CN111192210B - 一种自适应增强的视频去雾方法 - Google Patents
一种自适应增强的视频去雾方法 Download PDFInfo
- Publication number
- CN111192210B CN111192210B CN201911334356.8A CN201911334356A CN111192210B CN 111192210 B CN111192210 B CN 111192210B CN 201911334356 A CN201911334356 A CN 201911334356A CN 111192210 B CN111192210 B CN 111192210B
- Authority
- CN
- China
- Prior art keywords
- frame
- image
- defogging
- calculating
- atmospheric light
- 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 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims abstract description 20
- 238000009499 grossing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000002834 transmittance Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 241000255969 Pieris brassicae Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本发明公开了一种自适应增强的视频去雾方法。它通过雾图模型进行去雾处理,具体包括如下步骤:对输入视频进行场景检测分析,将视频流分割成不同的场景;计算每个场景内每一帧的大气光值;计算每帧图像R、G、B三个分量的透射图以及最大透射图;对当前帧的最大投射图进行时域的平滑滤波;利用大气光值和得到的最大投射图,对当前帧进行去雾处理;得到的去雾图像进行去噪去块处理,并进行自动亮度调整,得到最终输出。本发明的有益效果是:在去雾的同时解决偏色、天空处颜色分层、时域上颜色抖动等问题,并辅助去噪、去块以及动态亮度调整等一系列技术,得到具有较高主观质量的视频输出。
Description
技术领域
本发明涉及数字视频处理相关技术领域,尤其是指一种自适应增强的视频去雾方法。
背景技术
在监控、户外直播等应用场合中,经常由于雾霾等天气原因,使得采集到的图像出现对比度降低、颜色灰白等质量下降问题,使得物体难以辨认,人眼主观感受下降。视频去雾技术是一项旨在在无法改变天气情况的前提下,对采集的视频进行技术处理以提高图像的对比度,改善人眼主观质量的技术。
对于单帧图像去雾技术,目前使用较多的公认效果比较好的算法主要是基于暗通道优先的去雾算法,但是该算法的处理结果在天空、浓雾等大片白色高亮部分往往会出现颜色断层,而对于雾太大,可视物体太少的场景又容易出现颜色偏差(以下简称偏色)。
发明内容
本发明是为了克服现有技术中存在上述的不足,提供了一种提高主观质量的自适应增强的视频去雾方法。
为了实现上述目的,本发明采用以下技术方案:
一种自适应增强的视频去雾方法,通过雾图模型进行去雾处理,具体包括如下步骤:
(1)对输入视频进行场景检测分析,将视频流分割成不同的场景;
(2)计算每个场景内每一帧的大气光值A,在每个场景内,采用滑动窗口方式,对以当前帧为中心大小为N的窗口内的所有帧的大气光值A做平滑处理,随着窗口在整个场景内移动而得到该场景内所有帧的大气光值A;
(3)计算每帧图像R、G、B三个分量的透射图以及最大透射图Tm;
(4)对当前帧的最大投射图Tm进行时域的平滑滤波;
(5)利用步骤(2)得到大气光值A和步骤(4)得到的最大投射图Tm,对当前帧进行去雾处理;
(6)对步骤(5)得到的去雾图像进行去噪去块处理,并进行自动亮度调整,得到最终输出。
而采用对比度增强的方法进行去雾处理可以有效避免上述算法所产生颜色断层现象,然而由于视频像素通常采用8比特进行存储,直接进行对比度调整会带来调整后的数据超过了8比特所能够表示的数值范围,因此信息会被裁减以适应8比特像素存储的要求,这样会造成图像信息量的损失,使得去雾后的图像会出现有些区域过黑或者过白的问题。同时由于采用对R、G、B三个分量分开处理的方式,使得输出结果往往出现色彩饱和度过高甚至也会出现偏色问题。另一方面相较于单帧图像的去雾处理,针对视频的去雾算法还要求在时域上具有一致性,即要求处理后的视频在同一个场景下不会出现颜色抖动的现象。本发明首先对输入视频进行场景的分割,对于每一个独立的场景,进行参数的统计与计算,并且在该场景内进行参数的平滑与稳定处理,用于解决同一场景内颜色的抖动问题。本发明提出了一个完整的视频去雾处理解决方案,在去雾的同时解决偏色、天空处颜色分层、时域上颜色抖动等问题,并辅助去噪、去块以及动态亮度调整等一系列技术,得到具有较高主观质量的视频输出。
作为优选,所述的雾图模型如下:
转化后可得:
其中:I(p)为雾图,J(p)为清晰图像,A为大气光值,t(p)为透射图,因此对于雾图I(p),在给定A和透射图t(p)后,可计算去雾后清晰图像。
作为优选,在步骤(2)中,每个场景内每一帧的大气光值A的计算方法如下:对于每个场景内的每一帧,采用分块递归方式计算大气光值A,通过迭代的方式选择用于计算A值的图像块,以最终选择的候选块最亮的像素值作为当前帧的大气光值A。
作为优选,迭代的方式具体如下:将图像块从RGB转换为YUV,图像块均分为四个子图像块,计算每个子图像块亮度Y分量的方差,选择亮度方差最小的子图像块作为候选块,再对候选块进行四等分,选择候选块四等分后亮度方差最小的块作为下一次迭代的候选块,直到选出来的候选块大小不大于阈值。
作为优选,在步骤(2)中,平滑处理的计算方法如下:
其中:Ai表示当前要处理的帧的大气光值,Aj表示在窗口N内每一帧的大气光值,kj表示在窗口N内每一帧的大气光值对当前帧的贡献程度,N取范围为5~21内的奇数。
作为优选,在步骤(3)中,计算每帧图像R、G、B三个分量的透射图,分别表示为Tr、Tg、Tb;为了解决饱和度过高和偏色问题,对得到的R、G、B透射图进行进一步处理,对这三个透射图的每一个像素求取Tr、Tg、Tb三个分量中的最大值,将这些最大值组成最大透射图Tm,即:
其中:p表示图像中的每个像素。
作为优选,在步骤(3)中,设置图像块大小为M*M,迭代次数为X,初始透射率为T0,对于每个图像块,迭代X次得到当前图像块的透射图T,具体算法如下:
(31)当T=T0时,对于第x次迭代,其中x=1…X,根据步骤(2)中计算得到的大气光值A以及当前图像块的透射图T计算去雾后的图像块J(x);
(32)计算J(x)的均方误差对比度C,计算J(x)中所有小于0和大于255的像素值值和 L,计算J(x)的当前代价值E(x) = C + a * L,更新T= T0 + delta,其中a 和delta是固定参数;
(33)循环迭代步骤(31)和步骤(32)得到所有的E(x),其中x=1…X,选择E(x)最小的那次迭代对应的T值作为当前块的透射图;
(34)对每帧图像R、G、B三个分量迭代调用步骤(31)、步骤(32)和步骤(33),得到每帧图像R、G、B三个分量的透射率,分别表示为Tr、Tg、Tb。
作为优选,在步骤(4)中,具体操作方法为:选取当前帧Tm(i)前后各两帧Tm为参考,分别记为Tm(i-2)、Tm(i-1)、Tm(i+1)、Tm(i+2),采用以块为单位的运动估计算法,得到各参考帧到Tm(i)的位移,然后根据位移将参考帧映射到当前帧,最后将映射后的参考帧与当前帧进行平滑滤波。
本发明的有益效果是:在去雾的同时解决偏色、天空处颜色分层、时域上颜色抖动等问题,并辅助去噪、去块以及动态亮度调整等一系列技术,得到具有较高主观质量的视频输出。
附图说明
图1是本发明的方法流程图;
图2是本发明中的场景分割图;
图3是本发明中选择用于计算A的分块图;
图4是本发明中A值计算方法的流程图;
图5是本发明中平滑处理大气光值A的取值图;
图6是本发明中的Tr透射图;
图7是本发明中的Tg透射图;
图8是本发明中的Tb透射图;
图9是本发明中的Tm透射图;
图10是本发明中的映射方法图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
如图1所述的实施例中,一种自适应增强的视频去雾方法,通过雾图模型进行去雾处理,雾图模型如下:
转化后可得:
其中:I(p)为雾图,J(p)为清晰图像,A为大气光值,t(p)为透射图,因此对于雾图I(p),在给定A和透射图t(p)后,可计算去雾后清晰图像;具体包括如下步骤:
(1)对输入视频进行场景检测分析,将视频流分割成不同的场景,如图2所示;
(2)计算每个场景内每一帧的大气光值A;每个场景内每一帧的大气光值A的计算方法如下:对于每个场景内的每一帧,采用分块递归方式计算大气光值A,如图3所示,通过迭代的方式选择用于计算A值的图像块,以最终选择的候选块最亮的像素值作为当前帧的大气光值A;如图4所示,迭代的方式具体如下:将图像块从RGB转换为YUV,图像块均分为四个子图像块,计算每个子图像块亮度Y分量的方差,选择亮度方差最小的子图像块作为候选块,再对候选块进行四等分,选择候选块四等分后亮度方差最小的块作为下一次迭代的候选块,直到选出来的候选块大小不大于阈值,可设置最小候选块阈值为32x32或者64x64;
在每个场景内,采用滑动窗口方式,对以当前帧为中心大小为N的窗口内的所有帧的大气光值A做平滑处理,如图5所示,随着窗口在整个场景内移动而得到该场景内所有帧的大气光值A;平滑处理的计算方法如下:
其中:Ai表示当前要处理的帧的大气光值,Aj表示在窗口N内每一帧的大气光值,kj表示在窗口N内每一帧的大气光值对当前帧的贡献程度,N取范围为5~21内的奇数;
(3)计算每帧图像R、G、B三个分量的透射图以及最大透射图Tm;设置图像块大小为M*M,迭代次数为X,初始透射率为T0,对于每个图像块,迭代X次得到当前图像块的透射图T,具体算法如下:
(31)当T=T0时,对于第x次迭代,其中x=1…X,根据步骤(2)中计算得到的大气光值A以及当前图像块的透射图T计算去雾后的图像块J(x);
(32)计算J(x)的均方误差对比度C,计算J(x)中所有小于0和大于255的像素值值和 L,计算J(x)的当前代价值E(x) = C + a * L,更新T= T0 + delta,其中a 和delta是固定参数;
(33)循环迭代步骤(31)和步骤(32)得到所有的E(x),其中x=1…X,选择E(x)最小的那次迭代对应的T值作为当前块的透射图;
(34)对每帧图像R、G、B三个分量迭代调用步骤(31)、步骤(32)和步骤(33),得到每帧图像R、G、B三个分量的透射率,分别表示为Tr、Tg、Tb。其中:图像块大小M可以为32或者64,T0为0.1,X为7,每次迭代T的更新值为delta为0.1,a=5.0。
为了解决饱和度过高和偏色问题,对得到的R、G、B透射图进行进一步处理,对这三个透射图的每一个像素求取Tr、Tg、Tb三个分量中的最大值,将这些最大值组成最大透射图Tm,即:
其中:p表示图像中的每个像素,如图6、图7、图8、图9所示;
(4)对当前帧的最大投射图Tm进行时域的平滑滤波;具体操作方法为:选取当前帧Tm(i)前后各两帧Tm为参考,分别记为Tm(i-2)、Tm(i-1)、Tm(i+1)、Tm(i+2),采用以块为单位的运动估计算法,得到各参考帧到Tm(i)的位移,然后根据位移将参考帧映射到当前帧,最后将映射后的参考帧与当前帧进行平滑滤波,如图10所示中标记为映射的虚线框所示,滤波器可采用常见滤波器,例如高斯滤波等;
(5)利用步骤(2)得到大气光值A和步骤(4)得到的最大投射图Tm,对当前帧进行去雾处理;
(6)对步骤(5)得到的去雾图像进行去噪去块处理,并进行自动亮度调整,得到最终输出。
Claims (4)
1.一种自适应增强的视频去雾方法,其特征是,通过雾图模型进行去雾处理,所述的雾图模型如下:
转化后可得:
其中:I(p)为雾图,J(p)为清晰图像,A为大气光值,t(p)为透射图,因此对于雾图I(p),在给定A和透射图t(p)后,可计算去雾后清晰图像;具体包括如下步骤:
(1)对输入视频进行场景检测分析,将视频流分割成不同的场景;
(2)计算每个场景内每一帧的大气光值A,在每个场景内,采用滑动窗口方式,对以当前帧为中心大小为N的窗口内的所有帧的大气光值A做平滑处理,随着窗口在整个场景内移动而得到该场景内所有帧的大气光值A;每个场景内每一帧的大气光值A的计算方法如下:对于每个场景内的每一帧,采用分块递归方式计算大气光值A,通过迭代的方式选择用于计算A值的图像块,以最终选择的候选块最亮的像素值作为当前帧的大气光值A;平滑处理的计算方法如下:
其中:Ai表示当前要处理的帧的大气光值,Aj表示在窗口N内每一帧的大气光值,kj表示在窗口N内每一帧的大气光值对当前帧的贡献程度,N取范围为5~21内的奇数;
(3)计算每帧图像R、G、B三个分量的透射图以及最大透射图Tm;计算每帧图像R、G、B三个分量的透射图,分别表示为Tr、Tg、Tb;为了解决饱和度过高和偏色问题,对得到的R、G、B透射图进行进一步处理,对这三个透射图的每一个像素求取Tr、Tg、Tb三个分量中的最大值,将这些最大值组成最大透射图Tm,即:
其中:p表示图像中的每个像素;
(4)对当前帧的最大投射图Tm进行时域的平滑滤波;
(5)利用步骤(2)得到大气光值A和步骤(4)得到的经过时域的平滑滤波后的最大投射图Tm,对当前帧进行去雾处理;
(6)对步骤(5)得到的去雾图像进行去噪去块处理,并进行自动亮度调整,得到最终输出。
2.根据权利要求1所述的一种自适应增强的视频去雾方法,其特征是,迭代的方式具体如下:将图像块从RGB转换为YUV,图像块均分为四个子图像块,计算每个子图像块亮度Y分量的方差,选择亮度方差最小的子图像块作为候选块,再对候选块进行四等分,选择候选块四等分后亮度方差最小的块作为下一次迭代的候选块,直到选出来的候选块大小不大于阈值。
3.根据权利要求1所述的一种自适应增强的视频去雾方法,其特征是,在步骤(3)中,设置图像块大小为M*M,迭代次数为X,初始透射率为T0,对于每个图像块,迭代X次得到当前图像块的透射图T,具体算法如下:
(31)当T=T0时,对于第x次迭代,其中x=1…X,根据步骤(2)中计算得到的大气光值A以及当前图像块的透射图T计算去雾后的图像块J(x);
(32)计算J(x)的均方误差对比度C,计算J(x)中所有小于0和大于255的像素值值和 L,计算J(x)的当前代价值E(x) = C + a * L,更新T= T0 + delta,其中a 和delta是固定参数;
(33)循环迭代步骤(31)和步骤(32)得到所有的E(x),其中x=1…X,选择E(x)最小的那次迭代对应的T值作为当前块的透射图;
(34)对每帧图像R、G、B三个分量迭代调用步骤(31)、步骤(32)和步骤(33),得到每帧图像R、G、B三个分量的透射率,分别表示为Tr、Tg、Tb。
4.根据权利要求1所述的一种自适应增强的视频去雾方法,其特征是,在步骤(4)中,具体操作方法为:选取当前帧Tm(i)前后各两帧Tm为参考,分别记为Tm(i-2)、Tm(i-1)、Tm(i+1)、Tm(i+2),采用以块为单位的运动估计算法,得到各参考帧到Tm(i)的位移,然后根据位移将参考帧映射到当前帧,最后将映射后的参考帧与当前帧进行平滑滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911334356.8A CN111192210B (zh) | 2019-12-23 | 2019-12-23 | 一种自适应增强的视频去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911334356.8A CN111192210B (zh) | 2019-12-23 | 2019-12-23 | 一种自适应增强的视频去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111192210A CN111192210A (zh) | 2020-05-22 |
CN111192210B true CN111192210B (zh) | 2023-05-26 |
Family
ID=70709263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911334356.8A Active CN111192210B (zh) | 2019-12-23 | 2019-12-23 | 一种自适应增强的视频去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192210B (zh) |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7965336B2 (en) * | 2002-11-14 | 2011-06-21 | Donnelly Corporation | Imaging system for vehicle |
CN102831590A (zh) * | 2012-08-30 | 2012-12-19 | 李勃 | 基于波谱特性的透射率-暗原色先验去雾增强方法 |
EP3156968B1 (en) * | 2014-06-12 | 2019-02-27 | EIZO Corporation | Haze removal device and image generation method |
CN104299192B (zh) * | 2014-09-28 | 2017-03-29 | 北京联合大学 | 一种基于大气光散射物理模型的单幅图像去雾方法 |
CN105469372A (zh) * | 2015-12-30 | 2016-04-06 | 广西师范大学 | 一种基于均值滤波的雾天图像清晰化处理方法 |
CN105574830B (zh) * | 2016-02-04 | 2020-02-21 | 沈阳工业大学 | 极端天气条件下低质图像增强方法 |
CN105631831B (zh) * | 2016-03-14 | 2018-07-27 | 北京理工大学 | 一种雾霾条件下视频图像增强方法 |
CN105976330B (zh) * | 2016-04-27 | 2019-04-09 | 大连理工大学 | 一种嵌入式雾天实时视频稳像方法 |
CN106157267B (zh) * | 2016-07-12 | 2020-01-03 | 中国科学技术大学 | 一种基于暗通道先验的图像去雾透射率优化方法 |
CN106530246B (zh) * | 2016-10-28 | 2019-04-16 | 大连理工大学 | 基于暗通道与非局部先验的图像去雾方法及系统 |
CN106886985B (zh) * | 2017-04-25 | 2019-10-08 | 哈尔滨工业大学 | 一种减小色偏的自适应低照度图像增强方法 |
CN107993198A (zh) * | 2017-10-24 | 2018-05-04 | 中国科学院长春光学精密机械与物理研究所 | 优化对比度增强的图像去雾方法及系统 |
CN108416741B (zh) * | 2018-01-23 | 2021-10-12 | 浙江工商大学 | 基于亮度对比度增强和饱和度补偿的快速图像去雾方法 |
CN109636735B (zh) * | 2018-11-02 | 2023-03-10 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于时空一致性约束的快速视频去雾方法 |
CN109961412A (zh) * | 2019-03-18 | 2019-07-02 | 浙江大华技术股份有限公司 | 一种视频帧图像去雾方法及设备 |
CN110163807B (zh) * | 2019-03-20 | 2023-04-07 | 哈尔滨工业大学 | 一种基于期望亮通道的低照度图像增强方法 |
CN110136079A (zh) * | 2019-05-05 | 2019-08-16 | 长安大学 | 基于场景深度分割的图像去雾方法 |
CN110544220B (zh) * | 2019-09-05 | 2022-02-22 | 北京天玛智控科技股份有限公司 | 一种煤矿井下视频图像智能去雾方法、存储介质及系统 |
-
2019
- 2019-12-23 CN CN201911334356.8A patent/CN111192210B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111192210A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148095B (zh) | 一种水下图像增强方法及增强装置 | |
CN108876743B (zh) | 一种图像快速去雾方法、系统、终端及存储介质 | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
WO2016206087A1 (zh) | 一种低照度图像处理方法和装置 | |
CN109785240B (zh) | 一种低照度图像增强方法、装置及图像处理设备 | |
CN107862672B (zh) | 图像去雾的方法及装置 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN110782407A (zh) | 一种基于天空区域概率分割的单幅图像去雾方法 | |
CN109523474A (zh) | 一种基于雾天退化模型的低照度图像增强方法 | |
CN108093175A (zh) | 一种实时高清视频自适应去雾方法及装置 | |
CN104091307A (zh) | 基于反馈均值滤波的雾天图像快速复原方法 | |
CN113706393A (zh) | 视频增强方法、装置、设备及存储介质 | |
CN112053298A (zh) | 一种图像去雾方法 | |
CN108898561B (zh) | 一种含天空区域雾天图像的去雾方法、服务器及系统 | |
CN108765337B (zh) | 一种基于暗原色先验与非局部mtv模型的单幅彩色图像去雾处理方法 | |
CN114693548A (zh) | 一种基于亮区域检测的暗通道去雾方法 | |
CN110969584A (zh) | 一种低照度图像增强方法 | |
CN107358592B (zh) | 一种迭代式全局自适应图像增强方法 | |
CN110852971B (zh) | 基于暗原色先验和Retinex的视频去雾方法及存储介质 | |
CN111192210B (zh) | 一种自适应增强的视频去雾方法 | |
CN107203979B (zh) | 一种低照度图像增强的方法 | |
CN113379631B (zh) | 一种图像去雾的方法及装置 | |
CN112686825A (zh) | 一种基于fpga的地面浓雾场景灰度图像去雾方法 | |
CN111028184B (zh) | 一种图像增强方法及系统 | |
Nan et al. | Image defogging algorithm based on Fisher criterion function and dark channel 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |