CN111127340A - 一种图像去雾方法 - Google Patents
一种图像去雾方法 Download PDFInfo
- Publication number
- CN111127340A CN111127340A CN201911234421.XA CN201911234421A CN111127340A CN 111127340 A CN111127340 A CN 111127340A CN 201911234421 A CN201911234421 A CN 201911234421A CN 111127340 A CN111127340 A CN 111127340A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- channel
- filter
- gray
- 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
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000013341 scale-up Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000001131 transforming effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 9
- 230000009466 transformation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像去雾方法,首先通过图像采集设备获取一幅室外有雾图像I,将其分离出RGB三通道值;然后对G通道进行直方图均衡化,确定滤波系数并对R、B通道再进行均衡化;同时将RGB三个通道的独立图像经过傅里叶变换到频域,经过巴特沃斯高通滤波器,得到滤波后的图像后经过傅里叶反变换;之后得到的均衡化后的图像和滤波后的图像相加,得到去雾图像并计算灰度值;最后改变滤波器参数知道输出去雾图像的灰度熵最大,即为最后结果。本发明克服了传统时域直方图均衡化后图像细节损失的缺点,图像的信息熵增加,图像质量更好,去雾效率高,易于算法的硬件实现。
Description
技术领域
本发明属于数字图像处理领域,具体涉及一种图像去雾方法。
背景技术
当前数字图像处理技术已经应用到人们日常生活的各个方面,交通监控、目标识别、无人驾驶等领域都对数字图像质量提出了高要求。但是随着世界工业的发展,汽车尾气、工业废气以及人类其他活动都加重了雾霾天气,严重影响了室外图像的采集质量,导致了图片模糊。因此,图像去雾有重要的研究意义。目前图像去雾方法主要有两种:基于图像处理的增强方法和基于物理模型的复原方法。基于图像处理的增强方法不是专门针对图像去雾领域,而是通过增强图像的对比度来提高图像清晰度,而有雾图像的特点就是图像对比度低。图像增强方法的优点是可以利用已有的成熟图像处理算法进行针对性运用,增强图像的对比度,突出图像中景物的特征和有价值的信息;缺点是可能会造成图像部分信息的损失,使图像失真。常用的图像增强去雾方法有直方图均衡化、Retinex算法、同态滤波等。其中直方图均衡化优点是算法简单、高效和易于硬件实现,缺点是会造成图像细节的丢失。
基于物理模型的复原方法主要是采用大气散射模型,通过研究大气悬浮颗粒对光的散射作用,建立大气散射模型,研究图像退化的物理机理,并复原出未降质前的图像。该方法虽然图像去雾效果较好,但是对包含天空等亮区域处理结果不理想,而且算法实现复杂,处理效果受实际环境制约,不易于硬件实现。常用的物理模型去雾方法有暗通道先验算法、建立能量最优化模型、Fattal算法等。
发明内容
(一)解决的技术问题
本发明针对现有技术中利用直方图均衡化去雾会损失图像细节的缺点,提出了一种图像去雾方法,基于时域直方图均衡化和频域滤波技术,增加图像动态范围的同时,加强图像细节,保证了去雾高效性,提高了图像去雾后的质量。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种图像去雾方法,其特征在于,包括如下步骤:
步骤(1):采集一幅有雾图像I,将有雾图像I转成RGB图像并获取RGB数据,分离出R、G、B三个通道值;
步骤(2):分别统计所述步骤(1)中R、G、B三个通道的直方图信息,首先对G通道值进行直方图均衡化操作,得到均衡化后的G’通道值,确定从G变化到G’的系数矩阵,将该系数矩阵作为滤波系数,对R、B通道再分别进行均衡化后得到R’和B’;
步骤(3):分别对所述步骤(1)得到的R、G、B三个通道进行傅里叶变换到频域,然后分别经巴特沃斯高通滤波器滤波后,再分别进行傅里叶反变换,得到三个独立的滤波图像R”、G”、B”,各通道经过的巴特沃斯高通滤波器的转移函数为:
其中,h表示滤波器的频率响应,n表示滤波器的阶数,d0表示滤波器的截止频率,d表示频域中的点到原点的距离,选定n值和d0值;
步骤(4):将所述步骤(2)得到的三个像素均衡化后的图像R’、G’、B’和步骤(3)得到的三个滤波图像R”、G”、B”相加,输出去雾图像并计算此时图像的灰度熵;
步骤(5):循环执行步骤(3)、步骤(4),步骤(3)中保持n值不变,改变d0值,每执行一次步骤(3)和步骤(4),得到新的输出去雾图像,并计算相应的输出去雾图像的灰度熵,当输出图像灰度熵达到最大值时,选择此时d0的取值作为最终滤波器的参数,并将对应灰度熵最大值的输出去雾图像作为最终输出去雾图像I’。
优选的,所述步骤(2)中的直方图均衡化处理包括以下步骤:
步骤(21):分别统计所述步骤(1)中RGB三个通道的像素个数N、最大像素值M和每个灰度值的像素个数Ni;
步骤(22):计算G通道中每个灰度值i的发生频率fi和累计密度函数pi;
步骤(23):灰度拉升,即255*pi,将G通道中的像素的值均匀映射到0~255之间,得到独立的G’通道值;
步骤(24):根据步骤(23)得到从G变化到G’的系数矩阵,然后用该系数矩阵分别对R、B通道进行均衡化,得到均衡化后的完整R’、G’、B’通道值。
优选的,所述步骤(22)中,每个灰度值i的发生频率fi和累计密度函数pi为:
pi=p0+p1+…+pi-1+pi(i=0,1,…,M)。
优选的,所述步骤(23)中,进行灰度拉升后得到的图像的最大像素值根据实际输入图像像素值进行调整,但必须大于输入图像各通道的最大像素值M。
优选的,所述步骤(3)中,傅里叶变换采用快速傅里叶变换。
优选的,所述步骤(3)中,滤波器阶数n的取值为2,d0的选择范围为1~10。
(三)有益效果
1.本发明改进了彩色图像直方图均衡化的方法,克服了直接对R、G、B三通道进行均衡化后图像会产生色彩失真的现象,增强效果比图像在HSV空间中,对V空间进行均衡化后的图像质量略好,同时后者需要进行2次空间变换,计算相对复杂;
2.本发明采用了时域直方图均衡化和频域滤波相结合的方法,克服了传统时域直方图均衡化后图像细节损失的缺点,图像的信息熵增加,图像质量更好;
3.根据输入图像,本发明自适应选择合适的滤波器参数,得到最优图像输出,相对当前主流去雾方法,本发明提供技术方案对环境的适应程度更高,更具有普适性,去雾效率高,易于算法的硬件实现。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图;
图2为本发明中巴特沃斯高通滤波器参数d0的最优值算法流程图;
图3为本发明中为巴特沃斯高通滤波器阶数n固定时,输出图像信息熵随d0的变化曲线图;
图4为本发明输入的有雾图像;
图5为传统直方图均衡化后的去雾图像;
图6为采用本发明去雾后的图像;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种技术方案:本发明的一种图像去雾方法,包括如下步骤:
步骤(1):通过图像采集系统采集一幅图像I,将其转成RGB图像并获取RGB数据,分离R、G、B三个通道值。
步骤(2):分别统计步骤(1)中R、G、B三个通道的直方图信息,首先对G通道值进行直方图均衡化操作,得到均衡化后的G’通道值,确定从G变化到G’的系数矩阵,将该系数矩阵作为滤波系数,对R、B通道再分别进行均衡化后得到R’和B’,具体包括:
步骤(21):分别统计步骤(1)中RGB三个通道的像素个数N、最大像素值M和每个灰度值的像素个数Ni;
步骤(22):计算G通道中每个灰度值i的发生频率fi和累计密度函数pi,其中
pi=p0+p1+…+pi-1+pi(i=0,1,…,M) (2)
步骤(23):灰度拉升,即255*pi,将G通道中的像素的值均匀映射到0~255之间,得到G’通道值。这里的255可采用8位数据,可以根据实际图像像素值进行调整,但必须保证拉升后图像的最大像素值大于输入图像各通道的最大像素值M,从而增加图像的动态范围。
步骤(24):根据步骤(23)得到从G变化到G’的系数矩阵,然后用该系数矩阵作为滤波系数,分别对R、B通道进行均衡化,得到均衡化后的完整R’、G’、B’通道值。
步骤(3):分别对步骤(1)中R、G、B三个通道进行傅里叶变换到频域,经巴特沃斯高通滤波器滤波后,再进行傅里叶反变换得到三个独立的R”、G”、B”通道值,这里傅里叶变换采用快速傅里叶变换,巴特沃斯高通滤波器的转移函数为
其中,h表示滤波器的频率响应,n表示滤波器的阶数,d0表示滤波器的截止频率,d表示频域中的点到原点的距离,选定n值和d0值。
这里,滤波器阶数n主要影响高频信号通过的增益,为不影响计算速度,所以设定为2;截止频率d0的选择直接影响高通滤波后的图像:d<d0部分波段截止,d>d0部分波段通过,具体d0的值根据输入图像来确定。
步骤(4):将所述步骤(2)中得到的三个像素均衡化后的图像R’、G’、B’和步骤(3)中得到的三个滤波图像R”、G”、B”相加,将RGB图像数据转换为原始格式图像数据,输出去雾图像,并计算此时的灰度熵。
步骤(5):循环执行步骤(3)、步骤(4),步骤(3)中保持n值不变,改变d0值,每执行一次步骤(3)和步骤(4),得到新的输出去雾图像,并计算相应的输出去雾图像的灰度熵,当输出图像灰度熵达到最大值时,选择此时d0的取值作为最终滤波器的参数,并将对应灰度熵最大值的输出去雾图像作为最终输出去雾图像I’。
实验发现,不同的d0值对输出图像信息熵影响较大,且存在最佳值d0,使输出图像信息熵最大化,该效应在大雾图像中更加明显。
截止频率d0的确定原则是保证去雾输出图像的灰度熵值最大化。通过确定滤波器阶数n=2,不断变化d0的值计算输出图像的灰度熵,当输出图像灰度熵达到最大值时的d0取值就是最终滤波器的参数。滤波器参数d0的最优值算法流程如图2所示,具体计算步骤如下:首先将输入图像进行R、G、B三通道分离,先对R通道进行快速收傅里叶变换,选择不同的滤波器参数,假设n=2,d0在1到50之间变化,然后计算得到高通滤波后的时域图像R”,最终输出图像为R’+R”;然后计算该输出图像的灰度熵,不断变化d0时,当输出图像灰度熵最大时的d0就是最佳滤波器参数。如图3所示为巴特沃斯高通滤波器阶数n固定时,输出图像信息熵随d0的变化曲线图,从图中可以看出,d0的选择在7附近,因此可以限定d0的变化范围在1到10之间,从而减少循环次数,提高计算速度。
如图4-6所示为本发明方法与传统直方图均衡化方法的去雾效果对比图,其中图4是输入的原始有雾图像,图5是采用传统直方图均衡化方法去雾后的输出图像,图6是采用本发明方法去雾后的输出图像。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种图像去雾方法,其特征在于,包括如下步骤:
步骤(1):采集一幅有雾图像I,将有雾图像I转成RGB图像并获取RGB数据,分离出R、G、B三个通道值;
步骤(2):分别统计所述步骤(1)中R、G、B三个通道的直方图信息,首先对G通道值进行直方图均衡化操作,得到均衡化后的G’通道值,确定从G变化到G’的系数矩阵,将该系数矩阵作为滤波系数,对R、B通道再分别进行均衡化后得到R’和B’;
步骤(3):分别对所述步骤(1)得到的R、G、B三个通道进行傅里叶变换到频域,然后分别经巴特沃斯高通滤波器滤波后,再分别进行傅里叶反变换,得到三个独立的滤波图像R”、G”、B”,各通道经过的巴特沃斯高通滤波器的转移函数为:
其中,h表示滤波器的频率响应,n表示滤波器的阶数,d0表示滤波器的截止频率,d表示频域中的点到原点的距离,选定n值和d0值;
步骤(4):将所述步骤(2)得到的三个像素均衡化后的图像R’、G’、B’和步骤(3)得到的三个滤波图像R”、G”、B”相加,输出去雾图像并计算此时图像的灰度熵;
步骤(5):循环执行步骤(3)、步骤(4),步骤(3)中保持n值不变,改变d0值,每执行一次步骤(3)和步骤(4),得到新的输出去雾图像,并计算相应的输出去雾图像的灰度熵,当输出图像灰度熵达到最大值时,选择此时d0的取值作为最终滤波器的参数,并将对应灰度熵最大值的输出去雾图像作为最终输出去雾图像I’。
2.根据权利要求1所述的一种图像去雾方法,其特征在于,所述步骤(2)中的直方图均衡化处理包括以下步骤:
步骤(21):分别统计所述步骤(1)中RGB三个通道的像素个数N、最大像素值M和每个灰度值的像素个数Ni;
步骤(22):计算G通道中每个灰度值i的发生频率fi和累计密度函数pi;
步骤(23):灰度拉升,即255*pi,将G通道中的像素的值均匀映射到0~255之间,得到独立的G’通道值;
步骤(24):根据步骤(23)得到从G变化到G’的系数矩阵,然后用该系数矩阵分别对R、B通道进行均衡化,得到均衡化后的完整R’、G’、B’通道值。
4.根据权利要求2所述的一种图像去雾方法,其特征在于,所述步骤(23)中,进行灰度拉升后得到的图像的最大像素值根据实际输入图像像素值进行调整,但必须大于输入图像各通道的最大像素值M。
5.根据权利要求1所述的一种图像去雾方法,其特征在于,所述步骤(3)中,傅里叶变换采用快速傅里叶变换。
6.根据权利要求1所述的一种图像去雾方法,其特征在于,所述步骤(3)中,滤波器阶数n的取值为2,d0的选择范围为1~10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234421.XA CN111127340B (zh) | 2019-12-05 | 2019-12-05 | 一种图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234421.XA CN111127340B (zh) | 2019-12-05 | 2019-12-05 | 一种图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127340A true CN111127340A (zh) | 2020-05-08 |
CN111127340B CN111127340B (zh) | 2023-01-24 |
Family
ID=70497853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911234421.XA Active CN111127340B (zh) | 2019-12-05 | 2019-12-05 | 一种图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127340B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541869A (zh) * | 2020-12-07 | 2021-03-23 | 南京工程学院 | 一种基于matlab实现的Retinex图像去雾方法 |
CN113627287A (zh) * | 2021-07-27 | 2021-11-09 | 上海交通大学 | 基于扩散信息的在有雾条件下的水面目标检测方法及系统 |
CN113643199A (zh) * | 2021-07-27 | 2021-11-12 | 上海交通大学 | 基于扩散信息的在有雾条件下的图像去雾方法及系统 |
CN114459182A (zh) * | 2020-10-15 | 2022-05-10 | 广东哈士奇制冷科技股份有限公司 | 一种除雾系统及其控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0626656A2 (en) * | 1993-05-28 | 1994-11-30 | South Birmingham District Health Authority | Image processing system and method for automatic feature extraction |
CN101950416A (zh) * | 2010-09-15 | 2011-01-19 | 北京理工大学 | 基于双边滤波的实时图像去雾增强方法 |
US20120075493A1 (en) * | 2009-11-20 | 2012-03-29 | Tripurari Singh | Method and system for robust and flexible extraction of image information using color filter arrays |
US20140140619A1 (en) * | 2011-08-03 | 2014-05-22 | Sudipta Mukhopadhyay | Method and System for Removal of Fog, Mist, or Haze from Images and Videos |
CN106023092A (zh) * | 2016-05-04 | 2016-10-12 | 中国农业大学 | 一种图像去雾方法及装置 |
CN106780375A (zh) * | 2016-12-02 | 2017-05-31 | 南京邮电大学 | 一种低照度环境下的图像增强方法 |
US20180089812A1 (en) * | 2015-04-14 | 2018-03-29 | Chongqing University Of Posts And Telecommunications | Method and system for image enhancement |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109146812A (zh) * | 2018-08-16 | 2019-01-04 | 上海波汇科技股份有限公司 | 一种基于频域滤波的内窥镜图像去除六角形噪声的方法 |
-
2019
- 2019-12-05 CN CN201911234421.XA patent/CN111127340B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0626656A2 (en) * | 1993-05-28 | 1994-11-30 | South Birmingham District Health Authority | Image processing system and method for automatic feature extraction |
US20120075493A1 (en) * | 2009-11-20 | 2012-03-29 | Tripurari Singh | Method and system for robust and flexible extraction of image information using color filter arrays |
CN101950416A (zh) * | 2010-09-15 | 2011-01-19 | 北京理工大学 | 基于双边滤波的实时图像去雾增强方法 |
US20140140619A1 (en) * | 2011-08-03 | 2014-05-22 | Sudipta Mukhopadhyay | Method and System for Removal of Fog, Mist, or Haze from Images and Videos |
US20180089812A1 (en) * | 2015-04-14 | 2018-03-29 | Chongqing University Of Posts And Telecommunications | Method and system for image enhancement |
CN106023092A (zh) * | 2016-05-04 | 2016-10-12 | 中国农业大学 | 一种图像去雾方法及装置 |
CN106780375A (zh) * | 2016-12-02 | 2017-05-31 | 南京邮电大学 | 一种低照度环境下的图像增强方法 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109146812A (zh) * | 2018-08-16 | 2019-01-04 | 上海波汇科技股份有限公司 | 一种基于频域滤波的内窥镜图像去除六角形噪声的方法 |
Non-Patent Citations (2)
Title |
---|
王泽胜等: "基于改进暗通道先验的交通图像去雾新方法", 《控制与决策》 * |
陈敏聪: "X射线双组分质量厚度测量优化能量组合", 《核电子学与探测技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114459182A (zh) * | 2020-10-15 | 2022-05-10 | 广东哈士奇制冷科技股份有限公司 | 一种除雾系统及其控制方法 |
CN114459182B (zh) * | 2020-10-15 | 2023-07-07 | 广东哈士奇制冷科技股份有限公司 | 一种除雾系统及其控制方法 |
CN112541869A (zh) * | 2020-12-07 | 2021-03-23 | 南京工程学院 | 一种基于matlab实现的Retinex图像去雾方法 |
CN113627287A (zh) * | 2021-07-27 | 2021-11-09 | 上海交通大学 | 基于扩散信息的在有雾条件下的水面目标检测方法及系统 |
CN113643199A (zh) * | 2021-07-27 | 2021-11-12 | 上海交通大学 | 基于扩散信息的在有雾条件下的图像去雾方法及系统 |
CN113643199B (zh) * | 2021-07-27 | 2023-10-27 | 上海交通大学 | 基于扩散信息的在有雾条件下的图像去雾方法及系统 |
CN113627287B (zh) * | 2021-07-27 | 2023-10-27 | 上海交通大学 | 基于扩散信息的在有雾条件下的水面目标检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111127340B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127340B (zh) | 一种图像去雾方法 | |
CN110378859B (zh) | 一种新的高动态范围图像生成方法 | |
CN105046663B (zh) | 一种模拟人类视觉感知的自适应低照度图像增强方法 | |
CN102682436B (zh) | 一种改进的多尺度Retinex理论的图像增强方法 | |
CN107292830B (zh) | 低照度图像增强及评价方法 | |
CN106997584A (zh) | 一种雾霾天气图像增强方法 | |
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 | |
CN105761227A (zh) | 基于暗通道先验与白平衡的水下图像增强方法 | |
CN106897981A (zh) | 一种基于引导滤波的低照度图像增强方法 | |
CN112308803B (zh) | 一种基于深度学习的自监督低照度图像增强及去噪方法 | |
CN107862672B (zh) | 图像去雾的方法及装置 | |
CN110517203B (zh) | 一种基于参考图像重建的去雾方法 | |
CN109816608B (zh) | 一种基于噪声抑制的低照度图像自适应亮度增强方法 | |
CN103268598A (zh) | 基于Retinex理论的低照度低空遥感影像增强方法 | |
CN110570374A (zh) | 一种对红外传感器所获得图像的处理方法 | |
CN110473152B (zh) | 基于改进Retinex算法的图像增强方法 | |
CN104766285A (zh) | 一种水下降质图像的自适应增强方法 | |
CN112435184A (zh) | 一种基于Retinex和四元数的雾霾天图像识别方法 | |
CN112541869A (zh) | 一种基于matlab实现的Retinex图像去雾方法 | |
CN109118450A (zh) | 一种沙尘天气条件下的低质图像增强方法 | |
CN113487509B (zh) | 一种像素聚类及透射率融合的遥感图像雾气去除方法 | |
CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
CN111311502A (zh) | 使用双向加权融合处理雾天图像的方法 | |
CN117274085A (zh) | 低照度图像增强方法及装置 | |
CN110223253B (zh) | 一种基于图像增强的去雾方法 |
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 |