CN115761672A - 用于车辆摄像头上污物的检测方法、检测系统和检测装置 - Google Patents
用于车辆摄像头上污物的检测方法、检测系统和检测装置 Download PDFInfo
- Publication number
- CN115761672A CN115761672A CN202211432588.9A CN202211432588A CN115761672A CN 115761672 A CN115761672 A CN 115761672A CN 202211432588 A CN202211432588 A CN 202211432588A CN 115761672 A CN115761672 A CN 115761672A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- camera
- value
- information entropy
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,尤其涉及一种用于车辆摄像头上污物的检测方法、检测系统和检测装置。检测方法包括:通过摄像头获取车辆行驶过程中的视频,对视频按帧截图得到多帧连续的图像;对图像进行预处理,并分别进行相关性检测、频率能量检测以及平均信息熵检测;将相关性检测结果与预设的第一权重值比较,将频率能量检测结果与预设的第二权重值比较,将平均信息熵检测结果与预设的第三权重值比较,根据比较结果判断摄像头的镜头表面是否有污物。本发明的一种用于车辆摄像头上污物的检测方法,无需增加硬件成本即可实现,适用性更强,且检测准确性高。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种用于车辆摄像头上污物的检测方法、检测系统和检测装置。
背景技术
通过使用各种不同的传感器,自动驾驶系统正在变得成熟。其中,摄像头仍然是关键传感器之一,同时也是自动驾驶传感器套件的重要组成部分,道路基础设施是为人类视觉传感器设计的。
第一代自动驾驶系统主要使用单个摄像头,随着自动驾驶系统技术的不断改进,安装更多的摄像头用于全面覆盖车辆周围以处理更复杂的驾驶场景。此外,环视摄像头直接暴露在外部环境中,很容易被弄脏。与其他传感器相比,由于摄像头上有污物会使得摄像头性能下降,影响自动驾驶系统行车的安全性。因此,准确检测摄像头上的是否有污物至关重要,尤其是对于更高级别的自动驾驶而言,直接影响到自动驾驶功能的可靠性及驾乘人员的生命和财产安全。
如专利CN103792783A公开的一种摄像设备镜头污染实时检测系统及方法,其通过设置用于探测透过镜头的光束的光照强度的第一感光设备和用于探测摄像设备的外界光束的光照强度的第二感光设备,然后实时对比所述的第一感光设备和第二感光设备回传的光照强度值,通过对二者的比值的计算来判断摄像头是否被污染。上述专利在车辆上实现需要增加硬件装置来解决问题,不利于对车辆进行改装,实现成本较高。
发明内容
本发明要解决的技术问题是:为了解决现有技术实现对摄像头污物的检测需要在车辆上增加硬件装置的技术问题,本发明提供一种用于车辆摄像头上污物的检测方法,无需增加硬件成本即可实现,适用性更强,且检测准确性高。
本发明解决其技术问题所采用的技术方案是:一种用于车辆摄像头上污物的检测方法,所述检测方法包括:
通过摄像头获取车辆行驶过程中的视频,对所述视频按帧截图得到多帧连续的图像;
对所述图像进行预处理,并分别进行相关性检测、频率能量检测以及平均信息熵检测;
将相关性检测结果与预设的第一权重值比较,将频率能量检测结果与预设的第二权重值比较,将平均信息熵检测结果与预设的第三权重值比较,根据比较结果判断所述摄像头的镜头表面是否有污物。
进一步,具体地,对所述图像进行预处理包括基于拉普拉斯金字塔的图像增强算法。
进一步,具体地,所述相关性检测包括:获取预处理后相邻的两张图像,计算相邻两张图像之间相关性系数,计算公式如下:
其中,rk为图像序列中第k张图像和第k-1张图像之间的相关性系数,Ak和Ak-1分别为第k张和第k-1张图像的像素值矩阵,m和n分别代表像素值矩阵的行数和列数,和分别为第k张和第k-1张图像中所有像素点像素值的平均值,为图像序列中同一个位置所有像素点像素值的平均值构成的平均值矩阵。
进一步,具体地,所述频率能量检测包括:对预处理后的图像首先进行傅里叶变换,然后计算每帧图像的总频域值,获取在固定时间T内的连续图像序列的频域值,根据该频域值计算连续图像序列的平均频域值,获取单位时间内平均频域值,计算公式如下:
其中,Eavg表示单位时间内的平均频域值;FPS表示帧率;EK表示第k张图的频域值和;T表示固定时间。
进一步,具体地,所述平均信息熵件检测包括:将预处理后的一图像分为N*N个的小图像,计算每个所述小图像的信息熵和每个图像的信息熵,计算公式如下:
其中,H为图像的信息熵,K为像素值,P(K)为像素值为K的像素点出现的频率;
计算N*N个所述小图像的平均信息熵,N*N个所述小图像的平均信息熵为整张图像的平均信息熵。
进一步,具体地,所述第一权重值、所述第二权重值以及所述第三权重值均通过神经网络模型训练得出,具体包括以下步骤:
搭建神经网络模型,将所述预处理后的图像转换成所述神经网络模型的输入向量;
给定所述输入向量和目标值到所述神经网络模型中,对所述神经网络模型训练,获取性能优异的所述第一权重值、所述第二权重值以及所述第三权重值。
进一步,具体地,所述基于拉普拉斯金字塔的图像增强算法包括以下步骤:
分解所述图像:
计算的分解后图像的噪声标准方差;
根据每一层的系数计算其增益系数;
根据增益运算后得到新的系数进行逆变换重构图像,从而得到增强图像。
一种用于处理如上所述的用于车辆摄像头上污物的检测方法的检测系统包括:
第一获取单元:用于获取车辆行驶过程中的视频,所述视频为设置在车上的摄像头采集车辆行驶过程中的视频;
第一处理单元:将所述视频按帧截图得到多帧连续的图像,对所述图像进行预处理,所述预处理为图像增强处理;
第一检测单元:对所述预处理后的图像进行相关性检测,得到相关性检测结果;
第二检测单元:对所述预处理后的图像进行频率能量检测,得到频率能量检测结果;
第三检测单元:对所述预处理后的图像进行平均信息熵检测,得到平均信息熵检测结果;
第一比较单元:将相关性检测结果与第一权重比较,获取比较的第一结果;
第二比较单元:将频率能量检测结果与第二权重比较,获取比较的第二结果;
第三比较单元:将平均信息熵检测结果与第三权重比较,获取比较的第三结果;
第一判断单元:基于所述第一结果、所述第二结果以及所述第三结果判断所述摄像头的镜头表面是否有污物。
进一步,具体地,所述第一获取单元与所述第一处理单元之间通过GMSL总线连接。
一种用于车辆摄像头上污物的检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如上所述的用于车辆摄像头上污物的检测方法的步骤。
本发明的有益效果是,本发明的一种用于车辆摄像头上污物的检测方法,通过对车辆行驶过程中的视频采集以及预处理,与预处理后的图像分别进行相关性检测、频率能量检测以及平均信息熵检测,从三个维度对摄像头表面是否有污物进行判断,相对于现有技术,无需增加硬件成本即可实现,适用性更强,且检测准确性高,另外,本发明通过神经网络模型对权重进行训练,进一步的提高了检测结果的准确性。
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是本发明实施例一的流程示意图。
图2是本发明实施例一的神经网络模型的结构示意图。
图3是本发明实施例二的结构示意图。
图4是本发明实施例三的结构示意图。
图中200、第一获取单元;201、第一处理单元;202、第一检测单元;203、第二检测单元;204、第三检测单元;205、第一比较单元;206、第二比较单元;207、第三比较单元;208、第一判断单元;300、总线;301、接收器;302、处理器;303、发送器;304存储器;305、总线接口。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
实施例1
如图1所示,是本发明实施例一,一种用于车辆摄像头上污物的检测方法,包括:
S101:通过摄像头获取车辆行驶过程中的视频,对视频按帧截图得到多帧连续的图像;
S102:对图像进行预处理,并分别进行相关性检测、频率能量检测以及平均信息熵检测;
S103:将相关性检测结果与预设的第一权重值比较,将频率能量检测结果与预设的第二权重值比较,将平均信息熵检测结果与预设的第三权重值比较,根据比较结果判断摄像头的镜头表面是否有污物。
在实施例中,步骤S102对图像进行预处理包括基于拉普拉斯金字塔的图像增强算法,即对图像的高频部分采用非线性函数进行对比度增强,在增强细节的同时降低噪声,使图像清晰,提高图像检测的准确性。具体的包括:
1)分解图像,将多帧连续的图像进行分解:
2)计算的分解后图像的噪声标准方差,图像的噪声标准方差反映了图像像素值与均值的离散程度,图像的噪声标准方差越大说明图像的质量越好;
3)根据每一层图像的变换系数计算其增益系数;即,对于变换后的每一层变换系数,计算阈值和放大倍数,计算每一个子带上的平均幅度和最大幅度值;
4)根据增益运算后得到新的系数进行逆变换重构图像,从而得到增强图像。
具体的,新的系数是对强边缘的系数保持不变,对弱边缘的系数进行非线性放大,
y(x)=x……if·|x|≥m
其中,将每一图像通过滤波器和下采样分离成一个逼近的信号x和一个细节的信号y,0<p<1表示非线性程度,c是一个cross-over参数,m为每一层变换系数中的max值:对于大于c的值,修改是非线性的;对于小于c的值,修改是线性的,避免不必要的图像中的噪声的增强。c的值与图像中噪声内容有关,通过以下公式计算:
c=median(|x[i,j]|)/0.6745;
其中,x[i,j]为原始图像的像素点。
在实施例中,当车辆正常行驶时,若摄像头表面受到污染后,污物和车辆始终保持相对静止,在图像中的位置始终不动,污物会遮挡部分光线进入摄像头的CMOS传感器,则图像中被遮挡的部分像素值会相对较低,选取多张连续的图像,如果多张连续的图像存在相关性较大区域,则该区域有可能是摄像头拍摄到的污物,通过相关性检测,将相关性检测结果作为摄像头镜头表面有污物的依据之一。相关性检测包括:获取预处理后相邻的两张图像,计算相邻两张图像之间相关性系数,计算公式如下:
其中,rk为图像序列中第k张图像和第k-1张图像之间的相关性系数,Ak和Ak-1分别为第k张和第k-1张图像的像素值矩阵,m和n分别代表像素值矩阵的行数和列数,和分别为第k张和第k-1张图像中所有像素点像素值的平均值,为图像序列中同一个位置所有像素点像素值的平均值构成的平均值矩阵。
相邻的两张图像污物覆盖部分的像素值具有很强的相关性,所以两幅图像之间的相关性系数也比较大,直接对相连的两种图像相关性系数直接计算,简化计算,减少计算量,提高污物检测方法的检测时间。
在实施例中,图像的低频分量反映了图像的总体轮廓和颜色信息,高频分量反映了图像突变部分的信息,高频分量的灰度值梯度大,而低频分量的灰度值梯度小,清晰图像中含有较多的高频能量,当摄像头表面受到污染后,所拍摄到图像的高频能量会降低,通过频率能量检测,将频率能量检测结果作为摄像头镜头表面有污物的依据之一。频率能量检测包括:对预处理后的图像首先进行傅里叶变换,然后计算每帧图像的总频域值,获取在固定时间T内的连续图像序列的频域值,根据该频域值计算连续图像序列的平均频域值,获取单位时间内平均频域值,计算公式如下:
其中,Eavg表示单位时间内的平均频域值;FPS表示帧率;EK表示第k张图的频域值和;T表示固定时间。
在实施例中,当摄像头受到污染后,脏污部分覆盖在镜头表面,遮住了原有的图像纹理信息,使得摄像头拍摄到的图像的均匀性降低,进而使得图像平均信息熵降低,通过平均信息熵件检测,将平均信息熵件检测检测结果作为摄像头镜头表面有污物的依据之一。平均信息熵件检测包括:将预处理后的一图像分为N*N个的小图像,计算每个小图像的信息熵,计算公式如下:
其中,H为图像的信息熵,K为当前图像的像素值,P(K)为像素值为K的像素点出现的频率;
计算N*N个小图像的平均信息熵,N*N个小图像的平均信息熵为整张图像的平均信息熵,在一具体实施例中,N的值为1,2,4,8,16,32、64或128等,作为优选,N的取值为64,能够反映出有污物图像的真实情况,提高检测结果的准确性。
在实施例中,步骤S103车辆在行驶的过程中,图像的变化是动态的,图像的相似性检测的结果、频域能量检测的结果和平均信息熵检测的结果都随之变化,若仅以图像的相似性检测的结果、频域能量检测的结果以及平均信息熵检测的结果中的一个结果来判断摄像表面是否有污物,会影响检测结果的准确性,在本发明实施例中,以图像的相似性检测的结果、频域能量检测的结果以及平均信息熵检测的结果从三个维度来判断判断摄像表面是否有污物,提高检测结果的准确性。其中,第一权重值、第二权重值以及第三权重值均通过神经网络模型训练得出,训练神经网络模型的过程实质为监督学习的过程,具体包括以下步骤:
搭建神经网络模型,将预处理后的图像转换成神经网络模型的输入向量;神经网络模型在BP((Back Propagation))算法基础上搭建前向多层神经网络,如图2所示,神经网络模型包括输入层、隐藏层和输出层。
f(x)=max(0,x);
给定输入向量和目标值到神经网络模型中,对神经网络模型训练,获取性能优异的第一权重值、第二权重值以及第三权重值,作为优选,第一权重值为0.51,第二权重值为0.13,第三权重值为0.36,进一步提高车辆摄像头上污物检测的准确性。
需要说明的是,给定输入向量可以是预处理后的图像的数据集,还可以是仿真图像的数据集,在本发明实施例中,可以先通过仿真图像的数据集进行权重训练,获取权重,当车辆投入使用后,通过摄像头对行驶过程时的图像采集的数据集进行训练,进一步的的提高权重准备精度;也可以采用实际图像的数据集和仿真图像的数据集融合训练,实际图像的数据集和仿真图像的数据集比例为4:6或2:8,但不仅限如此,实际图像的数据集和仿真图像的数据集在(4-2):(6-8)之间进行调整。采用实际图像的数据集和仿真图像的数据集融合训练训练的结果差异性较小,且在车辆没有投入使用前,不需要采集大量的实际图像,采用部分仿真图像可以大幅度压缩成本。作为优选,神经网络模型训练的学习率为0.3,单次传递给程序用以训练的数据(样本)个数为64,网络训练精度为0.0001,训练的权重能够提高检测结果的准确性。
本发明的一种用于车辆摄像头上污物的检测方法,通过对车辆行驶过程中的视频采集以及预处理,与预处理后的图像分别进行相关性检测、频率能量检测以及平均信息熵检测,从三个维度对摄像头表面是否有污物进行判断,相对于现有技术,无需增加硬件成本即可实现,适用性更强,且检测准确性高,另外,本发明通过神经网络模型对权重进行训练,进一步的提高了检测结果的准确性。
实施例2
基于与前述实施例中一种用于车辆摄像头上污物的检测方法同样发明构思,本发明还提供了一种用于车辆摄像头上污物的检测系统,如图3所示,检测系统包括:
第一获取单元200:用于获取车辆行驶过程中的视频,视频为设置在车上的摄像头采集车辆行驶过程中的视频,摄像头可以是行车记录仪,或其他安装在车上的车载摄像头装置,但不仅限如此;
第一处理单元201:将视频按帧截图得到多帧连续的图像,对图像进行预处理,预处理为图像增强处理;
第一检测单元202:对预处理后的图像进行相关性检测,得到相关性检测结果;
第二检测单元203:对预处理后的图像进行频率能量检测,得到频率能量检测结果;
第三检测单元204:对预处理后的图像进行平均信息熵检测,得到平均信息熵检测结果;
第一比较单元205:将相关性检测结果与第一权重比较,获取比较的第一结果;
第二比较单元206:将频率能量检测结果与第二权重比较,获取比较的第二结果;
第三比较单元207:将平均信息熵检测结果与第三权重比较,获取比较的第三结果;
第一判断单元208:基于第一结果、第二结果以及第三结果判断摄像头的镜头表面是否有污物。
第一获取单元200与第一处理单元201之间通过GMSL总线连接,确保第一获取单元采集的视频能够快速准确的传输给第一处理单元。
前述图1实施例一中的一种用于车辆摄像头上污物的检测方法的各种变化方式和具体实例同样适用于本实施例的一种用于车辆摄像头上污物的检测系统,通过前述对一种用于车辆摄像头上污物的检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种用于车辆摄像头上污物的检测系统的实施方法,所以为了说明书的简洁,再次不再详述。
实施例3
基于与前述实例施中一种用于车辆摄像头上污物的检测方法的发明构思,本发明还提供用于车辆摄像头上污物的检测装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种用于车辆摄像头上污物的检测方法的任一方法的步骤。
其中,在图4中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种用于车辆摄像头上污物的检测方法,其特征在于,所述检测方法包括:
通过摄像头获取车辆行驶过程中的视频,对所述视频按帧截图得到多帧连续的图像;
对所述图像进行预处理,并分别进行相关性检测、频率能量检测以及平均信息熵检测;
将相关性检测结果与预设的第一权重值比较,将频率能量检测结果与预设的第二权重值比较,将平均信息熵检测结果与预设的第三权重值比较,根据比较结果判断所述摄像头的镜头表面是否有污物。
2.如权利要求1所述的用于车辆摄像头上污物的检测方法,其特征在于,对所述图像进行预处理包括基于拉普拉斯金字塔的图像增强算法。
6.如权利要求1所述的用于车辆摄像头上污物的检测方法,其特征在于,所述第一权重值、所述第二权重值以及所述第三权重值均通过神经网络模型训练得出,具体包括以下步骤:
搭建神经网络模型,将所述预处理后的图像转换成所述神经网络模型的输入向量;
给定所述输入向量和目标值到所述神经网络模型中,对所述神经网络模型训练,获取性能优异的所述第一权重值、所述第二权重值以及所述第三权重值。
7.如权利要求2所述的用于车辆摄像头上污物的检测方法,其特征在于,所述基于拉普拉斯金字塔的图像增强算法包括以下步骤:
分解所述图像:
计算的分解后图像的噪声标准方差;
根据每一层的系数计算其增益系数;
根据增益运算后得到新的系数进行逆变换重构图像,从而得到增强图像。
8.一种用于处理如权利要求1至7中任一项所述的用于车辆摄像头上污物的检测方法的检测系统包括:
第一获取单元(200):用于获取车辆行驶过程中的视频,所述视频为设置在车上的摄像头采集车辆行驶过程中的视频;
第一处理单元(201):将所述视频按帧截图得到多帧连续的图像,对所述图像进行预处理,所述预处理为图像增强处理;
第一检测单元(202):对所述预处理后的图像进行相关性检测,得到相关性检测结果;
第二检测单元(203):对所述预处理后的图像进行频率能量检测,得到频率能量检测结果;
第三检测单元(204):对所述预处理后的图像进行平均信息熵检测,得到平均信息熵检测结果;
第一比较单元(205):将相关性检测结果与第一权重比较,获取比较的第一结果;
第二比较单元(206):将频率能量检测结果与第二权重比较,获取比较的第二结果;
第三比较单元(207):将平均信息熵检测结果与第三权重比较,获取比较的第三结果;
第一判断单元(208):基于所述第一结果、所述第二结果以及所述第三结果判断所述摄像头的镜头表面是否有污物。
9.如权利要求8所述的检测系统,其特征在于,所述第一获取单元(200)与所述第一处理单元(201)之间通过GMSL总线连接。
10.一种用于车辆摄像头上污物的检测装置,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序;
其中,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的用于车辆摄像头上污物的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211432588.9A CN115761672A (zh) | 2022-11-16 | 2022-11-16 | 用于车辆摄像头上污物的检测方法、检测系统和检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211432588.9A CN115761672A (zh) | 2022-11-16 | 2022-11-16 | 用于车辆摄像头上污物的检测方法、检测系统和检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761672A true CN115761672A (zh) | 2023-03-07 |
Family
ID=85371650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211432588.9A Pending CN115761672A (zh) | 2022-11-16 | 2022-11-16 | 用于车辆摄像头上污物的检测方法、检测系统和检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761672A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893611A (zh) * | 2024-03-14 | 2024-04-16 | 浙江华诺康科技有限公司 | 一种图像传感器的脏污检测方法、装置和计算机设备 |
-
2022
- 2022-11-16 CN CN202211432588.9A patent/CN115761672A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893611A (zh) * | 2024-03-14 | 2024-04-16 | 浙江华诺康科技有限公司 | 一种图像传感器的脏污检测方法、装置和计算机设备 |
CN117893611B (zh) * | 2024-03-14 | 2024-06-11 | 浙江华诺康科技有限公司 | 一种图像传感器的脏污检测方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An all-in-one network for dehazing and beyond | |
Li et al. | Aod-net: All-in-one dehazing network | |
Aslantas et al. | A comparison of criterion functions for fusion of multi-focus noisy images | |
WO2021164234A1 (zh) | 图像处理方法以及图像处理装置 | |
Moghimi et al. | Real-time underwater image enhancement: a systematic review | |
US20220020123A1 (en) | Bayesian image denoising method based on distribution constraint of noisy images | |
WO2018168539A1 (ja) | 学習方法およびプログラム | |
CN105208376A (zh) | 一种数字降噪方法和装置 | |
Agrawal et al. | Distortion-free image dehazing by superpixels and ensemble neural network | |
Yuan et al. | Single image dehazing via NIN-DehazeNet | |
CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 | |
CN110796616A (zh) | 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
Das et al. | A comparative study of single image fog removal methods | |
CN115761672A (zh) | 用于车辆摄像头上污物的检测方法、检测系统和检测装置 | |
CN110942097A (zh) | 基于单像素探测器的免成像分类方法和系统 | |
CN117274759A (zh) | 一种基于蒸馏-融合-语义联合驱动的红外与可见光图像融合系统 | |
CN117058019A (zh) | 一种基于金字塔增强网络的低光照下目标检测方法 | |
CN115409872B (zh) | 一种水下摄像机图像优化方法 | |
CN116523790A (zh) | 一种sar图像去噪优化方法、系统和存储介质 | |
Kumar et al. | Underwater image enhancement using deep learning | |
US11798139B2 (en) | Noise-adaptive non-blind image deblurring | |
AKINTOYE et al. | COMPOSITE MEDIAN WIENER FILTER BASED TECHNIQUE FOR IMAGE ENHANCEMENT. | |
Yadav et al. | Effective edge-aware weighting filter-based structural patch decomposition multi-exposure image fusion for single image dehazing | |
Yadav et al. | A new robust scale-aware weighting-based effective edge-preserving gradient domain guided image filter for single image dehazing | |
Hu et al. | High-low level task combination for object detection in foggy weather conditions |
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 |