CN114219732A - 基于天空区域分割和透射率细化的图像去雾方法及系统 - Google Patents
基于天空区域分割和透射率细化的图像去雾方法及系统 Download PDFInfo
- Publication number
- CN114219732A CN114219732A CN202111540063.2A CN202111540063A CN114219732A CN 114219732 A CN114219732 A CN 114219732A CN 202111540063 A CN202111540063 A CN 202111540063A CN 114219732 A CN114219732 A CN 114219732A
- Authority
- CN
- China
- Prior art keywords
- image
- transmissivity
- sky
- transmittance
- defogging
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000011218 segmentation Effects 0.000 title claims abstract description 32
- 238000002834 transmittance Methods 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 239000006185 dispersion Substances 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000012935 Averaging Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 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
- 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
- G06T2207/10024—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
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
本发明提供一种基于天空区域分割和透射率细化的图像去雾方法及系统。方法包括:获取含有天空区域的雾天图像;对所述雾天图像进行基于颜色空间转换的预处理;基于所述天空分割结果对应暗通道先验求出的亮度前0.1%像素点进行自适应阈值约束判断,对大于阈值的像素点取平均值得到最终大气光;建立用于识别最佳透射率的目标函数,所述目标函数为三个对比度能量、图像熵、局部标准差、归一化色散和梯度特征的乘积;将原始雾天图像分割为不重叠的正方形块,采用四步迭代算法估计每个图像块的最佳透射率;采用梯度域引导滤波进行透射率的细化;基于原始雾天图像、大气光值和透射率直接恢复输出无雾图像。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,尤其涉及一种基于天空区域分割和透射率细化的图像去雾方法及系统。
背景技术
在雾霾场景中,由于受到大气悬浮粒子的作用,导致捕获的图像出现目标与背景对比度低、区域模糊和颜色暗淡等降质问题。这严重干扰了对道路交通监控、环境监测、图像识别和目标跟踪等户外计算机视觉系统的应用性能。因此,为改善雾霾天气的图像质量,提高图像的清晰化,需要对图像进行去雾处理。
目前,国内外研究学者针对图像去雾问题,提出了许多相关理论,大致可以分为三类:第一类是基于图像增强方法,该类方法通过增强整幅有雾图像的对比度,突出图像的细节信息,改善图像的视觉效果。典型的图像增强去雾方法包括直方图均衡化、曲波变换和Retinex方法等,由于该类方法没有考虑图像降质的根本原因,故而会导致去雾图像出现色调失真的现象。第二类是基于学习的去雾方法,该类方法通过训练大量有雾和对应场景下的无雾图像获得大气光和透射率,或者直接将雾图像通过一种端到端的去雾网络模型恢复出无雾图像。常用的基于学习的去雾网络包括DehazeNet,AOD-Net和MSCNN等,由于去雾模型大部分是在合成图像上进行训练的,导致在真实场景下去雾性能不理想。第三类是基于物理模型的去雾方法,该类方法通过对雾天图像降质的形成过程进行描述,并建立雾天退化模型,再利用反演过程补偿图像退化造成的失真,从而恢复出无雾图像。该类方法从物理意义上真正将雾去除是当前学者研究的主流去雾方法。其中,典型的方法为暗通道先验(Dark Channel Prior,简称DCP),一般情况下,该方法能够得到理想的去雾结果。DCP是通过对大量户外的无雾图像进行统计和分析发现,在大部分的非天空区域中,总会存在一些像素,它们至少存在一个颜色通道的值很低,甚至接近于零。利用DCP建立的去雾模型可直接估计图像的透射率并且得到去雾图像。然而,当DCP在处理雾图像中含有天空等明亮区域时,产生明显的色彩失真现象且容易出现噪声。
发明内容
本发明提供一种基于天空区域分割和透射率细化的图像去雾方法及系统。解决了DCP算法对处理雾图像中含有天空区域不适用,消除天空去雾色彩失真,提高恢复图像的视觉效果。
本发明采用的技术手段如下:
一种基于天空区域分割和透射率细化的图像去雾方法,包括:
获取含有天空区域的雾天图像;
对所述雾天图像进行基于颜色空间转换的预处理,得到天空区域分割结果;
基于所述天空分割结果对应暗通道先验求出的亮度前0.1%像素点进行自适应阈值约束判断,对大于阈值的像素点取平均值得到最终大气光;
建立用于识别最佳透射率的目标函数,所述目标函数为三个对比度能量、图像熵、局部标准差、归一化色散和梯度特征的乘积;
将原始雾天图像分割为不重叠的正方形块,基于所述目标函数获取每个图像块的最佳透射率;
基于Nelder-Mead算法对所述目标函数进行优化后,获取粗略透射率;
采用梯度域引导滤波对粗略透射率进行处理,通过将引导滤波和一阶边缘感知约束结合,保留图像中的边缘获取细化透射率;
基于原始雾天图像、大气光值和细化透射率直接恢复输出无雾图像。
进一步地,所述透射率的目标函数根据以下计算获得:
Obj(ti)=CE[Ji(ti)]·IE[Ji(ti)]·σ[Ji(ti)]·η[Ji(ti)]·G[Ji(ti)]
其中,Ji(ti)表示第i个去雾图像块,表示三个颜色通道的对比度能量相乘,c表示原始图像I(x)的颜色通道,所述颜色通道包括灰度通道、黄-蓝通道和红-绿通道,IE[Ji(ti)]表示第i个去雾图像块图像熵,σ[Ji(ti)]表示第i个去雾图像块局部标准差,η[Ji(ti)]表示第i个去雾图像块归一化色散,G[Ji(ti)]表示第i个去雾图像块梯度。
进一步地,所述自适应阈值根据以下计算获得:
其中,αmax和αmin分别表示天空分割结果对应暗通道求解出的三通道大气光最大值和最小值,λmax和λmin分别表示天空分割结果对应暗通道的最大像素值和最小像素值。
本发明还提供了一种基于天空区域分割和透射率细化的图像去雾系统,包括:
获取单元,用于获取含有天空区域的雾天图像;
预处理单元,用于对所述雾天图像进行基于颜色空间转换的预处理,得到天空区域分割结果;
大气光获取单元,用于基于所述天空分割结果对应暗通道先验求出的亮度前0.1%像素点进行自适应阈值约束判断,对大于阈值的像素点取平均值得到最终大气光;
目标函数构建单元,用于建立用于识别最佳透射率的目标函数,所述目标函数为三个对比度能量、图像熵、局部标准差、归一化色散和梯度特征的乘积;
最佳透射率获取单元,将原始雾天图像分割为不重叠的正方形块,基于所述目标函数获取每个图像块的最佳透射率;
引导单元,基于Nelder-Mead算法对所述最佳透射率进行优化后,获取粗略透射率,采用梯度域引导滤波对粗略透射率进行处理,通过将引导滤波和一阶边缘感知约束结合,保留图像中的边缘获取细化透射率;
输出单元,基于原始雾天图像、大气光值和细化透射率直接恢复输出无雾图像。
较现有技术相比,本发明具有以下优点:
1、本发明通过对含有天空区域的雾图像总结分析,利用均值漂移算法和天空颜色规则先验信息,对采集到的雾图像进行天空区域提取,基于此天空区域引入自适应阈值约束估计大气光,使得估计的大气光的结果趋于合理值。
2、本发明通过设计基于雾霾图像特征的目标函数,并引入梯度域引导滤波准确估计透射率,增强了图像的细节,更好的保留了图像的边缘信息,并且解决了DCP方法不适用于天空区域的缺点。
3、本发明采用色调映射方法调整了图像的色调亮度,使得去雾后的图像视觉效果更佳。
基于上述理由本发明可在道路交通监控、环境监测、图像识别和目标跟踪等领域广泛推广。
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是本发明的图像去雾方法流程图;
图2是本发明实施例的原始雾图像;
图3是图2经过均值漂移方法得到的图像;
图4是图3经过天空颜色规则先验信息和经过二值化处理后的天空分割图像;
图5是原始雾图像经过目标函数处理后得到的初步估计的透射率;
图6是图5经过梯度域引导滤波细化后得到的透射率;
图7是本发明实施例中初始去雾效果图;
图8是图7经过色调调整的最终去雾效果图。
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。
本发明提供一种基于天空区域分割和透射率细化的单幅图像去雾方法,利用均值漂移算法和天空颜色规则先验信息,获取雾图像天空区域,基于此天空区域引入自适应阈值约束估计大气光。进一步设计基于雾霾图像特征的目标函数,并引入梯度域引导滤波准确估计透射率。在此基础上,利用大气散射模型恢复图像,并经过色调调整获得最终的去雾图像。
本发明单幅图像去雾方法流程示意图如图1所示,具体包括如下步骤:
步骤1.输入一幅含天空区域的雾天图像I(x),如图2所示;
步骤2.对I(x)进行均值漂移算法,将原始雾图像的颜色范围缩小,如图3所示;采用5×5的中值滤波器对经均值漂移处理后的结果进行去噪,并将图像从RGB颜色空间转换成HSI颜色空间。下一步基于定义的颜色规则描述特定的区域,实现图像中语义区域的识别。同时考虑图像的R、G、B、H和I的强度值,并依据天空区域的颜色规则,将不满足天空区域颜色规则的其余部分,均定义为非天空区域。最后,利用5×5的中值滤波器,对经过颜色规则描述的天空区域分割结果进行滤波,最终得到天空区域分割结果,如图4所示。
所述的天空区域的颜色规则采用下式表示,即:
其中,I(x,y)表示原始图像,B(x,y)表示图像蓝色通道,G(x,y)表示图像绿色通道,R(x,y)表示图像红色通道。
步骤3.对天空分割结果对应暗通道图中按照亮度的大小取前0.1%像素进行自适应阈值约束判断,对大于阈值的像素点取平均值得到最终大气光A。
所述的自适应阈值采用下式计算获得:
其中,αmax和αmin分别表示天空分割结果对应暗通道求解出的三通道大气光最大值和最小值,λmax和λmin分别表示天空分割结果对应暗通道的最大像素值和最小像素值。
步骤4.最佳透射率的目标函数建立:通过分析雾霾相关特征构造相应目标函数的方法,估计最佳的透射率。使用了7个图像特征(包括:三个对比度能量(CE)、图像熵(IE)、局部标准差(σ)、归一化色散(η)和梯度特征(G))来设计用于识别最佳透射率的目标函数。
所述的CE采用下式计算获得:
其中,c表示原始图像I(x)的颜色通道(灰度、黄-蓝和红-绿),针对每个颜色分量分别计算CE,γ是Z(Ic)的最大值,κ是恒定增益,τc表示每个颜色通道的噪声阈值,hh和hv分别表示水平和垂直高斯二阶导数滤波器的核。
所述IE采用下式计算获得:
其中,Igray表示图像的灰度通道,pi是像素强度i在该图像中出现的概率,可由灰度直方图获得。
所述的σ和η采用下式计算获得:
其中,μ表示局部均值,ω是局部高斯加权核。
所述G采用下式计算获得:
其中,Gxi和Gyi分别表示通过横向和纵向边缘检测的图像灰度值,其表达式如下所示:
所述的透射率的目标函数表达式如下所示:
Obj(ti)=CE[Ji(ti)]·IE[Ji(ti)]·σ[Ji(ti)]·η[Ji(ti)]·G[Ji(ti)]
步骤5.粗略透射率的估计:将雾图像分解成不重叠的正方形块,采用四步迭代算法估计每个图像块的最佳透射率。对于图像块ith,首先初始化透射率t(x),利用初始化透射率t(x),其中c表示为通道颜色。然后利用估计出每个图像块的去雾图像Ji(ti),其中,大气光值A为步骤3得到的估计值。最后,最大化目标函数Obj(ti)获得最佳的透射率,利用Nelder-Mead算法对目标函数进行优化,得到粗略估计的透射率图如图5所示。
步骤6.进一步地对图5采用梯度域引导滤波进行透射率的细化,细化后的透射图如图6所示,从图6可以看出,通过将引导滤波和一阶边缘感知约束结合,使得图像中的边缘得到很好的保留,同时增强了图像的细节。具体采用梯度域引导滤波进行透射率的细化可以采用下述文献中的方案,此处不再赘述。F.Kou,W.Chen,C.Wen and Z.Li,"GradientDomain Guided Image Filtering,"in IEEE Transactions on Image Processing,vol.24,no.11,pp.4528-4539,Nov.2015.
步骤7.利用步骤3计算出的大气光值A和步骤6细化的透射率t(x),通过公式
其中,J(x)表示无雾图像,I(x)表示原始雾天图像,A表示大气光值,t(x)表示透射率,t0为透射率下限。由于即使在晴朗的天气里,大气中气溶胶的存在也是不可避免的,而且在观察远处的物体时也可以观察到雾霾。这是人类深度感知的基本线索,具有学名空中透视。如果雾霾被完全去除,恢复后的图像可能会显得不自然,而且可能很难感知到深度的感觉。因此领域内公认需要设置下线t0,本实施例中t0设置为0.2,并利用指数方式控制除雾能力,因为透射率与要去除的雾量成反比,本实施例中v设置为0.7直接恢复出的无雾图像如图7所示。
步骤8.采用色调映射进行色调调整,以提高去雾图像的整体亮度,最后复原得到的图像如图8所示。
所述的色调映射表达式如下所示:
本发明还公开了一种基于天空区域分割和透射率细化的图像去雾系统,包括:
获取单元,用于获取含有天空区域的雾天图像;
预处理单元,用于对所述雾天图像进行基于颜色空间转换的预处理,得到天空区域分割结果;
大气光获取单元,用于基于所述天空分割结果对应暗通道先验求出的前0.1%像素点进行自适应阈值约束判断,对大于阈值的像素点取平均值得到最终大气光;
目标函数构建单元,用于建立用于识别最佳透射率的目标函数,所述目标函数为三个对比度能量、图像熵、局部标准差、归一化色散和梯度特征的乘积;
最佳透射率获取单元,用于将原始雾天图像分割为不重叠的正方形块,采用四步迭代算法估计每个图像块的最佳透射率;
引导单元,用于采用梯度域引导滤波进行透射率的细化;
输出单元,用于基于原始雾天图像、大气光值和透射率直接恢复输出无雾图像。
对于本发明系统实施例的而言,由于其与上面方法实施例中的相对应,所以描述的比较简单,相关相似之处请参见上面实施例中部分的说明即可,此处不再详述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各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各实施例技术方案的范围。
Claims (4)
1.一种基于天空区域分割和透射率细化的图像去雾方法,其特征在于,包括:
获取含有天空区域的雾天图像;
对所述雾天图像进行基于颜色空间转换的预处理,得到天空区域分割结果;
基于所述天空分割结果对应暗通道先验求出的亮度前0.1%像素点进行自适应阈值约束判断,对大于阈值的像素点取平均值得到最终大气光;
建立用于识别最佳透射率的目标函数,所述目标函数为三个对比度能量、图像熵、局部标准差、归一化色散和梯度特征的乘积;
将原始雾天图像分割为不重叠的正方形块,基于所述目标函数获取每个图像块的最佳透射率;
基于Nelder-Mead算法对所述目标函数进行优化后,获取粗略透射率;
采用梯度域引导滤波对粗略透射率进行处理,该方法通过将引导滤波和一阶边缘感知约束结合,保留图像中的边缘获取细化透射率;
基于原始雾天图像、大气光值和细化透射率直接恢复输出无雾图像。
2.根据权利要求1所述的一种基于天空区域分割和透射率细化的图像去雾方法,其特征在于,所述透射率的目标函数根据以下计算获得:
Obj(ti)=CE[Ji(ti)]·IE[Ji(ti)]·σ[Ji(ti)]·η[Ji(ti)]·G[Ji(ti)]
其中,Ji(ti)表示第i个去雾图像块,CE[Ji(ti)]=∏cCE[Jic(ti)]表示三个颜色通道的对比度能量相乘,c表示原始图像I(x)的颜色通道,所述颜色通道包括灰度通道、黄-蓝通道和红-绿通道,IE[Ji(ti)]表示第i个去雾图像块图像熵,σ[Ji(ti)]表示第i个去雾图像块局部标准差,η[Ji(ti)]表示第i个去雾图像块归一化色散,G[Ji(ti)]表示第i个去雾图像块梯度。
4.一种基于天空区域分割和透射率细化的图像去雾系统,其特征在于,包括:
获取单元,用于获取含有天空区域的雾天图像;
预处理单元,用于对所述雾天图像进行基于颜色空间转换的预处理,得到天空区域分割结果;
大气光获取单元,用于基于所述天空分割结果对应暗通道先验求出的亮度前0.1%像素点进行自适应阈值约束判断,对大于阈值的像素点取平均值得到最终大气光;
目标函数构建单元,用于建立用于识别最佳透射率的目标函数,所述目标函数为三个对比度能量、图像熵、局部标准差、归一化色散和梯度特征的乘积;
最佳透射率获取单元,将原始雾天图像分割为不重叠的正方形块,基于所述目标函数获取每个图像块的最佳透射率;
引导单元,基于Nelder-Mead算法对所述最佳透射率进行优化后,获取粗略透射率,采用梯度域引导滤波对粗略透射率进行处理,通过将引导滤波和一阶边缘感知约束结合,保留图像中的边缘获取细化透射率;
输出单元,基于原始雾天图像、大气光值和细化透射率直接恢复输出无雾图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111540063.2A CN114219732A (zh) | 2021-12-15 | 2021-12-15 | 基于天空区域分割和透射率细化的图像去雾方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111540063.2A CN114219732A (zh) | 2021-12-15 | 2021-12-15 | 基于天空区域分割和透射率细化的图像去雾方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114219732A true CN114219732A (zh) | 2022-03-22 |
Family
ID=80702777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111540063.2A Pending CN114219732A (zh) | 2021-12-15 | 2021-12-15 | 基于天空区域分割和透射率细化的图像去雾方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219732A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861104A (zh) * | 2022-11-30 | 2023-03-28 | 西安电子科技大学 | 基于透射率细化的遥感图像去雾方法 |
CN115908824A (zh) * | 2023-03-09 | 2023-04-04 | 四川腾盾科技有限公司 | 一种应用于大型无人机天空区域快速分割方法 |
CN116110053A (zh) * | 2023-04-13 | 2023-05-12 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
CN116630349A (zh) * | 2023-07-25 | 2023-08-22 | 山东爱福地生物股份有限公司 | 基于高分辨率遥感图像的秸秆还田区域快速分割方法 |
-
2021
- 2021-12-15 CN CN202111540063.2A patent/CN114219732A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861104A (zh) * | 2022-11-30 | 2023-03-28 | 西安电子科技大学 | 基于透射率细化的遥感图像去雾方法 |
CN115861104B (zh) * | 2022-11-30 | 2023-10-17 | 西安电子科技大学 | 基于透射率细化的遥感图像去雾方法 |
CN115908824A (zh) * | 2023-03-09 | 2023-04-04 | 四川腾盾科技有限公司 | 一种应用于大型无人机天空区域快速分割方法 |
CN115908824B (zh) * | 2023-03-09 | 2023-06-06 | 四川腾盾科技有限公司 | 一种应用于大型无人机天空区域快速分割方法 |
CN116110053A (zh) * | 2023-04-13 | 2023-05-12 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
CN116630349A (zh) * | 2023-07-25 | 2023-08-22 | 山东爱福地生物股份有限公司 | 基于高分辨率遥感图像的秸秆还田区域快速分割方法 |
CN116630349B (zh) * | 2023-07-25 | 2023-10-20 | 山东爱福地生物股份有限公司 | 基于高分辨率遥感图像的秸秆还田区域快速分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Single underwater image enhancement by attenuation map guided color correction and detail preserved dehazing | |
CN114219732A (zh) | 基于天空区域分割和透射率细化的图像去雾方法及系统 | |
CN107103591B (zh) | 一种基于图像雾霾浓度估计的单幅图像去雾方法 | |
CN106846263B (zh) | 基于融合通道且对天空免疫的图像去雾方法 | |
CN107240084B (zh) | 一种单幅图像去雨方法及装置 | |
Pan et al. | Underwater image de-scattering and enhancing using dehazenet and HWD | |
CN110288550B (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
Pei et al. | Effective image haze removal using dark channel prior and post-processing | |
CN110097522B (zh) | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN111815528A (zh) | 基于卷积模型和特征融合的恶劣天气图像分类增强方法 | |
Kaur et al. | Performance evaluation of fuzzy and histogram based color image enhancement | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
Yuan et al. | Image dehazing based on a transmission fusion strategy by automatic image matting | |
Yu et al. | Image and video dehazing using view-based cluster segmentation | |
Kumari et al. | Fast single image and video deweathering using look-up-table approach | |
Satrasupalli et al. | Single Image Haze Removal Based on transmission map estimation using Encoder-Decoder based deep learning architecture | |
Chen et al. | Improve transmission by designing filters for image dehazing | |
CN112419163A (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 | |
Baiju et al. | An intelligent framework for transmission map estimation in image dehazing using total variation regularized low-rank approximation | |
Thepade et al. | Improved haze removal method using proportionate fusion of color attenuation prior and edge preserving | |
Du et al. | Recursive image dehazing via perceptually optimized generative adversarial network (POGAN) | |
Senthamilarasu et al. | A new approach for removing haze from images | |
Kim et al. | Single image dehazing of road scenes using spatially adaptive atmospheric point spread function | |
CN111260589B (zh) | 基于Retinex的输电线路监控图像去雾方法 |
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 |