CN112862721B - 基于暗通道与Retinex的地下管道图像去雾方法 - Google Patents
基于暗通道与Retinex的地下管道图像去雾方法 Download PDFInfo
- Publication number
- CN112862721B CN112862721B CN202110207398.6A CN202110207398A CN112862721B CN 112862721 B CN112862721 B CN 112862721B CN 202110207398 A CN202110207398 A CN 202110207398A CN 112862721 B CN112862721 B CN 112862721B
- Authority
- CN
- China
- Prior art keywords
- image
- underground pipeline
- color
- value
- recovery
- 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 23
- 238000011084 recovery Methods 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 230000014509 gene expression Effects 0.000 claims abstract description 16
- 238000002834 transmittance Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims abstract description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000005286 illumination Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003595 mist Substances 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
- 238000013441 quality evaluation 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
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及的是一种基于暗通道与Retinex的地下管道图像去雾方法。通过对带雾地下管道图像进行预处理,得到有雾图像对应的暗原色图像;对获取的暗原色图进行均值滤波以近似估计图像透射率;对均值滤波的结果弥补一个偏移值,得出透射率的粗估计值;运算出估计透射率的表达式;使用原图像与均值滤波后的图像的像素值来估计全局大气光;利用物理恢复模型恢复出初步去雾图像;利用多尺度Retinex算法对初步去雾图像进行增强;添加一个色彩恢复因子弥补色彩的局部失真;加入动态范围调节参数控制图像的色偏;本发明能有效实现地下管道场景图像的去雾,并对图像的细节与颜色恢复等方面进行增强。可用于地下管道环境的视频监控、地下管道病害识别等科学领域。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于暗通道与Retinex的地下管道图像去雾方法。
背景技术
在城市地下管道环境中,管道病害检测机器人获取的管道内部图像对于管道病害的识别起到重要的作用,但是由于管道环境复杂,内部环境存在阴暗、反光、水雾等各种不良条件,导致采集到的管道图像出现对比度小,细节模糊等退化现象,影响到管道检测机器人视觉系统的正常工作。因此,对采集的图像进行去雾复原工作对于管道安全有着极其重要的意义。
目前的去雾方法大多数是针对室外场景有雾图像,针对管道环境有雾图像的算法很少。研究人员主要从两个方向来研究图像去雾这一问题:基于图像增强的方向和基于物理模型的方向。图像增强方向的去雾方法主要是针对降质后的图像本身,用图像处理方法提高图像的对比度、突出图像的特征、提高图像的视觉效果以便于计算机视觉系统对图像的分析和处理。但是这类方法立足于对图像的增强,并不考虑雾气降质的过程,只能有限地提高图像清晰度,对于计算机视觉系统对图像的后续处理效果不明显。基于物理模型的方法可以针对已有的单幅图像做出有效的处理,复原的图像与原景物较接近,特征明显,视觉效果良好。
暗原色先验是基于统计观察户外无雾图像得出的结论,即绝大多数的户外无雾图像的每个局部区域都存在某些至少一个颜色通道的强度值很低的像素。但是城市地下管道为无光或弱光环境,管道机器人对管道内部图像进行的采集依赖于本身自带的光源,这也导致了采集到的管道图像通常存在大面积反光区域,使得原始的暗原色去雾算法在地下管道场景下的去雾效果不佳。此外,依据大气光照模型的基于暗原色先验的图像恢复算法,常常会出现图像色彩失衡,恢复的图像整体偏暗的现象。
发明内容
本发明针对现有技术中的上述问题,本发明提出了一种基于暗原色先验和Retinex的地下管道图像去雾方法。将目前在图像处理领域表现优异的基于暗原色先验的去雾方法和Retinex图像增强算法相结合。本发明提出一种基于暗原色先验和Retinex的地下管道图像去雾方法,该方法能够有效的提高带雾地下管道图像的清晰度,兼顾了色彩恢复、细节真实等特点,对以后的管道图像处理工作产生积极作用,此方法可用于地下管道环境的视频监控、地下管道病害识别等科学领域。
为了达到上述目的,本发明采用的技术方案如下:
本发明涉及一种基于暗原色先验和Retinex的地下管道图像去雾方法,包括以下步骤:
步骤(1)、对原始带雾地下管道图像进行预处理,得到原始带雾地下管道图像对应的暗原色图像。
步骤(2)、对步骤(1)获取的暗原色图像进行均值滤波以估计图像透射率;
步骤(3)、对步骤(2)中均值滤波的结果弥补一个偏移值,得出透射率的粗估计值;
步骤(4)、结合步骤(2)中的均值滤波计算和步骤(3)中透射率的粗估计计算,得到估计透射率的表达式;
步骤(5)、使用原始带雾地下管道图像与步骤(2)中均值滤波后的图像的像素值来估计全局大气光;
步骤(6)、利用物理恢复模型恢复出初步去雾地下管道图像;
步骤(7)、利用多尺度Retinex算法对初步去雾地下管道图像进行增强;
步骤(8)、在多尺度Retinex算法中添加一个色彩恢复因子弥补色彩的局部失真;
步骤(9)、对融合了色彩恢复因子的高频细节进行线性的截断拉伸,加入动态范围调节参数控制图像的色偏;
步骤(10)、对增强后的地下管道图像使用图像客观评价标准进行客观评价;
本发明的有益效果是,该方法在兼顾了算法快速性同时,能够提高带雾地下管道图像的清晰度,有效实现地下管道场景图像的去雾,并对图像的细节与颜色恢复等方面进行增强。
附图说明
下面结合附图和实施例对本发明进一步说明:
图1为本发明实施例的总体流程图;
图2为本发明的去雾效果对比图;
图3为本发明去雾效果客观评价图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明,以下实施例不构成对本发明的限定。
如图1所示,本发明方法的实施流程具体包括以下步骤:
S1.1:对原始带雾地下管道图像进行预处理,得到原始带雾地下管道图像对应的暗原色图像,利用获得的暗原色图像消除带雾图像中对大气光值有影响的因素。在本实施例中,采用暗原色先验算法对有雾图像进行预处理,其中暗原色先验算法是通过对多个无雾图像的统计得出,具体的:在绝大多数无雾图像中除天空所在区域之外的局部区域中,某一些像素总会有至少一个颜色通道具有很低的值,换言之,绝大多数无雾图像中除天空所在区域之外的局部区域的最小值是个很小的数。对原始带雾地下管道图像求取三个颜色通道的最小值。
其中H(u,v)表示原始带雾地下管道图像;{r,g,b}表示红、绿、蓝三个颜色通道;表示原始带雾地下管道图像在空间坐标(u,v)每个颜色通道值中的最小值;M(u,v)为与原始带雾地下管道图像H(u,v)大小相同的暗通道图像,每个空间坐标的值由计算得出。
S1.2:暗原色先验算法是一种基于物理模型的图像去雾算法,该算法基于经典的大气散射模型,大气散射模型的表达式为:
H(u,v)=Q(u,v)t(u,v)+A(1-t(u,v)) (2)
式中,(u,v)为图像像素的空间坐标;H(u,v)表示原始带雾地下管道图像;Q(u,v)是利用物理恢复模型恢复得到的初步去雾地下管道图像;t(u,v)是透射率,描述物体反射光线能够经过衰减到达观测点的比例;A是全局大气光值,是全局变量,与坐标u、v无关。并且,由大气散射模型公式可以得出:A(1-t(u,v))≤H(u,v),将其改写为其中,A0为大气光值在{r,g,b}三个颜色通道取值的最小值。
S2.1:对原始带雾地下管道图像H(u,v)的暗通道图像M(u,v)进行均值滤波以估计透射率。
其中,averageSa(·)表示使用Sa尺寸的窗口进行均值滤波;Sa表示均值滤波窗口的尺寸;Ω(u,v)为像素空间坐标(u,v)的Sa×Sa邻域;y为空间坐标(u,v)在Sa×Sa邻域内的像素;M(y)表示原始带雾地下管道图像中Ω(u,v)邻域内的像素值;A0为大气光值在{r,g,b}三个颜色通道取值的最小值;均值滤波相对于其他的滤波方式来说具有更为快速的执行速度,能够在保证一定去雾效果的基础上,尽可能降低去雾算法的复杂度。
S3.1:因为均值滤波后的结果能反映t(u,v)的趋势,但与真实的t(u,v)相差一定的绝对值。因此对S2.1中均值滤波的结果弥补一个偏移值δ,得出透射率的粗估计值:
其中,为透射率的粗估计值,δ=ρmav,ρ为可调节的参数且0≤ρ≤1/mav,mav是M(u,v)中所有像素的平均值。若输入图像M(u,v)的范围为[0 255],则需要在求取M(u,v)中所有像素的平均值后相应缩小255倍,使得mav的值约束在[0 1]之间。
S3.2:为了防止去雾后的图像出现整体偏暗或偏亮的情况,将δ的上限设置为0.9,因为当δ取值较小时,透射率取值较大,最后恢复出的图像残留雾气较多,图像整体偏白;当δ取值较大时,透射率取值较小,最终恢复出的图像整体较为暗淡。表达式为:
δ=min(ρmav,0.9) (5)
S4.1:结合S2.1、S3.2中的公式,可以得到估计透射率t(u,v)的表达式:
S4.2:结合S4.1中的透射率公式,且P(u,v)=A(1-t(u,v)),其中A为全局大气光图像,P(u,v)为环境光,则可以计算环境光P(u,v)的表达式为:
P(u,v)=min(min(ρmav,0.9)·averagesa(M(u,v)),M(u,v)) (7)
S5.1:使用原图像与均值滤波后的图像的像素值来估计全局大气光:
式中,0≤ε≤1,为经验常熟,经过实验后,对ε取经验值0.6时效果较好。
S6.1:在估计出环境光P(u,v)与全局大气光图像A后,利用物理恢复模型恢复得到初步去雾后地下管道图像:
式中,Q(u,v)为利用物理恢复模型恢复得到的初步去雾地下管道图像。
S7.1:依据大气光照模型的基于暗原色先验的图像恢复算法,常常会出现恢复的图像色彩失衡,整体偏暗的现象,为了对原始图像中各个颜色通道之间原有的相互关系进行较好的保留,对细节与颜色恢复等方面进行增强,使照度过低的图像有良好的增强恢复结果。使用多尺度Retinex算法对初步去雾地下管道图像进行处理,其数学表达式如下:
其中,Rm(u,v)表示经多尺度Retinex滤波后获取的高频细节图像;n表示某个尺度参数;N为尺度总数;ωn为第n个尺度的结果的权重,满足归一化条件*表示卷积过程,Fn(u,v)*Q(u,v)可作为对场景中照度的估计,物理意义为利用每个像素点与其邻域的加权平均值的比值,以估计和抵消空间中照度变化带来的影响。Fn(u,v)表示高斯环绕函数,其表达式如下所示:
其中,c为滤波半径;Kn为常数,由归一化条件∫∫Fn(u,v)dudv=1来确定。
S8.1:为了解决多尺度Retinex算法处理后颜色失真的问题,添加一个色彩恢复因子弥补色彩的局部失真,表达式为:
Rc(u,v)=Ci(u,v)Rm(u,v) (12)
其中,Rc(u,v)表示经过带有色彩恢复因子的多尺度Retinex算法处理后的地下管道图像;Ci(u,v)为第i个通道的色彩恢复因子,i=1,2,3。表达式为:
其中,G为增益参数,控制图像整体的亮度与色彩饱和度;α与β表示调节参数,β为增益常量,α是一个非线性强度的调节参数因子,Qi(u,v)表示利用物理恢复模型恢复得到的初步去雾地下管道图像Q(u,v)在i通道的值,i=1,2,3代表第i个颜色通道,对三个通道依次计算。此外,α和β的取值满足表达式:
其中,e表示数学中的自然常数,其值为2.71828,经过多次实验比较,针对地下管道环境,参数G∈[0.9,1.3]、α∈[4,9]、β∈[200,500]时,图像的增强效果较优异。
S9.1:对融合了色彩恢复因子的图像的高频细节进行线性的截断拉伸,加入动态范围调节参数控制图像的色偏,表达式为:
式中,E(u,v)表示对色彩恢复后的地下管道图形进行截断拉伸得到的图像,Cmin和Cmax表示图像Rc(u,v)的高频细节的截断值,表达式为:
其中,RMean和RVar表示图像Rc(u,v)高频细节的均值和均方差,D是动态范围调节参数,针对地下管道环境,D的取值为4或者5时,图像增强效果较为优异。
S10.1:经过图像处理操作后的图像E(u,v)相较于原始带雾地下管道图像,去雾效果良好,细节丰富,颜色真实,对之后的地下管道病害识别工作产生有益影响。对增强后的地下管道图像进行客观评价,采用的客观质量评价标准为:均值、标准差、信息熵和平均梯度,其中,图像均值可以用来衡量图像的平均亮度,标准差可以体现图像的局部对比度,信息熵则用来衡量图像信息的丰富程度,平均梯度可以体现图像的清晰度。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种基于暗通道与Retinex的地下管道图像去雾方法,其特征在于,包括以下步骤:
步骤(1)、采用暗原色先验算法对原始带雾地下管道图像进行预处理,得到原始带雾地下管道图像对应的暗原色图像,以消除有雾图像中对大气光值有影响的因素:
其中H(u,v)表示原始带雾地下管道图像;{r,g,b}表示红、绿、蓝三个颜色通道;表示原始带雾地下管道图像在空间坐标(u,v)每个颜色通道值中的最小值;M(u,v)为与原始带雾地下管道图像H(u,v)大小相同的暗通道图像,每个空间坐标的值由计算得出;
暗原色先验算法是一种基于物理模型的图像去雾算法,该算法基于经典的大气散射模型,大气散射模型的表达式为:
H(u,v)=Q(u,v)t(u,v)+A(1-t(u,v)) (2)
式中,(u,v)为图像像素的空间坐标;H(u,v)表示原始带雾地下管道图像;Q(u,v)是利用物理恢复模型恢复得到的初步去雾地下管道图像;t(u,v)是透射率,描述物体反射光线能够经过衰减到达观测点的比例;A是全局大气光值,是全局变量,与坐标(u,v)无关;并且,由大气散射模型公式可得出:A(1-t(u,v))≤H(u,v),将其改写为其中,A0为大气光值在{r,g,b}三个颜色通道取值的最小值;
步骤(2)、对带雾地下管道图像H(u,v)的暗通道图像M(u,v)进行均值滤波以估计透射率:
其中,表示使用Sa尺寸的窗口进行均值滤波;Sa表示均值滤波窗口的尺寸;Ω(u,v)为像素空间坐标(u,v)的Sa×Sa邻域;y为空间坐标(u,v)在Sa×Sa邻域内的像素;M(y)表示原始带雾地下管道图像中Ω(u,v)邻域内的像素值;A0为大气光值在{r,g,b}三个颜色通道取值的最小值;
步骤(3)、对均值滤波的结果弥补一个偏移值δ,得出透射率的粗估计值:
其中,为透射率的粗估计值,δ=ρmav,ρ为可调节的参数且0≤ρ≤1/mav,mav是M(u,v)中所有像素的平均值,若输入图像M(u,v)的范围为[0 255],则需要在求取M(u,v)中所有像素的平均值后相应缩小255倍,使得mav的值约束在[0 1]之间;
步骤(4)、结合步骤(2)与步骤(3)中的公式,运算出估计透射率t(u,v)和环境光P(u,v)的表达式:
步骤(5)、使用原图像与均值滤波后的图像的像素值来估计全局大气光:
式中,ε取经验值0.6;
步骤(6)、利用物理恢复模型恢复出初步去雾地下管道图像:
式中,Q(u,v)为利用物理恢复模型恢复得到的初步去雾地下管道图像;
步骤(7)、利用多尺度Retinex算法对步骤(6)恢复的图像进行增强,公式表示如下:
式中,Rm(u,v)表示经多尺度Retinex滤波后获取的高频细节图像;n表示某个尺度参数;N为尺度总数;ωn为第n个尺度的结果的权数,满足归一化条件*表示卷积过程;Fn(u,v)表示高斯环绕函数;c为滤波半径;Kn为常数,由归一化条件∫∫Fn(u,v)dudv=1来确定;
步骤(8)、添加一个色彩恢复因子弥补色彩的局部失真,表达式为:
式中,Rc(u,v)表示经过带有色彩恢复因子的多尺度Retinex算法处理后的图像;Ci(u,v)为色彩恢复因子;G为增益参数,控制图像整体的亮度与色彩饱和度;β为增益常量;α是一个非线性强度的调节参数因子,Qi(u,v)表示利用物理恢复模型恢复得到的初步去雾地下管道图像Q(u,v)在i通道的值,i=1,2,3代表第i个颜色通道,对三个通道依次计算;α和β的取值满足表达式:
其中,e表示数学中的自然常数,其值为2.71828,参数选取范围为:G∈[0.9,1.3]、α∈[4,9]、β∈[200,500];
步骤(9)、加入动态范围调节参数控制图像的色偏:
式中,E(u,v)表示对色彩恢复后的地下管道图形进行截断拉伸得到的图像;Cmin和Cmax表示图像Rc(u,v)的高频细节的截断值;RMean和RVar分别表示图像Rc(u,v)的高频细节的均值和均方差;D是动态范围调节参数,取值为4或者5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110207398.6A CN112862721B (zh) | 2021-02-24 | 2021-02-24 | 基于暗通道与Retinex的地下管道图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110207398.6A CN112862721B (zh) | 2021-02-24 | 2021-02-24 | 基于暗通道与Retinex的地下管道图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862721A CN112862721A (zh) | 2021-05-28 |
CN112862721B true CN112862721B (zh) | 2022-01-07 |
Family
ID=75991113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110207398.6A Active CN112862721B (zh) | 2021-02-24 | 2021-02-24 | 基于暗通道与Retinex的地下管道图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862721B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109513B (zh) * | 2023-02-27 | 2023-08-04 | 南京林业大学 | 一种基于局部环境光投影恒常先验的图像去雾方法 |
CN117649363B (zh) * | 2024-01-29 | 2024-04-12 | 江苏无右微创医疗科技有限公司 | 一种实时的内窥镜图像去烟雾方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295191A (zh) * | 2013-04-19 | 2013-09-11 | 北京航科威视光电信息技术有限公司 | 多尺度视觉自适应图像增强方法及评价方法 |
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 |
CN109816605A (zh) * | 2019-01-16 | 2019-05-28 | 大连海事大学 | 一种基于多通道卷积的msrcr图像去雾方法 |
CN110189261A (zh) * | 2019-04-24 | 2019-08-30 | 上海理工大学 | 一种基于MATLAB的多尺度Retinex图像去雾法 |
CN110232666A (zh) * | 2019-06-17 | 2019-09-13 | 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 |
-
2021
- 2021-02-24 CN CN202110207398.6A patent/CN112862721B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295191A (zh) * | 2013-04-19 | 2013-09-11 | 北京航科威视光电信息技术有限公司 | 多尺度视觉自适应图像增强方法及评价方法 |
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 |
CN109816605A (zh) * | 2019-01-16 | 2019-05-28 | 大连海事大学 | 一种基于多通道卷积的msrcr图像去雾方法 |
CN110189261A (zh) * | 2019-04-24 | 2019-08-30 | 上海理工大学 | 一种基于MATLAB的多尺度Retinex图像去雾法 |
CN110232666A (zh) * | 2019-06-17 | 2019-09-13 | 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 |
Non-Patent Citations (2)
Title |
---|
基于暗原色先验模型的混合滤波图像去雾算法;贺薪宇;《北华大学学报(自然科学版)》;20180110(第01期);133-139 * |
融合暗通道先验和MSRCR的分块调节图像增强算法;梅英杰等;《光子学报》;20190731;1-12 * |
Also Published As
Publication number | Publication date |
---|---|
CN112862721A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232666B (zh) | 基于暗原色先验的地下管道图像快速去雾方法 | |
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN107767354B (zh) | 一种基于暗原色先验的图像去雾算法 | |
CN107730475B (zh) | 图像增强方法及系统 | |
Tripathi et al. | Single image fog removal using bilateral filter | |
CN111292257B (zh) | 一种基于Retinex的暗视觉环境下图像增强方法 | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
WO2019019695A1 (zh) | 一种基于Retinex模型的水下图像增强方法 | |
CN112862721B (zh) | 基于暗通道与Retinex的地下管道图像去雾方法 | |
CN111667433A (zh) | 一种基于简单线性迭代聚类优化的无人机图像去雾方法 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN110675340A (zh) | 一种基于改进的非局部先验的单幅图像去雾方法及介质 | |
CN107203980B (zh) | 自适应多尺度暗通道先验的水下目标探测图像增强方法 | |
Kapoor et al. | Fog removal in images using improved dark channel prior and contrast limited adaptive histogram equalization | |
CN110827218A (zh) | 基于图像hsv透射率加权校正的机载图像去雾方法 | |
CN112991222A (zh) | 图像雾霾去除处理方法、系统、计算机设备、终端及应用 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
CN111754433B (zh) | 一种航拍图像去雾方法 | |
CN110874823A (zh) | 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法 | |
CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
Li et al. | Underwater image restoration based on improved background light estimation and automatic white balance | |
Wen et al. | Autonomous robot navigation using Retinex algorithm for multiscale image adaptability in low-light environment | |
CN115456905A (zh) | 一种基于明暗区域分割的单幅图像去雾方法 | |
CN112907461B (zh) | 一种红外雾天降质图像去雾增强方法 | |
Li et al. | DLT-Net: deep learning transmittance network for single image haze removal |
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 |