CN112750089B - 基于局部块最大和最小像素先验的光学遥感影像去雾方法 - Google Patents
基于局部块最大和最小像素先验的光学遥感影像去雾方法 Download PDFInfo
- Publication number
- CN112750089B CN112750089B CN202011571222.0A CN202011571222A CN112750089B CN 112750089 B CN112750089 B CN 112750089B CN 202011571222 A CN202011571222 A CN 202011571222A CN 112750089 B CN112750089 B CN 112750089B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- calculating
- image
- steps
- optical remote
- 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 55
- 230000003287 optical effect Effects 0.000 title claims abstract description 48
- 230000005540 biological transmission Effects 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000007670 refining Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002912 waste gas Substances 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
- G06T5/20—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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于局部块最大和最小像素先验的光学遥感影像去雾方法,包括:步骤1:利用影像潜在信息、大气散射模型和局部块最小像素先验定义计算修正后的大气光图;步骤2:根据步骤1获取的修正后的大气光图,计算修正的传输图;步骤3:根据大气散射模型,获得初步去雾的光学遥感影像;步骤4:利用大气散射模型和局部块最大像素先验定义计算步骤3获取的初步去雾的光学遥感影像的大气光图;步骤5:根据步骤4获取的初步去雾的光学遥感影像的大气光图,计算初步去雾光学遥感影像传输图;步骤6:根据大气散射模型获得增强对比度的去雾光学遥感影像。与现有技术相比,本发明具有精度高、处理速度快、效率高等优点。
Description
技术领域
本发明涉及光学遥感影像去雾方法技术领域,尤其是涉及一种基于局部块最大和最小像素先验的光学遥感影像去雾方法。
背景技术
光学遥感图像广泛应用于多个领域,如场景级地理图像分类、地理空间目标检测等,对国民经济发展具有重要的影响。光学遥感影像成像过程中易受到霾、雾、废气和灰尘等恶劣天气状况影响,会引起光学遥感影像的对比度下降和颜色失真等问题,对后续的光学遥感影像的视觉观察和深层次语义分析造成消极的影响。
目前,针对光学遥感影像去雾方法大多采用亮通道和暗通道先验的方法进行,如中国专利CN108257094A中公开了一种基于暗通道的遥感影像薄雾快速去除方法,包括如下步骤:提升遥感影像的曝光程度;对所述遥感影像的输出图像进行降采样;计算所述遥感影像的透射率的预估值,并在遥感影像中将所述透射率显示出来,得到预估透射率图;对所述预估透射率图进行滤波处理,得到导向滤波图;对所述导向滤波图进行计算,得到精细的透射率图;计算得到去雾后的影像图。该方法虽然提高了不同类型遥感影像去雾的普适性,去除了人机交互的过程,可以实现全自动海量去雾,但是该方法处理速度较慢,效率和精度都比较低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种精度高、处理速度快、效率高的基于局部块最大和最小像素先验的光学遥感影像去雾方法。
本发明的目的可以通过以下技术方案来实现:
一种基于局部块最大和最小像素先验的光学遥感影像去雾方法,包括:
步骤1:利用影像潜在信息、大气散射模型和局部块最小像素先验定义计算修正后的大气光图;
步骤2:根据步骤1获取的修正后的大气光图,计算修正的传输图;
步骤3:根据大气散射模型,获得初步去雾的光学遥感影像;
步骤4:利用大气散射模型和局部块最大像素先验定义计算步骤3获取的初步去雾的光学遥感影像的大气光图;
步骤5:根据步骤4获取的初步去雾的光学遥感影像的大气光图,计算初步去雾光学遥感影像传输图;
步骤6:根据大气散射模型获得增强对比度的去雾光学遥感影像。
优选地,所述的影像潜在信息的获取方法为:将光学遥感影像划分为规则的矩形块,分别提取矩形块中最大、最小像素值作为影像先验信息。
优选地,所述的步骤1具体为:
步骤1-1:计算局部块最小像素先验,并解算相应的均值;
最小像素先验的计算方法为:
其中,表示观测的影像,影像的长宽分别为m和n,包含c个通道;i=1,2,…,N,/>表示影像I被一个r×r大小的非重叠块划分为N块;/>表示第i块中最小像素的位置索引;{r,g,b}表示影像的RGB三通道;
步骤1-2:逐通道计算修正因子α;
修正因子α的计算方法为:
步骤1-3:计算初步的大气光图A;
计算方法为:
A(x)=J(x)+α
精化方法为:
剔除负数值的方法为:
优选地,所述的步骤2具体为:
步骤2-1:计算各个像素间的全局最小值和补偿因子β;
全局最小值的计算方法为:
补偿因子β的计算方法为:
步骤2-2:计算传输图,使用指导滤波器对传输图进行精化处理;
传输图的计算方法为:
步骤2-3:抽取传输图中的正值为最终的传输图;
正值抽取方法为:
t1=max(t,ε),ε>0。
更加优选地,所述的ε的取值为0.001。
优选地,所述的步骤4具体为:
步骤4-1:计算局部块最大像素先验值;
步骤4-2:计算基于局部块最大像素先验的大气光图ALPMaxVP(x);
大气光图ALPMaxVP(x)的计算方法为:
ALPMaxVP(x)=max{guidedfilter(Jc(x),JLPMaxVP(x)),δ},c∈{r,g,b}
其中,JMaxVP(x)由最大像素先验的定义计算获得;guidedfilter()表示指导滤波器函数。
更加优选地,所述的δ取值为0.001。
优选地,所述的步骤5具体为:
步骤5-1:计算各个像素间的全局最大值和补偿因子η;
全局最大值的计算方法为:
补偿因子η的计算方法为:
步骤5-2:计算传输图,使用指导滤波器对传输图进行精化处理;
传输图的计算方法为:
优选地,所述的大气散射模型具体为:
J(x)=I(x)t(x)+A(x)(1-t(x))
其中,J表示观测的含雾影像,I表示潜在的清晰影像,t表示计算的传输图,A表示计算的大气光图。
更加优选地,所述的潜在清晰影像I的获取方法为:
与现有技术相比,本发明具有以下有益效果:
一、去雾精度高:本发明中的去雾方法是一种基于局部块最大、最小像素的先验,根据大气散射模型和所提出的先验,对大气光图和传输图进行了修正,获得了精度更高的大气光图和传输图的估计,是一种去雾和对比度增强相结合的去雾方法,能够获得效果更好的去雾影像,使得低质量的光学遥感影像提升为可供解译的高质量影像。
二、效率高:本发明中的去雾方法与现有技术中暗通道和亮通道先验方法相比运行时间大幅降低,大大提高了去雾算法的计算效率;同时,本发明中的去雾方法与暗通道和亮通道先验方法的稀疏性高度一致,保证了去雾的有效性。
附图说明
图1为本发明中遥感影像去雾方法的流程示意图;
图2为本发明最大、最小像素先验的获取过程示意图;
图3为本发明实施例中最大、最小像素先验传输图以及暗通道图和亮通道图对比;
图3(a)为局部块最小像素先验图,图3(b)为暗通道图,图3(c)为局部块最大像素先验图,图3(d)为亮通道图;
图4为本发明实施例中最大、最小像素先验图以及暗通道图和亮通道图的稀疏性频数直方图对比;
图4(a)为局部块最小像素稀疏先验直方图,图4(b)为暗通道稀疏先验直方图,图4(c)为局部块最大像素稀疏先验直方图,图4(d)为亮通道稀疏先验直方图;
图5为本发明实施例中第一组对比实验结果对比图;
图5(a)为含雾影像,图5(b)为经过DCP去雾后的影像,图5(c)为经过BCCR去雾后的影像,图5(d)为经过IdeRS去雾后的影像,图5(e)为经过AHR去雾后的影像,图5(f)为经过AOD-Net去雾后的影像,图5(g)为经过本发明去雾方法去雾后的影像;
图6为本发明实施例中第二组对比试验结果对比图;
图6(a)为含雾影像,图6(b)为经过DCP去雾后的影像,图6(c)为经过BCCR去雾后的影像,图6(d)为经过IdeRS去雾后的影像,图6(e)为经过AHR去雾后的影像,图6(f)为经过AOD-Net去雾后的影像,图6(g)为经过本发明去雾方法去雾后的影像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明的目的就是为了从含雾的光学遥感影像中利用提出的增强去雾方法恢复清晰无雾的光学遥感影像,提高恢复影像的被解译能力,节约遥感平台重新观测成本,实现含雾的光学遥感影像资源的再利用。
一种基于局部块最大和最小像素先验的光学遥感影像去雾方法,其流程图1所示,包括:
步骤1:利用影像潜在信息、大气散射模型和局部块最小像素先验定义计算修正后的大气光图;
影像潜在信息包括:
步骤1具体为:
步骤1-1:计算局部块最小像素先验,并解算相应的均值;
最小像素先验的计算方法为:
其中,表示观测的影像,影像的长宽分别为m和n,包含c个通道;i=1,2,…,N,/>表示影像I被一个r×r大小的非重叠块划分为N块;/>表示第i块中最小像素的位置索引;{r,g,b}表示影像的RGB三通道;
步骤1-2:逐通道计算修正因子α;
修正因子α的计算方法为:
步骤1-3:计算初步的大气光图A;
计算方法为:
A(x)=J(x)+α
精化方法为:
剔除负数值的方法为:
步骤2:根据步骤1获取的修正后的大气光图,计算修正的传输图;
步骤2-1:计算各个像素间的全局最小值和补偿因子β;
全局最小值的计算方法为:
补偿因子β的计算方法为:
步骤2-2:计算传输图,使用指导滤波器对传输图进行精化处理;
传输图的计算方法为:
步骤2-3:抽取传输图中的正值为最终的传输图;
正值抽取方法为:
t1=max(t,ε),ε>0;
ε可取经验值0.001。
步骤3:根据大气散射模型,获得初步去雾的光学遥感影像;
步骤4:利用大气散射模型和局部块最大像素先验定义计算步骤3获取的初步去雾的光学遥感影像的大气光图;
步骤4-1:计算局部块最大像素先验值;
步骤4-2:计算基于局部块最大像素先验的大气光图ALPMaxVP(x);
大气光图ALPMaxVP(x)的计算方法为:
ALPMaxVP(x)=max{guidedfilter(Jc(x),JLPMaxVP(x)),δ},c∈{r,g,b}
其中,JMaxVP(x)由最大像素先验的定义计算获得;guidedfilter()表示指导滤波器函数;
δ可取经验值0.001。
步骤5:根据步骤4获取的初步去雾的光学遥感影像的大气光图,计算初步去雾光学遥感影像传输图;
步骤5-1:计算各个像素间的全局最大值和补偿因子η;
全局最大值的计算方法为:
补偿因子η的计算方法为:
步骤5-2:计算传输图,使用指导滤波器对传输图进行精化处理;
传输图的计算方法为:
步骤6:根据大气散射模型获得增强对比度的去雾光学遥感影像。
上述步骤中的大气散射模型具体为:
J(x)=I(x)t(x)+A(x)(1-t(x))
其中,J表示观测的含雾影像,I表示潜在的清晰影像,t表示计算的传输图,A表示计算的大气光图。
潜在清晰影像I的获取方法为:
上述步骤中基于局部块最大、最小像素的过程如图2所示。
本实施例中提出的最大、最小像素先验在特性上与现有的影像先验如亮通道和暗通道先验一致,在使用同样的计算方法获得的传输图(如图3所示)是相近的。对应先验所表示的稀疏性(如图4所示)是一致的,两种先验的稀疏性的相关系数分别为0.9999967和0.99999996,表示提出的先验与已有的先验的稀疏性高度一致。
本实施例提出的先验的计算效率更高,具体表现为:对同一副大小的影像,对其进行10次降采样为不同大小的影像,分别测试所提出先验和对比先验(暗通道和亮通道先验)的计算效率,结果如表1所示。结果表明本发明提出的先验在计算效率上更高。综上,本发明提出的先验是一种更高效的先验,更有实用价值。
表1提出的先验与亮、暗通道先验的运行时间对比
运用本实施例中的去雾方法对两幅含雾的光学卫星遥感影像进行去雾实验,并与现有的去雾方法:DCP(Dark Channel Prior)、BCCR(Boundary constraint andcontextual regularization)、IDeRS(Iterative dehazing method for remote sensingimage)、AHR(Novel dark channel-saturation prior and adaptive haze removal)和AOD-Net(a light-weight all-in-One dehazing network)这5种方法进行对比验证。结果示意图如图5和图6所示。
另外选取两个无参考的质量评价指标FADE(Fog Aware Density Evaluator)和DHAI(DeHazing Algorithms Index)对去雾后的各个影像进行质量评价:FADE越小,表明影像中含雾量越少;DHAI越大,表示影像中对比度越高,颜色畸变越小和细节越丰富。所有的实验均在同一硬件设备统一配置条件下进行计算输出。
在图5和图6中,对(a)图进行去雾实验,(a)中两幅含雾光学遥感影像分别是受到均匀的薄雾和非均匀的薄雾影响,导致成像画面中的地物不能够清晰地被人眼和计算机接受甚至识别。经过不同的6种去雾方法进行去雾实验之后,可以发现(b)~(d)的结果在颜色上产生了较为严重的畸变,变得更加艳丽,相近地物之间产生了较大的颜色差异;(e)和(f)方法对山体上的绿色森林产生大片的黑色像素,不符合实际观察到的情况,即意味着光谱信息的变化严重,丧失了大部分的地表细节;本发明提供的恢复结果是最佳的,能够清晰地恢复出不含雾的影像,并未发生引人不适的颜色畸变,保留了更多的地表细节。从表2中的质量评价指标中也可以发现:本发明给出的结果含雾量最少,对比度高,颜色畸变小和细节丰富。
表2FADE和DHAI对去雾结果的质量评价结果
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于局部块最大和最小像素先验的光学遥感影像去雾方法,其特征在于,所述的去雾方法包括:
步骤1:利用影像潜在信息、大气散射模型和局部块最小像素先验定义计算修正后的大气光图;
步骤2:根据步骤1获取的修正后的大气光图,计算修正的传输图;
步骤3:根据大气散射模型,获得初步去雾的光学遥感影像;
步骤4:利用大气散射模型和局部块最大像素先验定义计算步骤3获取的初步去雾的光学遥感影像的大气光图;
步骤5:根据步骤4获取的初步去雾的光学遥感影像的大气光图,计算初步去雾光学遥感影像传输图;
步骤6:根据大气散射模型获得增强对比度的去雾光学遥感影像;
所述的影像潜在信息的获取方法为:将光学遥感影像划分为规则的矩形块,分别提取矩形块中最大、最小像素值作为影像先验信息;
所述的步骤1具体为:
步骤1-1:计算局部块最小像素先验,并解算相应的均值;
最小像素先验的计算方法为:
其中,表示观测的影像,影像的长宽分别为m和n,包含c个通道;i=1,2,…,N,表示影像I被一个r×r大小的非重叠块划分为N块;/>表示第i块中最小像素的位置索引;{r,g,b}表示影像的RGB三通道;
步骤1-2:逐通道计算修正因子α;
修正因子α的计算方法为:
步骤1-3:计算初步的大气光图A;
计算方法为:
A(x)=J(x)+α
精化方法为:
剔除负数值的方法为:
所述的步骤5具体为:
步骤5-1:计算各个像素间的全局最大值和补偿因子η;
全局最大值的计算方法为:
补偿因子η的计算方法为:
步骤5-2:计算传输图,使用指导滤波器对传输图进行精化处理;
传输图的计算方法为:
3.根据权利要求2所述的一种基于局部块最大和最小像素先验的光学遥感影像去雾方法,其特征在于,所述的ε的取值为0.001。
5.根据权利要求4所述的一种基于局部块最大和最小像素先验的光学遥感影像去雾方法,其特征在于,所述的δ取值为0.001。
6.根据权利要求1所述的一种基于局部块最大和最小像素先验的光学遥感影像去雾方法,其特征在于,所述的大气散射模型具体为:
J(x)=I(x)t(x)+A(x)(1-t(x))
其中,J表示观测的含雾影像,I表示潜在的清晰影像,t表示计算的传输图,A表示计算的大气光图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011571222.0A CN112750089B (zh) | 2020-12-27 | 2020-12-27 | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011571222.0A CN112750089B (zh) | 2020-12-27 | 2020-12-27 | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112750089A CN112750089A (zh) | 2021-05-04 |
CN112750089B true CN112750089B (zh) | 2023-03-28 |
Family
ID=75646137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011571222.0A Active CN112750089B (zh) | 2020-12-27 | 2020-12-27 | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750089B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610730B (zh) * | 2021-08-06 | 2023-08-29 | 上海大学 | 一种卫星影像非均匀薄云去除方法及系统 |
CN117078562B (zh) * | 2023-10-16 | 2023-12-26 | 四川中科友成科技有限公司 | 一种视频图像去雾方法、装置、计算机设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530257A (zh) * | 2016-11-22 | 2017-03-22 | 重庆邮电大学 | 一种基于暗通道先验模型的遥感图像去雾方法 |
CN110827218A (zh) * | 2019-10-31 | 2020-02-21 | 西北工业大学 | 基于图像hsv透射率加权校正的机载图像去雾方法 |
CN111489299A (zh) * | 2020-02-25 | 2020-08-04 | 天津大学 | 一种多光谱遥感卫星影像的去雾方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103747213B (zh) * | 2014-01-15 | 2017-04-05 | 北京工业大学 | 一种基于运动目标的交通监控视频实时去雾方法 |
CN104881879B (zh) * | 2015-06-15 | 2017-10-13 | 北京航空航天大学 | 一种基于暗通道先验的遥感图像雾霾仿真方法 |
CN106709876B (zh) * | 2015-08-27 | 2020-04-14 | 上海沃韦信息科技有限公司 | 一种基于暗像元原理的光学遥感图像去雾方法 |
CN106157267B (zh) * | 2016-07-12 | 2020-01-03 | 中国科学技术大学 | 一种基于暗通道先验的图像去雾透射率优化方法 |
CN106204491B (zh) * | 2016-07-12 | 2019-02-01 | 中国科学技术大学 | 一种基于暗通道先验的自适应图像去雾方法 |
CN106846258A (zh) * | 2016-12-12 | 2017-06-13 | 西北工业大学 | 一种基于加权最小平方滤波的单幅图像去雾方法 |
CN108257094A (zh) * | 2016-12-29 | 2018-07-06 | 广东中科遥感技术有限公司 | 基于暗通道的遥感影像薄雾快速去除方法 |
CN107038691A (zh) * | 2017-04-12 | 2017-08-11 | 北京爱特拉斯信息科技有限公司 | 基于云检测辅助的暗原色遥感影像去雾方法 |
CN109785262A (zh) * | 2019-01-11 | 2019-05-21 | 闽江学院 | 基于暗通道先验和自适应直方图均衡化的图像去雾方法 |
CN110232666B (zh) * | 2019-06-17 | 2020-04-28 | 中国矿业大学(北京) | 基于暗原色先验的地下管道图像快速去雾方法 |
CN111292258B (zh) * | 2020-01-15 | 2023-03-10 | 长安大学 | 一种基于暗通道和亮通道先验的图像去雾方法 |
-
2020
- 2020-12-27 CN CN202011571222.0A patent/CN112750089B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530257A (zh) * | 2016-11-22 | 2017-03-22 | 重庆邮电大学 | 一种基于暗通道先验模型的遥感图像去雾方法 |
CN110827218A (zh) * | 2019-10-31 | 2020-02-21 | 西北工业大学 | 基于图像hsv透射率加权校正的机载图像去雾方法 |
CN111489299A (zh) * | 2020-02-25 | 2020-08-04 | 天津大学 | 一种多光谱遥感卫星影像的去雾方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112750089A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
Li et al. | Single image rain streak decomposition using layer priors | |
Li et al. | Rain streak removal using layer priors | |
Zhu et al. | Single image dehazing using color attenuation prior. | |
CN111292258B (zh) | 一种基于暗通道和亮通道先验的图像去雾方法 | |
CN107301624B (zh) | 基于区域划分及浓雾预处理的卷积神经网络去雾方法 | |
CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
CN111598791B (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
CN110211070B (zh) | 一种基于局部极值的低照度彩色图像增强方法 | |
CN112750089B (zh) | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 | |
CN108182671B (zh) | 一种基于天空区域识别的单幅图像去雾方法 | |
CN112561804A (zh) | 基于多尺度细节增强的低光照水下图像增强方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN109064419A (zh) | 一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN112465708A (zh) | 基于暗通道改进的图像去雾方法 | |
CN108765355B (zh) | 一种基于变分Retinex模型的雾天图像增强方法 | |
CN110717869B (zh) | 一种水下浑浊图像清晰化方法 | |
CN109360169B (zh) | 一种单幅图像去雨除雾的信号处理方法 | |
CN116452447A (zh) | 一种低照度高清图像处理方法 | |
Xie et al. | DHD-Net: A novel deep-learning-based dehazing network | |
CN113298730B (zh) | 一种基于图像分解的去雾复原方法 | |
CN111489302B (zh) | 一种雾气环境下海事图像增强方法 | |
CN113160073B (zh) | 一种滚动深度学习与Retinex理论结合的遥感图像雾霾去除方法 | |
Han et al. | Single image dehazing method via sky-regions segmentation and dark channel prior |
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 |