CN113538543B - 一种基于纹理分布和光吸收的水下图像复原方法 - Google Patents

一种基于纹理分布和光吸收的水下图像复原方法 Download PDF

Info

Publication number
CN113538543B
CN113538543B CN202110801129.2A CN202110801129A CN113538543B CN 113538543 B CN113538543 B CN 113538543B CN 202110801129 A CN202110801129 A CN 202110801129A CN 113538543 B CN113538543 B CN 113538543B
Authority
CN
China
Prior art keywords
image
depth map
background light
underwater
original image
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
Application number
CN202110801129.2A
Other languages
English (en)
Other versions
CN113538543A (zh
Inventor
张维石
王燕云
周景春
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202110801129.2A priority Critical patent/CN113538543B/zh
Publication of CN113538543A publication Critical patent/CN113538543A/zh
Application granted granted Critical
Publication of CN113538543B publication Critical patent/CN113538543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T7/40—Analysis of texture
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于纹理分布和光吸收的水下图像复原方法，首先，计算初始图像的局部信息熵，确定纹理最少区域，从中选择色差最大的点作为背景光；其次，获取亮度深度图和色偏深度图，估计出最终深度图及透射率；最后将背景光和透射率代入光学成像模型，获得最终的复原图像。本发明利用纹理特征分布和光吸收的特性，准确地估计出背景光和透射率，使得复原图像的视觉效果较好，解决了颜色失真问题，提升了清晰度。

Description

一种基于纹理分布和光吸收的水下图像复原方法
技术领域
本发明涉及图像处理技术领域，具体而言，尤其涉及一种基于纹理分布和光吸收的水下图像复原方法。
背景技术
近几年，水下图像清晰化技术已经引起了图像处理和水下视觉领域的极大关注。由于复杂的水下环境和光照条件，水下图像清晰化是一个具有挑战性的问题。通常，水下图像会因波长相关的吸收和散射而退化，包括前向散射和后向散射。这些不利影响降低了可见度，降低了对比度，甚至引入了色偏，这限制了水下图像在海洋生物学和考古学、海洋生态学等领域的实际应用。目前水下图像清晰化技术大致分为3类：水下图像增强方法、水下图像复原方法和基于深度学习的方法。
水下图像增强方法直接调整像素值来改善图像的视觉效果，虽然在一定程度上改善了图像的质量，但不能完全去除散射的影响。复原方法考虑图像退化的原因，建立了物理模型。深度学习的方法是通过训练大量数据学习其特征来实现复原。
目前，水下图像增强方法的恢复效果不显著，现有的复原方法的透射率和背景光估计的不准确，深度学习的方法需要大量的训练时间，且对数据的要求过高。
发明内容
根据上述提出的技术问题，提供一种基于纹理分布和光吸收的水下图像复原方法。本发明主要根据图像的亮度、饱和度和色偏的统计特性，对背景光值进行自适应的融合，基于统计特性，获取退化图像的景深图，求出复原图像。
本发明采用的技术手段如下：
一种基于纹理分布和光吸收的水下图像复原方法，包括以下步骤：
步骤S01：获取原始图像，对所述原始图像创建水下图像复原模型；
步骤S02：利用所述原始图像计算局部信息熵，确定纹理最少区域，作为背景光候选区域；
步骤S03：在步骤S02中的背景光候选区域中，找到色偏最严重的点，作为复原图像的背景光值；
步骤S04：获得所述原始图像的亮度深度图和色偏深度图；
步骤S05：对步骤S04中的亮度深度图和色偏深度图进行融合，获得最终深度图；
步骤S06：根据步骤S03中的背景光值和步骤S05中的深度图，求解清晰地水下图像。
进一步地，步骤S01中的水下图像复原模型为：
其中，Ic表示原始图像，Jc表示复原图像，c表示R，G，B三个颜色通道；x表示不同的像素位置；β表示衰减系数；d(x)表示在x位置的距离，此处的距离表示由相机到场景的距离；Bc表示水下图像的背景光值。
进一步地，步骤S02中求局部信息熵的步骤如下：
信息熵的定义如下：
其中，p指在灰度图中，强度为i的像素出现的概率；
把原始图像的灰度图分割成大小为N·N的非重叠局部块，对每一个局部块求其信息熵，并用求得的局部信息熵替换相应局部块的像素值，得到局部信息熵图，此过程表示如下：
其中，x表示像素的位置，Ω(x)表示以x为中心、大小为N·N的非重叠局部块，将N设为25。
进一步地，步骤S03中的背景光值确定的步骤如下：
其中，x表示像素的位置；Ir、Ig、Ib分别表示所述原始图像对应的R、G、B三个颜色通道图；
背景光值Bc可表示为：
Bc＝Ic(d)，c∈{r,g,b}。
进一步地，步骤S05中合成最终深度图d(x)的步骤为：
d(x)＝(d1(x)+d2(x))/2
其中，d1(x)为亮度深度图，d2(x)为色偏深度图。
进一步地，步骤S06中求解复原图像的公式如下：
t＝e-pd(x)
其中，Ic表示原始图像，Jc表示复原图像，x表示像素的位置，c表示R，G，B三个颜色通道；Bc是步骤S03求得的背景光值，d(x)是步骤S06计算的深度图，tc(x)是透射图，p＝1/7；t0取值为0.1。
较现有技术相比，本发明具有以下优点：
1、本发明根据初始图像的纹理分布及光吸收特性估计背景光值，可以有效地避免白色物体及过亮的前景的干扰，成功地去除色偏。
2、本发明充分考虑亮度和色偏特征，更加准确地估计出深度图和透射率，使图像的对比度和细节大幅提升。
基于上述理由本发明可在图像处理等领域广泛推广。
附图说明
为了更清楚地说明本发明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做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述复原方法的流程示意图。
图2为本发明与其他方法针对潜水员图像的复原效果对比图，其中(a)表示复原前初始图像，(b)表示使用IBLA方法处理的结果图，(c)表示使用GDCP方法处理的结果图，(d)表示使用ULAP方法处理的结果图，(e)表示使用本发明处理的结果图。
图3为本发明与其他方法针对鱼群图像的复原效果对比图，其中(a)表示复原前初始图像，(b)表示使用IBLA方法处理的结果图，(c)表示使用GDCP方法处理的结果图，(d)表示使用ULAP方法处理的结果图，(e)表示使用本发明处理的结果图。
图4为本发明与其他方法针对珊瑚图像的复原效果对比图，其中(a)表示复原前初始图像，(b)表示使用IBLA方法处理的结果图，(c)表示使用GDCP方法处理的结果图，(d)表示使用ULAP方法处理的结果图，(e)表示使用本发明处理的结果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
如图1所示，本发明提供了一种基于纹理分布和光吸收的水下图像复原方法，包括以下步骤：
步骤S01：获取原始图像，对所述原始图像创建水下图像复原模型；
水下图像复原模型为：
Ic(x)＝Jc(x)·e-β(c)d(x)+(1-e-β(c)d(x))·Bc
其中，Ic表示原始图像，Jc表示复原图像，c表示R，G，B三个颜色通道；x表示不同的像素位置；β表示衰减系数；d(x)表示在x位置的距离，此处的距离表示由相机到场景的距离；Bc表示水下图像的背景光值。
步骤S02：利用所述原始图像计算局部信息熵，确定纹理最少区域，作为背景光候选区域；
求局部信息熵的步骤如下：
信息熵的定义如下：
其中，p指在灰度图中，强度为i的像素出现的概率；
把原始图像的灰度图分割成大小为N·N的非重叠局部块，对每一个局部块求其信息熵，并用求得的局部信息熵替换相应局部块的像素值，得到局部信息熵图，此过程表示如下：
其中，x表示像素的位置，Ω(x)表示以x为中心、大小为N·N的非重叠局部块，将N设为25；
步骤S03：在步骤S02中的背景光候选区域中，找到色偏最严重的点，作为复原图像的背景光值；
背景光值确定的步骤如下：
其中，x表示像素的位置；Ir、Ig、Ib分别表示所述原始图像对应的R、G、B三个颜色通道图；
背景光值Bc可表示为：
Bc＝Ic(d)，c∈{r,g,b}；
步骤S04：获得所述原始图像的亮度深度图和色偏深度图；
步骤S05：对步骤S04中的亮度深度图和色偏深度图进行融合，获得最终深度图；
合成最终深度图d(x)的步骤为：
d(x)＝(d1(x)+d2(x))/2
其中，d1(x)为亮度深度图，d2(x)为色偏深度图；
步骤S06：根据步骤S03中的背景光值和步骤S05中的深度图，求解清晰地复原图像；
求解复原图像的公式如下：
t＝e-pd(x)
其中，Ic表示原始图像，Jc表示复原图像，x表示像素的位置，c表示R，G，B三个颜色通道；Bc是步骤S03求得的背景光值，d(x)是步骤S06计算的深度图，tc(x)是透射图，p＝1/7；为了避免透射率过小而导致复原图过亮，加入t0作为下限，t0取值为0.1。
为了验证本发明去雾的有效性，选取不同场景的水下图像作为测试集，同时与IBLA(Underwater Image Restoration Based on Image Blurriness and LightAbsorption)方法、GDCP(Generalization of the Dark Channel Prior for SingleImage Restoration)方法、ULAP(A Rapid Scene Depth Estimation Model Based onUnderwater Light Attenuation Prior for Underwater Image Restoration)方法的实验结果从定性和定量两方面进行对比分析。
如图2所示，本发明提供了与其他方法针对潜水员图像的复原效果对比图，GDCP和ULAP方法不能消除色偏，复原图像质量不高，IBLA方法虽然能够去除色偏，但不能完全去除后向散射效应，且远景的细节回复较差，复原图像的清晰度不高。本发明方法处理的水下图像相比于其他方法更好的解决了色彩偏色问题，提高了水下图像中远景部分和近景部分的对比度。因此本发明具有较好的复原效果，有效地的解决了水下图像偏色问题，提高全局对比度和清晰度，实现了细节增强和色彩保真性。
如图3所示，本发明提供了与其他方法针对珊瑚图像的复原效果对比图，IBLA、GDCP和ULAP在一定程度上都提高了对比度，提升了图像的质量，但是IBLA和ULAP方法对前景细节恢复的效果不好，GDCP方法去雾过度，导致颜色失真。本发明方法处理的水下图像相比于其他方法更好的解决了细节恢复的问题，提高了水下图像中远景部分和近景部分的对比度。因此本发明具有较好的复原效果，有效地的解决了水下图像偏色问题，提高全局对比度和清晰度，实现了细节增强和色彩保真性。
如图4所示，本发明提供了与其他方法针对鱼群图像的复原效果对比图，IBLA方法没有去处后向散射的效应，整体的对比度不高，GDCP方法由于对比度过高导致珊瑚处产生伪影，ULAP方法引入了红色偏色，降低了图像的清晰度。本发明方法处理的水下图像相比于其他方法既能成功地除去色偏，又能够恢复图像的细节信息，图稿图像的清晰度，整体视觉效果更好。
本实施例从UCIQE和UIQM两种客观指标对不同方法的实验结果进行对比；从表1和表2数据可知，IBLA方法、GDCP方法、ULAP方法和本发明的UCIQE和UIQM均大于原始图像；虽然三种方法的UIQM均大于原始图像，但是结果的UCIQE提升并不大，这表明IBLA方法、GDCP方法、ULAP方法虽然能一定程度上改善图像的质量，但是总体的视觉效果提升不大。本发明基于纹理分布和光吸收可以准确的估计出背景光，成功的解决色偏，深度图的准确估计使图像的对比度大幅提升，丰富了细节信息。因此本发明对于原图像的UCIQE和UIQM都有较大的提升，且优于其它水下图像复原方法。
表1本发明方法和其他方法处理结果的UCIQE对比
表2本发明方法和其他方法处理结果的UIQM对比
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部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发明实施例技术方案的范围。

Claims (4)

1.一种基于纹理分布和光吸收的水下图像复原方法，其特征在于，包括以下步骤：
步骤S01：获取原始图像，对所述原始图像创建水下图像复原模型；
步骤S02：利用所述原始图像计算局部信息熵，确定纹理最少区域，作为背景光候选区域；
步骤S02中求局部信息熵的步骤如下：
信息熵的定义如下：
其中，p指在灰度图中，强度为i的像素出现的概率；
把原始图像的灰度图分割成大小为N·N的非重叠局部块，对每一个局部块求其信息熵，并用求得的局部信息熵替换相应局部块的像素值，得到局部信息熵图，此过程表示如下：
其中，x表示像素的位置，Ω(x)表示以x为中心、大小为N·N的非重叠局部块，将N设为25；
步骤S03：在步骤S02中的背景光候选区域中，找到色偏最严重的点，作为复原图像的背景光值；
步骤S03中的背景光值确定的步骤如下：
其中，x表示像素的位置；Ir、Ig、Ib分别表示所述原始图像对应的R、G、B三个颜色通道图；
背景光值Bc可表示为：
Bc＝Ic(d)，c∈{r,g,b}；
步骤S04：获得所述原始图像的亮度深度图和色偏深度图；
步骤S05：对步骤S04中的亮度深度图和色偏深度图进行融合，获得最终深度图；
步骤S06：根据步骤S03中的背景光值和步骤S05中的深度图，求解清晰地水下图像。
2.根据权利要求1所述的基于纹理分布和光吸收的水下图像复原方法，其特征在于，步骤S01中的水下图像复原模型为：
Ic(x)＝Jc(x)·e-β(c)d(x)+(1-e-β(c)d(x))·Bc
其中，Ic表示原始图像，Jc表示复原图像，c表示R，G，B三个颜色通道；x表示不同的像素位置；β表示衰减系数；d(x)表示在x位置的距离，此处的距离表示由相机到场景的距离；Bc表示水下图像的背景光值。
3.根据权利要求1所述的基于纹理分布和光吸收的水下图像复原方法，其特征在于，步骤S05中合成最终深度图d(x)的步骤为：
d(x)＝(d1(x)+d2(x))/2
其中，d1(x)为亮度深度图，d2(x)为色偏深度图。
4.根据权利要求1所述的基于纹理分布和光吸收的水下图像复原方法，其特征在于，步骤S06中求解复原图像的公式如下：
其中，Ic表示原始图像，Jc表示复原图像，x表示像素的位置，c表示R，G，B三个颜色通道；Bc是步骤S03求得的背景光值，d(x)是步骤S06计算的深度图，tc(x)是透射图，p＝1/7；t0取值为0.1。
CN202110801129.2A 2021-07-15 2021-07-15 一种基于纹理分布和光吸收的水下图像复原方法 Active CN113538543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110801129.2A CN113538543B (zh) 2021-07-15 2021-07-15 一种基于纹理分布和光吸收的水下图像复原方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110801129.2A CN113538543B (zh) 2021-07-15 2021-07-15 一种基于纹理分布和光吸收的水下图像复原方法

Publications (2)

Publication Number Publication Date
CN113538543A CN113538543A (zh) 2021-10-22
CN113538543B true CN113538543B (zh) 2024-04-30

Family

ID=78099476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110801129.2A Active CN113538543B (zh) 2021-07-15 2021-07-15 一种基于纹理分布和光吸收的水下图像复原方法

Country Status (1)

Country Link
CN (1) CN113538543B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005076736A2 (en) * 2004-02-13 2005-08-25 Technion Research And Development Foundation Ltd. Enhanced underwater imaging
CN108596853A (zh) * 2018-04-28 2018-09-28 上海海洋大学 基于背景光统计模型和传输地图优化的水下图像增强方法
CN110689490A (zh) * 2019-09-09 2020-01-14 天津大学 一种基于纹理颜色特征和优化透射率的水下图像复原方法
CN110838092A (zh) * 2019-10-28 2020-02-25 天津大学 一种基于卷积神经网络的水下图像复原方法
GB202006954D0 (en) * 2019-05-14 2020-06-24 Univ Beijing Science & Technology Underwater image enhancement method and enhancement device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005076736A2 (en) * 2004-02-13 2005-08-25 Technion Research And Development Foundation Ltd. Enhanced underwater imaging
CN108596853A (zh) * 2018-04-28 2018-09-28 上海海洋大学 基于背景光统计模型和传输地图优化的水下图像增强方法
GB202006954D0 (en) * 2019-05-14 2020-06-24 Univ Beijing Science & Technology Underwater image enhancement method and enhancement device
CN110689490A (zh) * 2019-09-09 2020-01-14 天津大学 一种基于纹理颜色特征和优化透射率的水下图像复原方法
CN110838092A (zh) * 2019-10-28 2020-02-25 天津大学 一种基于卷积神经网络的水下图像复原方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种结合暗通道先验和图像融合的水下图像复原算法;尹芳;陈田田;吴锐;付自如;于晓洋;;小型微型计算机系统;20171115(第11期);全文 *
基于加权L_1正则化的水下图像清晰化算法;杨爱萍;张莉云;曲畅;王建;;电子与信息学报;20171231(第03期);全文 *

Also Published As

Publication number Publication date
CN113538543A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN107767354B (zh) 一种基于暗原色先验的图像去雾算法
Emberton et al. Hierarchical rank-based veiling light estimation for underwater dehazing.
CN110782407B (zh) 一种基于天空区域概率分割的单幅图像去雾方法
CN110689490A (zh) 一种基于纹理颜色特征和优化透射率的水下图像复原方法
CN111047530A (zh) 基于多特征融合的水下图像颜色校正和对比度增强方法
CN107705258B (zh) 一种三基色联合预均衡和去模糊的水下图像增强方法
CN112488955B (zh) 一种基于波长补偿的水下图像复原方法
CN109816605A (zh) 一种基于多通道卷积的msrcr图像去雾方法
CN114119383B (zh) 一种基于多特征融合的水下图像复原方法
CN110689504B (zh) 一种基于二次引导透射图的水下图像复原方法
CN112488948B (zh) 一种基于黑色像素点估计后向散射的水下图像复原方法
CN111861896A (zh) 一种面向uuv的水下图像色彩补偿与恢复方法
Zhang et al. Single image numerical iterative dehazing method based on local physical features
Peng et al. Single image restoration using scene ambient light differential
CN108898561B (zh) 一种含天空区域雾天图像的去雾方法、服务器及系统
Du et al. Perceptually optimized generative adversarial network for single image dehazing
CN117726545A (zh) 一种使用非局部雾线和多重曝光融合的图像去雾方法
CN113538543B (zh) 一种基于纹理分布和光吸收的水下图像复原方法
CN116433525A (zh) 一种基于边缘检测函数变分模型的水下图像去雾方法
CN107203979B (zh) 一种低照度图像增强的方法
CN113344802A (zh) 一种基于自适应的大气光融合的水下图像复原方法
CN110148188B (zh) 一种基于最大差值图像估计低照度图像光照分布的方法
Yin et al. Color Shifting-Aware Image Dehazing
CN113393408A (zh) 一种基于双树复数小波和卷积神经网络的多聚焦图像处理方法
CN113379631B (zh) 一种图像去雾的方法及装置

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