CN111462022B - 一种水下图像清晰化增强方法 - Google Patents
一种水下图像清晰化增强方法 Download PDFInfo
- Publication number
- CN111462022B CN111462022B CN202010355038.6A CN202010355038A CN111462022B CN 111462022 B CN111462022 B CN 111462022B CN 202010355038 A CN202010355038 A CN 202010355038A CN 111462022 B CN111462022 B CN 111462022B
- Authority
- CN
- China
- Prior art keywords
- image
- underwater
- channel
- color
- output
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 241000592718 Ibla Species 0.000 description 5
- 238000003707 image sharpening Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
- 230000002087 whitening 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明属于数字图像处理技术领域,涉及一种水下图像清晰化增强方法,将颜色矫正策略和对比度增强策略相结合以执行对水下图像的清晰化进程,其中颜色矫正策略用于消除因光线在介质中的传播属性或人工光照而引入的衰减差异,改善色偏问题,对比度增强策略用于提高对比度以消除图像的雾化外观,并暴露更多的场景细节;其方法简单,原理科学可靠,能够有效增加可检测的图像结构特征,增强水下图像清晰度,而且变分框架良好的耦合性,可以与其他技术结合或作为预处理步骤广泛用于计算机视觉领域。
Description
技术领域:
本发明属于数字图像处理技术领域,涉及一种水下图像清晰化增强方法,特别是一种基于变分法的水下图像清晰化技术。
背景技术:
长期以来,在水下获取的图像常常存在着多种退化问题,如雾化,蓝绿色偏,细节模糊等问题。这使得水下的原始图像能见度低,观感不佳。利用数字图像处理技术来清晰化细节和恢复其可见度作为现行的一种有效的解决方案,具有成本低廉以及易于实施等优势。当前针对水下图像的清晰化技术,可划分为两类:一类是基于物理成像过程反演的图像恢复技术,旨在于获得目标的真实辐照;另一类则从图像本身出发,以获得更佳的图像质量为主要目的。例如CN201910137923.4公开了一种基于多尺度梯度域对比度拉伸的水下图像清晰化处理方法,包括:采用白平衡算法获得去除蓝色窗口效应后的水下图像,并将水下图像由RGB色彩空间转换为LAB色彩空间;将所述水下图像的LAB色彩空间的L通道图像进行基于加权最小二乘法分解得到粗略图像;根据粗略图像计算细节图像,并采用不同梯度对细节图像进行增强,得到增强后的细节图像;对粗略图像进行伽马校正,将校正后的粗略图像作为基础图像;将增强后的细节图像以及基础图像合成得到对比度增强后的图像;将水下图像的LAB色彩空间的A、B通道进行色彩饱和度补偿;将对比度增强后的图像和色彩饱和度补偿后的水下图像转换为RGB色彩空间;CN201910083780.3公开了一种水下图像增强处理方法和装置,先获取待处理的水下图像;再根据红通道先验去雾理论对所述待处理的水下图像进行去雾处理,以得到去雾处理后的水下图像;然后对所述去雾处理后的水下图像进行直方图拉伸,以得到拉伸后的水下图像;CN201910960148.2公开了一种基于颜色曲线分解的水下图像清晰化方法及系统,将获取的水下图像均匀划分为若干个区域,指定区域中背景区域评分最高的为最佳背景区域,计算该最佳背景区域内的像素均值作为背景光值;获取水下图像颜色像素点形成的颜色衰减曲线,并分解至RGB坐标轴,得到颜色衰减曲线在RGB坐标轴上的最大投影值,结合背景光值获取透射图;将背景光值和透射图输入大气散射模型,对水下图像进行复原;对复原后的水下图像进行色彩补偿,完成水下图像的清晰化;CN201810084505.9公开了一种基于粒计算的水下图像增强系统及增强方法,基于非均匀粒度的计算方法,去除水下光照不均和噪声,在保护纹理细节的完整性的同时,实现图像增强,首先提取水下图像的照度信息,按从粗到细的粒度层次逐步对光照信息进行细分,将图像划分为一系列大小和光照强度不同的粒子构成的集合,并定位最适宜亮度粒子,根据每个粒子的亮度情况分别进行照度补偿,获得去除光照不均的水下图像,然后对每个粒子分别进行噪声去除,实现图像增强。
由于水下环境的能见度退化是多种物理因素藕合作用的结果,相较于常见的户外图像,水下图像的类型更加多种多样,例如绿色调的图像,蓝色调的图像,浑浊的图像等等。现有的图像恢复技术在解决这类病态反问题时,通常需要借助于诸如暗通道先验的某种假设理论,然而单一的假设理论难以通用于各种类型水下图像的事实,造成这类方法鲁棒性低,且清晰化程度有限。因此,需要设计一种新型的水下图像清晰化增强技术,有效地对图像中存在的色偏进行矫正,并输出高清晰度的增强结果。
发明内容:
本发明的目的在于克服现有技术存在的弱点,提供一种变分框架形式的水下图像清晰化增强方法,将颜色矫正策略和对比度增强策略相结合以执行对水下图像的清晰化进程,其中颜色矫正策略用于消除因光线在介质中的传播属性或人工光照而引入的衰减差异,改善色偏问题,对比度增强策略用于提高对比度以消除图像的雾化外观,并暴露更多的场景细节。
为了实现上述目的,本发明对水下图像清晰化增强的具体过程为:
(1)输入水下原始图像u0;
(2)构建基于变分框架的清晰化能量方程:
其中,
式中I是增强结果,迭代最初被初始化为未经处理的原始图像;a、b为比例参数,用于控制两项的权重;Ω为全部图像区域;c∈{R,G,B},指代图像的彩色通道;U是色彩矫正图像,D为距离加权平均函数,S为权值函数,μ为斜率参数;能量方程中第一项为数据项,用以改善最终输出的色彩表现,第二项为规则项,用于度量图像对比度,在方程能量最小化迭代过程中拉伸该项以提高图像对比度,从而改善场景的通透性;
(3)对水下原始图像u0各通道色彩信息进行补偿,先求取图像各通道的平均值Ar、Ag、Ab后,对红色通道进行如下补偿:
其中u1为补偿后图像,u0为水下原始图像;对绿色和蓝色通道,需先判断Ag和Ab的大小,若Ag≥Ab,则利用绿色通道对蓝色通道做如下补偿:
若Ag<Ab,则利用蓝色通道对绿色通道进行补偿:
(4)对u1各通道利用以下等式进行直方图拉伸到区间[0,1]得到u2,均衡三个通道的分布,在减少错误补偿的同时提升清晰度:
(5)对u2利用灰度世界算法消除环境光的影响,获得图像u3:
(6)将落在区间[0,1]之外的像素值投影至0或1,得到色彩矫正图像U:
(7)最小化清晰化能量方程:当能量方程最小化时,对应输出I即为色彩最接近矫正结果且对比度最大的清晰化输出,对能量方程使用梯度下降策略求取输出图像,具体步骤为:
(7-1)求解能量方程导数:
其中,s为函数S的导函数,其表达式为:
(7-2)根据梯度下降策略原理,推导迭代式:
离散化后,得:
移项,整理:
(8)快速迭代求解:对迭代过程中算子使用快速计算策略,先构建输入图像的多分辨率高斯金字塔,利用底层缩略图计算图像的全局背景信息,再逐级向上更新缩略过程中遗漏的近处背景信息,每一层级中的图像使用窗口化的卷积运算或矩阵运算,直至金字塔顶层原始分辨率图像;
(9)迭代式迭代至相邻两次迭代图像变化率的导数小于设定的阈值时,迭代终止并输出清晰化结果,实现水下图像的清晰化。
本发明中所述所有的图像需要事先被动态投影到区间[0,1]。
本发明与现有技术相比,具有以下优点:一是在避免引入过量红色的同时,有效的矫正场景色彩,产生更加符合人类主观感知的色彩表现;二是对比度增强项的引入,显著提高了朦胧场景的可见度,更多的场景细节得以突出呈现,因光线散射而晕化的边缘也得到修复;三是不依赖于模型反演以及先验假设,具有良好的鲁棒性,对于一些退化严重的场景,依然能够产生合理的增强结果;其方法简单,原理科学可靠,能够有效增加可检测的图像结构特征,增强水下图像清晰度,而且变分框架良好的耦合性,可以与其他技术结合或作为预处理步骤广泛用于计算机视觉领域。
附图说明:
图1为本发明的工作原理流程示意框图。
图2为本发明所述实施例1中原始水下图像(a)以及经由实施例1产生的清晰化结果(b)对比。
图3为本发明实施例2中的水下图像及各方法输出结果,其中(a)为原始水下图像,(b)为ACE算法输出结果,(c)为WCID算法输出结果,(d)为UDCP输出结果,(e)为IBLA算法的输出结果,(f)为实施例2实验结果。
图4为本发明实施例3中的水下图像及各方法输出结果,其中(a)为原始水下图像,(b)为ACE算法输出结果,(c)为WCID算法输出结果,(d)为UDCP输出结果,(e)为IBLA算法的输出结果,(f)为实施例3实验结果。
图5为本发明实施例4中的水下图像及各方法输出结果,其中(a)为原始水下图像,(b)为ACE算法输出结果,(c)为WCID算法输出结果,(d)为UDCP输出结果,(e)为IBLA算法的输出结果,(f)为实施例4实验结果。
图6为本发明实施例5中的水下图像及各方法输出结果,其中(a)为原始水下图像,(b)为ACE算法输出结果,(c)为WCID算法输出结果,(d)为UDCP输出结果,(e)为IBLA算法的输出结果,(f)为实施例5实验结果。
图7为本发明实施例6中的水下图像及各方法输出结果,其中(a)为原始水下图像,(b)为ACE算法输出结果,(c)为WCID算法输出结果,(d)为UDCP输出结果,(e)为IBLA算法的输出结果,(f)为实施例6实验结果。
图8为本发明实施例7应用Canny算法对原始图像和各方法输出图像进行边缘检测的结果图,其中(a)为原始水下图像的检测结果;(b)为ACE算法输出图像的检测结果;(c)为WCID算法输出图像的检测结果;(d)为UDCP输出图像的检测结果;(e)为IBLA算法的输出图像检测结果;(f)为实施例1方法输出图像的检测结果。
具体实施方式:
下面通过实施例并结合附图对本发明作进一步说明。
实施例1:
本实施例对水下图像清晰化增强的具体过程为:
(1)输入水下原始图像u0;
(2)构建基于变分框架的清晰化能量方程:
其中,
式中I是增强结果,迭代最初被初始化为未经处理的原始图像;a、b为比例参数,用于控制两项的权重;Ω为全部图像区域;c∈{R,G,B},指代图像的彩色通道;U是色彩矫正图像,D为距离加权平均函数,S为权值函数,μ为斜率参数;能量方程中第一项为数据项,用以改善最终输出的色彩表现,第二项为规则项,用于度量图像对比度,在方程能量最小化迭代过程中拉伸该项以提高图像对比度,从而改善场景的通透性;
(3)对水下原始图像u0各通道色彩信息进行补偿,先求取图像各通道的平均值Ar、Ag、Ab后,对红色通道进行如下补偿:
其中u1为补偿后图像,u0为水下原始图像;对绿色和蓝色通道,需先判断Ag和Ab的大小,若Ag≥Ab,则利用绿色通道对蓝色通道做如下补偿:
若Ag<Ab,则利用蓝色通道对绿色通道进行补偿:
(4)对u1各通道利用以下等式进行直方图拉伸到区间[0,1]得到u2,均衡三个通道的分布,在减少错误补偿的同时提升清晰度:
(5)对u2利用灰度世界算法消除环境光的影响,获得图像u3:
(6)将落在区间[0,1]之外的像素值投影至0或1,得到色彩矫正图像U:
(7)最小化清晰化能量方程:当能量方程最小化时,对应输出I即为色彩最接近矫正结果且对比度最大的清晰化输出,对能量方程使用梯度下降策略求取输出图像,具体步骤为:
(7-1)求解能量方程导数:
其中,s为函数S的导函数,其表达式为:
(7-2)根据梯度下降策略原理,推导迭代式:
离散化,得:
移项,整理:
(8)快速迭代求解:对迭代过程中算子使用快速计算策略,先构建输入图像的多分辨率高斯金字塔,利用底层缩略图计算图像的全局背景信息,再逐级向上更新缩略过程中遗漏的近处背景信息,每一层级中的图像使用窗口化的卷积运算或矩阵运算,直至金字塔顶层原始分辨率图像;
(9)迭代式迭代至相邻两次迭代图像变化率的导数小于设定的阈值时,迭代终止并输出清晰化结果,实现水下图像的清晰化。
本实施例中各参数设置为:a=0.8,b=0.2,μ=6,Δt=0.8。图像变化率的导数阈值设定为0.5,采用本实施例的技术方案对原始水下图像(图2(a))进行清晰化增强的结果如图2(b)所示。
实施例2:
本实施例采用实施例1的技术方案与其他现有方法对水下绿化场景的水下图像进行清晰化增强,其结果如图3所示,(a)为原始水下图像,(b)为ACE算法输出结果,(c)为WCID算法输出结果,(d)为UDCP输出结果,(e)为IBLA算法的输出结果,(f)为本实施例实验结果。
实施例3:
本实施例采用实施例1的技术方案与其他现有方法对水下蓝化场景的水下图像进行清晰化增强,其结果如图4所示,(a)为原始水下图像,(b)为ACE算法输出结果,(c)为WCID算法输出结果,(d)为UDCP输出结果,(e)为IBLA算法的输出结果,(f)为本实施例实验结果。
实施例4:
本实施例采用实施例1的技术方案与其他现有方法对水下白化场景的水下图像进行清晰化增强,其结果如图4所示,(a)为原始水下图像,(b)为ACE算法输出结果,(c)为WCID算法输出结果,(d)为UDCP输出结果,(e)为IBLA算法的输出结果,(f)为本实施例实验结果。
实施例5:
本实施例采用实施例1的技术方案与其他现有方法对水下浑浊场景的水下图像进行清晰化增强,其结果如图4所示,(a)为原始水下图像,(b)为ACE算法输出结果,(c)为WCID算法输出结果,(d)为UDCP输出结果,(e)为IBLA算法的输出结果,(f)为本实施例实验结果。
实施例6:
本实施例采用实施例1的技术方案与其他现有方法对水下低照度场景的水下图像进行清晰化增强,其结果如图4所示,(a)为原始水下图像,(b)为ACE算法输出结果,(c)为WCID算法输出结果,(d)为UDCP输出结果,(e)为IBLA算法的输出结果,(f)为本实施例实验结果。
实施例7:
本实施例应用Canny算法对原始图像、采用实施例1与其他现有方法输出的图像进行边缘检测,其结果如图8所示,(a)为原始水下图像的检测结果,边缘像素数目为1280;(b)为ACE算法输出图像的检测结果,边缘像素数目为17074;(c)为WCID算法输出图像的检测结果,边缘像素数目为2670;(d)为UDCP输出图像的检测结果,边缘像素数目为2914;(e)为IBLA算法的输出图像检测结果,边缘像素数目为4848;(f)为实施例1方法输出图像的检测结果,边缘像素数目为29624。
Claims (1)
1.一种水下图像清晰化增强方法,其特征在于具体过程为:
(1)输入水下原始图像u0;
(2)构建基于变分框架的清晰化能量方程:
其中,
式中I是增强结果,迭代最初被初始化为未经处理的原始图像;a、b为比例参数,用于控制两项的权重;Ω为全部图像区域;c∈{R,G,B},指代图像的彩色通道;U是色彩矫正图像,D为距离加权平均函数,S为权值函数,μ为斜率参数;能量方程中为数据项,用以改善最终输出的色彩表现,为规则项,用于度量图像对比度,在方程能量最小化迭代过程中拉伸规则项以提高图像对比度,从而改善场景的通透性;
(3)对水下原始图像u0各通道色彩信息进行补偿,先求取图像各通道的平均值Ar、Ag、Ab后,对红色通道进行如下补偿:
其中u1为补偿后图像,u0为水下原始图像;对绿色和蓝色通道,需先判断Ag和Ab的大小,若Ag≥Ab,则利用绿色通道对蓝色通道做如下补偿:
若Ag<Ab,则利用蓝色通道对绿色通道进行补偿:
(4)对u1各通道利用以下等式进行直方图拉伸到区间[0,1]得到u2,均衡三个通道的分布,在减少错误补偿的同时提升清晰度:
(5)对u2利用灰度世界算法消除环境光的影响,获得图像u3:
(6)将落在区间[0,1]之外的像素值投影至0或1,得到色彩矫正图像U:
(7)最小化清晰化能量方程:当能量方程最小化时,对应输出I即为色彩最接近矫正结果且对比度最大的清晰化输出,对能量方程使用梯度下降策略求取输出图像,具体步骤为:
(7-1)求解能量方程导数:
其中,s为函数S的导函数,其表达式为:
(7-2)根据梯度下降策略原理,推导迭代式:
离散化后,得:
移项,整理:
(8)快速迭代求解:对迭代过程中算子使用快速计算策略,先构建输入图像的多分辨率高斯金字塔,利用底层缩略图计算图像的全局背景信息,再逐级向上更新缩略过程中遗漏的近处背景信息,每一层级中的图像使用窗口化的卷积运算或矩阵运算,直至金字塔顶层原始分辨率图像;
(9)迭代式迭代至相邻两次迭代图像变化率的导数小于设定的阈值时,迭代终止并输出清晰化结果,实现水下图像的清晰化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355038.6A CN111462022B (zh) | 2020-04-29 | 2020-04-29 | 一种水下图像清晰化增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355038.6A CN111462022B (zh) | 2020-04-29 | 2020-04-29 | 一种水下图像清晰化增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462022A CN111462022A (zh) | 2020-07-28 |
CN111462022B true CN111462022B (zh) | 2022-11-01 |
Family
ID=71685362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010355038.6A Expired - Fee Related CN111462022B (zh) | 2020-04-29 | 2020-04-29 | 一种水下图像清晰化增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462022B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436107B (zh) * | 2021-07-05 | 2023-06-20 | 鹏城实验室 | 图像增强方法、智能设备、计算机存储介质 |
CN114066764B (zh) * | 2021-11-23 | 2023-05-09 | 电子科技大学 | 基于距离加权色偏估计的沙尘退化图像增强方法及装置 |
CN114511052B (zh) * | 2022-01-21 | 2023-06-16 | 重庆市规划和自然资源信息中心 | 一种实现不动产登记窗口无纸化办理的系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1738198A2 (en) * | 2004-02-13 | 2007-01-03 | Technion Research And Development Foundation, Ltd. | Enhanced underwater imaging |
CN106981053A (zh) * | 2017-03-02 | 2017-07-25 | 天津大学 | 一种基于加权融合的水下图像增强方法 |
WO2017175231A1 (en) * | 2016-04-07 | 2017-10-12 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
CN107886486A (zh) * | 2017-12-01 | 2018-04-06 | 天津大学 | 基于暗通道先验与变分Retinex水下图像增强方法 |
CN109903250A (zh) * | 2019-02-25 | 2019-06-18 | 大连海事大学 | 基于多尺度梯度域对比度拉伸的水下图像清晰化处理方法 |
CN110288539A (zh) * | 2019-06-03 | 2019-09-27 | 哈尔滨工程大学 | 一种结合颜色空间移动与暗通道先验的水下图像清晰方法 |
-
2020
- 2020-04-29 CN CN202010355038.6A patent/CN111462022B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1738198A2 (en) * | 2004-02-13 | 2007-01-03 | Technion Research And Development Foundation, Ltd. | Enhanced underwater imaging |
WO2017175231A1 (en) * | 2016-04-07 | 2017-10-12 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
EP3440627A1 (en) * | 2016-04-07 | 2019-02-13 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
CN106981053A (zh) * | 2017-03-02 | 2017-07-25 | 天津大学 | 一种基于加权融合的水下图像增强方法 |
CN107886486A (zh) * | 2017-12-01 | 2018-04-06 | 天津大学 | 基于暗通道先验与变分Retinex水下图像增强方法 |
CN109903250A (zh) * | 2019-02-25 | 2019-06-18 | 大连海事大学 | 基于多尺度梯度域对比度拉伸的水下图像清晰化处理方法 |
CN110288539A (zh) * | 2019-06-03 | 2019-09-27 | 哈尔滨工程大学 | 一种结合颜色空间移动与暗通道先验的水下图像清晰方法 |
Non-Patent Citations (5)
Title |
---|
An effcient nonlocal variational method with application to underwater image restoration;G. Hou, Z. Pan, G. Wang 等;《Neurocomputing》;20191022;全文 * |
An in-depth survey of underwater image enhancement and restoration;M.Yang,J.Hu,C.Li等;《IEEE Access》;20190802;全文 * |
Automatic red channel underwater image restoration;A. Galdran, D. Pardo, A. Picón等;《Journal of Visual Communication and Image Representation》;20141121;全文 * |
Emerging from water: Underwater image color correction based on weakly supervised color transfer;C. Li, J. Guo, C. Guo;《IEEE Signal Processing Letter》;20180111;全文 * |
Single image dehazing and denoising combining dark channel prior and variational models;Z. Wang, G. Hou, Z. Pan;《IET Computer Vision》;20180118;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111462022A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462022B (zh) | 一种水下图像清晰化增强方法 | |
CN107798665B (zh) | 基于结构-纹理分层的水下图像增强方法 | |
WO2016206087A1 (zh) | 一种低照度图像处理方法和装置 | |
CN109118446B (zh) | 一种水下图像复原及去噪方法 | |
CN102750674A (zh) | 基于自适应容差的视频图像去雾方法 | |
CN112561804A (zh) | 基于多尺度细节增强的低光照水下图像增强方法 | |
CN108182671B (zh) | 一种基于天空区域识别的单幅图像去雾方法 | |
CN110689490A (zh) | 一种基于纹理颜色特征和优化透射率的水下图像复原方法 | |
CN111161167B (zh) | 基于中通道补偿和自适应大气光估计的单幅图像去雾方法 | |
CN116823686B (zh) | 一种基于图像增强的夜间红外与可见光图像融合方法 | |
CN110009574B (zh) | 一种低动态范围图像逆向生成高动态范围图像的方法 | |
CN106846271B (zh) | 一种去除身份证照片中网纹的方法 | |
Kumari et al. | Single image fog removal using gamma transformation and median filtering | |
CN112991222A (zh) | 图像雾霾去除处理方法、系统、计算机设备、终端及应用 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
Tsutsui et al. | Halo artifacts reduction method for variational based realtime retinex image enhancement | |
CN110992287B (zh) | 一种非均匀光照视频的清晰化方法 | |
CN109636735B (zh) | 一种基于时空一致性约束的快速视频去雾方法 | |
CN117252773A (zh) | 基于自适应颜色校正和导向滤波的图像增强方法及系统 | |
CN106709876A (zh) | 一种基于暗像元原理的光学遥感图像去雾方法 | |
Chen et al. | An adaptive image dehazing algorithm based on dark channel prior | |
CN113012067B (zh) | 基于Retinex理论和端到端深度网络的水下图像复原方法 | |
Tang et al. | Sky-preserved image dehazing and enhancement for outdoor scenes | |
Kansal et al. | Effect of non uniform illumination compensation on dehazing/de-fogging techniques | |
CN111489302A (zh) | 一种雾气环境下海事图像增强方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221101 |
|
CF01 | Termination of patent right due to non-payment of annual fee |