CN111598812B - 一种基于rgb和hsv双颜色空间的图像去雾方法 - Google Patents
一种基于rgb和hsv双颜色空间的图像去雾方法 Download PDFInfo
- Publication number
- CN111598812B CN111598812B CN202010447015.8A CN202010447015A CN111598812B CN 111598812 B CN111598812 B CN 111598812B CN 202010447015 A CN202010447015 A CN 202010447015A CN 111598812 B CN111598812 B CN 111598812B
- Authority
- CN
- China
- Prior art keywords
- formula
- image
- value
- rgb
- transmittance
- 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 29
- 238000002834 transmittance Methods 0.000 claims abstract description 43
- 238000003384 imaging method Methods 0.000 claims abstract description 8
- 239000003595 mist Substances 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 17
- 125000001475 halogen functional group Chemical group 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
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
一种基于RGB和HSV双颜色空间的图像去雾方法,涉及数字图像处理技术领域,解决现有方法中透过率估计不准确,易产生光晕现象以及颜色失真,实时性差等问题,本发明从大气散射模型出发,利用有雾图像最小值通道和雾浓度估计建立透过率估计模型;在HSV的空间,利用饱和度特性,实现饱和度下像素级的雾浓度估计;利用RGB空间的L2范数,建立RGB三通道的像素级的雾浓度估计的数学模型;结合两个颜色空间的雾浓度估计,利用成像场景与雾浓度估计的参数,自适应地获取最终的雾浓度估计值;从而,直接从单幅图像中获得最佳的大气透过率图。利用最小值通道图像自适应的获取全局大气光。本发明算法处理效果较好且运算量小,可应用于实时工程系统中。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种结合RGB和HSV双颜色空间的图像去雾方法。
背景技术
由于雾霾天气广泛存在,大气中存在大量的悬浮颗粒,各种颗粒物和小水滴对光线的散射效应使得图像的亮度改变,细节丢失,对比度下降,严重干扰了户外成像设备工作,如户外监视系统、辅助驾驶系统等。因此,快速高效的去雾技术的研究成为当前的研究热点和难点。
目前,大部分单幅图像去雾方法基本上都是基于大气散射模型展开研究的。通过一些先验信息(如暗通道先验、颜色先验、几何先验等)对大气散射模型中的未知变量进行估计求解,从而利用大气散射模型,可得到无雾图像。近年来出现了一些比较经典的去雾方法:He提出的暗通道先验算法被公认是简单有效的去雾方法,然而暗通道算法在局部图像不满足先验信息的时,对透过率的估计将会出现明显偏差,将会有颜色失真和晕环现象的发生,导致整体图像去雾效果不佳;Kim等在去雾过程中,通过最小化代价函数实现整体去雾的平衡,但不恰当的正则化参数设置会出现光晕现象;Tarel等采用中值滤波估计光幕,算法效率高,但由于中值滤波不能很好地处理边缘区域去雾结果产生色调失真。还有,一些基于神经网路的去雾方法研究也取得了比较好的去雾效果,但是其实时性一般都很差,很难在实际工程中得到应用。
发明内容
本发明为了解决现有方法中透过率估计不准确,易产生光晕现象以及颜色失真,实时性差等问题,提供一种基于RGB和HSV双颜色空间的单幅图像去雾方法。
一种基于RGB和HSV双颜色空间的单幅图像去雾方法,该方法由以下步骤实现:
步骤一、设定成像模型为:
I(x)=J(x)t(x)+A(1-t(x)) (1)
式中,I(x)为待去雾的图像,J(x)为要恢复的无雾图像,A为全球大气光成分,t(x)为透过率;
根据暗通道先验算法得出下式:
式中,c为R、G、B三通道中的一个颜色通道,表示在局部区域y∈Ω(x)窗口内,无雾图像J(x)趋于0;
步骤三、采用像素级的透过率估计方法,将式(3)中的局部最小值,变换为像素级的最小值通道,获得精细化的透过率t(x)的估计,如式(4)所示:
式中,为RGB空间中有雾场景辐射的最小值通道,ω为常数调节量,Φ(x)为雾的浓度估计;选取Idark(x)图中亮度值前0.1%的点作为备选大气光A的位置点,再在原图上取上述点对应像素中亮度最大的点作为大气光值点,获得大气光值A;
步骤四、选取彩色图像的HSV模型,根据式(5),获得饱和度归一化分量IS;
式中,IR,IG,IB分别为RGB空间的三个分量,找到饱和度图像IS中的最小值的位置,并设定该位置为雾浓度最大的位置,利用L1范数,所有像素点与该最小值归一化距离为ds(x)如式(6)所示:
设定以ds(x)为自变量的减函数,如式(7)所示:
ds(x)∈[0,1],ξ值越大,Φs(x)的衰减越快,并且最终衰减值越接近0;
通过统计直方图的方式,去除掉饱和度图像值较小的像素,再求均值,根据每个图像获得一个自适应的ξ值;
在RGB空间中,找到Ic最大值位置,并设定该位置为雾浓度最大的位置,利用L2范数,所有像素点与该最大值归一化距离为drgb(x)如式(8)所示:
采用式(9)对雾的浓度进行估计,ξ的取值与公式(7)中的取值相同,当Φs(x)越大雾浓度越大,反之雾的浓度越小;
根据公式(7)和公式(9),实现对雾浓度的估计,如式(10)所示:
Φ(x)=ρΦrgb(x)+(1-ρ)Φs(x) (10)
式中,ρ为调整参数,将公式(10)代入公式(4)获得精细的透过率t(x)的估计;
步骤五、根据步骤一设定的大气散射模型和步骤四得到的透过率t(x),获得清晰的去雾图像,如式(11)所示:
为防止局部像素的透过率t(x)取值过小,设定最小值为t0,一般取t0=0.1。
本发明的有益效果:本发明从大气散射模型出发,利用有雾图像最小值通道和雾浓度估计建立透过率估计模型;在HSV的空间,利用饱和度特性,实现饱和度下像素级的雾浓度估计;利用RGB空间的L2范数,建立RGB三通道的像素级的雾浓度估计的数学模型;结合两个颜色空间的雾浓度估计,利用成像场景与雾浓度估计的参数,自适应地获取最终的雾浓度估计值;从而,直接从单幅图像中获得最佳的大气透过率图。利用最小值通道图像自适应的获取全局大气光。本发明算法处理效果较好且运算量小,可应用于实时工程系统中。
附图说明
图1为不同ξ值对Φs(x)的影响效果图;
图2为透过率获取及去雾效果对比图,图2a和2d为未经引导滤波的暗通道透过率及去雾效果图,图2b和2e为引导滤波后的暗通道透过率及去雾效果图;图2c和2f为本发明所述方法透过率及去雾效果图;图2g和2h为信号局部放大效果图;
图3为去雾效果对比图;图3a为有雾的原图,图3b为暗通首去雾效果图,图3c为本发明所述方法去雾效果图。
具体实施方式
具体实施方式一、结合图1至图3说明本实施方式,一种基于RGB和HSV双颜色空间的单幅图像去雾方法,目前,广泛使用的雾成像模型是以衰减的反射光和参与成像的大气光两部分描述雾、霾天气下的退化过程的,其成像模型表示如下:
I(x)=J(x)t(x)+A(1-t(x)) (1)
其中,I(x)就是待去雾的图像,J(x)为要恢复的无雾图像,A是全球大气光成分,t(x)为透射率。基于以上大气散射模型,He等提出的暗通道先验去雾算法取得很好的去雾效果,被广泛采用。根据暗通道先验可知:
其中,c指R、G、B三通道中的一个颜色通道。表示在局部区域y∈Ω(x)窗口内,无雾图像J(x)趋于0。
由于每一个窗口内透射率t(x)通常并不为常数,采用公式(3)得到的透过率图像存在块效应。He采用的是soft matting方法对透过率进行精细化,但是非常耗时。而后He采用改进算法-引导滤波算法对透过率图像t(x)进行精细化处理,避免景深突变出的光晕现象。本发明采用像素级的透过率估计方法,无需对透过率进行保边滤波处理,将式(3)中的局部最小值,变换为像素级的最小值通道,可直接得到精细化的透过率t(x)的估计,如式(4)所示。
这里,为RGB空间中有雾场景辐射的最小值通道,式中ω为常数调节量,一般取值ω=0.9;选取Idark(x)该图中亮度值前在0.1%的点作为备选大气光A位置点,再在原图上取这些点对应像素中亮度最大的点作为大气光值点,从而得到大气光值A。这样,式(4)中,只有Φ(x)为未知量,对Φ(x)的估计方法。
选取彩色图像的HSV模型,其中色调H表示不同的颜色,饱和度S表示颜色的纯度,亮度V表示颜色的亮暗程度。对于彩色图像来说,饱和度与一定色调的纯度有关,纯光谱色是完全饱和的,随着白光的加入饱和度逐渐减小。因此,一般情况下,雾浓度高的地方饱和度降低。根据式(5),得到饱和度归一化分量IS。
其中,IR,IG,IB分别为RGB空间的三个分量。根据以上分析可知,饱和度值越低,雾的浓度越大,找到饱和度图像IS中的最小值,并认为该位置为雾浓度最大的位置,利用L1范数,所有像素点与该最小值归一化距离为ds(x)如式(6)所示。
ds(x)值越小表示和雾浓度最大的值越接近,则近似的认为该处的雾的浓度越高;ds(x)值越大,表示雾的浓度越低。因此,需要找一个以ds(x)为自变量的减函数,如式(7)所示。
ds(x)∈[0,1],不同的ξ值对Φs(x)影响如图1所示,ξ值越大,函数值的衰减越快,并且最终衰减值越接近0。因为只有在薄雾的情况下,图像景深较小的区域Φs(x)才能趋于0。那么,应该有浓雾图像ξ值应该越大,薄雾图像ξ值应该越小。那么在HSV空间中,饱和度图像,当雾的浓度大时,图像均值应该较小,当雾的浓度小时,图像均值应该较大。考虑有的图像会有大面天空区域影响这个均值,通过统计直方图的方式,去除掉饱和度图像值较小的像素,再求均值,从而针对每个图像得到一个自适应的ξ值。
在饱和度图像中,有时候最暗的像素不一定是雾最浓的区域,因此由式(7)估计的雾的浓度局部区域也会有偏差。为了提高对雾浓度估计的鲁棒性,在RGB空间中,同ds(x)构建的值意义相同,找到Ic最大值并认为该位置为雾浓度最大的位置,利用L2范数,所有像素点与该最大值归一化距离为drgb(x)如式(8)所示。
drgb(x)值越小雾的浓度越高;反之,雾的浓度越低。参照HSV空间构成的对雾浓度的评估,采用式(9)对雾的浓度进行估计,ξ的取值同式(7)。当Φs(x)越大雾浓度越大,反之雾的浓度越小。
由式(7)和式(9),实现了对雾的浓度评估,这样有效避免了不同区域对综合考虑RGB和HSV空间的特性,这样保证了对雾的浓度给出鲁棒性的评估,如式(10)所示。
Φ(x)=ρΦrgb(x)+(1-ρ)Φs(x) (10)
其中,ρ为调整参数,在本文中,ρ=0.8。将式(10)代入式(4)可直接得到精细的透过率估计,因为每一个参量的获取都是有物理意义和数学模型的,故透过率的估计也是准确的。根据大气散射模型,得到清晰的去雾图像,如式(11)所示。
具体实施方式二、结合图1至图3说明本实施方式,本实施方式为具体实施方式一所述的一种基于RGB和HSV双颜色空间的单幅图像去雾方法的实施例:
选取有雾的真实场景的图像forest进行实验。对于经典暗通道先验获取透过率图像,首先获取粗估计透过率及去雾结果如图2a和2d所示,进行引导滤波精细估计得到最终的透过率及去雾结果如图2b和2e,本实施例方法获取透过率及去雾结果如图2c和2f,可见,为精细化处理直接去雾会出现光晕现象。本实施例得到精细的透过率图像,选取第80-160行,840到920列的像素,如方框圈出的部分,通过三维放大对透过率进行比较,图2g和2h为两种信号放大图,可见,局部暗通道透过率变化范围为[0.8,1],而本实施例透过率图像变化范围为[0.6,1],本实施例中透过率结果局部对比度高暗通道透过率,且细节明显多于暗通道精细化的结果。可知本实施例中获取透过率的算法很好的保持了边缘信息,也很好的远景和近景的雾的浓度。
选取了其他图像对去雾效果进行了对比和展示,如图3c所示,可见本实施例的去雾方法取得了去雾图像,没有出现光晕现象,色彩保真度高,图像细节得到了充分的复原,对比度得到了很大的提高。
Claims (1)
1.一种基于RGB和HSV双颜色空间的图像去雾方法,其特征是:该方法由以下步骤实现:
步骤一、设定成像模型为:
I(x)=J(x)t(x)+A(1-t(x)) (1)
式中,I(x)为待去雾的图像,J(x)为要恢复的无雾图像,A为全球大气光成分,t(x)为透过率;
根据暗通道先验算法得出下式:
式中,c为R、G、B三通道中的一个颜色通道,表示在局部区域y∈Ω(x)窗口内,无雾图像J(x)趋于0;
步骤三、采用像素级的透过率估计方法,将式(3)中的局部最小值,变换为像素级的最小值通道,获得精细化的透过率t(x)的估计,如式(4)所示:
式中,为RGB空间中有雾场景辐射的最小值通道,ω为常数调节量,Φ(x)为雾的浓度估计;选取Idark(x)图中亮度值前0.1%的点作为备选大气光A的位置点,再在原图上取上述点对应像素中亮度最大的点作为大气光值点,获得大气光值A;
步骤四、选取彩色图像的HSV模型,根据式(5),获得饱和度归一化分量IS;
式中,IR,IG,IB分别为RGB空间的三个分量,找到饱和度图像IS中的最小值的位置,并设定该位置为雾浓度最大的位置,利用L1范数,所有像素点与该最小值归一化距离为ds(x)如式(6)所示:
设定以ds(x)为自变量的减函数,如式(7)所示:
ds(x)∈[0,1],ξ值越大,Φs(x)的衰减越快,并且最终衰减值越接近0;
通过统计直方图的方式,去除掉饱和度图像值较小的像素,再求均值,根据每个图像获得一个自适应的ξ值;
在RGB空间中,找到Ic最大值位置,并设定该位置为雾浓度最大的位置,利用L2范数,所有像素点与该最大值归一化距离为drgb(x)如式(8)所示:
采用式(9)对雾的浓度进行估计,ξ的取值与公式(7)中的取值相同,当Φs(x)越大雾浓度越大,反之雾的浓度越小;
根据公式(7)和公式(9),实现对雾浓度的估计,如式(10)所示:
Φ(x)=ρΦrgb(x)+(1-ρ)Φs(x) (10)
式中,ρ为调整参数,将公式(10)代入公式(4)获得精细的透过率t(x)的估计;
步骤五、根据步骤一设定的大气散射模型和步骤四得到的透过率t(x),获得清晰的去雾图像,如式(11)所示:
设定最小值为t0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010447015.8A CN111598812B (zh) | 2020-05-25 | 2020-05-25 | 一种基于rgb和hsv双颜色空间的图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010447015.8A CN111598812B (zh) | 2020-05-25 | 2020-05-25 | 一种基于rgb和hsv双颜色空间的图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598812A CN111598812A (zh) | 2020-08-28 |
CN111598812B true CN111598812B (zh) | 2022-03-01 |
Family
ID=72187645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010447015.8A Active CN111598812B (zh) | 2020-05-25 | 2020-05-25 | 一种基于rgb和hsv双颜色空间的图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598812B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298730B (zh) * | 2021-05-24 | 2022-11-01 | 中国科学院长春光学精密机械与物理研究所 | 一种基于图像分解的去雾复原方法 |
CN113298729B (zh) * | 2021-05-24 | 2022-04-26 | 中国科学院长春光学精密机械与物理研究所 | 基于最小值通道的快速单幅图像去雾方法 |
CN114636648B (zh) * | 2022-01-25 | 2024-07-12 | 中国北方车辆研究所 | 一种基于目标检测反馈的雾浓度估计方法 |
CN117893440B (zh) * | 2024-03-15 | 2024-05-14 | 昆明理工大学 | 基于扩散模型和景深引导生成的图像去雾方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780362A (zh) * | 2016-11-23 | 2017-05-31 | 哈尔滨工业大学 | 基于双色反射模型与双边滤波的道路视频去雾方法 |
CN106846263A (zh) * | 2016-12-28 | 2017-06-13 | 中国科学院长春光学精密机械与物理研究所 | 基于融合通道且对天空免疫的图像去雾方法 |
CN108416741A (zh) * | 2018-01-23 | 2018-08-17 | 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 |
CN108765323A (zh) * | 2018-05-16 | 2018-11-06 | 南京理工大学 | 一种基于改进暗通道与图像融合的柔性去雾方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017175231A1 (en) * | 2016-04-07 | 2017-10-12 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
-
2020
- 2020-05-25 CN CN202010447015.8A patent/CN111598812B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780362A (zh) * | 2016-11-23 | 2017-05-31 | 哈尔滨工业大学 | 基于双色反射模型与双边滤波的道路视频去雾方法 |
CN106846263A (zh) * | 2016-12-28 | 2017-06-13 | 中国科学院长春光学精密机械与物理研究所 | 基于融合通道且对天空免疫的图像去雾方法 |
CN108416741A (zh) * | 2018-01-23 | 2018-08-17 | 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 |
CN108765323A (zh) * | 2018-05-16 | 2018-11-06 | 南京理工大学 | 一种基于改进暗通道与图像融合的柔性去雾方法 |
Non-Patent Citations (2)
Title |
---|
Joint image dehazing and contrast enhancement using the HSV color space;Yi Wan 等;《2015 Visual Communications and Image Processing (VCIP)》;20160425;第1-4页 * |
退化图像的去雾方法;黄黎红;《红外与激光工程》;20101025;第39卷(第5期);第985-986页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111598812A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598812B (zh) | 一种基于rgb和hsv双颜色空间的图像去雾方法 | |
Bai et al. | Underwater image enhancement based on global and local equalization of histogram and dual-image multi-scale fusion | |
US8396324B2 (en) | Image processing method and apparatus for correcting distortion caused by air particles as in fog | |
CN107103591B (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
Li et al. | A hybrid framework for underwater image enhancement | |
Mohan et al. | Underwater image enhancement based on histogram manipulation and multiscale fusion | |
CN110827225A (zh) | 一种基于双重曝光框架的非均匀光照水下图像增强方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN107067386B (zh) | 一种基于相对全局直方图拉伸的浅海水下图像增强方法 | |
CN111598886B (zh) | 一种基于单幅图像的像素级透过率估计方法 | |
CN115578297A (zh) | 一种自适应色彩补偿与细节优化的广义衰减图像增强方法 | |
He et al. | Single image dehazing with white balance correction and image decomposition | |
Yu et al. | Image and video dehazing using view-based cluster segmentation | |
CN112488948A (zh) | 一种基于黑色像素点估计后向散射的水下图像复原方法 | |
Liu et al. | Single image haze removal via depth-based contrast stretching transform | |
CN110175967B (zh) | 图像去雾处理方法、系统、计算机设备和存储介质 | |
CN111476744A (zh) | 一种基于分类及大气成像模型的水下图像增强方法 | |
CN113379631B (zh) | 一种图像去雾的方法及装置 | |
Sathya et al. | Enhancement of underwater images using wavelength compensation method | |
CN112991240B (zh) | 一种用于实时图像增强的图像自适应增强算法 | |
CN115619662A (zh) | 一种基于暗通道先验的图像去雾方法 | |
CN115034985A (zh) | 一种水下图像增强方法 | |
CN113284060A (zh) | 一种基于波长衰减识别的水下图像增强方法 | |
Kaur et al. | Image enhancement of underwater digital images by utilizing L* A* B* color space on gradient and CLAHE based smoothing | |
Sandeepa et al. | Standard intensity deviation approach based clipped sub image histogram equalization algorithm for image enhancement |
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 |