CN111127372A - 一种图像去雾方法及其系统和设备 - Google Patents

一种图像去雾方法及其系统和设备 Download PDF

Info

Publication number
CN111127372A
CN111127372A CN202010248024.4A CN202010248024A CN111127372A CN 111127372 A CN111127372 A CN 111127372A CN 202010248024 A CN202010248024 A CN 202010248024A CN 111127372 A CN111127372 A CN 111127372A
Authority
CN
China
Prior art keywords
image
processed
optimal
defogging
dark channel
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
Application number
CN202010248024.4A
Other languages
English (en)
Other versions
CN111127372B (zh
Inventor
廉政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Tuya Information Technology Co Ltd
Original Assignee
Hangzhou Tuya Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Tuya Information Technology Co Ltd filed Critical Hangzhou Tuya Information Technology Co Ltd
Priority to CN202010248024.4A priority Critical patent/CN111127372B/zh
Publication of CN111127372A publication Critical patent/CN111127372A/zh
Application granted granted Critical
Publication of CN111127372B publication Critical patent/CN111127372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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

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通道图像的图像去雾方法，包括以下步骤：获取待处理图像中的最小像素值形成暗通道图像以及对应所述待处理图像的环境光；根据暗通道先验算法对所述暗通道图像进行计算，得到估算透射率；根据预设权值公式对所述估算透射率进行加权计算，得到加权透射率；对所述待处理图像的Y分量进行导向滤波计算，得到导向滤波公式；根据所述导向滤波公式对所述加权透射率进行优化，得到最优透射率；根据所述最优透射率和所述环境光对所述待处理图像进行去雾处理，得到最优图像。在本发明的技术方案中，在保证获得良好的图像去雾效果的前提下，降低计算量和资源，从而大大提高了算法的时效性，同时降低了算法落地的难度。

Description

一种图像去雾方法及其系统和设备
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于暗通道图像的图像去雾方法及其系统、计算机可读存储介质和计算机设备。
背景技术
目前的图像去雾算法主要分为两个方向，一个是利用图像增强手段，提高图像对比度以达到去雾的效果，另一个是通过建立物理成像模型来还原光路，再反推模型去雾的手段。基于图像增强的去雾主要是利用对比度增强，或直方图均衡化等方法达到去雾目的，这种方法简便易实现，但效果较差，且对比度增强可能会另外引入噪声等其他问题；而如果建立合理的物理成像模型，来分析光路的变化和影响成像的因素，以此推算真实无雾的图像，效果会更好。
大气散射模型就是一种关于光在空气中传播的物理模型，该模型将传感器或人眼接收到的光辐射分为两部分，一部分是环境光，一部分是物体反射光，我们所获得最终图像的大部分信息其实就是反射光衰减后的结果。通过分析模型并反推可以计算出衰减前的理想图像，即去雾图像。这就是通过建立物理模型的去雾算法基本原理，其中关键点在于模型中的参数本身是未知的，只能通过一些方法去估算最优解，而采取什么用的方法去估算这些参数就是解决整个问题的关键和重点。
现有主流算法主要针对上述问题，提出了不同的解决方案，易实现的方法效果一般，或图像纹理细节保留的不多，或噪声较重；而效果好的方法实现较复杂，资源占用较多。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的目的在于提供一种基于暗通道图像的图像去雾方法及其系统、计算机可读存储介质和计算机设备，其能够解决现有主流算法上的时效性差和不具有普遍适用性的问题。
为实现上述目的，本发明第一方面的技术方案提供了一种基于暗通道图像的图像去雾方法，包括以下步骤：
获取待处理图像中的最小像素值形成暗通道图像以及对应待处理图像的环境光；
根据暗通道先验算法对暗通道图像进行计算，得到估算透射率；
根据预设权值公式对估算透射率进行加权计算，得到加权透射率；
对待处理图像的Y分量进行导向滤波计算，得到导向滤波公式；
根据导向滤波公式对加权透射率进行优化，得到最优透射率；
根据最优透射率和环境光对待处理图像进行去雾处理，得到最优图像。
在上述技术方案中，优选地，获取对应待处理图像的环境光包括以下步骤：
对待处理图像进行分割，得到天空区域和非天空区域；
根据预设像素范围对天空区域和非天空区域进行划分，得到交界区域；
根据预设亮点范围对交界区域进行亮点选取，得到亮点集合；
对亮点集合进行均值计算，得到环境光。
本发明第二方面的技术方案提供了一种基于暗通道图像的图像去雾系统，包括：
获取模块，用于获取待处理图像中的最小像素值形成暗通道图像以及对应待处理图像的环境光；
透视率估算模块，用于根据暗通道先验算法对暗通道图像进行计算，得到估算透射率；
加权计算模块，用于根据预设权值公式对估算透射率进行加权计算，得到加权透射率；
导向滤波模块，用于对待处理图像的Y分量进行导向滤波计算，得到导向滤波公式；
透视率优化模块，用于根据导向滤波公式对加权透射率进行优化，得到最优透射率；
去雾模块，用于根据最优透射率和环境光对待处理图像进行去雾处理，得到最优图像。
在上述技术方案中，优选地，获取模块包括：
暗通道提取单元，用于获取待处理图像中的最小像素值形成暗通道图像；
分割单元，用于对待处理图像进行分割，得到天空区域和非天空区域；
交界划分单元，用于根据预设像素范围对天空区域和非天空区域进行划分，得到交界区域；
亮点提取单元，用于根据预设亮点范围对交界区域进行亮点选取，得到亮点集合；
均值计算单元，用于对亮点集合进行均值计算，得到环境光。
在上述任一技术方案中，优选地，预设像素范围为天空区域和非天空区域交界处的上下10个像素点；
预设亮点范围为交界区域内最亮点的前5%。
在上述任一技术方案中，优选地，估算透射率的表达式为：
Figure 634838DEST_PATH_IMAGE001
，其中，ω表示为去雾强度系数，可选值为0.9；Ic表示为原图像中RGB三通道中像素值的最小值，c表示为RGB三通道中的一个通道；x表示为像素点，Ω表示为以像素点x为中心的窗口；
预设权值公式为：
Figure 4770DEST_PATH_IMAGE002
趋近于0，其中，t(x)-t(y)表示为景深差距，w表示为权值；
导向滤波公式为：
Figure 68541DEST_PATH_IMAGE003
，其中，t表示为最优透视率，
Figure 798600DEST_PATH_IMAGE004
表示为加权透视率；
最优图像的表达式为：
Figure 733058DEST_PATH_IMAGE005
，其中，I(x)表示待处理图像，R(x)表示最优图像，t(x)表示为最优透视率，A表示为环境光，j表示8个方向中的任一方向。
本发明第三方面的技术方案提供了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上述第一方面的任一技术方案提供的基于暗通道图像的图像去雾方法的步骤。
本发明第四方面的技术方案提供了一种计算机设备，包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述第一方面的任一技术方案提供的基于暗通道图像的图像去雾方法的步骤。
本发明提供的基于暗通道图像的图像去雾方法及其系统、计算机可读存储介质和计算机设备与现有技术相比的优点在于：1、本发明能够对参数进行更细致的估算以及对噪声的更好抑制、保证获得良好的图像去雾效果的前提下，降低计算量和资源，从而大大提高了算法的时效性，同时降低了算法落地的难度；
2、通过本发明提供的图像去雾算法解决了目前的大部分图像去雾算法都是针对单幅图像的增强，特别是一些算法可能只针对某种场景下的图像的问题，本发明具有普遍的适用性。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了本发明一个实施例所涉及图像去雾方法的流程框图；
图2示出了本发明一些可能实施例所涉及步骤S1的流程框图；
图3示出了本发明另一个实施例所涉及图像去雾系统的结构框图；
图4示出了本发明另一些可能实施例所涉及获取模块的结构框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。
下面参照图1至图4描述本发明实施例所涉及的基于暗通道图像的图像去雾方法及其系统、计算机可读存储介质和计算机设备。
如图1所示，按照本发明一个实施例的基于暗通道图像的图像去雾方法，包括以下步骤：
S1，获取待处理图像中的最小像素值形成暗通道图像以及对应待处理图像的环境光；
S2，根据暗通道先验算法对暗通道图像进行计算，得到估算透射率；
S3，根据预设权值公式对估算透射率进行加权计算，得到加权透射率；
S4，对待处理图像的Y分量进行导向滤波计算，得到导向滤波公式；
S5，根据导向滤波公式对加权透射率进行优化，得到最优透射率；
S6，根据最优透射率和环境光对待处理图像进行去雾处理，得到最优图像。
如图2所示，在本发明的另一些可能实施例中，在步骤S1中，获取对应待处理图像的环境光包括以下步骤：
S11，对待处理图像进行分割，得到天空区域和非天空区域；
S12，根据预设像素范围对天空区域和非天空区域进行划分，得到交界区域；
S13，根据预设亮点范围对交界区域进行亮点选取，得到亮点集合；
S14，对亮点集合进行均值计算，得到环境光。
如图3所示，按照本发明另一个实施例的基于暗通道图像的图像去雾系统100，包括：
获取模块10，用于获取待处理图像中的最小像素值形成暗通道图像以及对应待处理图像的环境光；
透视率估算模块20，用于根据暗通道先验算法对暗通道图像进行计算，得到估算透射率；
加权计算模块30，用于根据预设权值公式对估算透射率进行加权计算，得到加权透射率；
导向滤波模块40，用于对待处理图像的Y分量进行导向滤波计算，得到导向滤波公式；
透视率优化模块50，用于根据导向滤波公式对加权透射率进行优化，得到最优透射率；
去雾模块60，用于根据最优透射率和环境光对待处理图像进行去雾处理，得到最优图像。
如图4所示，在本发明的一些可能实施例中，获取模块10包括：
暗通道提取单元11，用于获取待处理图像中的最小像素值形成暗通道图像；
分割单元12，用于对待处理图像进行分割，得到天空区域和非天空区域；
交界划分单元13，用于根据预设像素范围对天空区域和非天空区域进行划分，得到交界区域；
亮点提取单元14，用于根据预设亮点范围对交界区域进行亮点选取，得到亮点集合；
均值计算单元15，用于对亮点集合进行均值计算，得到环境光。
在上述任一实施例中，优选地，预设像素范围为天空区域和非天空区域交界处的上下10个像素点；
预设亮点范围为交界区域内最亮点的前5%，即将交界区域内的像素值从大到小进行排序，得到像素值排序表，选取该像素值排序表中像素值排名前5%作为预设预设亮点范围。
在上述任一实施例中，优选地，估算透射率的表达式为：
Figure 506848DEST_PATH_IMAGE001
，其中，ω表示为去雾强度系数，可选值为0.9；Ic表示为原图像中RGB三通道中像素值的最小值，c表示为RGB三通道中的一个通道；x表示为像素点，Ω表示为以像素点x为中心的窗口；
其中，现有的暗通道先验算法得到的估算透射率应该符合一个要求，某像素的值t(x)和其相邻范围内的值t(y)在景深没有特别大的变化时，应该很接近，而当景深差别较大时，则会差异会比较大，所以如果一般估算的透射率例如暗通道先验都是在局部区域内做的处理，没有细化到像素，所以透射率也相近，如果此时有较大的景深变化时，就会出现halo现象。为了解决这一个问题，我们加入一个权值公式来弥补这个问题，即预设权值公式为：
Figure 589073DEST_PATH_IMAGE002
趋近于0，其中，t(x)-t(y)表示为景深差距，w表示为权值；
当t(x)与t(y)景深相近，w取值很大；反之，当t(x)和t(y)景深差距较大时，w取值很小，从而使上式成立。由此可以看出w与图像的边缘纹理，景深信息有着密切的关联，所以我们计算获取w时，可以对原图的Y分量进行有方向性的滤波处理，比如采用8个不同方向的kirsch算子和一个拉普拉斯算子，得到8个方向的边缘滤波和一个拉普拉斯滤波图像Wj。最后要获得优化的透射率，可以通过最小化下式来得到，即导向滤波公式：
Figure 873555DEST_PATH_IMAGE003
，其中，t表示为最优透视率，
Figure 193678DEST_PATH_IMAGE004
表示为加权透视率；
Figure 420260DEST_PATH_IMAGE006
为保真项，来衡量优化后的最优透视率t和导向滤波后得到的加权透视率
Figure 176732DEST_PATH_IMAGE004
之间边缘纹理的一致性；
Figure 248593DEST_PATH_IMAGE007
为基于权值w对透射率t的限制项，
Figure 423223DEST_PATH_IMAGE008
为正则化参数，来平衡两个项重要度。
与一般的带约束优化算法一样，具体的求解需要用到一些数学方法，比如变量分离等，具体步骤不设计创新，此处不再详细推导。
其中，大气散射模型的数学表达如下所示：
Figure 555127DEST_PATH_IMAGE009
；
其中，I(x)表示摄像机拍摄直接得到的图像，R(x)表示最优图像，也就是我们最终要得到的无雾图像，
Figure 300360DEST_PATH_IMAGE010
代表反射光衰减的数学表达，d(x)和β(x)分别为景深距离和衰竭常数，衰减常数与环境质量有关，L则代表环境光，一般指在无穷远处天空的亮度。
该模型简化后可以表示最优图像：
Figure 910333DEST_PATH_IMAGE005
，其中，I(x)表示待处理图像，R(x)表示最优图像，t(x)表示为最优透视率，A表示为环境光，j表示8个方向中的任一方向。(x)为已知信息，如果我们能估算出A和t(x)，就可以得到我们要求的最优图像R(x)，这里我们称A为环境光，t(x)为透射率。
基于上述如图1和图2所示方法，相应的，本申请实施例还提供了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上述任一实施例的基于暗通道图像的图像去雾方法的步骤。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景的方法。
基于上述如图1和图2所示的方法，以及图3和图4所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述任一实施例的基于暗通道图像的图像去雾方法的步骤。
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
本发明提供的基于暗通道图像的图像去雾方法及其系统、计算机可读存储介质和计算机设备与现有技术相比的优点在于：1、本发明能够对参数进行更细致的估算以及对噪声的更好抑制、保证获得良好的图像去雾效果的前提下，降低计算量和资源，从而大大提高了算法的时效性，同时降低了算法落地的难度；
2、通过本发明提供的图像去雾算法解决了目前的大部分图像去雾算法都是针对单幅图像的增强，特别是一些算法可能只针对某种场景下的图像的问题，本发明具有普遍的适用性。
在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”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实例。而且，描述的具体特征、结构、材料或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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于暗通道图像的图像去雾方法，其特征在于，包括以下步骤：
获取待处理图像中的最小像素值形成暗通道图像以及对应所述待处理图像的环境光；
根据暗通道先验算法对所述暗通道图像进行计算，得到估算透射率；
根据预设权值公式对所述估算透射率进行加权计算，得到加权透射率；
对所述待处理图像的Y分量进行导向滤波计算，得到导向滤波公式；
根据所述导向滤波公式对所述加权透射率进行优化，得到最优透射率；
根据所述最优透射率和所述环境光对所述待处理图像进行去雾处理，得到最优图像。
2.根据权利要求1所述的图像去雾方法，其特征在于，获取对应所述待处理图像的环境光包括以下步骤：
对所述待处理图像进行分割，得到天空区域和非天空区域；
根据预设像素范围对所述天空区域和所述非天空区域进行划分，得到交界区域；
根据预设亮点范围对所述交界区域进行亮点选取，得到亮点集合；
对所述亮点集合进行均值计算，得到所述环境光。
3.根据权利要求2所述的图像去雾方法，其特征在于：
所述预设像素范围为所述天空区域和所述非天空区域交界处的上下10个像素点；
所述预设亮点范围为所述交界区域内最亮点的前5%。
4.根据权利要求1至3中任一项所述的图像去雾方法，其特征在于，所述估算透射率的表达式为：
Figure 778819DEST_PATH_IMAGE002
，其中，ω表示为去雾强度系数，可选值为0.9；Ic表示为原图像中RGB三通道中像素值的最小值，c表示为RGB三通道中的一个通道；x表示为像素点，Ω表示为以像素点x为中心的窗口；
所述预设权值公式为：
Figure 363384DEST_PATH_IMAGE003
趋近于0，其中，t(x)-t(y)表示为景深差距，w表示为权值；
所述导向滤波公式为：
Figure 485055DEST_PATH_IMAGE004
，其中，t表示为最优透视率，
Figure 496873DEST_PATH_IMAGE005
表示为加权透视率；
所述最优图像的表达式为：
Figure 320473DEST_PATH_IMAGE006
，其中，I(x)表示待处理图像，R(x)表示最优图像，t(x)表示为最优透视率，A表示为环境光，j表示8个方向中的任一方向。
5.一种基于暗通道图像的图像去雾系统，其特征在于，包括：
获取模块，用于获取待处理图像中的最小像素值形成暗通道图像以及对应所述待处理图像的环境光；
透视率估算模块，用于根据暗通道先验算法对所述暗通道图像进行计算，得到估算透射率；
加权计算模块，用于根据预设权值公式对所述估算透射率进行加权计算，得到加权透射率；
导向滤波模块，用于对所述待处理图像的Y分量进行导向滤波计算，得到导向滤波公式；
透视率优化模块，用于根据所述导向滤波公式对所述加权透射率进行优化，得到最优透射率；
去雾模块，用于根据所述最优透射率和所述环境光对所述待处理图像进行去雾处理，得到最优图像。
6.根据权利要求5所述的图像去雾系统，其特征在于，所述获取模块包括：
暗通道提取单元，用于获取待处理图像中的最小像素值形成暗通道图像；
分割单元，用于对所述待处理图像进行分割，得到天空区域和非天空区域；
交界划分单元，用于根据预设像素范围对所述天空区域和所述非天空区域进行划分，得到交界区域；
亮点提取单元，用于根据预设亮点范围对所述交界区域进行亮点选取，得到亮点集合；
均值计算单元，用于对所述亮点集合进行均值计算，得到所述环境光。
7.根据权利要求6所述的图像去雾系统，其特征在于：
所述预设像素范围为所述天空区域和所述非天空区域交界处的上下10个像素点；
所述预设亮点范围为所述交界区域内最亮点的前5%。
8.根据权利要求5至7中任一项所述的图像去雾系统，其特征在于，所述估算透射率的表达式为：
Figure 443150DEST_PATH_IMAGE002
，其中，ω表示为去雾强度系数，可选值为0.9；Ic表示为原图像中RGB三通道中像素值的最小值，c表示为RGB三通道中的一个通道；x表示为像素点，Ω表示为以像素点x为中心的窗口；
所述预设权值公式为：
Figure 668595DEST_PATH_IMAGE003
趋近于0，其中，t(x)-t(y)表示为景深差距，w表示为权值；
所述导向滤波公式为：
Figure 100582DEST_PATH_IMAGE007
，其中，t表示为最优透视率，
Figure 677057DEST_PATH_IMAGE005
表示为加权透视率；
所述最优图像的表达式为：
Figure 603424DEST_PATH_IMAGE008
，其中，I(x)表示待处理图像，R(x)表示最优图像，t(x)表示为最优透视率，A表示为环境光，j表示8个方向中的任一方向。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1至4中任一项所述的基于暗通道图像的图像去雾方法的步骤。
10.一种计算机设备，其特征在于，包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现如权利要求1至4中任一项所述的基于暗通道图像的图像去雾方法的步骤。
CN202010248024.4A 2020-04-01 2020-04-01 一种图像去雾方法及其系统和设备 Active CN111127372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010248024.4A CN111127372B (zh) 2020-04-01 2020-04-01 一种图像去雾方法及其系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010248024.4A CN111127372B (zh) 2020-04-01 2020-04-01 一种图像去雾方法及其系统和设备

Publications (2)

Publication Number Publication Date
CN111127372A true CN111127372A (zh) 2020-05-08
CN111127372B CN111127372B (zh) 2020-08-07

Family

ID=70493978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010248024.4A Active CN111127372B (zh) 2020-04-01 2020-04-01 一种图像去雾方法及其系统和设备

Country Status (1)

Country Link
CN (1) CN111127372B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899195A (zh) * 2020-07-31 2020-11-06 深圳算子科技有限公司 一种基于图像的最大值或最小值的快速滤波方法
CN112529813A (zh) * 2020-12-18 2021-03-19 四川云从天府人工智能科技有限公司 图像去雾处理方法、装置及计算机存储介质
CN113532800A (zh) * 2021-05-21 2021-10-22 杭州涂鸦信息技术有限公司 透光区域的分析方法以及相关设备、装置
CN114331920A (zh) * 2022-03-09 2022-04-12 浙江大华技术股份有限公司 图像处理方法及装置、存储介质、电子装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130235286A1 (en) * 2012-03-06 2013-09-12 Pai-Fu Hung Real-time auto-dimming safety lens device
CN107403418A (zh) * 2017-07-27 2017-11-28 北京大学深圳研究生院 基于通道透射率进行去雾和颜色校正的水下图像增强方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130235286A1 (en) * 2012-03-06 2013-09-12 Pai-Fu Hung Real-time auto-dimming safety lens device
CN107403418A (zh) * 2017-07-27 2017-11-28 北京大学深圳研究生院 基于通道透射率进行去雾和颜色校正的水下图像增强方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
代维佳等: "基于加权引导滤波的快速自适应图像去雾", 《信息通信》 *
王凯等: "基于暗通道先验的图像去雾算法改进", 《长春理工大学学报》 *
王卫星等: "结合最小滤波和引导滤波的暗原色去雾", 《光学精密工程》 *
肖进胜等: "基于天空约束暗通道先验的图像去雾", 《电子学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899195A (zh) * 2020-07-31 2020-11-06 深圳算子科技有限公司 一种基于图像的最大值或最小值的快速滤波方法
CN112529813A (zh) * 2020-12-18 2021-03-19 四川云从天府人工智能科技有限公司 图像去雾处理方法、装置及计算机存储介质
CN112529813B (zh) * 2020-12-18 2024-05-24 四川云从天府人工智能科技有限公司 图像去雾处理方法、装置及计算机存储介质
CN113532800A (zh) * 2021-05-21 2021-10-22 杭州涂鸦信息技术有限公司 透光区域的分析方法以及相关设备、装置
CN114331920A (zh) * 2022-03-09 2022-04-12 浙江大华技术股份有限公司 图像处理方法及装置、存储介质、电子装置

Also Published As

Publication number Publication date
CN111127372B (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111127372B (zh) 一种图像去雾方法及其系统和设备
JP7413400B2 (ja) 肌質測定方法、肌質等級分類方法、肌質測定装置、電子機器及び記憶媒体
WO2020125631A1 (zh) 视频压缩方法、装置和计算机可读存储介质
Ma et al. Objective quality assessment for color-to-gray image conversion
US9483835B2 (en) Depth value restoration method and system
Yu et al. Fast single image fog removal using edge-preserving smoothing
Tripathi et al. Single image fog removal using anisotropic diffusion
WO2016206087A1 (zh) 一种低照度图像处理方法和装置
KR101459268B1 (ko) 화상 처리 장치 및 화상 처리 장치의 제어 방법
US20030026495A1 (en) Parameterized sharpening and smoothing method and apparatus
US20140079319A1 (en) Methods for enhancing images and apparatuses using the same
El Khoury et al. Color and sharpness assessment of single image dehazing
CN109636745B (zh) 基于分数阶微分图像增强算法的最佳阶图像增强方法
CN104620283B (zh) 图像处理设备、图像处理方法
Hou et al. Underwater image dehazing and denoising via curvature variation regularization
Singh et al. Illumination estimation for nature preserving low-light image enhancement
TWI457853B (zh) 提供深度資訊之影像處理方法及其影像處理系統
JP5703255B2 (ja) 画像処理装置、画像処理方法およびプログラム
WO2024139491A1 (zh) 一种全景图像的确定方法、装置、设备及存储介质
US9330340B1 (en) Noise estimation for images using polynomial relationship for pixel values of image features
Ok et al. HDR tone mapping algorithm based on difference compression with adaptive reference values
CN111968062A (zh) 基于暗通道先验镜面高光图像增强方法、装置及存储介质
Shin et al. Rendering high dynamic range images by using integrated global and local processing
He et al. Integrated image defogging network based on improved atmospheric scattering model and attention feature fusion
Gu et al. A novel total generalized variation model for image dehazing

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