种基于暗原色先验和Retinex的视频去雾方法,其特征在于,所述方法的包含如下步骤:
Step1、对根据输入的视频序列采用平均值法求取视频背景图像,并应用于整个视频序列,有雾图像成像构成模型表达式为:
I(x)=J(x)t(x)+A(1-t(x))=Aρ(x)t(x)+A(1-t(x))
式中,I(x)为视频图像采集设备捕获到的有雾图像,A为大气光值,J(x)为未受雾气影响的原始清晰无雾图像,即本方法的最终输出,ρ(x)为场景反照率,t(x)为介质传播图;
为实现对大气光值A和介质传播图t(x)的估计,采用平均值法求取视频背景图像Ibc(x),并对大气散射模型表达式,两边取最小值操作可得:
Step2、利用暗原色先验知识,若暗通道中的白色的尺寸小于灰度开运算中结构元素的尺寸,则场景反照率的暗通道值趋近于0,通过对背景图像暗通道表达式两侧进行灰度开运算后变换得到介质传播图的初始估计t(x),且取值不大于t(x)中对应的像素点的取值;
对所述Idark表达式两侧取灰度开运算,可得:
Step3、A的区间估计可表示为:
Step4、利用由Step3求得的大气光值A与输入视频的每一帧图像I(x)通过运算得到M(x),进而得到逆反照率N(x)
式中,I(x)为输入的有雾视频的对应每一帧图像,A为由Step3求得的大气光值;
Step5、将Step1获得的背景图像和Step3求取的大气光值A代入大气散射模型表达式,得到介质传播图的粗略估计,所述介质传播图的粗略估计表示为t″(x);
Step6、采用自适应参数调整的方法对Step5中求得的介质传播图的粗略估计t″(x)进行修正,t″(x)=imadjust(t″(x),[min(t″(x)),max(t″(x))],[td·min(t″(x)),min(tu·max(t″(x),1)])
式中,imadjust(g)表示对t″(x)中灰度值进行线性映射,td和tu用来调节映射区间范围;
采用图像融合的方式,实现介质传播图的值域调整,通过下式得到介质传播图的最终估计t″′(x):
t″′(x)=ω1·t′(x)+ω2·t″(x)
式中,ω1和ω2为加权系数,且满足ω1+ω2=1;
Step7、将输入的视频帧图像I(x)与Step3求得的大气光值A和求得的介质传播图代入计算,通过运算得到逆反照率N(x):
进而得到场景反照率ρ(x):
其中,M(x)和N(x)由Step4得到,t(x)为介质传播图由Step6得到;
Step8、将Step7的反照率ρ(x)与Step3求得的大气光值A相乘的结果进行色调调整后得到去雾视频;按照大气散射模型理论得到的初始复原图像J(x)表达式为:
对求得的经自适应对数映射算子对复原视频帧图像进行色彩调整后得到最终的输出图像Jop(x)表达式为:
2.根据权利要求1所述的视频去雾方法,其特征在于:
所述步骤Step5中,所述td和tu分别设置为0.95和1.05。
3.根据权利要求1或2所述的视频去雾方法,其特征在于:
所述步骤Step8中,可根据不同显示设备的具体情况对所述Odmax和b分别设置为100和0.85。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现如权利要求1至3任一项所述的基于暗原色先验和Retinex的视频去雾方法所包含的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094014.3A CN110852971B (zh) | 2019-11-11 | 2019-11-11 | 基于暗原色先验和Retinex的视频去雾方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911094014.3A CN110852971B (zh) | 2019-11-11 | 2019-11-11 | 基于暗原色先验和Retinex的视频去雾方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852971A CN110852971A (zh) | 2020-02-28 |
CN110852971B true CN110852971B (zh) | 2022-02-18 |
Family
ID=69601146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911094014.3A Active CN110852971B (zh) | 2019-11-11 | 2019-11-11 | 基于暗原色先验和Retinex的视频去雾方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852971B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298732A (zh) * | 2021-06-08 | 2021-08-24 | 北京联合大学 | 一种基于区域相似性的图像去雾方法及系统 |
CN114862691A (zh) * | 2022-03-23 | 2022-08-05 | 吉林大学 | 一种基于神经网络模型的图像去雾方法、装置和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231791A (zh) * | 2011-06-30 | 2011-11-02 | 北京云加速信息技术有限公司 | 一种基于图像亮度分层的视频图像去雾方法 |
KR20140083602A (ko) * | 2012-12-26 | 2014-07-04 | 금오공과대학교 산학협력단 | 디해이징 및 레티넥스 결합을 이용한 시야 개선 영상 처리 시스템 및 방법 |
CN104867121A (zh) * | 2015-06-08 | 2015-08-26 | 武汉理工大学 | 基于暗原色先验和Retinex理论的图像快速去雾法 |
CN105959510A (zh) * | 2016-04-22 | 2016-09-21 | 湖南工学院 | 一种视频快速去雾方法 |
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2019
- 2019-11-11 CN CN201911094014.3A patent/CN110852971B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231791A (zh) * | 2011-06-30 | 2011-11-02 | 北京云加速信息技术有限公司 | 一种基于图像亮度分层的视频图像去雾方法 |
KR20140083602A (ko) * | 2012-12-26 | 2014-07-04 | 금오공과대학교 산학협력단 | 디해이징 및 레티넥스 결합을 이용한 시야 개선 영상 처리 시스템 및 방법 |
CN104867121A (zh) * | 2015-06-08 | 2015-08-26 | 武汉理工大学 | 基于暗原色先验和Retinex理论的图像快速去雾法 |
CN105959510A (zh) * | 2016-04-22 | 2016-09-21 | 湖南工学院 | 一种视频快速去雾方法 |
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110852971A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Underwater image enhancement based on global and local equalization of histogram and dual-image multi-scale fusion | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
Singh et al. | Single image defogging by gain gradient image filter | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
TWI489416B (zh) | 影像還原方法 | |
CN107527325B (zh) | 一种基于暗通道优先的单目水下视觉增强方法 | |
Kumari et al. | Single image fog removal using gamma transformation and median filtering | |
CN110852971B (zh) | 基于暗原色先验和Retinex的视频去雾方法及存储介质 | |
Yu et al. | Image and video dehazing using view-based cluster segmentation | |
CN105023246B (zh) | 一种基于对比度和结构相似度的图像增强方法 | |
Dar et al. | An enhanced adaptive histogram equalization based local contrast preserving technique for HDR images | |
Gu et al. | A novel Retinex image enhancement approach via brightness channel prior and change of detail prior | |
Zhang et al. | A fast video image defogging algorithm based on dark channel prior | |
CN109949239B (zh) | 一种适用于多浓度多场景雾霾图像的自适应清晰化方法 | |
CN112825189A (zh) | 一种图像去雾方法及相关设备 | |
Xie et al. | Image defogging method combining light field depth estimation and dark channel | |
CN113298730B (zh) | 一种基于图像分解的去雾复原方法 | |
Negru et al. | Exponential image enhancement in daytime fog conditions | |
Kim | Edge-preserving and adaptive transmission estimation for effective single image haze removal | |
Fan et al. | Scale-adaptive and color-corrected retinex defogging algorithm | |
CN110852957A (zh) | 一种基于视网膜特性的快速图像去雾方法 | |
Dhandapani et al. | Underwater image enhancement using color constancy via homomorphic filtering and depth estimation | |
CN113379631B (zh) | 一种图像去雾的方法及装置 | |
CN111047540A (zh) | 一种基于天空分割的图像去雾方法及其应用系统 | |
Tang et al. | Single image dehazing algorithm based on sky segmentation |
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 |