CN112529813B - 图像去雾处理方法、装置及计算机存储介质 - Google Patents
图像去雾处理方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN112529813B CN112529813B CN202011507490.6A CN202011507490A CN112529813B CN 112529813 B CN112529813 B CN 112529813B CN 202011507490 A CN202011507490 A CN 202011507490A CN 112529813 B CN112529813 B CN 112529813B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- pixel point
- foggy
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 37
- 238000002834 transmittance Methods 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000006243 chemical reaction Methods 0.000 claims description 35
- 238000005457 optimization Methods 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
本申请提供一种图像去雾处理方法、装置及计算机存储介质,包括针对待处理的有雾图像的目标通道中各像素点对应的各像素值执行取反处理,获得有雾图像的暗通道图像,并根据有雾图像的暗通道图像依次获取全局环境光值和各像素点对应的各透射率值,再根据各像素点对应的各透射率值、有雾图像中各像素点对应的各初始像素值和全局环境光值,获得有雾图像的去雾图像,借此,本申请可以达到较好的图像去雾效果。
Description
技术领域
本申请实施例涉及图像处理技术,尤指一种图像去雾处理方法、装置及计算机存储介质。
背景技术
在雾天、雾霾境或沙尘暴等环境下,可见光成像系统捕捉到的图像往往会呈现低对比度、模糊不清以及颜色失真等退化现象,因此,图像去雾正成为一种越来越重要的图像处理技术,其可降低雾、霾、沙等低能见度成像环境对图像的退化影响,提高图像主观视觉质量。
一般而言,图像去雾方法可分为基于图像增强的方法与基于物理模型的方法。其中,基于物理模型的去雾方法通过分析雾天图像的退化机制,构建大气散射模型,并通过适当的补偿校正处理,以有效地复原出清晰图像。同时,相比于图像增强的方法,基于物理模型的去雾方法具有针对性更强,去雾效果也相对较好的优点,因而具有较高的研究价值。
目前,在基于物理模型的去雾方法的研究中,以基于暗通道先验原理的去雾方法为代表,其对于大多数雾天图像较为适用,但是由于该方法在针对透射率进行优化的过程中,采用了软抠图算法,会产生较大的内存开销而导致算法的运行速度过慢。
为解决上述运行速度过慢的问题,有关研究人员提出了一种基于物理模型和暗通道先验的单幅图像去雾方法,该方法在一定程度提高了运行效率,但存在处理结果不光滑的问题;另外,还有一种局部大气光去雾算法,此算法虽可实现快速去雾,但对于大面积的天空区域仍得不到理想的复原效果。
此外,还有研究人员提出了一种基于天空识别的暗通道图像去雾方法,主要利用天空识别算法,将有雾图像分为天空部分和非天空部分,再分别对其进行处理,然而,此方法的局限性在于去雾后天空部分与非天空部分的边缘衔接不够平滑,容易产生光晕和伪影的现象。
根据上述研究,可以发现目前基于暗通道先验原理的图像去雾方法,主要存在以下问题:其一,对于包含大面积天空或白色物体的有雾图像,大部分方法的去雾效果较差;其二,在图像景深变化较大的区域,不能较好地保持图像的边缘细节,使复原后的图像出现光晕的现象。
有鉴于此,如何解决上述现有图像去雾处理技术中存在的种种问题,即为本申请待解决的技术课题。
发明内容
鉴于上述问题,本申请提供一种图像去雾处理方法、装置及计算机存储介质,以克服上述问题或者至少部分地解决上述问题。
本申请第一方面提供一种图像去雾处理方法,其包括针对对待处理的有雾图像的目标通道中各像素点对应的各像素值执行取反处理,获得所述有雾图像的暗通道图像;根据所述暗通道图像,获取全局环境光值;根据所述全局环境光值、所述有雾图像的暗通道图像,获得所述有雾图像的暗通道图像中各所述像素点对应的各透射率值;以及根据各所述像素点对应的各所述透射率值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得所述有雾图像的去雾图像。
本申请第二方面提供一种计算机存储介质,其特征在于,所述计算机存储介质中存储有用于执行上述第一方面所述的图像去雾处理方法的各所述步骤的指令。
本申请第三方面提供一种图像去雾处理装置,其包括全局环境光运算模块,用于针对对待处理的有雾图像的目标通道中各像素点对应的各像素值执行取反处理,获得所述有雾图像的暗通道图像,并根据所述暗通道图像,获取全局环境光值;透射率运算模块,用于根据所述全局环境光值、所述有雾图像的暗通道图像,获得所述有雾图像的暗通道图像中各所述像素点对应的各透射率值;以及图像生成模块,用于根据各所述像素点对应的各所述透射率值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得所述有雾图像的去雾图像。
由以上技术方案可见,本申请提供的图像去雾处理方法、装置及计算机存储介质,通过针对有雾图像的目标通道中各像素点的像素值执行取反处理,以针对有雾图像的暗通道图像进行校正,据以计算出全局环境光值和透射率值,并根据所述全局环境光值、所述透射率值以及各像素点的初始像素值,获得有雾图像的去雾图像。
借由上述技术手段,本申请无需提前对天空区域和非天空区域进行识别分隔,且去雾后的图像具有较高的清晰度,并对于大面积天空或者白色物体区域也能实现较好的去雾效果。
另外,本申请的图像去雾处理技术可以有效恢复图像的细节和颜色,并可缓解光晕现象以及天空区域色彩失真的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1至图7示出了本申请各实施例的图像去雾处理方法的流程示意图。
图8示出了本申请各实施例的图像去雾处理装置的架构示意图。
元件标号
800:图像去雾处理装置;810:全局环境光运算模块;820:透射率运算模块;830:图像生成模块。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
下面结合本申请实施例附图进一步说明本申请实施例具体实现。
第一实施例
图1为根据本申请第一实施例所示的图像去雾处理方法的流程示意图。如图所示,所述方法主要包括以下步骤:
步骤S101,针对对待处理的有雾图像的目标通道中各像素点对应的各像素值执行取反处理,获得有雾图像的暗通道图像。
于本实施例中,可根据有雾图像获得各像素点对应的各初始像素值,再针对有雾图像的绿色通道中各像素点对应的各像素值执行取反处理,以获得各像素点在有雾图像的暗通道图像中的各第一像素值。
步骤S102,根据暗通道图像,获取全局环境光值。
于本实施例中,可基于预设提取规则,首先从有雾图像的暗通道图像中提取满足预设提取规则的多个第一像素值,并基于各第一像素值所对应的各像素点,提取各像素点在有雾图像中的各初始像素值,以根据所提取的各像素点的各初始像素值计算出全局环境光值。
步骤S103,根据全局环境光值、有雾图像的暗通道图像,获得有雾图像的暗通道图像中各像素点对应的各透射率值。
于本实施例中,可利用全局环境光值和暗通道先验理论,计算各像素点对应的各透射率值。
可选地,可基于预设优化规则针对各像素点对应的各透射率值进行优化,以提高图像去雾效果。
于本实施例中,可结合引导滤波算法以及中值滤波算法针对各像素点的各透射率值执行优化处理。
步骤S104,根据各像素点对应的各透射率值、有雾图像中各像素点对应的各初始像素值、全局环境光值,获得有雾图像的去雾图像。
于本实施例中,可根据各像素点对应的各透射率值、有雾图像中各像素点对应的各初始像素值、全局环境光值,计算出各像素点对应的各目标像素值;并基于各像素点对应的各目标像素值进行图像重构,以获得有雾图像的去雾图像。
综上所述,本申请实施例提供的图像去雾处理方法,通过修正有雾图像的目标通道的像素值,以针对有雾图像的暗通道图像进行校正,据以依次计算出全局环境光值以及透射率值,再根据计算出的全局环境光值以及透射率值,解出各像素点在去雾图像中的各目标像素值,据以获得去雾后的重构图像,借由本申请的技术手段,可以达到较佳的图像去雾效果。
第二实施例
图2为根据本申请第二实施例所示的图像去雾处理方法的流程示意图。本实施例示出了上述步骤S101的进一步示例性处理步骤,其主要包括:
步骤S201,根据有雾图像,获得各像素点对应的各初始像素值。
于本实施例中,有雾图像中各像素点对应的各初始像素值为三色通道值。
步骤S202,针对有雾图像的绿色通道中各像素点对应的各像素值执行取反处理,以将各像素点对应的各初始像素值转换为各第一像素值。
由于雾天对于不同波长可见光的吸收率不同,本发明发现,在有雾的天气状况下,绿色光的衰减速度较快,即绿色通道的像素值接近于0。有鉴于此,本发明定义绿色通道的衰减值为即对绿色通道的像素值取反,可以得到:
其中,G表示有雾图像的绿色通道中各像素点的像素值,255表示绿色通道像素值的最大值。
步骤S203,根据第一预设转换规则和各像素点对应的各第一像素值,获得有雾图像的暗通道图像中各像素点对应的各第二像素值。
于本实施例中,第一预设转换规则表示为:
其中,(x1,x2)表示像素点x的横坐标参数和纵坐标参数;(y1,y2)表示像素点y的横坐标参数和纵坐标参数;Idark表示有雾图像的暗通道图像;
Idark(x1,x2)表示有雾图像的暗通道图像在像素点(x1,x2)处的第二像素值;I表示有雾图像;c表示有雾图像中的颜色通道图像;Ic(y1,y2)表示I(y1,y2)在有雾图像的c颜色通道图像中的第一像素值;Ω(x1,x2)表示以像素点(x1,x2)为中心的邻域;(y1,y2)∈Ω(x1,x2)表示像素点(y1,y2)的取值范围在邻域Ω(x1,x2)中。
综上所述,本申请实施例通过调整暗通道的计算方式,以优化有雾图像的暗通道图像,可以提高后续图像去雾效果。
第三实施例
图3为根据本申请第三实施例所示的图像去雾处理方法的流程示意图。本实施例示出了上述步骤S102的进一步示例性处理步骤,其主要包括:
步骤S301,基于预设提取规则,从各第二像素值中获取满足预设提取规则的多个第二像素值。
于本实施例中,可按照由大到小的顺序针对各第二像素值进行排序,获得第二像素值序列,并根据预设提取数量,由第二像素值序列中的第一个第二像素值开始,获得满足预设提取数量的多个第二像素值。
于本实施例中,预设提取数量可设定为第二像素值的总个数的0.1%至0.3%,较佳地,预设提取数量可设定为第二像素值的总个数的0.1%。
例如,假设预设提取数量设定为总个数的0.1%,有雾图像为800万像素,则按照各第二像素值的大小,可提取数值最大前8000个第二像素值。
步骤S302,根据所提取的各第二像素值,获得各第二像素值对应的各像素位置信息。
例如,可根据所提取的8000个第二像素值,获得此8000个第二像素值对应的8000个像素点的像素位置信息。
步骤S303,根据各像素位置信息,从有雾图像中提取与各像素位置信息对应的各像素点的各初始像素值。
例如,根据所获得的8000个像素点的像素位置信息,从最初始的有雾图像中获得此8000个像素点对应的8000个初始像素值(即R、G、B通道像素值)。
步骤S304,针对所获取的各像素点对应的各初始像素值执行均值计算,获得全局环境光值。
于本实施例中,可针对各像素点(例如8000个像素点)的R、G、B通道像素值执行均值计算,以获得全局环境光值。
第四实施例
图4为根据本申请第四实施例所示的图像去雾处理方法的流程示意图。本实施例示出了上述步骤S103的进一步示例性处理步骤,其主要包括:
步骤S401,根据第二预设转换规则、全局环境光值和各像素点对应的各第一像素值,获得有雾图像的暗通道图像中各像素点对应的各第一透射率子值。
于本申请的一实施例中,假设在Ω(x1,x2)邻域内的透射率为常数,记为t(x1,x2),同时针对大气散射模型的成像方程:I(x1,x2)=J(x1,x2)·t(x1,x2)+A·(1-t(x1,x2))进行变形并对两边进行最小化运算,可以得到:
其中,c表示有雾图像的颜色通道,Jc(y1,y2)表示J(y1,y2)的c颜色通道;Ic(y1,y2)表示I(y1,y2)的c颜色通道;Ω(x1,x2)表示以像素点(x1,x2)为中心的邻域。
根据暗通道先验理论,可以得到:
通过将上述暗通道先验理论代入前述的大气散射模型的成像方程,可得到用于计算第一透射率子值的第二预设转换规则,其表示为:
其中,tinitial(x1,x2)表示有雾图像的暗通道图像中像素点(x1,x2)的第一透射率子值,A表示全局环境光值。
在本申请的另一实施例中,为使得所生成的去雾图像的图像效果更加自然,可在去雾处理过程中,可以适当保留一部分的雾气。有鉴于此,本实施例针对上述的第二预设转换规则进一步引入一个缩放因子ω,以将上述第二预设转换规则优化为第三预设转换规则,并利用第三预设转换规则、全局环境光值和各像素点对应的各第一像素值,获得有雾图像的暗通道图像中各像素点对应的各第一透射率子值。
其中,第三预设转换规则表示为:
其中,tinitial(x1,x2)表示有雾图像的暗通道图像中像素点(x1,x2)的第一透射率子值,A表示全局环境光值;ω为缩放因子。
可选地,ω的取值范围为0<ω≤1。
较佳地,ω的取值为0.95。
步骤S402,利用引导滤波算法优化各像素点对应的各第一透射率子值,获得引导滤波输出图像中各像素点对应的各第二透射率子值。
具体而言,有雾图像在局部区域内,引导滤波输出图像tguided可以捕捉与有雾图像Is相似的细节图像信息,且其捕捉细节信息的能力与滤波半径r的大小相关。因此,可首先通过最小化引导滤波输出图像tguided与有雾图像Is之间的差异来寻求最优的第一优化系数和第二优化系数(ak,bk),再利用求解到的第一优化系数和第二优化系数,根据引导滤波的局部线性模型假设,得到引导滤波输出图像tguided在像素点(x1,x2)的第二透射率子值(参考下述第五实施例的详细描述)。
借此,本申请通过最小化引导滤波输出图像tguided与有雾图像Is之间的差异,可以使得两者在整体上保持相似性。
步骤S403,利用中值滤波算法优化各像素点对应的各第二透射率子值,获得中值滤波输出图像中各像素点对应的各第三透射率子值。
于本实施例中,在获得引导滤波输出图像tguided后,由于在图像景深变化较大的区域,引导滤波容易使得恢复的图像出现光晕的现象,因此,本申请通过生成滤波窗口,以针对引导滤波输出图像再次进行中值滤波处理,借以克服上述光晕的技术问题(参考下述第六实施例的详细描述)。
步骤S404,根据第四预设转换规则、各像素点对应的各第二透射率子值和各第三透射率子值,获得各像素点对应的各第四透射率子值。
具体而言,为了解决在图像景深变化较大的区域,不能较好地保持图像边缘细节的问题,以及更充分地利用引导滤波和中值滤波的结果,本发明采用加权平均的方式对第二透射率子值和第三透射率子值进行计算,以达到更优化的图像处理效果。
于本实施例中,第四预设转换规则表示为:
tfinal(x1,x2)=α·tguided(x1,x2)+(1-α)·tmedium(x1,x2)
其中,α表示加权系数,于本实施例中,α的取值范围为0.6≤α≤0.8,优选地,α的取值为0.8。
再者,tguided(x1,x2)表示引导滤波输出图像中像素点(x1,x2)的第二透射率子值;tmedium(x1,x2)表示中值滤波输出图像中像素点(x1,x2)的第三透射率子值;tfinal(x1,x2)表示像素点(x1,x2)的第四透射率子值。
第五实施例
图5为根据本申请第五实施例所示的图像去雾处理方法的流程示意图。本实施例示出了上述步骤S402的进一步示例性处理步骤,其主要包括:
步骤S501,根据预设代价函数、各像素点对应的各第一透射率子值和各初始像素值,获得各像素点的第一优化系数和第二优化系数。
于本实施例中,预设代价函数表示为:
其中,为有雾图像Is中以像素点k为中心的邻域,/>的窗口半径为r,r的取值为25或49;(ak,bk)在/>中为常数;s∈{R,G,B};Is(x1,x2)表示有雾图像的s颜色通道中像素点(x1,x2)的初始像素值;tinitial(x1,x2)为像素点(x1,x2)的第一透射率子值,ε为正则化参数,ak表示第一优化系数,bk表示第二优化系数。
可选地,ε的取值范围为10-5≤ω≤10-3,ε的优选取值为10-3。
于本实施例中,可利用最小二乘原理求解上述预设代价函数的最小值,以获得各像素点最优的第一优化系数和第二优化系数,也就是说,在代价函数中,求得代价函数最小值(E)的运算过程即相当于求得最优的第一优化系数(ak)和第二优化系数(bk)的运算过程。
于本实施例中,第一优化系数和第二优化系数分别表示为:
其中,μk表示有雾图像Is在窗口的均值,/>表示第一透射率子值在窗口/>中的均值,/>表示窗口/>中像素点的数量,/>表示有雾图像Is在窗口/>中的方差。
步骤S502,根据第五预设转换规则、第一优化系数、第二优化系数、像素点的初始像素值,获得各像素点对应的各第二透射率子值。
于本实施例中,第五预设转换规则表示为:
其中,tguilded(x1,x2)表示引导滤波输出图像中像素点(x1,x2)的第二透射率子值;;Is(x1,x2)表示有雾图像的s颜色通道图像在像素点(x1,x2)处的初始像素值,s∈{R,G,B}。
第六实施例
图6为根据本申请第六实施例所示的图像去雾处理方法的流程示意图。本实施例示出了上述步骤S403的进一步示例性处理步骤,其主要包括:
步骤S601,从各像素点中获得一个像素点以作为当前像素点。
步骤S602,以当前像素点为中心,在引导滤波输出图像中生成当前像素点的滤波窗口。
于本实施例中,滤波窗口可覆盖预设数量的像素点,以利用滤波窗口确定当前像素点的邻域范围。
可选地,可利用9*9大小的滤波窗口针对引导滤波输出图像进行中值滤波,但并不以此为限,亦可采用其他大小的滤波窗口,本申请对此不作限制。
步骤603,根据滤波窗口中各像素点的各第二透射率子值,获得当前像素点的中值,并将所述中值确定为当前像素点的第三透射率子值。
具体而言,可利用邻域范围内各像素点的各第二透射率子值的中值以替换当前像素点的第二透射率子值,以获得当前像素点的第三透射率子值。
步骤S604,判断是否所有像素点的第三透射率子值均已获得,若否,则返回步骤S601,若是,则进行步骤S404。
综上所述,本申请第五实施例和第六实施例所述的图像去雾处理方法,利用引导滤波和中值滤波联合优化各像素点对应的各透射率值,能够在平滑图像的同时起到保持边界的作用,并具有运算速度较快的优点。
第七实施例
图7为根据本申请第七实施例所示的图像去雾处理方法的流程示意图。本实施例示出了上述步骤S104的进一步示例性处理步骤,其主要包括:
步骤S701,根据第六预设转换规则、各像素点对应的各第四透射率子值、有雾图像中各像素点对应的各初始像素值、全局环境光值,获得有雾图像中各像素点对应的各目标像素值。
于本实施例中,第六预设转换规则表示为:
其中,z0设置为0.001,其用于防止分母为0;J(x1,x2)为像素点(x1,x2)的目标像素值。
还需说明的是,亦可无需针对各像素点的各第一透射率子值执行优化,而直接利用各像素点对应的各第一透射率子值、有雾图像中各像素点对应的各初始像素值、全局环境光值,获得有雾图像中各像素点对应的各目标像素值。
步骤S702,根据预设图像增强处理规则更新各像素点对应的各目标像素值。
于本实施例中,预设图像增强处理规则表示为:
J(x1,x2)=J(x1,x2)×W
其中,所述J(x1,x2)为所述去雾图像中所述像素点(x1,x2)的目标像素值;所述W为图像增强系数,所述W的取值范围为1.1≤W≤1.3。
步骤S703,根据各像素点对应的各目标像素值,获得有雾图像的去雾图像。
具体而言,可根据各像素点对应的各目标像素值,针对有雾图像进行重构,获得有雾图像的去雾图像。
综上所述,本申请实施例利用计算出的全局环境光值以及各像素点对应的各透射率值,针对有雾图像中各像素点对应的各初始像素值进行优化处理,获得各像素点对应的各目标像素值,并通过各目标像素值进行增强处理调整,可以进一步增强图像的对比度和饱和度。
第八实施例
本申请第八实施例提供一种计算机存储介质,于计算机存储介质中存储有用于执行上述第一至第七实施例中的图像去雾处理方法的各步骤的指令。
第九实施例
图8示出了本申请第九实施例的图像去雾处理装置的架构示意图,如图所示,本申请实施例的图像去雾处理装置800主要包括:全局环境光运算模块810、透射率运算模块820、图像生成模块830。
全局环境光运算模块810用于针对对待处理的有雾图像的目标通道中各像素点对应的各像素值执行取反处理,获得所述有雾图像的暗通道图像,并根据所述暗通道图像,获取全局环境光值。
可选地,所述全局环境光运算模块810还包括根据所述有雾图像,获得各所述像素点对应的各所述初始像素值;针对所述有雾图像的绿色通道中各所述像素点对应的各像素值执行取反处理,以将各所述像素点对应的各所述初始像素值转换为各第一像素值;根据第一预设转换规则和各所述像素点对应的各所述第一像素值,获得所述有雾图像的暗通道图像中各所述像素点对应的各第二像素值。
可选地,所述全局环境光运算模块810还包括基于预设提取规则,从各所述第二像素值中获取满足所述预设提取规则的多个所述第二像素值;根据所提取的各所述第二像素值,获得各所述第二像素值对应的各像素位置信息;根据各所述像素位置信息,从所述有雾图像中提取与各所述像素位置信息对应的各所述像素点对应的各所述初始像素值;以及针对所获取的各所述像素点对应的各所述初始像素值执行均值计算,获得所述全局环境光值。
透射率运算模块820用于根据所述全局环境光值、所述有雾图像的暗通道图像,获得所述有雾图像的暗通道图像中各所述像素点对应的各透射率值。
可选地,所述透射率运算模块820还包括按照由大到小的顺序针对各所述第二像素值进行排序,获得第二像素值序列;根据预设提取数量,由所述第二像素值序列中的第一个所述第二像素值开始,获得满足所述预设提取数量的多个所述第二像素值;其中,所述预设提取数量为所述第二像素值的总个数的0.1%至0.3%,所述预设提取数量优选为所述第二像素值的总个数的0.1%。
可选地,所述透射率运算模块820还包括根据第二预设转换规则或第三预设转换规则、所述全局环境光值和各所述像素点对应的各所述第一像素值,获得所述有雾图像的暗通道图像中各所述像素点对应的各所述第一透射率子值。
可选地,所述透射率运算模块820还包括利用引导滤波算法优化各所述像素点对应的各所述第一透射率子值,获得引导滤波输出图像中各所述像素点对应的各所述第二透射率子值;利用中值滤波算法优化各所述像素点对应的各所述第二透射率子值,获得中值滤波输出图像中各所述像素点对应的各所述第三透射率子值;以及根据第四预设转换规则、各所述像素点对应的各所述第二透射率子值和各所述第三透射率子值,获得各所述像素点对应的各所述第四透射率子值。
可选地,所述透射率运算模块820还包括根据预设代价函数、各所述像素点对应的各所述第一透射率子值和各所述初始像素值,获得各所述像素点对应的各第一优化系数和各第二优化系数;根据第五预设转换规则、各所述像素点对应的各所述初始像素值、各所述第一优化系数和各所述第二优化系数,获得各所述像素点对应的各所述第二透射率子值。
可选地,所述全局环境光运算模块810还包括利用最小二乘原理求解所述预设代价函数的最小值,获得所述像素点的所述第一优化系数和所述第二优化系数。
可选地,所述全局环境光运算模块810还包括从各所述像素点中获得一个所述像素点以作为所述当前像素点,并计算所述当前像素点的所述第三透射率子值;以及重复所述从各所述像素点中获得一个所述像素点以作为所述当前像素点,并计算所述当前像素点的所述第三透射率子值步骤,以获得各所述像素点对应的各所述第三透射率子值;其中,所述从各所述像素点中获得一个所述像素点以作为所述当前像素点,并计算所述当前像素点的所述第三透射率子值包括:以所述当前像素点为中心,在所述引导滤波输出图像中生成所述当前像素点的滤波窗口,所述滤波窗口覆盖预设数量的所述像素点;根据所述滤波窗口中各所述像素点的各所述第二透射率子值,获得所述当前像素点的中值,并将所述中值确定为所述当前像素点的所述第三透射率子值。
图像生成模块830用于根据各所述像素点对应的各所述透射率值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得所述有雾图像的去雾图像。
可选地,所述图像生成模块830还用于根据各所述像素点对应的各所述透射率值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得各所述像素点对应的各目标像素值;以及根据各所述像素点对应的各所述目标像素值,获得所述有雾图像的去雾图像。
可选地,所述图像生成模块830还用于根据第六预设转换规则、各所述像素点对应的各所述第四透射率子值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得所述有雾图像中各所述像素点对应的各所述目标像素值。
可选地,所述图像生成模块830还用于根据预设图像增强处理规则更新各所述像素点对应的各所述目标像素值。
此外,本发明实施例的图像去雾处理装置800还可用于实现前述各图像去雾处理方法实施例中的其他步骤,并具有相应的方法步骤实施例的有益效果,在此不再赘述。
综上所述,本申请各实施例提供的图像去雾处理技术,无需提前对天空区域和非天空区域进行识别分割,且去雾后的图像具有较高的清晰度,对于大面积天空或者白色物体区域也能实现较好的去雾效果。再者,本申请亦可有效恢复图像的细节和颜色,并有效缓解了光晕现象和天空区域色彩失真的问题。
最后应说明的是:以上实施例仅用以说明本申请实施例的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (19)
1.一种图像去雾处理方法,其特征在于,包括:
针对对待处理的有雾图像的目标通道中各像素点对应的各像素值执行取反处理,获得所述有雾图像的暗通道图像;
根据所述暗通道图像,获取全局环境光值;
根据所述全局环境光值、所述有雾图像的暗通道图像,获得所述有雾图像的暗通道图像中各所述像素点对应的各透射率值;以及
根据各所述像素点对应的各所述透射率值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得所述有雾图像的去雾图像;
所述针对对待处理的有雾图像的目标通道中各像素点对应的各像素值执行取反处理,获得所述有雾图像的暗通道图像包括:
根据所述有雾图像,获得各所述像素点对应的各所述初始像素值;
针对所述有雾图像的绿色通道中各所述像素点对应的各像素值执行取反处理,以将各所述像素点对应的各所述初始像素值转换为各第一像素值;
根据第一预设转换规则和各所述像素点对应的各所述第一像素值,获得所述有雾图像的暗通道图像中各所述像素点对应的各第二像素值;
所述第一预设转换规则表示为:
其中,所述(x1,x2)表示所述像素点x的横坐标参数和纵坐标参数;所述(y1,y2)表示所述像素点y的横坐标参数和纵坐标参数;所述Idark表示所述有雾图像的暗通道图像;所述Idark(x1,x2)表示所述有雾图像的暗通道图像在所述像素点(x1,x2)处的所述第二像素值;所述I表示所述有雾图像;所述c表示所述有雾图像的颜色通道图像;所述Ic(y1,y2)表示所述I(y1,y2)在所述有雾图像的c颜色通道图像中的所述第一像素值;所述Ω(x1,x2)表示以所述像素点(x1,x2)为中心的邻域;所述(y1,y2)∈Ω(x1,x2)表示像素点(y1,y2)的取值范围在邻域Ω(x1,x2)中;/>表示绿色通道的衰减值。
2.根据权利要求1所述的图像去雾处理方法,其特征在于,所述根据所述暗通道图像,获取全局环境光值包括:
基于预设提取规则,从各所述第二像素值中获取满足所述预设提取规则的多个所述第二像素值;
根据所提取的各所述第二像素值,获得各所述第二像素值对应的各像素位置信息;
根据各所述像素位置信息,从所述有雾图像中提取与各所述像素位置信息对应的各所述像素点的各所述初始像素值;以及
针对所获取的各所述像素点对应的各所述初始像素值执行均值计算,获得所述全局环境光值。
3.根据权利要求2所述的图像去雾处理方法,其特征在于,所述基于预设提取规则,从各所述第二像素值中获取满足所述预设提取规则的多个所述第二像素值包括:
按照由大到小的顺序针对各所述第二像素值进行排序,获得第二像素值序列;
根据预设提取数量,由所述第二像素值序列中的第一个所述第二像素值开始,获得满足所述预设提取数量的多个所述第二像素值;
其中,所述预设提取数量为所述第二像素值的总个数的0.1%至0.3%。
4.根据权利要求3所述的图像去雾处理方法,其特征在于,所述预设提取数量为所述第二像素值的总个数的0.1%。
5.根据权利要求2所述的图像去雾处理方法,其特征在于,所述透射率值包括第一透射率子值,所述根据所述全局环境光值、所述有雾图像的暗通道图像,获得所述有雾图像的暗通道图像中各所述像素点对应的各透射率值包括:
根据第二预设转换规则、所述全局环境光值、各所述像素点对应的各所述第一像素值,获得所述有雾图像的暗通道图像中各所述像素点对应的各所述第一透射率子值;
所述第二预设转换规则表示为:
其中,所述tinitial(x1,x2)表示所述有雾图像的暗通道图像中所述像素点(x1,x2)的所述第一透射率子值,所述A表示所述全局环境光值。
6.根据权利要求2所述的图像去雾处理方法,其特征在于,所述透射率值包括第一透射率子值,所述根据所述全局环境光值、所述有雾图像的暗通道图像,获得所述有雾图像的暗通道图像中各所述像素点对应的各透射率值包括:
根据第三预设转换规则、所述全局环境光值、各所述像素点对应的各所述第一像素值,获得所述有雾图像的暗通道图像中各所述像素点对应的各所述第一透射率子值;
所述第三预设转换规则表示为:
其中,所述tinitial(x1,x2)表示所述有雾图像的暗通道图像中所述像素点(x1,x2)的所述第一透射率子值,所述A表示所述全局环境光值;所述ω为缩放因子,所述ω的取值范围为0<ω≤1。
7.根据权利要求6所述的图像去雾处理方法,其特征在于,所述ω的取值为0.95。
8.根据权利要求5或6中任一项所述的图像去雾处理方法,其特征在于,所述根据各所述像素点对应的各所述透射率值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得所述有雾图像的去雾图像包括:
根据各所述像素点对应的各所述第一透射率子值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得所述有雾图像的所述去雾图像。
9.根据权利要求5或6中任一项所述的图像去雾处理方法,其特征在于,所述透射率值还包括第二透射率子值、第三透射率子值、第四透射率子值,所述根据所述全局环境光值、所述有雾图像的暗通道图像,获得所述有雾图像的暗通道图像中各所述像素点对应的各透射率值还包括:
利用引导滤波算法优化各所述像素点对应的各所述第一透射率子值,获得引导滤波输出图像中各所述像素点对应的各所述第二透射率子值;
利用中值滤波算法优化各所述像素点对应的各所述第二透射率子值,获得中值滤波输出图像中各所述像素点对应的各所述第三透射率子值;以及
根据第四预设转换规则、各所述像素点对应的各所述第二透射率子值和各所述第三透射率子值,获得各所述像素点对应的各所述第四透射率子值;
所述第四预设转换规则表示为:
tfinal(x1,x2)=α·tguided(x1,x2)+(1-α)·tmedium(x1,x2)
其中,所述α表示加权系数,所述α的取值范围为0.6≤α≤0.8;所述tguided(x1,x2)表示所述引导滤波输出图像中所述像素点(x1,x2)的所述第二透射率子值;所述tmedium(x1,x2)表示所述中值滤波输出图像中所述像素点(x1,x2)的所述第三透射率子值;所述tfinal(x1,x2)表示所述像素点(x1,x2)的所述第四透射率子值。
10.根据权利要求9所述的图像去雾处理方法,其特征在于,所述α的取值为0.8。
11.根据权利要求9所述的图像去雾处理方法,其特征在于,所述利用引导滤波算法优化各所述像素点对应的各所述第一透射率子值,获得引导滤波输出图像中各所述像素点对应的各所述第二透射率子值包括:
根据预设代价函数、各所述像素点对应的各所述第一透射率子值和各所述初始像素值,获得各所述像素点对应的各第一优化系数和各第二优化系数;
根据第五预设转换规则、各所述像素点对应的各所述初始像素值、各所述第一优化系数和各所述第二优化系数,获得各所述像素点对应的各所述第二透射率子值;
所述预设代价函数表示为:
其中,所述E表示所述预设代价函数;所述为所述有雾图像Is中以像素点k为中心的邻域,所述/>的窗口半径为r,所述r的取值为25或49;所述(ak,bk)在所述/>中为常数;所述Is(x1,x2)表示所述有雾图像的s颜色通道图像中所述像素点(x1,x2)的所述初始像素值;所述s∈{R,G,B};所述tinitial(x1,x2)表示所述像素点(x1,x2)的所述第一透射率子值;所述ak表示所述第一优化系数,所述bk表示所述第二优化系数;所述ε为正则化参数,所述ε的取值范围为10-5≤ω≤10-3;
所述第五预设转换规则表示为:
其中,所述tguilded(x1,x2)表示所述引导滤波输出图像中所述像素点(x1,x2)的所述第二透射率子值;所述s∈{R,G,B}。
12.根据权利要求11所述的图像去雾处理方法,其特征在于,所述ε的取值为10-3。
13.根据权利要求11所述的图像去雾处理方法,其特征在于,所述根据预设代价函数、所述像素点的所述第一透射率子值、所述像素点的所述初始像素值,获得所述像素点的第一优化系数和第二优化系数包括:
利用最小二乘原理求解所述预设代价函数的最小值,获得所述像素点的所述第一优化系数和所述第二优化系数;
所述第一优化系数表示为:
所述第二优化系数表示为:
其中,所述μk表示所述有雾图像Is在窗口的均值,所述/>表示所述第一透射率子值在窗口/>中的均值,所述/>表示窗口/>中像素点的数量,所述/>表示所述有雾图像Is在窗口/>中的方差。
14.根据权利要求13所述的图像去雾处理方法,其特征在于,所述利用中值滤波算法优化各所述像素点对应的各所述第二透射率子值,获得中值滤波输出图像中各所述像素点对应的各所述第三透射率子值包括:
从各所述像素点中获得一个所述像素点以作为当前像素点,并计算所述当前像素点的所述第三透射率子值;以及
重复所述从各所述像素点中获得一个所述像素点以作为当前像素点,并计算所述当前像素点的所述第三透射率子值步骤,获得各所述像素点对应的各所述第三透射率子值;
其中,所述从各所述像素点中获得一个所述像素点以作为当前像素点,并计算所述当前像素点的所述第三透射率子值包括:
以所述当前像素点为中心,在所述引导滤波输出图像中生成所述当前像素点的滤波窗口,所述滤波窗口覆盖预设数量的所述像素点;
根据被覆盖于所述滤波窗口中的各所述像素点的各所述第二透射率子值,获得各所述第二透射率子值的中值,并将所述中值确定为所述当前像素点的所述第三透射率子值。
15.根据权利要求9所述的图像去雾处理方法,其特征在于,所述根据各所述像素点对应的各所述透射率值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得所述有雾图像的去雾图像包括:
根据各所述像素点对应的各所述第四透射率子值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得各所述像素点对应的各目标像素值;以及
根据各所述像素点对应的各所述目标像素值,获得所述有雾图像的去雾图像。
16.根据权利要求15所述的图像去雾处理方法,其特征在于,所述根据各所述像素点对应的各所述第四透射率子值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得各所述像素点对应的各目标像素值包括:
根据第六预设转换规则、各所述像素点对应的各所述第四透射率子值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得所述有雾图像中各所述像素点对应的各所述目标像素值;
所述第六预设转换规则表示为:
其中,所述z0为0.001,所述J(x1,x2)为所述像素点(x1,x2)的所述目标像素值。
17.根据权利要求16所述的图像去雾处理方法,其特征在于,所述方法还包括:
根据预设图像增强处理规则更新各所述像素点对应的各所述目标像素值;
所述预设图像增强处理规则表示为:
J(x1,x2)=J(x1,x2)×W
其中,所述J(x1,x2)为所述去雾图像中所述像素点(x1,x2)的目标像素值;所述W为图像增强系数,所述W的取值范围为1.1≤W≤1.3。
18.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有用于执行根据权利要求1至17中任一项所述的图像去雾处理方法的各所述步骤的指令。
19.一种图像去雾处理装置,其特征在于,所述装置包括:
全局环境光运算模块,用于针对对待处理的有雾图像的目标通道中各像素点对应的各像素值执行取反处理,获得所述有雾图像的暗通道图像,并根据所述暗通道图像,获取全局环境光值;
透射率运算模块,用于根据所述全局环境光值、所述有雾图像的暗通道图像,获得所述有雾图像的暗通道图像中各所述像素点对应的各透射率值;以及
图像生成模块,用于根据各所述像素点对应的各所述透射率值、所述有雾图像中各所述像素点对应的各初始像素值、所述全局环境光值,获得所述有雾图像的去雾图像;
所述全局环境光运算模块还包括根据所述有雾图像,获得各所述像素点对应的各所述初始像素值;针对所述有雾图像的绿色通道中各所述像素点对应的各像素值执行取反处理,以将各所述像素点对应的各所述初始像素值转换为各第一像素值;根据第一预设转换规则和各所述像素点对应的各所述第一像素值,获得所述有雾图像的暗通道图像中各所述像素点对应的各第二像素值;
所述第一预设转换规则表示为:
其中,所述(x1,x2)表示所述像素点x的横坐标参数和纵坐标参数;所述(y1,y2)表示所述像素点y的横坐标参数和纵坐标参数;所述Idark表示所述有雾图像的暗通道图像;所述Idark(x1,x2)表示所述有雾图像的暗通道图像在所述像素点(x1,x2)处的所述第二像素值;所述I表示所述有雾图像;所述c表示所述有雾图像的颜色通道图像;所述Ic(y1,y2)表示所述I(y1,y2)在所述有雾图像的c颜色通道图像中的所述第一像素值;所述Ω(x1,x2)表示以所述像素点(x1,x2)为中心的邻域;所述(y1,y2)∈Ω(x1,x2)表示像素点(y1,y2)的取值范围在邻域Ω(x1,x2)中;/>表示绿色通道的衰减值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507490.6A CN112529813B (zh) | 2020-12-18 | 2020-12-18 | 图像去雾处理方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507490.6A CN112529813B (zh) | 2020-12-18 | 2020-12-18 | 图像去雾处理方法、装置及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529813A CN112529813A (zh) | 2021-03-19 |
CN112529813B true CN112529813B (zh) | 2024-05-24 |
Family
ID=75001656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011507490.6A Active CN112529813B (zh) | 2020-12-18 | 2020-12-18 | 图像去雾处理方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529813B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223105A (zh) * | 2021-04-19 | 2021-08-06 | 天津大学 | 基于大气散射模型的雾天图像生成方法 |
CN116612043B (zh) * | 2023-06-02 | 2024-04-02 | 萱闱(北京)生物科技有限公司 | 一种图像处理方法、装置、设备和存储介质 |
CN116739608B (zh) * | 2023-08-16 | 2023-12-26 | 湖南三湘银行股份有限公司 | 基于人脸识别方式的银行用户身份验证方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013029337A1 (en) * | 2011-08-30 | 2013-03-07 | Fujitsu Limited | Image defogging method and system |
CN103903229A (zh) * | 2014-03-13 | 2014-07-02 | 中安消技术有限公司 | 一种夜晚图像增强方法和装置 |
CN105631829A (zh) * | 2016-01-15 | 2016-06-01 | 天津大学 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
CN105931193A (zh) * | 2016-04-01 | 2016-09-07 | 南京理工大学 | 一种基于暗通道先验的夜间交通卡口图像增强方法 |
CN106657948A (zh) * | 2017-01-18 | 2017-05-10 | 聚龙智瞳科技有限公司 | 低照度Bayer图像的增强方法及增强装置 |
CN107644431A (zh) * | 2017-08-16 | 2018-01-30 | 孙战里 | 一种低照度情况下视频监控的有效浓缩方法 |
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 |
CN108876743A (zh) * | 2018-06-26 | 2018-11-23 | 中山大学 | 一种图像快速去雾方法、系统、终端及存储介质 |
CN111127372A (zh) * | 2020-04-01 | 2020-05-08 | 杭州涂鸦信息技术有限公司 | 一种图像去雾方法及其系统和设备 |
CN111311502A (zh) * | 2019-09-04 | 2020-06-19 | 中国科学院合肥物质科学研究院 | 使用双向加权融合处理雾天图像的方法 |
CN111563852A (zh) * | 2020-04-24 | 2020-08-21 | 桂林电子科技大学 | 一种基于低复杂度mf的暗通道先验去雾方法 |
CN111915496A (zh) * | 2019-05-08 | 2020-11-10 | 北京字节跳动网络技术有限公司 | 一种图像处理方法、装置及存储介质 |
-
2020
- 2020-12-18 CN CN202011507490.6A patent/CN112529813B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013029337A1 (en) * | 2011-08-30 | 2013-03-07 | Fujitsu Limited | Image defogging method and system |
CN103903229A (zh) * | 2014-03-13 | 2014-07-02 | 中安消技术有限公司 | 一种夜晚图像增强方法和装置 |
CN105631829A (zh) * | 2016-01-15 | 2016-06-01 | 天津大学 | 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法 |
CN105931193A (zh) * | 2016-04-01 | 2016-09-07 | 南京理工大学 | 一种基于暗通道先验的夜间交通卡口图像增强方法 |
CN106657948A (zh) * | 2017-01-18 | 2017-05-10 | 聚龙智瞳科技有限公司 | 低照度Bayer图像的增强方法及增强装置 |
CN107644431A (zh) * | 2017-08-16 | 2018-01-30 | 孙战里 | 一种低照度情况下视频监控的有效浓缩方法 |
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 |
CN108876743A (zh) * | 2018-06-26 | 2018-11-23 | 中山大学 | 一种图像快速去雾方法、系统、终端及存储介质 |
CN111915496A (zh) * | 2019-05-08 | 2020-11-10 | 北京字节跳动网络技术有限公司 | 一种图像处理方法、装置及存储介质 |
CN111311502A (zh) * | 2019-09-04 | 2020-06-19 | 中国科学院合肥物质科学研究院 | 使用双向加权融合处理雾天图像的方法 |
CN111127372A (zh) * | 2020-04-01 | 2020-05-08 | 杭州涂鸦信息技术有限公司 | 一种图像去雾方法及其系统和设备 |
CN111563852A (zh) * | 2020-04-24 | 2020-08-21 | 桂林电子科技大学 | 一种基于低复杂度mf的暗通道先验去雾方法 |
Non-Patent Citations (4)
Title |
---|
" Fast efficient algorithm for enhancement of low lighting video";Xuan Dong等;《2011 IEEE International Conference on Multimedia and Expo》;20110905;全文 * |
"An improved dark channel prior image defogging algorithm based on wavelength compensation";Zhixiang Chen等;《Earth Science Informatics》;20190725;第12卷;全文 * |
"复杂背景下的视频浓缩算法研究";沈韬;《中国优秀硕士学位论文全文数据库 信息科技辑》;20181015;全文 * |
基于暗通道先验理论及其改进算法的夜间图像增强处理;包兆华;高瑜翔;夏朝禹;郭春妮;;成都信息工程大学学报;20200215(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112529813A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529813B (zh) | 图像去雾处理方法、装置及计算机存储介质 | |
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 | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN110544213B (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
KR101426298B1 (ko) | 안개 제거율을 높인 영상보정장치 및 방법 | |
CN108182671B (zh) | 一种基于天空区域识别的单幅图像去雾方法 | |
CN109903250B (zh) | 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 | |
WO2009091152A2 (en) | Color recovery method and system | |
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 | |
CN112837233A (zh) | 一种基于差分偏振获取透射率的偏振图像去雾方法 | |
CN111161167A (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 | |
CN112053298A (zh) | 一种图像去雾方法 | |
CN114881867A (zh) | 一种基于深度学习的图像去噪方法 | |
CN111462022A (zh) | 一种水下图像清晰化增强方法 | |
CN106709876B (zh) | 一种基于暗像元原理的光学遥感图像去雾方法 | |
CN112465720B (zh) | 一种基于图像天空分割的图像去雾方法、装置和存储介质 | |
CN114155173A (zh) | 一种图像去雾方法、设备及非易失性存储介质 | |
CN114581914A (zh) | 一种雾霾环境下的车牌识别方法 | |
CN109767407A (zh) | 一种去雾过程中大气透射率图像的二次估计方法 | |
CN107451962B (zh) | 一种图像去雾方法及装置 | |
CN116029944B (zh) | 一种灰度图像的自适应对比度增强方法和装置 | |
CN111161159B (zh) | 一种基于先验知识与深度学习结合的图像去雾方法和装置 | |
CN116385293A (zh) | 基于卷积神经网络的雾天自适应目标检测方法 | |
CN111489302B (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 |