CN110874823A - 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 - Google Patents
一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 Download PDFInfo
- Publication number
- CN110874823A CN110874823A CN201811018579.9A CN201811018579A CN110874823A CN 110874823 A CN110874823 A CN 110874823A CN 201811018579 A CN201811018579 A CN 201811018579A CN 110874823 A CN110874823 A CN 110874823A
- Authority
- CN
- China
- Prior art keywords
- image
- fog
- primary color
- formula
- dark
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001914 filtration Methods 0.000 title claims abstract description 23
- 239000003245 coal Substances 0.000 claims abstract description 50
- 239000000428 dust Substances 0.000 claims abstract description 38
- 238000005286 illumination Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000002834 transmittance Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 7
- 239000011159 matrix material Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
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暗原色先验与同态滤波的矿井雾尘图像增强方法,步骤是:1求出煤矿井下雾尘图像的暗原色图;2在煤矿井下环境中,采用暗原色值来估算大气光;3由暗原色图求出图像的粗略透射率;4利用雾尘图像还原公式获得去雾尘图像;5对除雾尘后的图像采用改进的同态滤波的方案进行处理得到最终图像。本发明与现有的其他煤矿井下雾尘图像增强方法相比,可以有效的提高雾尘图像的清晰度,增强对比度和细节,有针对性的减少煤矿井下光照不均匀的影响,使图像接近原本特征,轮廓更加清晰,在处理雾尘现象严重的区域时增强效果也比较明显。
Description
技术领域
本发明涉及图像增强领域,具体涉及一种煤矿井下图像增强方法。
背景技术
煤炭是我国的主要能源物质,煤矿在我国分布广泛,制约我国煤炭工业发展的一个重要问题就是煤矿生产的安全问题,发展煤矿自动化、信息化技术是煤矿安全生产系统的必然选择。随着智能视频监控系统和数字图像采集设备的不断普及,利用图像技术进行安全生产是煤矿工业发展的热点研究方向。虽然利用图像技术进行安全生产比传统生产技术有着无法比拟的优势,然而煤矿井下特殊的环境给煤矿井下图像的应用带来了严峻的挑战。煤矿井下光照不均匀,相比于户外光线,照度很低;点光源的局限性使得图像亮度分布很不均匀;煤矿井下进行采煤工作时会产生大量的粉尘,大多数的煤矿企业采用喷雾降尘的方法来减少粉尘,喷雾之后粉尘减少了,但空气中却有许多的雾气。易导致矿井中采集到的图像存在模糊、细节不清、整体偏暗等缺点,不利于视觉观察和识别特征的提取,给矿井图像技术的应用带来了很多的困扰。
针对煤矿井下雾尘多恶劣环境使得矿井监控图像模糊、对比度低、视觉效果差的特点,现有的煤矿井下对于雾尘图像的增强方法,在煤矿井下的实际应用中仍有许多不足:1、基于小波变换和模糊理论的图像增强算法,然而这种方法针对煤矿井下环境特点,使高亮度处更亮、低亮度处更暗的方法显然是不合理的;2、直方图均衡化方法使得雾尘图像的灰度值分布更加均匀,提升了图像的对比度,最终达到去雾效果。该类方法虽然在一定程度上去除了雾尘,但是对图像的整体采用全局灰度均衡化,使得局部的细节丢失;3、Retinex算法可以保持物体颜色恒常性,但在光照不均匀情况下图像容易出现光晕,导致图像模糊。
因此,由于煤矿井下特殊的图像环境,采用普通的图像处理方法,难以解决矿井下雾尘浓度大、光照不均匀的问题。无法满足矿井图像细节清晰,对比度强且易于辨识的要求,不利于煤矿井下的安全生产。
发明内容
本发明的目的在于提供一种煤矿井下图像增强的方法,用于解决矿井下雾尘浓度大、光照不均匀的问题。本发明提出一种基于暗原色先验模型与同态滤波相结合的方法,旨在使处理后的矿井图像细节清晰,对比度强且易于辨识。
为实现上述目的,本发明所使用的技术方案如下:
一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法,其具体步骤:
(1)求出煤矿井下雾尘图像的暗原色图;
(2)在煤矿井下环境中,采用暗原色值来估算大气光;
(3)由暗原色图求出图像的粗略透射率;
(4)利用雾尘图像还原公式获得去雾尘图像;
(5)对除雾尘后的图像采用改进的同态滤波的方案进行处理得到最终图像。
上述步骤1求煤矿井下雾尘图像的暗原色图的方法为:
在计算机视觉和计算机图形中,雾图形成模型通常可以用下述方程所描述其中,式中I(x,y)是待去雾图像,J(x,y)是除雾后的无雾的图像,Ac是全球大气光成分,t(x,y)为透射率:
I(x,y)=7(x,y)t(x,y)+Ac(1-t(x,y))
通过观测大量的户外无雾图像进行统计实验得到了这个经验性规律,即在绝大多数户外无雾图像的非天空局部区域中,都存在一些像素,在这些像素中至少有一个颜色通道的强度值很低,且接近于0,称之为暗原色。对于一幅图像J,描述其暗原色表达式为:
式中jdark(x,y)表示图像的暗原色,c表示像素点三个颜色通道,Ω(x,y)表示以x为中心的局部区域,Jc(i,j)表示单个颜色通道的暗原色值。
第2步在煤矿井下环境中,采用暗原色值来估算大气光的方法为:
在煤矿井下环境中,对于大气光的估计主要通过最不透明处的雾尘区像素估算来得到。但是由于煤矿井下灯光不均匀的特点,这种使用环境光的估计方法并不准确。由于煤矿井下亮度值小,因此煤矿井下雾尘图像可以采用暗原色值来估算大气光。首先在暗原色图里找到暗原色值最大的0.1%的像素点,接着在这些像素点中搜索亮度值的最大点,将该点邻域的(5×5区域)内的平均像素值作为大气光估计值。
第3步由暗原色图求出图像的粗略透射率的方法为:
因为Ac是一个大于0的常数,所以可以使用下式来计算RGB三个颜色通道的值在某个邻域窗口(Ω,大小为5×5像素)里的最小值。
式中的表示粗略透射率,Ic表示雾尘图像的灰度值,Ac表示大气光估计值。式中的将雾尘图像Ic(i,j)/Ac的暗原色值进行了归一化处理。依照暗原色先验知识,虽然接近光源处的亮度非常高,但是在煤矿井下图像中光源处的光线与雾尘图像的光成分相差不多,所以在灯光处的暗原色值为:
使用t(x),分别代表t(x,y),则矢量形式可描述为t=[t1,t2,…,tn]T,其中n为邻域窗口个数。通过二次优化问题来计算价函数f(t),得其中L为图像中像素点组成的拉普拉斯矩阵。L可以通过对角矩阵D和相似性矩阵W的差值来求得,其中对角元素W由所有节点间的权系数ωij组合而成,ωij可通过下式求得:
通过下式可得到一个最优的t值:
式中:λ为一个值很小的参数;E为单位矩阵,大小与L相同。
第4步利用雾尘图像还原公式获得去雾尘图像的方法为:
雾尘图像I(x,y)采用暗原色先验理论方法进行处理.假设计算得出大气光估计Ac以及最优化后的透射率t(x,y)在每个局部区域内的值都保持不变,根据雾天图像还原公式:
J(x,y)=[I(x,y)-Ac]/max(t(x,y),0.1)+Ac
式中J(x,y)表示除雾后的无雾图像,I(x,y)表示待去雾图像,Ac为计算得出大气光估计,t(x,y)为最优化后的透射率;最终得到去雾尘后的图像。
第5步对除雾尘后的图像采用改进的同态滤波方案进行处理得到最终图像方法为:
在照度反射光照模型中,将图像表示为照射分量与反射分量的乘积形式:
f(x,y)=i(x,y)r(x,y)
式中f(x,y)表示输入图像,i(x,y)为照射分量,其频谱集中在低频段;r(x,y)为反射分量,其频谱集中在高频段。
由于两个函数的乘积的傅里叶变换是不可分的,对上式两边取对数,将乘积运算转换为和运算,即:
lnf(x,y)=lni(x,y)+lnr(x,y)
再对上式进行快速傅里叶变换(FFT),得到频域的表达式:
F(u,v)=I(x,y)+R(x,y)
式中I(x,y)和R(x,y)分别是lni(x,y)和lnr(x,y)的傅里叶变换,F(u,v)表示傅里叶变换后的输入图像。
用改进的同态滤波函数H(u,v)对上式进行处理,进而得到式:
H(u,v)F(u,v)=H(u,v)I(x,y)+H(u,v)R(x,y)
式中H(u,v)表示同态滤波函数。
改进的同态滤波函数H(u,v)公式为:
H(u,v)=1-aL/(1+m(D(u,v)/Do1)2n)+aH/(1+m(Do2/D(u,v)))2n
式中:式中aH和aL分别表示高频成分增加的倍数和低频成分减少的倍数;D(u,v)为频域范围内任意点到原点的距离,D01为低频分量抑制半径,D02为高频分量增强半径,常数m用于调节函数形状,m>0;n为滤波器阶数。
再对上式进行快速傅里叶逆变换(FFT-1),将函数转换到空间域,得到公式:
hf(x,y)=hi(x,y)+hr(x,y)
式中Hf(x,y)表示傅里叶逆变换后的图像;Hi(x,y)表示傅里叶逆变换后的照射分量Hr(x,y)表示傅里叶逆变换后的反射分量;
接着对上式两边取指数,得到同态滤波后的图像如式:
g(x,y)表示最终输出图像。
本发明达到的有益效果:矿井原始图像由于环境中悬浮的雾尘颗粒使得图像非常模糊亮度不均匀、对比度差及噪声多等缺点,不利于特征提取和图像识别,本发明采用一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法,经过暗原色先验算法处理,达到去除雾尘的效果,再经过改进的同态滤波处理,使图像很好地去除了图像噪声,锐化了图像的边缘信息,提高了图像的对比度和亮度,同时能够达消除光照不均匀对图像的影响而产生的阴影和光斑。该方法处理得到的图像对比度和细节表现很好,光照不均匀处也得到了很好的处理,轮廓也明显清晰,在处理雾尘现象严重的区域时增强效果也比较明显,最终得到的复原图像效果良好。
附图说明
图1是本发明的流程示意图。
图2是本发明同态滤波算法框图。
具体实施方式
为了使本发明技术方案的内容和优势更加清楚明了,下面结合附图对本发明作进一步详细说明。
本发明提出一种基于暗原色先验模型与同态滤波的矿井雾尘图像增强方案,其执行过程如下所示:
第1步求煤矿井下雾尘图像的暗原色图的方法为:
在计算机视觉和计算机图形中,雾尘图像的形成模型通常可以用下述方程所描述,其中I(x,y)是待去雾图像,J(x,y)是除雾后的无雾的图像,A是全球大气光成分,t(x,y)为透射率:
I(x,y)=J(x,y)t(x,y)+A(1-t(x,y))
通过观测大量的户外无雾图像进行统计实验得到了这个经验性规律,即在绝大多数户外无雾图像的非天空局部区域中,都存在一些像素,在这些像素中至少有一个颜色通道的强度值很低,且接近于0,称之为暗原色。对于一幅图像J,描述其暗原色表达式为:
式中jdark(x,y)表示图像的暗原色,c表示像素点三个颜色通道,Ω(x,y)表示以x为中心的局部区域,Jc(i,j)表示单个颜色通道的暗原色值。暗原色先验规律指出,自然景观的投影、景物的阴影、色彩鲜艳的物体或表面及颜色较暗的物体或表面都会造成颜色通道的强度值很低,使这些景物的暗原色总是灰暗的。
为验证暗原色先验模型是否适合于复杂的煤矿井下环境,随机选取了100幅矿井下无雾尘图像,分别计算每幅图像的暗原色亮度值,经过一系列处理后对其统计实验数据。实验数据中约80%的像素暗原色值区间为0到16,大约95%的像素暗原色值低区间为0到32。这个实验分析结果表明,暗原色先验同样适用于煤矿井下的雾尘图像处理中。
第2步在煤矿井下环境中,采用暗原色值来估算大气光的方法为:
在煤矿井下环境中,对于大气光的估计主要通过最不透明处的雾尘区像素估算来得到。但是由于煤矿井下灯光不均匀的特点,这种使用环境光的估计方法并不准确。由于煤矿井下亮度值小,因此煤矿井下雾尘图像可以采用暗原色值来估算大气光。首先在暗原色图里找到暗原色值最大的0.1%的像素点,接着在这些像素点中搜索亮度值的最大点,将该点邻域的(5×5区域)内的平均像素值作为大气光估计值。
第3步由暗原色图求出图像的粗略透射率的方法为:
因为Ac是一个大于0的常数,所以可以使用下式来计算RGB三个颜色通道的值在某个邻域窗口(Ω,大小为5×5像素)里的最小值。
使用t(x),分别代表t(x,y),则矢量形式可描述为t=[t1,t2,…,tn]T,其中n为邻域窗口个数。通过二次优化问题来计算价函数f(t),得其中L为图像中像素点组成的拉普拉斯矩阵。L可以通过对角矩阵D和相似性矩阵W的差值来求得,其中对角元素W由所有节点间的权系数ωij组合而成,ωij可通过下式求得:
式中:当i=j时,δij=1,当i≠j时,δij=0;Ωk为邻域窗口Ωk矩形区域中所有像素点的数量,邻域窗口Ωk指的是一个由5×5个像素点组成的矩形区域;ε为修正因子;σk 2为邻域窗口Ωk区域中像素点灰度值的方差;Ii,Ij分别为待处理图像在i和j像素位置的灰度值;μk为邻域窗口Ωk内的RGB均值。
通过下式可得到一个最优的t值:
式中:λ为一个值很小的参数;E为单位矩阵,大小与L相同。
第4步利用雾尘图像还原公式获得去雾尘图像的方法为:
雾尘图像I(x,y)采用暗原色先验理论方法进行处理.假设计算得出大气光估计Ac以及最优化后的透射率t(x,y)在每个局部区域内的值都保持不变,根据雾天图像还原公式:
J(x,y)=[I(x,y)-Ac]/max(t(x,y),0.1)+Ac
最终得到去雾尘后的图像。
第5步对除雾尘后的图像采用改进的同态滤波方案进行处理得到最终图像方法为:
在照度反射光照模型中,将图像表示为照射分量与反射分量的乘积形式:
f(x,y)=i(x,y)r(x,y)
式中f(x,y)表示输入图像;i(x,y)为照射分量,其频谱集中在低频段;r(x,y)为反射分量,其频谱集中在高频段。
由于两个函数的乘积的傅里叶变换是不可分的,对上式两边取对数,将乘积运算转换为和运算,即:
lnf(x,y)=lni(x,y)+lnr(x,y)
再对上式进行快速傅里叶变换(FFT),得到频域的表达式:
F(u,v)=I(x,y)+R(x,y)
式中I(x,y)和R(x,y)分别是lni(x,y)和lnr(x,y)的傅里叶变换,F(u,v)表示傅里叶变换后的输入图像。
用改进的同态滤波函数H(u,v)对上式进行处理,进而得到式:
H(u,v)F(u,v)=H(u,v)I(x,y)+H(u,v)R(x,y)
改进的同态滤波函数H(u,v)公式为:
H(u,v)=1-aL/(1+m(D(u,v)/Do1)2n)+aH/(1+m(Do2/D(u,v)))2n
式中:aH和aL分别表示高频成分增加的倍数和低频成分减少的倍数;常数m用于调节函数形状,m>0;D(u,v)为频域范围内任意点到原点的距离;D01为低频分量抑制半径,D02为高频分量增强半径;n为滤波器阶数。
改进的同态滤波函数中取D01=5,aL=0.3;为提高较大范围的高频分量对比度,取D02=15,aH=4;取m=1。
再对上式进行快速傅里叶逆变换(FFT-1),将函数转换到空间域,得到公式:
hf(x,y)=hi(x,y)+hr(x,y)iro
接着对上式两边取指数,得到同态滤波后的图像如式:
g(x,y)表示最终输出图像。
上面结合附图对本发明做了示例性描述,显然本发明的实现并不受上述方式的限制。凡是采用本发明的方法构思进行的各种改进,或直接应用于各种场合,均在本发明的保护范围之内。
Claims (7)
1.一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法,其特征在于,所述的图像增强方法是基于暗原色先验与同态滤波相结合的方法,步骤如下:
(1)求出煤矿井下雾尘图像的暗原色图;
(2)在煤矿井下环境中,根据所述暗原色图的暗原色值来计算大气光估计值;
(3)由暗原色图求出图像的粗略透射率;
(4)利用雾尘图像还原公式获得去雾尘图像;
(5)对除雾尘后的图像采用改进的同态滤波方案进行处理,得到最终图像。
3.根据权利1所述的一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法,其特征在于:所述步骤(2)中在煤矿井下环境中,计算大气光估计值的方法为:
首先在暗原色图里找到暗原色值最大的0.1%的像素点,接着在这些像素点中搜索亮度值最大的点,将该亮度值最大的点的邻域内的平均像素值作为大气光估计值Ac。
5.根据权利1所述的一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法,其特征在于:所述步骤(4)中利用雾尘图像还原公式获得去雾尘图像公式为:
J(x,y)=[I(x,y)-Ac]/max(t(x,y),0.1)+Ac
式中J(x,y)表示除雾后的无雾图像,I(x,y)表示待去雾图像,Ac为计算得出大气光估计,t(x,y)为最优化后的透射率。
6.根据权利1所述的一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法,其特征在于:所述步骤(5)中对除雾尘后的图像采用改进的同态滤波的方案进行处理得到最终图像方法为:
(1)在照度反射光照模型中,将图像表示为照射分量与反射分量的乘积形式:
f(x,y)=i(x,y)r(x,y)
式中f(x,y)表示输入图像;i(x,y)为照射分量,r(x,y)为反射分量;
(2)对步骤(1)中的公式两边取对数,将乘积运算转换为和运算,即:
lnf(x,y)=lni(x,y)+lnr(x,y)
(3)再对步骤(2)中的公式进行快速傅里叶变换,得到频域的表达式:
F(u,v)=I(x,y)+R(x,y)
式中I(x,y)和R(x,y)分别是lni(x,y)和lnr(x,y)的傅里叶变换,F(u,v)表示傅里叶变换后的输入图像;
(4)用改进的同态滤波函数H(u,v)对步骤(3)进行处理,进而得到式:
H(u,v)F(u,v)=H(u,v)I(x,y)+H(u,v)R(x,y)
式中H(u,v)表示同态滤波函数;
(5)再对步骤(4)进行快速傅里叶逆变换,将函数转换到空间域,得到公式:
hf(x,y)=hi(x,y)+hr(x,y)
式中hf(x,y)表示傅里叶逆变换后的图像;hi(x,y)表示傅里叶逆变换后的照射分量;hr(x,y)表示傅里叶逆变换后的反射分量;
(6)对步骤(5)中的公式两边取指数,得到同态滤波后的图像如式:
式中g(x,y)表示输出图像。
7.根据权利6所述的一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法,其特征在于:改进的同态滤波函数H(u,v)公式为:
H(u,v)=1-aL/(1+m(D(u,v)/Do1)2n)+aH/(1+m(Do2/D(u,v)))2n
式中aH和aL分别表示高频成分增加的倍数和低频成分减少的倍数;常数m用于调节函数形状,m>0;D(u,v)为频域范围内任意点到原点的距离;DO1为低频分量抑制半径,DO2为高频分量增强半径;n为滤波器阶数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018579.9A CN110874823A (zh) | 2018-09-03 | 2018-09-03 | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811018579.9A CN110874823A (zh) | 2018-09-03 | 2018-09-03 | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110874823A true CN110874823A (zh) | 2020-03-10 |
Family
ID=69716518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811018579.9A Pending CN110874823A (zh) | 2018-09-03 | 2018-09-03 | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874823A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344982A (zh) * | 2021-07-29 | 2021-09-03 | 南通茗仁建筑工程有限公司 | 基于数据识别的工地粉尘控制数据处理方法 |
CN113781455A (zh) * | 2021-09-15 | 2021-12-10 | 平安科技(深圳)有限公司 | 宫颈细胞图像异常检测方法、装置、设备及介质 |
CN114387273A (zh) * | 2022-03-24 | 2022-04-22 | 莱芜职业技术学院 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
CN114548219A (zh) * | 2022-01-13 | 2022-05-27 | 河北汉光重工有限责任公司 | 基于微块差异特征提取及svm的图像分类方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750682A (zh) * | 2012-07-17 | 2012-10-24 | 中国矿业大学(北京) | 一种处理矿工人脸图像与煤面光照不均的图像预处理方法 |
US20160071244A1 (en) * | 2014-09-04 | 2016-03-10 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
CN107767354A (zh) * | 2017-12-08 | 2018-03-06 | 福州大学 | 一种基于暗原色先验的图像去雾算法 |
CN108257094A (zh) * | 2016-12-29 | 2018-07-06 | 广东中科遥感技术有限公司 | 基于暗通道的遥感影像薄雾快速去除方法 |
-
2018
- 2018-09-03 CN CN201811018579.9A patent/CN110874823A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750682A (zh) * | 2012-07-17 | 2012-10-24 | 中国矿业大学(北京) | 一种处理矿工人脸图像与煤面光照不均的图像预处理方法 |
US20160071244A1 (en) * | 2014-09-04 | 2016-03-10 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
CN108257094A (zh) * | 2016-12-29 | 2018-07-06 | 广东中科遥感技术有限公司 | 基于暗通道的遥感影像薄雾快速去除方法 |
CN107767354A (zh) * | 2017-12-08 | 2018-03-06 | 福州大学 | 一种基于暗原色先验的图像去雾算法 |
Non-Patent Citations (1)
Title |
---|
伏文生: "基于暗原色先验原理的图像去雾算法研究及FPGA设计", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344982A (zh) * | 2021-07-29 | 2021-09-03 | 南通茗仁建筑工程有限公司 | 基于数据识别的工地粉尘控制数据处理方法 |
CN113781455A (zh) * | 2021-09-15 | 2021-12-10 | 平安科技(深圳)有限公司 | 宫颈细胞图像异常检测方法、装置、设备及介质 |
CN113781455B (zh) * | 2021-09-15 | 2023-12-26 | 平安科技(深圳)有限公司 | 宫颈细胞图像异常检测方法、装置、设备及介质 |
CN114548219A (zh) * | 2022-01-13 | 2022-05-27 | 河北汉光重工有限责任公司 | 基于微块差异特征提取及svm的图像分类方法及装置 |
CN114387273A (zh) * | 2022-03-24 | 2022-04-22 | 莱芜职业技术学院 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
CN114387273B (zh) * | 2022-03-24 | 2022-05-31 | 莱芜职业技术学院 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11127122B2 (en) | Image enhancement method and system | |
Hu et al. | Single image defogging based on illumination decomposition for visual maritime surveillance | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN110874823A (zh) | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 | |
CN111429370B (zh) | 一种煤矿井下的图像增强方法、系统及计算机存储介质 | |
Guo et al. | Automatic image haze removal based on luminance component | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN109003238B (zh) | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 | |
Kaur et al. | Image enhancement techniques: A selected review | |
Sahu et al. | Image dehazing based on luminance stretching | |
CN111598800A (zh) | 基于空间域同态滤波和暗通道先验的单幅图像去雾方法 | |
CN112862721B (zh) | 基于暗通道与Retinex的地下管道图像去雾方法 | |
Yang et al. | A novel single image dehazing method | |
CN113034379A (zh) | 天候天时自适应的快速图像清晰化处理方法 | |
Hassan et al. | Single image dehazing from repeated averaging filters | |
Fu et al. | Wavelet-based retinex algorithm for unmanned aerial vehicle image defogging | |
CN111127350A (zh) | 一种图像增强方法 | |
CN107203979B (zh) | 一种低照度图像增强的方法 | |
CN110288536A (zh) | 一种基于改进双边滤波的井下图像处理方法 | |
Tao et al. | Improved Retinex for low illumination image enhancement of nighttime traffic | |
Song et al. | An adaptive real-time video defogging method based on context-sensitiveness | |
Jiang et al. | Gray-scale image Dehazing guided by scene depth information | |
Tang et al. | Sky-preserved image dehazing and enhancement for outdoor scenes | |
Kurihara et al. | Low-light image enhancement via adaptive shape and texture prior |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200310 |