CN112419149A - 一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法 - Google Patents
一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法 Download PDFInfo
- Publication number
- CN112419149A CN112419149A CN202011212952.1A CN202011212952A CN112419149A CN 112419149 A CN112419149 A CN 112419149A CN 202011212952 A CN202011212952 A CN 202011212952A CN 112419149 A CN112419149 A CN 112419149A
- Authority
- CN
- China
- Prior art keywords
- node
- image
- nodes
- state
- value
- 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 57
- 238000001914 filtration Methods 0.000 title claims abstract description 56
- 238000002834 transmittance Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 12
- 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 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- 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
- 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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
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
本发明公开了一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法。首先,中枢节点获取能完成遥感图像协同去雾处理任务的其他节点的信息,并将待去雾遥感图像分割成图像块并依序分发至各节点;其次,根据暗通道先验及最小值滤波窗口大小,进行毗邻子节点间边界扩展模型数据的传输,生成扩展滤波边界的暗通道图;然后,各节点发送暗通道图的灰度分布直方图信息至中枢节点,中枢节点据此计算总体大气光均值并广播至各节点;各节点根据接收到的总体大气光均值和导向滤波所求得的精细化透射率进行图像块去雾,并将去雾处理后图像块发还给中枢节点;中枢节点将接收到的所有去雾后图像块拼接成去雾后遥感图像。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法。
背景技术
近年来,科技进步使得天基卫星数量逐年增长,无论是民用地图定位还是军用图像侦察都需要建立相应的卫星图像库,以利用图像数据获取有效信息。而从近地轨道甚至距离更远的地方拍摄图像,不可避免地要受到地表大气和云层的干扰,此时获取的卫星遥感图像相当一部分有效信息会被雾气和烟霾遮蔽,因此在卫星遥感、地图数据库等领域中去雾处理需求也在不断增长。
分布式系统能有效利用多个计算节点的硬件资源,整个系统建立在节点网络通信的基础之上,因此分布式系统同时兼具灵活性与统一性,各节点既能作为独立的物理单元完成计算任务,又能通过节点间信息的有效传输,以作为一个整体完成复杂的大型任务。
常规的图像去雾方法基本都是利用单个计算节点处理整幅图像,通过对有雾图像中的大气散射模型展开研究,求解未知变量,从而利用雾图形成模型以恢复出无雾图像。但是对于卫星遥感图像来说,单个节点处理整幅图像的方法在效率和资源利用上并不占优势,遥感图像的尺寸较大并且单个卫星计算资源有限,此时分布式处理方法能更高效地整合多个卫星的计算资源、提高图像的去雾效率,并实现实时在轨去雾。
发明内容
本发明提供了一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,以解决单幅图像去雾方法在处理遥感图像的低效率问题,同时能在单个卫星节点计算资源有限情况下充分整合利用多个卫星节点的计算资源,完成遥感图像的去雾。
本发明的技术解决方案是:一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,包含以下步骤:
步骤1、随机选取某节点为中枢节点(中枢节点主要功能有:一、作为普通节点间的数据中转站以及控制中心;二、内部可虚拟化一个普通节点执行与其他工作节点同样的去雾处理流程),输入待去雾遥感图像I,其高度为H、宽度为W;
步骤2、中枢节点分割待去雾图像并分发至各节点;
步骤2.1、中枢节点(节点编号node0)与各节点进行网络互连,获取总有效节点数N+1(包括中枢节点),并依次给各普通节点编号node1,node2,…,nodeN;
步骤2.2、根据有效节点数N确定分割图像I的横向割线数目xseg、纵向割线数目yseg,通过横向割线和纵向割线将图像I分割为(xseg+1)行、(yseg+1)列,上述各变量满足公式(1)与公式(2)所示关系:
(xseg+1)·(yseg+1)<N+1 (1)
|xseg-yseg|≤1 (2)
步骤2.3、从N个普通节点中依序选取n个工作节点(编号为node1,node2,…,noden)以及m个备用节点(编号为noden+1,noden+2,…,noden+m),并将已分割的n+1张图像块按其在图像I中的位置依序编号,如图像块(j,k)表示位于图像I的从上至下第j-1条横向割线和从左至右第k-1条纵向割线的交点右下部的图像块,其中j∈(0,xseg+1],k∈(0,yseg+1],两者皆为整数,其中各类型节点的数量关系由公式(3)、公式(4)给出:
n=(xseg+1)·(yseg+1)-1 (3)
n+m+1≤N+1 (4)
步骤3、各节点生成已扩展滤波边界的暗通道导图;
步骤3.1、根据下采样因子f(一般设置为0.5),对图像块下采样,获得下采样后待处理图Idown,下采样步长step由公式(5)求出;
step=1/f,(0<f<1) (5)
对图像块的行与列采用相同的步长进行下采样,图像Idown的高度Hdown、宽度Wdown由公式(6)和公式(7)得出:
步骤3.2、求出图Idown的单像素最小通道值,即每个像素RGB分量中的最小值,存入和图Idown尺寸一致的灰度图中,即最小值图,像素转换关系由公式(8)给出:
所述Jmin(y)表示最小值图中像素y处的灰度值,Jc(y)表示下采样后待处理图Idown中像素y处的c通道值且c∈{R,G,B};
步骤3.3、各节点生成最小值图后,发送消息至中枢节点,中枢节点将各节点依次调整为等待状态S0,此过程耗费时间Δt0由公式(9)给出:
节点响应超时阈值Δt由公式(10)给出:
Δt=ε·(Ti-Ti-1)/(i-1) (10)
所述ε为响应超时系数,一般设置为3~6之间,Ti-1为最后一个未超时完成任务(公式(10)在步骤3.3中适用的任务为最小值图生成任务)的节点进入规定状态(自由状态S、等待状态S0、输出状态S1、输入状态S2)的时刻,此时未超时的节点数为i-1,当Δt<Ti-Ti-1时,判断第i个完成或仍未完成的节点预超时,此时从备用节点中选择新节点并执行与所对应预超时节点相同的任务,当新节点先于预超时节点完成任务,此时判断该预超时节点超时并由新节点继承其编号以及之后的处理任务;
步骤3.4、将各节点的最小值图边界区域的像素信息通过中枢节点传输至对应的毗邻节点;
步骤3.5、进行扩展滤波边界的最小值滤波,生成暗通道导图;
步骤4、根据各节点所提供的暗通道图灰度分布,完成总体大气光的计算并将其反馈回各节点;
步骤5、根据步骤4中所获得的总体大气光值计算大气光均值,其计算公式由公式(11)给出:
avgAirLight=(AirLightR+AirLightG+AirLightB)/3 (11)
所述中AirLightR表示R通道总体大气光值,AirLightG表示G通道总体大气光值,AirLightB表示B通道总体大气光值。各节点利用公式(11)求得的大气光均值和步骤3生成的暗通道图求出预估透射率图Iestimate,求解过程由公式(12)给出:
所述中Jdark(x)表示已扩展滤波边界的暗通道图中像素x的灰度值,testimate(x)为预估透射率图Iestimate中与像素x所对应的预估透射率值,ω为景深修正因子,取值范围为0~1,该因子可使去雾的程度可控,有利于人们感受景深,一般设置为0.95时去雾效果最佳;
各节点将图Idown的色彩空间转换为YCbCr空间后生成Y通道图IY,利用此Y通道图作为图Iestimate的导图,进行导向滤波,以此将公式(12)中生成的预估透射率图调整为精细化透射率图Irefine,滤波过程由公式(13)、公式(14)和公式(15)给出:
所述中x表示像素的下标,px表示输入图像(预估透射率图Iestimate)的像素,qx表示输出图像(精细化透射率图Irefine)的像素,Ix表示导向图(步骤5中生成的Y通道图IY)的像素,wk表示导向滤波窗口,|w|表示窗口wk中像素个数,k表示窗口编号(每个像素点被包含在多个窗口内),ak和bk为输出图像和引导图像在窗口wk上的局部线性系数,表示输入图像在窗口wk中的像素灰度均值,μk和分别表示引导图像在窗口wk中的像素灰度均值和方差;
步骤6、各节点将去雾图像发送至中枢节点进行拼接,生成完整的无雾遥感图像;
步骤6.1、各节点利用步骤5生成的图Irefine以及步骤4中求得的总体大气光对步骤3.1中获得的图Idown进行去雾,生成无雾中间目标图像Iobj,无雾图像恢复模型由公式(16)给出:
所述中Jc(x)为恢复的无雾中间目标图像Iobj中x处像素的c通道的值,表示下采样后待处理图中x处像素的c通道的值,Irefine(x)为精细化透射率图中x处像素的精细化透射率,t0表示透射率阈值,因为透射率较小时,会导致Jc(x)的值偏大,所以一般设置0.1为透射率阈值t0的下限,AirLightc表示c通道的总体大气光值;
各节点对无雾中间目标图像Iobj进行上采样,上采样因子为步骤3.1设置的下采样因子的倒数,最终得到的无雾图像块Iup的高度Hup与宽度Wup由公式(17)和公式(18)给出:
Hup=Hdown/f=H (17)
Wup=Wdown/f=W (18)
所述中f为步骤3.1中所设置的下采样因子,取值范围由公式(5)给出;
步骤6.2、各节点成功生成无雾图像块Iup后,向中枢节点发送消息,中枢节点将各节点依次设置为等待状态S0,此过程耗费时间Δt6由公式(19)给出:
节点响应超时阈值Δt由公式(10)已给出,公式(10)在步骤6.2中所适用的任务为无雾图像块Iup生成任务;
步骤6.3、中枢节点将各节点状态设置为输出状态S1,获得所有节点发送的无雾图像块,各节点数据传输完成后状态调整为等待状态S0,中枢节点则依据步骤2.3中所设定的图像块编号规则进行图像块的拼接,生成完整去雾遥感图像,若拼接时缺失图像块,则中枢节点找到处理确实图像块的节点,重新将其状态设置为输出状态S1,并最多重复请求发送图像块p次(一般设置p为3),整个图像块传输过程耗费时间由公式(20)给出:
Δt7∈[T7,T7+Δt″′] (20)
所述中T7表示首个完成传输任务的节点在整个传输过程中所耗费的时间,Δt″表示最后一个完成传输任务的节点与首个完成任务的节点的所耗费的时间差的绝对值。节点响应超时阈值Δt由公式(10)已给出,公式(10)在步骤4.2中所适用的任务为无雾图像块Iup的传输任务;
与现有技术相比,本发明具有以下优点:
第一、本专利中的分布式去雾算法,能在一定条件下,减少遥感图像去雾所需要的时间,提高去雾效率,分布式系统中各节点对分割后的某图像块进行去雾,所需要的时间包括本地处理流程花费的时间(节点i)以及节点间通信传输数据花费的总时间tcom,单节点对整幅图像去雾所需要的时间为tproc,已知单节点处理图像块大小是遥感图像大小的1/(n+1),要体现本发明的分布式去雾的优势,则需要满足公式(21)所示条件:
所述中为本地处理流程进行的最慢的节点在本地处理时花费的时间,为各节点本地处理流程花费的平均时间,(n+1)为节点数量,一般情况下出现异常的节点较少并且总节点数达到一定程度,公式(21)的条件是能够满足的,此时分布式算法的效率优势相较于传统单幅图像去雾能很好的体现。
第二、本专利中的分布式去雾系统能在单卫星节点计算资源有限时充分整合各卫星节点的资源,完成对尺寸较大的遥感图像的去雾过程。在一般的去雾过程中,对所要处理的图像的尺寸往往会有一定的限制,这是由于计算所需的内存、存储空间等硬件资源决定的,甚至可能在存储及内存充足的情况下由于单节点算力的不足导致处理时间过长,而本专利的分布式去雾系统只要求各节点处理有雾遥感图像的一部分,通过保持通信来消弭去雾算法中由于图像块的不同导致关键参数不同的问题,对单个节点的计算能力和资源要求较小,在此基础之上,在轨卫星便毋需将图像传输至地面基站进行去雾处理,可以直接在轨去雾以达到一定程度的实时性。
附图说明
图1是系统结构图;
图2是对有雾遥感图像1的去雾效果图,图2(a)是待去雾遥感图像,图2(b)是未进行节点通信生成的去雾图像,图2(c)是进行部分节点通信未进行边界扩展滤波生成的去雾图像,图2(d)是完整分布式去雾生成的去雾遥感图像,图2(e)是单幅图像去雾生成的去雾图像。
图3是对有雾遥感图像2的去雾效果图,图3(a)是待去雾遥感图像,图3(b)是未进行节点通信生成的去雾图像,图3(c)是进行部分节点通信未进行边界扩展滤波生成的去雾图像,图3(d)是完整分布式去雾生成的去雾遥感图像,图3(e)是单幅图像去雾生成的去雾图像。
图4是对有雾遥感图像3的去雾效果图,图4(a)是待去雾遥感图像,图4(b)是未进行节点通信生成的去雾图像,图4(c)是进行部分节点通信未进行边界扩展滤波生成的去雾图像,图4(d)是完整分布式去雾生成的去雾遥感图像,图4(e)是单幅图像去雾生成的去雾图像。
具体实施方式
如图1所述,本发明提供的一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,包括以下步骤:
步骤1、随机选取某节点为中枢节点(中枢节点主要功能有:一、作为普通节点间的数据中转站以及控制中心;二、内部可虚拟化一个普通节点执行与其他工作节点同样的去雾处理流程),输入待去雾遥感图像I,其高度为H、宽度为W;
步骤2、中枢节点分割待去雾图像并分发至各节点;
步骤2.1、中枢节点(节点编号node0)与各节点进行网络互连,获取总有效节点数N+1(包括中枢节点),并依次给各普通节点编号node1,node2,…,nodeN;
步骤2.2、根据有效节点数N确定分割图像I的横向割线数目xseg、纵向割线数目yseg,通过横向割线和纵向割线将图像I分割为(xseg+1)行、(yseg+1)列,上述各变量满足公式(1)与公式(2)所示关系:
(xseg+1)·(yseg+1)<N+1 (1)
|xseg-yseg|≤1 (2)
步骤2.3、从N个普通节点中依序选取n个工作节点(编号为node1,node2,…,noden)以及m个备用节点(编号为noden+1,noden+2,…,noden+m),并将已分割的n+1张图像块按其在图像I中的位置依序编号,如图像块(j,k)表示位于图像I的从上至下第j-1条横向割线和从左至右第k-1条纵向割线的交点右下部的图像块,其中j∈(0,xseg+1],k∈(0,yseg+1],两者皆为整数,其中各类型节点的数量关系由公式(3)、公式(4)给出:
n=(xseg+1)·(yseg+1)-1 (3)
n+m+1≤N+1 (4)
步骤3、各节点生成已扩展滤波边界的暗通道导图;
步骤3.1、根据下采样因子f(一般设置为0.5),对图像块下采样,获得下采样后待处理图Idown,下采样步长step由公式(5)求出;
step=1/f,(0<f<1) (5)
对图像块的行与列采用相同的步长进行下采样,图像Idown的高度Hdown、宽度Wdown由公式(6)和公式(7)得出:
步骤3.2、求出图Idown的单像素最小通道值,即每个像素RGB分量中的最小值,存入和图Idown尺寸一致的灰度图中,即最小值图,像素转换关系由公式(8)给出:
所述Jmin(y)表示最小值图中像素y处的灰度值,Jc(y)表示下采样后待处理图Idown中像素y处的c通道值且c∈{R,G,B};
步骤3.3、各节点生成最小值图后,发送消息至中枢节点,中枢节点将各节点依次调整为等待状态S0,此过程耗费时间Δt0由公式(9)给出:
节点响应超时阈值Δt由公式(10)给出:
Δt=ε·(Ti-Ti-1)/(i-1) (10)
所述ε为响应超时系数,一般设置为3~6之间,Ti-1为最后一个未超时完成任务(公式(10)在步骤3.3中适用的任务为最小值图生成任务)的节点进入规定状态(自由状态S、等待状态S0、输出状态S1、输入状态S2)的时刻,此时未超时的节点数为i-1,当Δt<Ti-Ti-1时,判断第i个完成或仍未完成的节点预超时,此时从备用节点中选择新节点并执行与所对应预超时节点相同的任务,当新节点先于预超时节点完成任务,此时判断该预超时节点超时并由新节点继承其编号以及之后的处理任务。;
步骤3.4、将各节点的最小值图边界区域的像素信息通过中枢节点传输至对应的毗邻节点;
步骤3.4.1、中枢节点每个周期内选择一批待传输的节点,批次数量Batch由公式(11)给出:
所述中传输时每批次包含的节点数量为BatchNum,n+1为节点总数。根据所处理图像块的编号确定各节点所对应的毗邻节点(处理编号为(j,k)的图像块的节点i,其毗邻节点为处理编号为(j,k-1)、(j-1,k)、(j+1,k)、(j,k+1)的图像块的节点集合(包括节点i+1),若图像块编号无效则从毗邻节点集合中剔除对应节点);
步骤3.4.2、设置最小值滤波窗口半径r并确定滤波边界扩展宽度rext,其中rext﹥r,rext的值一般设置为2r~5r之间,调整所选批次节点状态为输出状态S1,并依序接收该批次节点所发送的所有最小值图边界区域的像素信息,若遗失某条边界相关信息则重复请求相应节点3次,若节点仍无法传输正确边界相关信息则从备用节点中选取新节点替换该节点。
确定最小值图边界区域规则如下:某节点(假设为节点i)所处理图像块与该节点的毗邻节点(假设为节点i+1)所处理图像块拥有共同边界L,则节点i发送至节点i+1的最小值图边界区域为矩形,且某条边是边界L,rext为区域宽度;
步骤3.4.3、中枢节点将所选批次中的节点所对应的毗邻节点状态设置为输入状态S2,并将相应最小值图边界区域像素信息传输至毗邻节点。每批次节点的数据传输过程的响应超时阈值Δt由公式(10)已给出,公式(10)在步骤3.4中适用任务为最小值图边界区域像素信息传输任务,每批次数据传输过程完成且无异常后,将该批次节点及其毗邻节点状态重新设置为等待状态S0,所有批次数据传输过程完成且无异常后,将所有批次节点状态设置为自由状态S,所有批次传输过程持续总时间Δt1由公式(12)给出:
步骤3.5、进行扩展滤波边界的最小值滤波,生成暗通道导图;
步骤3.5.1、各节点使用半径为r的滤波窗口在最小值图上进行滑动处理,选取窗口中灰度值最小的像素点,用其替代窗口中心的像素点,窗口滤波生成暗通道过程由公式(13)给出:
所述Ω{x}表示以像素x为中心的滤波窗口范围,由步骤3.4.2的出窗口大小为2r+1,其中Jdark(x)为窗口中心像素x的暗通道值,Jmin(y)为公式(8)所求得的图Idown中的像素y的最小通道值,在公式(13)中表示以像素x为中心的滤波窗口内的像素;
步骤3.5.2、当滤波窗口滑动至最小值图的某个边界L时,即窗口边缘与边界L重合时,可利用步骤3.4中所接收并存储的毗邻节点的最小值图边界区域信息对本节点的最小值图进行边界扩展,滤波窗口则继续在已扩展边界的最小值图上滑动滤波,滤波结束后将所扩展的边界区域分离,各节点则生成已扩展滤波边界的暗通道导图;
步骤4、根据各节点所提供的暗通道图灰度分布,完成全局大气光的计算并将其反馈回各节点;
步骤4.1、各节点从已生成的暗通道导图中获取所有像素点的灰度分布直方图,获取完成后发送消息至中枢节点,中枢节点将各节点以此调整为等待状态S0,此过程耗费时间Δt2由公式(14)给出:
节点响应超时阈值Δt由公式(10)已给出,公式(10)在步骤4.1中所适用的任务为暗通道图灰度直方图的统计任务;
步骤4.2、中枢节点将各节点状态调整为输出状态S1,依照节点序号接收节点所传输的暗通道图灰度分布直方图,当节点数据被正确接收后,调整节点状态为等待状态S0。所有节点传输过程完成后,中枢节点进行数据汇总以生成总体暗通道图灰度分布直方图。
中枢节点选取总体暗通道灰度分布直方图中亮度处于前0.1%的像素,记录亮度前0.1%的像素的灰度下限Quantile的值,并将各节点状态调整为输入状态S2,各节点接收中枢节点传输的Quantile值,正确接收数据后无异常后,将其状态调整为自由状态S,整个步骤4.2的传输过程耗费时间Δt3由公式(15)给出:
Δt3∈[T3,T3+Δt′] (15)
所述中T3表示首个完成传输任务的节点整个传输过程中所耗费的时间,Δt′表示最后一个完成传输任务的节点与首个完成任务的节点的所耗费的时间差的绝对值。节点响应超时阈值Δt由公式(10)已给出,公式(10)在步骤4.2中所适用的任务为总体暗通道图灰度分布直方图亮度前0.1%像素的灰度下限Quantile值的传输任务;
步骤4.3、各节点将接收的Quantile值作为灰度阈值,依据此灰度阈值标准,在暗通道图中获得灰度值大于该阈值Quantile的单通道像素点的坐标,在本节点的图Idown中找到这些坐标所对应的三通道像素,将这些像素的R、G、B三个分量的大小分别求和并统计达标像素数量PtNumi,求和过程由公式(16)给出:
节点响应超时阈值Δt由公式(10)已给出,公式(10)在步骤4.4中所适用的任务为达标像素各通道值的求和及数量统计任务;
步骤4.5、中枢节点将各节点状态设置为输出状态S1,获得所有节点发送的达标像素各通道值的求和值及其数量统计值,各节点数据传输完成后状态调整为等待状态S0,中枢节点则进行总体大气光的计算,计算过程由公式(18)给出:
所述中AirLightc表示适用于所有节点的c通道总体大气光值,i为节点数;
中枢节点完成总体大气光的计算后,将各节点状态设置为输入状态S2,并将总体大气光值AirLightc广播至所有工作节点,各节点接收到正确的广播信息且无异常后其状态调整为自由状态S,整个传输过程耗费时间Δt5由公式(19)给出:
Δt5∈[t5,T5+Δt″] (19)
所述中T5表示首个完成传输任务的节点在整个传输过程中所耗费的时间,Δt″表示最后一个完成传输任务的节点与首个完成任务的节点的所耗费的时间差的绝对值。节点响应超时阈值Δt由公式(10)已给出,公式(10)在步骤4.2中所适用的任务为总体大气光值的广播任务;
步骤5、根据步骤4中所获得的总体大气光值计算大气光均值,其计算公式由公式(20)给出:
avgAirLight=(AirLightR+AirLightG+AirLightB)/3 (20)
所述中AirLightR表示R通道总体大气光值,AirLightG表示G通道总体大气光值,AirLightB表示B通道总体大气光值。各节点利用公式(20)求得的大气光均值和步骤3生成的暗通道图求出预估透射率图Iestimate,求解过程由公式(21)给出:
所述中Jdark(x)表示已扩展滤波边界的暗通道图中像素x的灰度值,testimate(x)为预估透射率图Iestimate中与像素x所对应的预估透射率值,ω为景深修正因子,取值范围为0~1,该因子可使去雾的程度可控,有利于人们感受景深,一般设置为0.95时去雾效果最佳;
各节点将图Idown的色彩空间转换为YCbCr空间后生成Y通道图IY,利用此Y通道图作为图Iestimate的导图,进行导向滤波,以此将公式(12)中生成的预估透射率图调整为精细化透射率图Irefine,滤波过程由公式(22)、公式(23)和公式(24)给出:
所述中x表示像素的下标,px表示输入图像(预估透射率图Iestimate)的像素,qx表示输出图像(精细化透射率图Irefine)的像素,Ix表示导向图(步骤5中生成的Y通道图IY)的像素,wk表示导向滤波窗口,|w|表示窗口wk中像素个数,k表示窗口编号(每个像素点被包含在多个窗口内),ak和bk为输出图像和引导图像在窗口wk上的局部线性系数,表示输入图像在窗口wk中的像素灰度均值,μk和分别表示引导图像在窗口wk中的像素灰度均值和方差;
步骤6、各节点将去雾图像发送至中枢节点进行拼接,生成完整的无雾遥感图像;
步骤6.1、各节点利用步骤5生成的图Irefine以及步骤4中求得的总体大气光对步骤3.1中获得的图Idown进行去雾,生成无雾中间目标图像Iobj,无雾图像恢复模型由公式(25)给出:
所述中Jc(x)为恢复的无雾中间目标图像Iobj中x处像素的c通道的值,表示下采样后待处理图中x处像素的c通道的值,Irefine(x)为精细化透射率图中x处像素的精细化透射率,t0表示透射率阈值,因为透射率较小时,会导致Jc(x)的值偏大,所以一般设置0.1为透射率阈值t0的下限,AirLightc表示c通道的总体大气光值;
各节点对无雾中间目标图像Iobj进行上采样,上采样因子为步骤3.1设置的下采样因子的倒数,最终得到的无雾图像块Iup的高度Hup与宽度Wup由公式(26)和公式(27)给出:
Hup=Hdown/f=H (26)
Wup=Hdown/f=W (27)
所述中f为步骤3.1中所设置的下采样因子,取值范围由公式(5)给出;
步骤6.2、各节点成功生成无雾图像块Iup后,向中枢节点发送消息,中枢节点将各节点依次设置为等待状态S0,此过程耗费时间Δt6由公式(28)给出:
节点响应超时阈值Δt由公式(10)已给出,公式(10)在步骤6.2中所适用的任务为无雾图像块Iup生成任务;
步骤6.3、中枢节点将各节点状态设置为输出状态S1,获得所有节点发送的无雾图像块,各节点数据传输完成后状态调整为等待状态S0,中枢节点则依据步骤2.3中所设定的图像块编号规则进行图像块的拼接,生成完整去雾遥感图像,若拼接时缺失图像块,则中枢节点找到处理确实图像块的节点,重新将其状态设置为输出状态S1,并最多重复请求发送图像块p次(一般设置p为3),整个图像块传输过程耗费时间由公式(29)给出:
Δt7∈[T7,T7+Δt″′] (29)
所述中T7表示首个完成传输任务的节点在整个传输过程中所耗费的时间,Δt″表示最后一个完成传输任务的节点与首个完成任务的节点的所耗费的时间差的绝对值。节点响应超时阈值Δt由公式(10)已给出,公式(10)在步骤4.2中所适用的任务为无雾图像块Iup的传输任务;
本发明通过理论上建立数学模型描述了分布式去雾过程所需要的处理时间,由公式(9)、公式(12)、公式(14)、公式(15)、公式(17)、公式(19)、公式(28)和公式(29)计算出各节点由于通信需要所花费的时间,由公式(30)粗略得出分布式系统处理遥感图像总时间tsum:
单节点处理整幅图像所耗费的时间tproc理论上可由公式(31)粗略得出:
附图2(a)为原始待去雾遥感图,附图2(e)为单幅图像去雾方法所处理的结果,将其与附图2(c)进行对比可以看出未扩展滤波边界时,分布式处理所得的去雾遥感图像拼接缝隙很明显,而附图2(d)为传输图像块边界像素信息并生成已扩展滤波边界的暗通道图后所得的去雾遥感图像,其拼接缝隙已明显消失;附图3(b)是分布式处理过程中未进行节点通信所生成的去雾图像,与附图3(d)以及附图3(e)对比可明显看出,其部分图像块去雾效果与其他图像块难以兼容,这是由于缺乏总体参数的约束,未利用暗通道图总体灰度分布以及总体大气光来调整自身去雾相关的参数所导致的。
本专利通过真实场景的时间测试以及附图2、附图3以及附图4中所显示的去雾效果,表明了本发明专利相较于传统单幅遥感图像去雾的优势。
上文已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以做一些修改或改进,这对本领域技术人员而言是显而易见的,因此在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,其特征在于,包括以下步骤:
步骤1、随机选取某节点为中枢节点,输入待去雾遥感图像I,其高度为H、宽度为W;
步骤2、中枢节点分割待去雾图像并分发至各节点;
步骤2.1、中枢节点与各节点进行网络互连,获取总有效节点数N+1,并依次给各普通节点编号node1,node2,…,nodeN,中枢节点的节点编号node0,;
步骤2.2、根据有效节点数N确定分割图像I的横向割线数目xseg、纵向割线数目yseg,通过横向割线和纵向割线将图像I分割为(xseg+1)行、(yseg+1)列;
步骤2.3、从N个普通节点中依序选取n个工作节点,编号为node1,node2,…,noden,以及m个备用节点,编号为noden+1,noden+2,…,noden+m,并将已分割的n+1张图像块按其在图像I中的位置依序编号,如图像块(j,k)表示位于图像I的从上至下第j-1条横向割线和从左至右第k-1条纵向割线的交点右下部的图像块,其中j∈(0,xseg+1],k∈(0,yseg+1],两者皆为整数;
步骤3、各节点生成已扩展滤波边界的暗通道导图;
步骤3.1、根据下采样因子f,对图像块下采样,获得下采样后待处理图Idown;
步骤3.2、求出图Idown的单像素最小通道值,即每个像素RGB分量中的最小值,存入和图Idown尺寸一致的灰度图中,即最小值图;
步骤3.3、各节点生成最小值图后,发送消息至中枢节点,中枢节点将各节点依次调整为等待状态S0;
步骤3.4、将各节点的最小值图边界区域的像素信息通过中枢节点传输至对应的毗邻节点;
步骤3.5、进行扩展滤波边界的最小值滤波,生成暗通道导图;
步骤4、根据各节点所提供的暗通道图灰度分布,完成总体大气光的计算并将其反馈回各节点;
步骤5、根据步骤4中所获得的总体大气光值计算大气光均值;
步骤6、各节点将去雾图像发送至中枢节点进行拼接,生成完整的无雾遥感图像。
3.根据权利要求1所述的一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,其特征在于:步骤3.3中枢节点将各节点依次调整为等待状态S0,此过程耗费时间Δt0由公式(4)给出:
节点响应超时阈值Δt由公式(5)给出:
Δt=ε·(Ti-Ti-1)/(i-1) (5)
其中ε为响应超时系数,Ti-1为最后一个未超时完成任务的节点进入规定状态的时刻,规定状态包括自由状态S、等待状态S0、输出状态S1、输入状态S2;此时未超时的节点数为i-1,当Δt<Ti-Ti-1时,判断第i个完成或仍未完成的节点预超时,此时从备用节点中选择新节点并执行与所对应预超时节点相同的任务,当新节点先于预超时节点完成任务,此时判断该预超时节点超时并由新节点继承其编号以及之后的处理任务。
4.根据权利要求1所述的一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,其特征在于:所述步骤3.4的具体流程步骤如下:
步骤3.4.1、中枢节点每个周期内选择一批待传输的节点,批次数量Batch由公式(6)给出:
Batch=[(n+1)/BatchNum] (6)
其中,每批次包含的节点数量为BatchNum,n+1为节点总数;根据所处理图像块的编号确定各节点所对应的毗邻节点,处理编号为(j,k)的图像块的节点i,其毗邻节点为处理编号为(j,k-1)、(j-1,k)、(j+1,k)、(j,k+1)的图像块的节点集合,若图像块编号无效则从毗邻节点集合中剔除对应节点;
步骤3.4.2、设置最小值滤波窗口半径r并确定滤波边界扩展宽度rext,其中rext>r,rext的值一般设置为2r~5r之间,调整所选批次节点状态为输出状态S1,并依序接收该批次节点所发送的所有最小值图边界区域的像素信息,若遗失某条边界相关信息则重复请求相应节点3次,若节点仍无法传输正确边界相关信息则从备用节点中选取新节点替换该节点;
步骤3.4.3、中枢节点将所选批次中的节点所对应的毗邻节点状态设置为输入状态S2,并将相应最小值图边界区域像素信息传输至毗邻节点;每批次节点的数据传输过程的响应超时阈值Δt由公式(5)已给出,公式(5)在步骤3.4中适用任务为最小值图边界区域像素信息传输任务,每批次数据传输过程完成且无异常后,将该批次节点及其毗邻节点状态重新设置为等待状态S0,所有批次数据传输过程完成且无异常后,将所有批次节点状态设置为自由状态S,所有批次传输过程持续总时间Δt1由公式(7)给出:
5.根据权利要求1所述的一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,其特征在于:所述步骤3.5的具体流程步骤如下:
步骤3.5.1、各节点使用半径为r的滤波窗口在最小值图上进行滑动处理,选取窗口中灰度值最小的像素点,用其替代窗口中心的像素点,窗口滤波生成暗通道过程由公式(8)给出:
所述Ω{x}表示以像素x为中心的滤波窗口范围,由步骤3.4.2的出窗口大小为2r+1,其中Jdark(x)为窗口中心像素x的暗通道值,Jmin(y)为步骤3.2所求得的图Idown中的像素y的最小通道值,在公式(8)中表示以像素x为中心的滤波窗口内的像素;
步骤3.5.2、当滤波窗口滑动至最小值图的某个边界L时,即窗口边缘与边界L重合时,可利用步骤3.4中所接收并存储的毗邻节点的最小值图边界区域信息对本节点的最小值图进行边界扩展,滤波窗口则继续在已扩展边界的最小值图上滑动滤波,滤波结束后将所扩展的边界区域分离,各节点则生成已扩展滤波边界的暗通道导图。
6.根据权利要求1所述的一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,其特征在于:所述步骤4的具体流程步骤如下:
步骤4.1、各节点从已生成的暗通道导图中获取所有像素点的灰度分布直方图,获取完成后发送消息至中枢节点,中枢节点将各节点以此调整为等待状态S0,此过程耗费时间Δt2由公式(9)给出:
步骤4.2、中枢节点将各节点状态调整为输出状态S1,依照节点序号接收节点所传输的暗通道图灰度分布直方图,当节点数据被正确接收后,调整节点状态为等待状态S0;所有节点传输过程完成后,中枢节点进行数据汇总以生成总体暗通道图灰度分布直方图;
中枢节点选取总体暗通道灰度分布直方图中亮度处于前0.1%的像素,记录亮度前0.1%的像素的灰度下限Quantile的值,并将各节点状态调整为输入状态S2,各节点接收中枢节点传输的Quantile值,正确接收数据后无异常后,将其状态调整为自由状态S,整个步骤4.2的传输过程耗费时间Δt3由公式(10)给出:
Δt3∈[T3,T3+Δt′] (10)
所述中T3表示首个完成传输任务的节点整个传输过程中所耗费的时间,Δt′表示最后一个完成传输任务的节点与首个完成任务的节点的所耗费的时间差的绝对值;
步骤4.3、各节点将接收的Quantile值作为灰度阈值,依据此灰度阈值标准,在暗通道图中获得灰度值大于该阈值Quantile的单通道像素点的坐标,在本节点的图Idown中找到这些坐标所对应的三通道像素,将这些像素的R、G、B三个分量的大小分别求和并统计达标像素数量PtNumi,求和过程由公式(11)给出:
节点响应超时阈值Δt由公式(5)已给出,公式(5)在步骤4.4中所适用的任务为达标像素各通道值的求和及数量统计任务;
步骤4.5、中枢节点将各节点状态设置为输出状态S1,获得所有节点发送的达标像素各通道值的求和值及其数量统计值,各节点数据传输完成后状态调整为等待状态S0,中枢节点则进行总体大气光的计算,计算过程由公式(13)给出:
所述中AirLightc表示适用于所有节点的c通道总体大气光值,i为节点数;
中枢节点完成总体大气光的计算后,将各节点状态设置为输入状态S2,并将总体大气光值AirLightc广播至所有工作节点,各节点接收到正确的广播信息且无异常后其状态调整为自由状态S,整个传输过程耗费时间Δt5由公式(14)给出:
Δt5∈[T5,T5+Δt″] (14)
所述中T5表示首个完成传输任务的节点在整个传输过程中所耗费的时间,Δt″表示最后一个完成传输任务的节点与首个完成任务的节点的所耗费的时间差的绝对值。
7.根据权利要求1所述的一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,其特征在于:步骤5中大气光均值的计算公式由公式(15)给出:
avgAirLight=(AirLightR+AirLightG+AirLightB)/3 (15)
其中AirLightR表示R通道总体大气光值,AirLightG表示G通道总体大气光值,AirLightB表示B通道总体大气光值;各节点利用公式(15)求得的大气光均值和步骤3生成的暗通道图求出预估透射率图Iestimate,求解过程由公式(16)给出:
其中Jdark(x)表示已扩展滤波边界的暗通道图中像素x的灰度值,testtmate(x)为预估透射率图Iestimate中与像素x所对应的预估透射率值,ω为景深修正因子;
各节点将图Idown的色彩空间转换为YCbCr空间后生成Y通道图IY,利用此Y通道图作为图Iestimate的导图,进行导向滤波,以此将公式(16)中生成的预估透射率图调整为精细化透射率图Irefine,滤波过程由公式(17)、公式(18)和公式(19)给出:
8.根据权利要求1所述的一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,其特征在于:步骤6的具体实现方式如下,
步骤6.1、各节点利用步骤5生成的图Irefine以及步骤4中求得的总体大气光对步骤3.1中获得的图Idown进行去雾,生成无雾中间目标图像Iobj,无雾图像恢复模型由公式(20)给出:
所述中Jc(x)为恢复的无雾中间目标图像Iobj中x处像素的c通道的值,表示下采样后待处理图中x处像素的c通道的值,Irefine(x)为精细化透射率图中x处像素的精细化透射率,t0表示透射率阈值,AirLightc表示c通道的总体大气光值;
各节点对无雾中间目标图像Iobj进行上采样,上采样因子为步骤3.1设置的下采样因子的倒数,最终得到的无雾图像块Iup的高度Hup与宽度Wup由公式(21)和公式(22)给出:
Hup=Hdown/f=H (21)
Wup=Wdown/f=W (22)
所述中f为步骤3.1中所设置的下采样因子,取值范围由公式(1)给出;
步骤6.2、各节点成功生成无雾图像块Iup后,向中枢节点发送消息,中枢节点将各节点依次设置为等待状态S0,此过程耗费时间Δt6由公式(23)给出:
节点响应超时阈值Δt由公式(5)已给出,公式(5)在步骤6.2中所适用的任务为无雾图像块Iup生成任务;
步骤6.3、中枢节点将各节点状态设置为输出状态S1,获得所有节点发送的无雾图像块,各节点数据传输完成后状态调整为等待状态S0,中枢节点则依据步骤2.3中所设定的图像块编号规则进行图像块的拼接,生成完整去雾遥感图像,若拼接时缺失图像块,则中枢节点找到处理确实图像块的节点,重新将其状态设置为输出状态S1,并最多重复请求发送图像块p次,整个图像块传输过程耗费时间由公式(24)给出:
Δt7∈[T7,T7+Δt″′] (24)
所述中T7表示首个完成传输任务的节点在整个传输过程中所耗费的时间,At″表示最后一个完成传输任务的节点与首个完成任务的节点的所耗费的时间差的绝对值。
9.根据权利要求1所述的一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,其特征在于:步骤2.2中横向割线数目xseg、纵向割线数目yseg与有效节点数N满足公式(25)与公式(26)所示关系:
(xseg+1)·(yseg+1)<N+1 (25)
|xseg-yseg|≤1 (26)
其中,||表示取绝对值。
10.根据权利要求1所述的一种基于暗通道先验和导向滤波的分布式遥感图像去雾方法,其特征在于:步骤2.3中各类型节点的数量关系由公式(27)、公式(28)给出:
n=(xseg+1)·(yseg+1)-1 (27)
n+m+1≤N+1 (28)
其中,N为普通节点的个数,n为工作节点的个数,m为备用节点的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011212952.1A CN112419149B (zh) | 2020-11-02 | 2020-11-02 | 一种暗通道先验和导向滤波的分布式遥感图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011212952.1A CN112419149B (zh) | 2020-11-02 | 2020-11-02 | 一种暗通道先验和导向滤波的分布式遥感图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419149A true CN112419149A (zh) | 2021-02-26 |
CN112419149B CN112419149B (zh) | 2022-05-13 |
Family
ID=74827904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011212952.1A Expired - Fee Related CN112419149B (zh) | 2020-11-02 | 2020-11-02 | 一种暗通道先验和导向滤波的分布式遥感图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419149B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496693A (zh) * | 2022-11-17 | 2022-12-20 | 南通鼎勇机械有限公司 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999883A (zh) * | 2011-09-08 | 2013-03-27 | 富士通株式会社 | 图像去雾方法和系统 |
US20150371373A1 (en) * | 2014-06-20 | 2015-12-24 | Hyundai Motor Company | Apparatus and method for removing fog in image |
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
CN108460743A (zh) * | 2018-03-19 | 2018-08-28 | 西安因诺航空科技有限公司 | 一种基于暗通道的无人机航拍图像去雾算法 |
CN108596849A (zh) * | 2018-04-23 | 2018-09-28 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
-
2020
- 2020-11-02 CN CN202011212952.1A patent/CN112419149B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999883A (zh) * | 2011-09-08 | 2013-03-27 | 富士通株式会社 | 图像去雾方法和系统 |
US20150371373A1 (en) * | 2014-06-20 | 2015-12-24 | Hyundai Motor Company | Apparatus and method for removing fog in image |
CN106548463A (zh) * | 2016-10-28 | 2017-03-29 | 大连理工大学 | 基于暗通道与Retinex的海雾图像自动去雾方法及系统 |
CN108460743A (zh) * | 2018-03-19 | 2018-08-28 | 西安因诺航空科技有限公司 | 一种基于暗通道的无人机航拍图像去雾算法 |
CN108596849A (zh) * | 2018-04-23 | 2018-09-28 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
Non-Patent Citations (2)
Title |
---|
RUJUN LI 等: "Haze Density Estimation and Dark Channel Prior Based Image Defogging", 《2018 INTERNATIONAL CONFERENCE ON WAVELET ANALYSIS AND PATTERN RECOGNITION (ICWAPR)》 * |
江政远 等: "改进暗通道遥感影像去雾方法及效果分析", 《上海航天》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496693A (zh) * | 2022-11-17 | 2022-12-20 | 南通鼎勇机械有限公司 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112419149B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570371B (zh) | 一种基于多尺度残差学习的图像去雾方法 | |
CN108229479B (zh) | 语义分割模型的训练方法和装置、电子设备、存储介质 | |
CN102077244B (zh) | 用于在基于至少两个图像而估算的深度图或视差图的掩蔽域中进行填充的方法和装置 | |
CN103077500B (zh) | 图像数据的去雾方法及装置 | |
Zhou et al. | FSAD-Net: feedback spatial attention dehazing network | |
Ganguly et al. | Single image haze removal with haze map optimization for various haze concentrations | |
Liu et al. | Image de-hazing from the perspective of noise filtering | |
Xiao et al. | Single image dehazing based on learning of haze layers | |
CN110097522B (zh) | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 | |
Xie et al. | Single image dehazing using kernel regression model and dark channel prior | |
CN113869293A (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 | |
CN110570435A (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
CN113160053B (zh) | 一种基于位姿信息的水下视频图像复原与拼接方法 | |
CN113744315B (zh) | 一种基于双目视觉的半直接视觉里程计 | |
CN114429555A (zh) | 由粗到细的图像稠密匹配方法、系统、设备及存储介质 | |
CN111582437B (zh) | 一种视差回归深度神经网络的构造方法 | |
CN112419149B (zh) | 一种暗通道先验和导向滤波的分布式遥感图像去雾方法 | |
Bala et al. | Performance evaluation of various desmogging techniques for single smoggy images | |
Fu et al. | An anisotropic Gaussian filtering model for image de-hazing | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
CN108629750A (zh) | 一种夜间去雾方法、终端设备及存储介质 | |
CN115187474A (zh) | 一种基于推理的两阶段浓雾图像去雾方法 | |
CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN112215766B (zh) | 一种图像复原与图像增强相融合的图像去雾方法及其卷积网络 | |
Ali et al. | Boundary-constrained robust regularization for single 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220513 |