CN112435184A - 一种基于Retinex和四元数的雾霾天图像识别方法 - Google Patents

一种基于Retinex和四元数的雾霾天图像识别方法 Download PDF

Info

Publication number
CN112435184A
CN112435184A CN202011298486.3A CN202011298486A CN112435184A CN 112435184 A CN112435184 A CN 112435184A CN 202011298486 A CN202011298486 A CN 202011298486A CN 112435184 A CN112435184 A CN 112435184A
Authority
CN
China
Prior art keywords
image
quaternion
retinex
haze
video
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
CN202011298486.3A
Other languages
English (en)
Other versions
CN112435184B (zh
Inventor
张彤
陈茹
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202011298486.3A priority Critical patent/CN112435184B/zh
Publication of CN112435184A publication Critical patent/CN112435184A/zh
Application granted granted Critical
Publication of CN112435184B publication Critical patent/CN112435184B/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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于Retinex和四元数的雾霾天图像识别方法，具体为：首先在码本算法中调入含噪声的视频图像；然后提取视频图像中雾霾的特征表现，形成四元数矩阵，分类图像雾霾噪声与前景，得到单帧图像；对单帧图像进行增强处理后，获得增强后的视频图像。本发明一种基于Retinex和四元数的雾霾天图像识别方法，解决了现有技术中存在的Retinex算法处理图像像素存在过饱和的问题。

Description

一种基于Retinex和四元数的雾霾天图像识别方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于Retinex和四元数的雾霾天图像识别方法。
背景技术
近年来，我国环境污染较为严重，全国各地多处出现雾霾、沙尘暴等恶劣天气状况。在视频监控系统中普遍存在有图像模糊和图像污染的问题。若发生不良事件，而采集到的视频图像模糊不清或被污染，是无法从已有的视频中获取有用信息，导致大量视频图像线索无法使用，影响着安全防范系统的高效管理。虽然设备在不断精确化，但是高像素的设备需要较高的成本，经济性较差。而且在很多领域中需要对采集到的视频图像进行信息提取，为了提取更多有价值的信息，就需要对图像进行清晰化处理。因此，对图像去雾算法的研究是必不可少的。
目前，图像去雾算法主要有Retinex算法，Retinex算法可以对雾、烟、水下和夜晚图像进行增强，将其移植到DSP图像增强系统中处理分辨率为256×256的灰度图像效率达到30帧/s，基本能够满足小分辨率下的实时性要求。但是该算法处理得到的部分图像像素存在过饱和现象，另外需要人为调整参数，限制了上述算法的应用价值。
发明内容
本发明的目的是提供一种基于Retinex和四元数的雾霾天图像识别方法，解决了现有技术中存在的Retinex算法处理图像像素存在过饱和的问题。
本发明所采用的技术方案是，一种基于Retinex和四元数的雾霾天图像识别方法，具体按照以下步骤实施：
步骤1，在码本算法中调入含噪声的视频图像；
步骤2，提取视频图像中雾霾的特征表现，形成四元数矩阵，分类图像雾霾噪声与前景，得到单帧图像；
步骤3，对单帧图像进行增强处理后，获得增强后的视频图像。
本发明的特点还在于：
步骤2具体为，
步骤2.1，采用码本算法预处理所有含噪声的视频图像，提取视频图像中雾霾的特征表现，形成四元数矩阵；
步骤2.2，将彩色视频图像的四元数矩阵作为网络的输入层，并将CNN的空间卷积层扩展为四元数空间卷积层；
步骤2.3，在四元数空间卷积层提取相邻视频帧的动态信息，分类图像雾霾噪声与前景，得到单帧图像。
步骤2.1中的视频图像是由N个二维图像按照时间序列排列而成；每一张二维图像为一个视频帧。
雾霾的特征表现为视频帧的零阶、一阶以及二阶的边缘梯度信息。
步骤2.3中，动态信息包括视频帧的可见度、暗通道强度和图像的对比强度。
步骤3具体为：
步骤3.1，将每幅单帧图像从RGB颜色空间转换到HSV颜色空间，获得H分量、S分量和V分量；
步骤3.2，H分量维持不变，对S分量进行线性拉伸校正；
步骤3.3，将新Retinex算法和MSR结合后对V分量进行增强；
步骤3.4，将增强后的每幅单帧图像从HSV空间映射到RGB空间，得到增强后的视频图像。
新Retinex算法是在双边滤波增加修正函数τ，将新Retinex算法的权重因子作为MSR算法的中心环绕函数，其表达式具体如下：
Figure BDA0002786089050000031
式(1)中，(x0,y0)为图像中心点坐标，f(x0,y0)为图像中心点灰度值，σr为高斯函数空域上的标准差，σd为高斯函数值域上的标准差，τ为修正函数，f(x，y)为图像的像素值，H(x，y)为中心环绕函数；
新Retinex算法表达式具体如下：
Figure BDA0002786089050000032
式(2)中，Hk(x，y)为融入双边滤波理论生成的新的中心环绕函数，I(x，y)为原始图像，Wk为每个尺度上的系数、r(x，y)为反射分量，N为尺度数。
本发明的有益效果是：
本发明一种基于Retinex和四元数的雾霾天图像识别方法，CNN的空间卷积层扩展为四元数空间卷积层，并在时间卷积层提取相邻帧的动态信息，相邻帧之间可通过亮度值先验转换为当前帧，联合帧间相关信息可有效避免闪烁效应；本发明一种基于Retinex和四元数的雾霾天图像识别方法，将彩色图像的四元数矩阵形式作为网络的输入，局部极值约束透射率的局部一致性，可以有效抑制透射率的估计噪声，利用双边纠正线性单元，在双边约束的同时保证局部的线性，解决了现有技术中存在的Retinex算法处理图像像素存在过饱和的问题。
附图说明
图1是本发明一种基于Retinex和四元数的雾霾天图像识别方法的流程图；
图2是原始图像；
图3是采用直方图均衡化清晰度方法对原始图像处理后的视频图像；
图4是采用MSR方法对原始图像处理后的视频图像；
图5是采用暗通道算法对原始图像处理后的视频图像；
图6是采用本发明一种基于Retinex和四元数的雾霾天图像识别方法对原始图像处理后的视频图像。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于Retinex和四元数的雾霾天图像识别方法，如图1所示，具体按照以下步骤实施：
步骤1，在码本算法中调入含噪声的视频图像；
步骤2，提取视频图像中雾霾的特征表现，形成四元数矩阵，分类图像雾霾噪声与前景，得到单帧图像；
步骤2具体为，
步骤2.1，采用码本算法预处理所有含噪声的视频图像，提取视频图像中雾霾的特征表现，形成四元数矩阵；
步骤2.2，将彩色视频图像的四元数矩阵作为网络的输入层，并将CNN的空间卷积层扩展为四元数空间卷积层；
步骤2.3，在四元数空间卷积层提取相邻视频帧的动态信息，分类图像雾霾噪声与前景，得到单帧图像；
其中，步骤2.1中的视频图像是由N个二维图像按照时间序列排列而成；每一张二维图像为一个视频帧；
步骤2.3中，动态信息包括视频帧的可见度、暗通道强度和图像的对比强度；
雾霾的特征表现为视频帧的零阶、一阶以及二阶的边缘梯度信息；
步骤3，对单帧图像进行增强处理后，获得增强后的视频图像。
步骤3具体为：
步骤3.1，将每幅单帧图像从RGB颜色空间转换到HSV颜色空间，获得H分量、S分量和V分量；
其中，HSV色彩空间由三个属性分量组成，分别是色调(Hue)，饱和度(Saturation)和亮度(Value)分量，HSV模型是更能反映出视觉效果的模型，颜色空间转换(RGB到HSV)的公式为：
Figure BDA0002786089050000061
Figure BDA0002786089050000062
V＝max (3)，
式(1)、(2)和(3)中，max和min分别是RGB中的最大值和最小值；亮度V分量为颜色明亮的程度，通常取值范围为0～100％；饱和度S分量为一比例值，取值0～100％之间，饱和度S分量值越大，色彩越纯，反之逐渐变灰；H分量为色调，取值为0°～360°，红，绿，蓝(R，G，B)分别间隔120°，互补色差相差180°；
步骤3.2，H分量维持不变，对S分量进行线性拉伸校正；
其中，对S分量进行线性拉伸校正的表达式为：
Sc＝S+t(Vc-V)×ε (4)，
式(4)中，Sc和Vc分别为增强后的饱和度分量和亮度分量，t为一个常数，S为原始的饱和度分量，V为原始的亮度分量，ε为调整系数：
Figure BDA0002786089050000063
其中，(x,y)为增强点的位置，(j,k)为邻域内像素点坐标，
Figure BDA0002786089050000064
和
Figure BDA0002786089050000065
分别为在增强点位置n*n大小的邻域范围内所有点的亮度和饱和度平均值，δv(x，y)和δs(x，y)分别为该增强点的亮度方差和饱和度方差；V(i，j)和S(i，j)分别为邻域内的亮度和饱和度；
步骤3.3，将新Retinex算法和MSR结合后对V分量进行增强；
具体为：
将V分量提取出来，根据得到的原始图像Iv(x,y)估算光照的照度分量Lv(x,y)，并且计算反射分量rv(x,y)，反射分量rv(x,y)的计算公式为：
Figure BDA0002786089050000071
式(5)中，log(Iv(x，y)*Hk(x，y))表示在亮度空间中估算出的照度分量，Hk(x，y)为融入双边滤波理论生成的新的中心环绕函数，WK为每个尺度上的系数，N为尺度数；
步骤3.4，将增强后的每幅单帧图像从HSV空间映射到RGB空间，得到增强后的视频图像。
新Retinex算法是在双边滤波增加修正函数τ，将新Retinex算法的权重因子作为MSR算法的中心环绕函数，其表达式具体如下：
Figure BDA0002786089050000072
式(6)中，(x0,y0)为图像中心点坐标，f(x0,y0)为图像中心点灰度值，σr为高斯函数空域上的标准差，σd为高斯函数值域上的标准差，τ为修正函数，f(x，y)为图像的像素值，H(x，y)为中心环绕函数；
τ作为修正函数，判断像素点与中心点灰度值的相似度；若像素点与中心点灰度值之差不大于σr/4，则
Figure BDA0002786089050000073
k为常数；若像素点与中心点灰度值之差大于σr/4，则τ＝1，通过引入该修正函数，修正图像中与图像中心点灰度值相同或相近的点。
新Retinex算法表达式具体如下：
Figure BDA0002786089050000081
式(7)中，Hk(x，y)为融入双边滤波理论生成的新的中心环绕函数，I(x，y)为原始图像，Wk为每个尺度上的系数，r(x，y)为反射分量，N为尺度数。
Hk(x，y)与原图像进行卷积运算，可以更有效地估计出光照分量的值。
实验验证
为了检验本发明一种基于Retinex和四元数的雾霾天图像识别方法，分别将其与直方图均衡化、MSR方法、暗通道去雾方法对同一雾霾图像(如图2所示)进行识别处理，如图6、3、4、5所示。数据见表1；采用峰值信噪比(PSNR)和熵作为图像质量的评价标准。
表1、上述4种方法对同一雾霾图像进行识别处理的数据
Figure BDA0002786089050000082
PSNR是客观评价图像失真和噪声的常用衡量标准，其值越大表示图像的修复质量越高；熵值体现了图像的综合特征，熵值越大，图像的信息量越大。从表1可以看出，直方图均衡化清晰度方法虽然可以在一定程度上增强图像的对比度和亮度，但整体图像较暗，图像的细节信息没有得到很好的突出。经过MSR清晰度处理后，目标之间的边界不清晰，部分区域存在严重的失真。暗通道算法具有较好的清洁效果，但图像较暗。而本发明一种基于Retinex和四元数的雾霾天图像识别方法处理过雾霾图像后，具有较好的视觉效果。因此，采用改进的Retinex算法对图像增强后，其在亮度、对比度、去除噪声和抗失真方面得到明显提升。

Claims (7)

1.一种基于Retinex和四元数的雾霾天图像识别方法，其特征在于，具体按照以下步骤实施：
步骤1，在码本算法中调入含噪声的视频图像；
步骤2，提取视频图像中雾霾的特征表现，形成四元数矩阵，分类图像雾霾噪声与前景，得到单帧图像；
步骤3，对所述单帧图像进行增强处理后，获得增强后的视频图像。
2.根据权利要求1所述的一种基于Retinex和四元数的雾霾天图像识别方法，其特征在于，所述步骤2具体为，
步骤2.1，采用码本算法预处理所有含噪声的视频图像，提取视频图像中雾霾的特征表现，形成四元数矩阵；
步骤2.2，将彩色视频图像的四元数矩阵作为网络的输入层，并将CNN的空间卷积层扩展为四元数空间卷积层；
步骤2.3，在四元数空间卷积层提取相邻视频帧的动态信息，分类图像雾霾噪声与前景，得到单帧图像。
3.根据权利要求2所述的一种基于Retinex和四元数的雾霾天图像识别方法，其特征在于，所述步骤2.1中的视频图像是由N个二维图像按照时间序列排列而成；每一张二维图像为一个视频帧。
4.根据权利要求3所述的一种基于Retinex和四元数的雾霾天图像识别方法，其特征在于，所述雾霾的特征表现为视频帧的零阶、一阶以及二阶的边缘梯度信息。
5.根据权利要求3所述的一种基于Retinex和四元数的雾霾天图像识别方法，其特征在于，步骤2.3中，所述动态信息包括视频帧的可见度、暗通道强度和图像的对比强度。
6.根据权利要求2所述的一种基于Retinex和四元数的雾霾天图像识别方法，其特征在于，步骤3具体为：
步骤3.1，将每幅单帧图像从RGB颜色空间转换到HSV颜色空间，获得H分量、S分量和V分量；
步骤3.2，H分量维持不变，对S分量进行线性拉伸校正；
步骤3.3，将新Retinex算法和MSR结合后对V分量进行增强；
步骤3.4，将增强后的每幅单帧图像从HSV空间映射到RGB空间，得到增强后的视频图像。
7.根据权利要求6所述的一种基于Retinex和四元数的雾霾天图像识别方法，其特征在于，所述新Retinex算法是在双边滤波增加修正函数τ，将新Retinex算法的权重因子作为MSR算法的中心环绕函数，其表达式具体如下：
Figure FDA0002786089040000021
式(1)中，(x0,y0)为图像中心点坐标，f(x0,y0)为图像中心点灰度值，σr为高斯函数空域上的标准差，σd为高斯函数值域上的标准差，τ为修正函数，f(x,y)为图像的像素值，H(x,y)为中心环绕函数；
新Retinex算法表达式具体如下：
Figure FDA0002786089040000022
式(2)中，Hk(x,y)为融入双边滤波理论生成的新的中心环绕函数，I(x,y)为原始图像，Wk为每个尺度上的系数、r(x,y)为反射分量，N为尺度数。
CN202011298486.3A 2020-11-18 2020-11-18 一种基于Retinex和四元数的雾霾天图像识别方法 Active CN112435184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011298486.3A CN112435184B (zh) 2020-11-18 2020-11-18 一种基于Retinex和四元数的雾霾天图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011298486.3A CN112435184B (zh) 2020-11-18 2020-11-18 一种基于Retinex和四元数的雾霾天图像识别方法

Publications (2)

Publication Number Publication Date
CN112435184A true CN112435184A (zh) 2021-03-02
CN112435184B CN112435184B (zh) 2024-02-02

Family

ID=74694292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011298486.3A Active CN112435184B (zh) 2020-11-18 2020-11-18 一种基于Retinex和四元数的雾霾天图像识别方法

Country Status (1)

Country Link
CN (1) CN112435184B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399438A (zh) * 2022-01-06 2022-04-26 国家卫星气象中心(国家空间天气监测预警中心) 基于彩色遥感图的霾区分布范围判识方法及装置
CN116977327A (zh) * 2023-09-14 2023-10-31 山东拓新电气有限公司 一种滚筒驱动带式输送机烟雾检测方法及系统
CN117731903A (zh) * 2024-02-19 2024-03-22 首都医科大学附属北京同仁医院 一种可视智能型插管型喉罩及插管组件

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110128463A (ko) * 2010-05-24 2011-11-30 금오공과대학교 산학협력단 색 보정 레티넥스 방법
WO2013018101A1 (en) * 2011-08-03 2013-02-07 Indian Institute Of Technology, Kharagpur Method and system for removal of fog, mist or haze from images and videos
CN104200437A (zh) * 2014-09-04 2014-12-10 北京工业大学 一种图像去雾处理方法
CN106384339A (zh) * 2016-09-30 2017-02-08 防城港市港口区高创信息技术有限公司 一种红外夜视图像的增强方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110128463A (ko) * 2010-05-24 2011-11-30 금오공과대학교 산학협력단 색 보정 레티넥스 방법
WO2013018101A1 (en) * 2011-08-03 2013-02-07 Indian Institute Of Technology, Kharagpur Method and system for removal of fog, mist or haze from images and videos
CN104200437A (zh) * 2014-09-04 2014-12-10 北京工业大学 一种图像去雾处理方法
CN106384339A (zh) * 2016-09-30 2017-02-08 防城港市港口区高创信息技术有限公司 一种红外夜视图像的增强方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李昌利;孙亚伟;闫敬文;樊棠怀;: "基于多通道均衡化的水下彩色图像增强算法", 华中科技大学学报(自然科学版), no. 06 *
武昆;李桂菊;韩广良;杨航;王宇庆;: "四元数引导滤波彩色图像细节增强", 计算机辅助设计与图形学学报, no. 03 *
石晓婧;宋裕庆;刘晓锋;: "基于雾气遮罩理论的雾霾图像增强", 天津职业技术师范大学学报, no. 04 *
赵春丽;董静薇;: "基于暗通道及多尺度Retinex的雾霾天气图像增强算法", 激光杂志, no. 01 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399438A (zh) * 2022-01-06 2022-04-26 国家卫星气象中心(国家空间天气监测预警中心) 基于彩色遥感图的霾区分布范围判识方法及装置
CN116977327A (zh) * 2023-09-14 2023-10-31 山东拓新电气有限公司 一种滚筒驱动带式输送机烟雾检测方法及系统
CN116977327B (zh) * 2023-09-14 2023-12-15 山东拓新电气有限公司 一种滚筒驱动带式输送机烟雾检测方法及系统
CN117731903A (zh) * 2024-02-19 2024-03-22 首都医科大学附属北京同仁医院 一种可视智能型插管型喉罩及插管组件
CN117731903B (zh) * 2024-02-19 2024-05-07 首都医科大学附属北京同仁医院 一种可视智能型插管型喉罩及插管组件

Also Published As

Publication number Publication date
CN112435184B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN105761227B (zh) 基于暗通道先验与白平衡的水下图像增强方法
CN112435184B (zh) 一种基于Retinex和四元数的雾霾天图像识别方法
Jung et al. Low light image enhancement with dual-tree complex wavelet transform
CN111986120A (zh) 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法
CN111429370B (zh) 一种煤矿井下的图像增强方法、系统及计算机存储介质
CN111968065B (zh) 一种亮度不均匀图像的自适应增强方法
CN110298796B (zh) 基于改进Retinex与对数图像处理的低照度图像增强方法
CN111861896A (zh) 一种面向uuv的水下图像色彩补偿与恢复方法
CN108711160B (zh) 一种基于hsi增强性模型的目标分割方法
CN106846258A (zh) 一种基于加权最小平方滤波的单幅图像去雾方法
CN109003238B (zh) 一种基于模型与直方图及灰度增强的图像雾霾去除方法
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
CN116188339A (zh) 一种基于Retinex及图像融合的暗视觉图像增强方法
CN110111280B (zh) 一种多尺度梯度域引导滤波的低照度图像增强方法
Wen et al. A survey of image dehazing algorithm based on retinex theory
CN111311503A (zh) 一种夜晚低亮度图像增强系统
Han et al. Automatic illumination and color compensation using mean shift and sigma filter
CN112465711A (zh) 一种针对雾天环境下的降质图像增强方法
CN105741248B (zh) 一种消除图像阴霾的方法
Yu et al. Color constancy-based visibility enhancement in low-light conditions
CN114549386A (zh) 一种基于自适应光照一致性的多曝光图像融合方法
Saihood Aerial Image Enhancement based on YCbCr Color Space.
Tang et al. Sky-preserved image dehazing and enhancement for outdoor scenes
Chandana et al. An optimal image dehazing technique using dark channel prior
Wei et al. MULTISCALE RETINEX COLOR RESTORATION WITH ADAPTIVE GAMMA CORRECTION FOR FOGGY 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