CN113763488A - 结合暗通道先验算法和U-Net的遥感图像除雾度方法 - Google Patents

结合暗通道先验算法和U-Net的遥感图像除雾度方法 Download PDF

Info

Publication number
CN113763488A
CN113763488A CN202110827562.3A CN202110827562A CN113763488A CN 113763488 A CN113763488 A CN 113763488A CN 202110827562 A CN202110827562 A CN 202110827562A CN 113763488 A CN113763488 A CN 113763488A
Authority
CN
China
Prior art keywords
remote sensing
image
channel
defogging
images
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.)
Pending
Application number
CN202110827562.3A
Other languages
English (en)
Inventor
王卓薇
曲硕
吴嘉辉
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.)
Guangdong University of Technology
Original Assignee
Guangdong 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110827562.3A priority Critical patent/CN113763488A/zh
Publication of CN113763488A publication Critical patent/CN113763488A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种结合暗通道先验算法和U‑Net的遥感图像除雾度方法，该方法首先对遥感图像分别重构其中一个通道，再与另外两通道结合，得到三幅新的雾度图像的同时，利用深度学习方法的U‑Net网络分割出遥感图像的浓雾区域，估计出大气光值，根据三幅新的雾度图像，分别得到三幅透射图，最终使用大气散射模型对三幅新的雾度图像分别完成去雾，将图像权重加权后得到最终去雾效果。这种将暗通道先验算法的改进与深度学习结合起来的方法，去雾会保留更多细节，不会产生很大的色差，具有更好的鲁棒性。

Description

结合暗通道先验算法和U-Net的遥感图像除雾度方法
技术领域
本发明涉及遥感图像的去除雾度的算法领域，更具体地，涉及一种结合暗通道先验算法和U-Net的遥感图像除雾度方法。
背景技术
遥感技术已广泛应用于许多领域，但遥感图像总是受到不利天气条件的影响，影像中的某些地面覆盖信息被降噪或被覆盖，因此遥感图像质量始终会受到影响，大量采集到的遥感图像难以被利用，极大影响了后续的遥感图像应用率，造成采集数据和资源的大量浪费，所以遥感图像去除雾度技术是非常重要的。应用大气散射模型的去雾算法是目前较为常用的一种方法，其主要原理是根据各种先验知识或图像处理手段，根据有雾图像估计出合理的大气光值和透射率，使去雾效果达到最好。无雾图像的暗通道值经常接近于零，本算法利用重构一通道的通道值，保持另外两通道原始雾度图像的特征，分别合成三幅新的雾度图像，并进行去雾操作后，进行权重加权的方法，能够更好的恢复遥感图像的清晰度和对比度，更大程度上保持了图像的原有色彩，降低了明亮区域的色彩失真。本算法利用深度学习的方法直接分割出浓雾区域，再根据浓雾区域中的亮度值估计出全球大气光值的方法，相对于传统方法，本算法更加精准、快速的确定出候选区域，针对遥感图像的许多复杂场景都更加具有鲁棒性。该算法将暗通道先验算法的改进与深度学习结合起，为去除雾度提供了一种新的算法，使其以达到更好的除雾效果。
发明内容
本发明提供一种除雾效果较好的结合暗通道先验算法和U-Net的遥感图像除雾度方法。
为了达到上述技术效果，本发明的技术方案如下：
一种结合暗通道先验算法和U-Net的遥感图像除雾度方法，包括以下步骤：
S1：将遥感图像的通道分别重构后，与另外两通道结合，分别得到三幅新的雾度图像；
S2：利用步骤S1中得到的三幅雾度图像，分别得到遥感图像的暗通道图；
S3：根据遥感图像的暗通道图，计算遥感图像的透射率；
S4：将遥感图像送入U-Net网络分割出图像中的浓雾区；
S5：将步骤S4中分割的区域作为浓雾候选区域；
S6：结合步骤S5中得到的浓雾候选区，计算全球大气光值；
S7：结合步骤S3中得到的透射率和步骤S6中得到的全球大气光值，分别对三幅新的雾度图像进行除雾操作；
S8：将步骤S7中得到的三幅去雾图像，进行权重加权得到最终除雾结果。
进一步地，所述步骤S1中，将遥感图像每一个重构通道值的通道与另外两个未改变的通道相结合，分别构成三幅新的雾度图像。
进一步地，步骤S1中，重构遥感图像通道的通道值，保持另外两通道原始雾度图像的特征，以使去雾后的遥感图像达到更好的效果，重构B通道为Ib(m)：
Figure BDA0003174211360000021
其中，ω1和ω2为阈值，将重构后的B通道Ib(m)和Ir(m)，Ig(m)结合成新的雾度图像IB(m)，对IB(m)进行除雾操作，得到去雾后的结果L1(m)，L1(m)保持了原始遥感雾度图像红色通道和绿色通道的特征，重复上述过程，得到重构R通道的去雾结果L2(m)，重构G通道的去雾结果L3(m)，对去雾图像结果进行权重加权，得到最终结果：
Figure BDA0003174211360000022
其中，ω1设置为150，ω2设置为1。
进一步地，步骤S2中，取每一幅遥感图像通道中灰度值的最小值，得到一幅灰度图像，以每一个像素为中心，取一定矩形窗口中，灰度值最小值代替中心的像素灰度值，得到一副暗通道图像。
进一步地，步骤S3中，根据遥感的暗通道图像与透射图之间的关系，得到三幅遥感图像的透射图，并计算出图像的透射率。
进一步地，U-Net网络通过利用遥感图像数据集和有雾图像的浓雾遮罩图训练U-Net网络使其具有分割出遥感图像中的浓雾区域的能力；将训练好的U-Net网络分割出来的浓雾区域作为计算大气光值的浓雾候选区域，U-Net分割结果为单通道的二值图像；结合分割出的浓雾区域二值图，在原始遥感雾度图像上保留浓雾区的图像，并计算出最大亮度值，即为大气光值；利用大气散射模型，分别对三幅新的雾度图进行除雾运算，得到三幅无雾的遥感图像。
进一步地，大气散射模型为：
I(m)＝J(m)t(m)+A(1-t(m))
其中，I(m)为有雾图像，t(m)为透射率，A(m)为全球大气光值，J(m)为无雾图像。取遥感图像通道中灰度值的最小值，得到一幅灰度图像，以每一个像素为中心，取一定矩形窗口中，灰度值最小值代替中心的像素灰度值，得到暗通道图像，其计算公式为：
Figure BDA0003174211360000031
其中，Jdark为暗通道，最终得到无雾图像计算公式为：
Figure BDA0003174211360000032
利用之前计算出的透射率t(m)与全球大气光值A(m)，即可完成对遥感图像的去除雾度的操作；
对得到的三幅无雾遥感图像，进行加权，得到最终的去除雾度的遥感图像。
与现有技术相比，本发明技术方案的有益效果是：
本发明首先对遥感图像分别重构其中一个通道，再与另外两通道结合，得到三幅新的雾度图像的同时，利用深度学习方法的U-Net网络分割出遥感图像的浓雾区域，估计出大气光值，根据三幅新的雾度图像，分别得到三幅透射图，最终使用大气散射模型对三幅新的雾度图像分别完成去雾，将图像权重加权后得到最终去雾效果。这种将暗通道先验算法的改进与深度学习结合起来的方法，去雾会保留更多细节，不会产生很大的色差，具有更好的鲁棒性。
附图说明
图1为本发明流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，一种结合暗通道先验算法和U-Net的遥感图像除雾度方法，包括以下步骤：
S1：将遥感图像的通道分别重构后，与另外两通道结合，分别得到三幅新的雾度图像；
S2：利用步骤S1中得到的三幅雾度图像，分别得到遥感图像的暗通道图；
S3：根据遥感图像的暗通道图，计算遥感图像的透射率；
S4：将遥感图像送入U-Net网络分割出图像中的浓雾区；
S5：将步骤S4中分割的区域作为浓雾候选区域；
S6：结合步骤S5中得到的浓雾候选区，计算全球大气光值；
S7：结合步骤S3中得到的透射率和步骤S6中得到的全球大气光值，分别对三幅新的雾度图像进行除雾操作；
S8：将步骤S7中得到的三幅去雾图像，进行权重加权得到最终除雾结果。
步骤S1中，将遥感图像每一个重构通道值的通道与另外两个未改变的通道相结合，分别构成三幅新的雾度图像；步骤S1中，重构遥感图像通道的通道值，保持另外两通道原始雾度图像的特征，以使去雾后的遥感图像达到更好的效果，重构B通道为I′b(m)：
Figure BDA0003174211360000041
其中，ω1和ω2为阈值，将重构后的B通道Ib(m)和Ir(m)，Ig(m)结合成新的雾度图像IB(m)，对IB(m)进行除雾操作，得到去雾后的结果L1(m)，L1(m)保持了原始遥感雾度图像红色通道和绿色通道的特征，重复上述过程，得到重构R通道的去雾结果L2(m)，重构G通道的去雾结果L3(m)，对去雾图像结果进行权重加权，得到最终结果：
Figure BDA0003174211360000042
其中，ω1设置为150，ω2设置为1。
步骤S2中，取每一幅遥感图像通道中灰度值的最小值，得到一幅灰度图像，以每一个像素为中心，取一定矩形窗口中，灰度值最小值代替中心的像素灰度值，得到一副暗通道图像。
步骤S3中，根据遥感的暗通道图像与透射图之间的关系，得到三幅遥感图像的透射图，并计算出图像的透射率。
U-Net网络通过利用遥感图像数据集和有雾图像的浓雾遮罩图训练U-Net网络使其具有分割出遥感图像中的浓雾区域的能力；将训练好的U-Net网络分割出来的浓雾区域作为计算大气光值的浓雾候选区域，U-Net分割结果为单通道的二值图像；结合分割出的浓雾区域二值图，在原始遥感雾度图像上保留浓雾区的图像，并计算出最大亮度值，即为大气光值；利用大气散射模型，分别对三幅新的雾度图进行除雾运算，得到三幅无雾的遥感图像。
U-Net是一个基于CNN的轻量级图像分割网络，训练U-Net网络的两部分，使其具有直接分割出浓雾区域的能力，其中，收缩路径可以用于捕捉图像的上下文信息，拓展路径对遥感图像的浓雾区域精准定位，U-Net网络的结构简单，其U型结构可最大程度保留有雾区域的遥感图像的所有信息，使用较少的数据集进行训练，通过对每个像素点进行分类，能更快、更准确、更稳定的分割出雾度浓度最大的区域。
大气散射模型为：
I(m)＝J(m)t(m)+A(1-t(m))
其中，I(m)为有雾图像，t(m)为透射率，A(m)为全球大气光值，J(m)为无雾图像。取遥感图像通道中灰度值的最小值，得到一幅灰度图像，以每一个像素为中心，取一定矩形窗口中，灰度值最小值代替中心的像素灰度值，得到暗通道图像，其计算公式为：
Figure BDA0003174211360000051
其中，Jdark为暗通道，最终得到无雾图像计算公式为：
Figure BDA0003174211360000052
利用之前计算出的透射率t(m)与全球大气光值A(m)，即可完成对遥感图像的去除雾度的操作；
对得到的三幅无雾遥感图像，进行加权，得到最终的去除雾度的遥感图像。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种结合暗通道先验算法和U-Net的遥感图像除雾度方法，其特征在于，包括以下步骤：
S1：将遥感图像的通道分别重构后，与另外两通道结合，分别得到三幅新的雾度图像；
S2：利用步骤S1中得到的三幅雾度图像，分别得到遥感图像的暗通道图；
S3：根据遥感图像的暗通道图，计算遥感图像的透射率；
S4：将遥感图像送入U-Net网络分割出图像中的浓雾区；
S5：将步骤S4中分割的区域作为浓雾候选区域；
S6：结合步骤S5中得到的浓雾候选区，计算全球大气光值；
S7：结合步骤S3中得到的透射率和步骤S6中得到的全球大气光值，分别对三幅新的雾度图像进行除雾操作；
S8：将步骤S7中得到的三幅去雾图像，进行权重加权得到最终除雾结果。
2.根据权利要求1所述的结合暗通道先验算法和U-Net的遥感图像除雾度方法，其特征在于，所述步骤S1中，将遥感图像每一个重构通道值的通道与另外两个未改变的通道相结合，分别构成三幅新的雾度图像。
3.根据权利要求2所述的结合暗通道先验算法和U-Net的遥感图像除雾度方法，其特征在于，步骤S1中，重构遥感图像通道的通道值，保持另外两通道原始雾度图像的特征，以使去雾后的遥感图像达到更好的效果，重构B通道为I’b(m)：
Figure FDA0003174211350000011
其中，ω1和ω2为阈值，将重构后的B通道I’b(m)和Ir(m)，ig(m)结合成新的雾度图像iB(m)，对iB(m)进行除雾操作，得到去雾后的结果L1(m)，L1(m)保持了原始遥感雾度图像红色通道和绿色通道的特征，重复上述过程，得到重构R通道的去雾结果L2(m)，重构G通道的去雾结果L3(m)，对去雾图像结果进行权重加权，得到最终结果：
Figure FDA0003174211350000012
4.根据权利要求3所述的结合暗通道先验算法和U-Net的遥感图像除雾度方法，其特征在于，ω1设置为150，ω2设置为1。
5.根据权利要求4所述的结合暗通道先验算法和U-Net的遥感图像除雾度方法，其特征在于，步骤S2中，取每一幅遥感图像通道中灰度值的最小值，得到一幅灰度图像，以每一个像素为中心，取一定矩形窗口中，灰度值最小值代替中心的像素灰度值，得到一副暗通道图像。
6.根据权利要求5所述的结合暗通道先验算法和U-Net的遥感图像除雾度方法，其特征在于，步骤S3中，根据遥感的暗通道图像与透射图之间的关系，得到三幅遥感图像的透射图，并计算出图像的透射率。
7.根据权利要求6所述的结合暗通道先验算法和U-Net的遥感图像除雾度方法，其特征在于，U-Net网络通过利用遥感图像数据集和有雾图像的浓雾遮罩图训练U-Net网络使其具有分割出遥感图像中的浓雾区域的能力。
8.根据权利要求7所述的结合暗通道先验算法和U-Net的遥感图像除雾度方法，其特征在于，将训练好的U-Net网络分割出来的浓雾区域作为计算大气光值的浓雾候选区域，U-Net分割结果为单通道的二值图像；
结合分割出的浓雾区域二值图，在原始遥感雾度图像上保留浓雾区的图像，并计算出最大亮度值，即为大气光值；
利用大气散射模型，分别对三幅新的雾度图进行除雾运算，得到三幅无雾的遥感图像。
9.根据权利要求8所述的结合暗通道先验算法和U-Net的遥感图像除雾度方法，其特征在于，大气散射模型为：
I(m)＝J(m)t(m)+A(1-t(m))
其中，I(m)为有雾图像，t(m)为透射率，A(m)为全球大气光值，J(m)为无雾图像。取遥感图像通道中灰度值的最小值，得到一幅灰度图像，以每一个像素为中心，取一定矩形窗口中，灰度值最小值代替中心的像素灰度值，得到暗通道图像，其计算公式为：
Figure FDA0003174211350000021
其中，Jdark为暗通道，最终得到无雾图像计算公式为：
Figure FDA0003174211350000022
利用之前计算出的透射率t(m)与全球大气光值A(m),即可完成对遥感图像的去除雾度的操作。
10.根据权利要求9所述的结合暗通道先验算法和U-Net的遥感图像除雾度方法，其特征在于，对得到的三幅无雾遥感图像，进行加权，得到最终的去除雾度的遥感图像。
CN202110827562.3A 2021-07-21 2021-07-21 结合暗通道先验算法和U-Net的遥感图像除雾度方法 Pending CN113763488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110827562.3A CN113763488A (zh) 2021-07-21 2021-07-21 结合暗通道先验算法和U-Net的遥感图像除雾度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110827562.3A CN113763488A (zh) 2021-07-21 2021-07-21 结合暗通道先验算法和U-Net的遥感图像除雾度方法

Publications (1)

Publication Number Publication Date
CN113763488A true CN113763488A (zh) 2021-12-07

Family

ID=78787785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110827562.3A Pending CN113763488A (zh) 2021-07-21 2021-07-21 结合暗通道先验算法和U-Net的遥感图像除雾度方法

Country Status (1)

Country Link
CN (1) CN113763488A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901482A (zh) * 2009-05-31 2010-12-01 汉王科技股份有限公司 判断去雾增强图像质量效果的方法
US20160196637A1 (en) * 2015-01-06 2016-07-07 The Regents Of The University Of California Raw sensor image and video de-hazing and atmospheric light analysis methods and systems
CN105913391A (zh) * 2016-04-07 2016-08-31 西安交通大学 一种基于形状可变形态学重构的去雾方法
CN106157267A (zh) * 2016-07-12 2016-11-23 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
CN106204491A (zh) * 2016-07-12 2016-12-07 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
US20190114747A1 (en) * 2016-04-07 2019-04-18 Carmel Haifa University Economic Corporation Ltd. Image dehazing and restoration
CN111476736A (zh) * 2020-04-14 2020-07-31 中国人民解放军陆军特种作战学院 一种图像去雾方法、终端及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901482A (zh) * 2009-05-31 2010-12-01 汉王科技股份有限公司 判断去雾增强图像质量效果的方法
US20160196637A1 (en) * 2015-01-06 2016-07-07 The Regents Of The University Of California Raw sensor image and video de-hazing and atmospheric light analysis methods and systems
CN105913391A (zh) * 2016-04-07 2016-08-31 西安交通大学 一种基于形状可变形态学重构的去雾方法
US20190114747A1 (en) * 2016-04-07 2019-04-18 Carmel Haifa University Economic Corporation Ltd. Image dehazing and restoration
CN106157267A (zh) * 2016-07-12 2016-11-23 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
CN106204491A (zh) * 2016-07-12 2016-12-07 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
CN111476736A (zh) * 2020-04-14 2020-07-31 中国人民解放军陆军特种作战学院 一种图像去雾方法、终端及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIANGRU XIE ET AL: "DHD-Net: A Novel Deep-Learning-based Dehazing Network", 《2020 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 *
吴祥: "极化SAR与可见光遥感影像融合算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
张文博 等: "基于高斯分布的大气光估计算法", 《计算机科学》 *
赵政达: "关于暗通道先验图像去雾算法的改进", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN106910175B (zh) 一种基于深度学习的单幅图像去雾算法
Gao et al. Sand-dust image restoration based on reversing the blue channel prior
CN111161360B (zh) 基于Retinex理论的端到端网络的图像去雾方法
CN112837233B (zh) 一种基于差分偏振获取透射率的偏振图像去雾方法
CN110866879B (zh) 一种基于多密度雨纹感知的图像去雨方法
CN110378849B (zh) 基于深度残差网络的图像去雾去雨方法
CN109993804A (zh) 一种基于条件生成对抗网络的道路场景去雾方法
CN111709888B (zh) 一种基于改进的生成对抗网络的航拍图像去雾方法
Ganguly et al. Single image haze removal with haze map optimization for various haze concentrations
CN111598814B (zh) 基于极端散射通道的单图像去雾方法
CN106023108A (zh) 基于边界约束和上下文正则化的图像去雾算法
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
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
Qian et al. CIASM-Net: a novel convolutional neural network for dehazing image
CN110807743B (zh) 一种基于卷积神经网络的图像去雾方法
CN113487509B (zh) 一种像素聚类及透射率融合的遥感图像雾气去除方法
CN112419163B (zh) 一种基于先验知识和深度学习的单张图像弱监督去雾方法
CN115937019A (zh) 一种lsd二次分割和深度学习相结合的不均匀去雾方法
CN109685735B (zh) 基于雾层平滑先验的单张图片去雾方法
CN106846274A (zh) 结合he和引导滤波的msrcr交通图像去雾霾方法
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
CN113763488A (zh) 结合暗通道先验算法和U-Net的遥感图像除雾度方法
CN107203979B (zh) 一种低照度图像增强的方法
CN109961413A (zh) 大气光方向优化估计的图象去雾迭代算法
Yu et al. Single image dehazing based on the fusion of multi-branch and attention mechanism

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211207

RJ01 Rejection of invention patent application after publication