CN117952864A - 一种基于区域分割的图像去雾方法、存储介质及终端设备 - Google Patents
一种基于区域分割的图像去雾方法、存储介质及终端设备 Download PDFInfo
- Publication number
- CN117952864A CN117952864A CN202410318251.8A CN202410318251A CN117952864A CN 117952864 A CN117952864 A CN 117952864A CN 202410318251 A CN202410318251 A CN 202410318251A CN 117952864 A CN117952864 A CN 117952864A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- defogging
- dark channel
- pixel
- 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 37
- 230000011218 segmentation Effects 0.000 title claims abstract description 34
- 238000002834 transmittance Methods 0.000 claims description 53
- 238000010586 diagram Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理，具体涉及一种基于区域分割的图像去雾方法、存储介质及终端设备，为解决现有基于暗通道先验的去雾算法在天空或接近白色区域易失效、部分边缘区域存在光晕现象的不足之处，本发明的方法依次包括获取有雾图像、暗通道补偿、区域分割、透射率优化以及基于大气散射模型计算去雾图像，通过暗通道补偿、区域分割、透射率优化等对图像去雾过程进行优化，提高去雾图像效果。同时还提供用于实现上述图像去雾方法的计算机可读存储介质以及终端设备。
Description
技术领域
本发明涉及图像处理方法，具体涉及一种基于区域分割的图像去雾方法、存储介质及终端设备。
背景技术
近年来，雾霾越来越频繁地出现。由于空气中悬浮的颗粒对光传播产生影响，导致成像系统接收到的图像清晰度、饱和度、对比度都有所降低。这直接影响户外计算机视觉系统的性能，如交通监控、目标识别等。目前，图像去雾方法主要分为三种：一是基于图像增强；二是基于图像复原；三是基于深度学习。较为经典的图像增强算法包括带有色彩恢复的多尺度Retinex算法(MSRCR)、直方图均衡算法等。MSRCR是基于单尺度Retinex算法（MSR），通过引入恢复因子实现色彩还原并复原去雾图像。但对不同浓度的有雾图像，需合理地控制色彩恢复的增益和偏移值。直方图均衡算法使图像像素的灰度级分布更加均匀，但同时也会丢失某些细节。上述基于图像增强的方法，因未考虑雾天图像退化的原理，易造成图像细节信息丢失，出现过饱和等失真问题。图像复原是从大气散射物理学模型出发，对环境光和透射率通过一定的先验假设来逼近真实值，从而实现去雾。此外，随着深度学习的快速兴起，神经网络也被运用到图像去雾中。但此类方法需要大量的测试数据，不仅实现成本较高，且在许多真实复杂环境下的去雾效果并不理想。
目前，在图像去雾领域，广泛使用的传统去雾方法是基于大气散射模型的单幅图像去雾算法，该类算法采用单幅图像中包含的先验信息或提出一些合理的假设，实现对图像的去雾。基于暗通道先验的去雾算法，通过结合雾天成像的退化模型和暗通道原理实现图像去雾，其作为基于大气散射模型的单幅图像去雾算法中的一种典型算法，具有较强的普适性，因此仍是图像去雾方法的研究重点，然而，目前基于暗通道先验的去雾算法存在以下缺陷：
1）暗通道先验理论在天空或接近白色区域易失效；
2）部分边缘区域存在光晕现象。
发明内容
本发明的目的是解决现有基于暗通道先验的去雾算法在天空或接近白色区域易失效、部分边缘区域存在光晕现象的不足之处，而提供一种基于区域分割的图像去雾方法、存储介质及终端设备。
为实现上述目的，本发明提供的技术解决方案如下：
一种基于区域分割的图像去雾方法，其特殊之处在于，包括以下步骤：
步骤1，获取有雾图像；
步骤2，暗通道补偿；
2.1.计算有雾图像每个像素RGB三通道的最小值，并计算有雾图像的初始暗通道图；
2.2.基于初始暗通道图，通过下式计算得到每个像素点的补偿暗通道的值，从而得到补偿暗通道图：
，
，
其中，为初始暗通道图中第i行、第j列像素点的值，k为像素点的RGB三通道最小值与其对应的/>差值的绝对值，/>为阈值，/>为阈值容差，/>为补偿暗通道图中第i行、第j列像素点的值；/>为补偿暗通道图中第i行、第j±1列像素点的值；
步骤3，根据初始暗通道图求大气光强值A；
步骤4，依据初始暗通道图，对有雾图像进行区域分割，得到目标区域与非目标区域；
4.1.色彩空间转换：将有雾图像转换至YCbCr色彩空间，取Y亮度分量；
4.2.初目标区域分割：将同时满足以下三个条件的像素点判定为初目标区域，其余区域为非目标区域；
1）信息熵＞0；
2） ；其中，/>为调节因子，取值为归一化后的初始暗通道图中最大的初始暗通道值减去0.1~0.2；/>为初始暗通道图中像素点x的值；
3）像素点的灰度值B1＞B2-B3，其中，B2为有雾图像灰度直方图中占比最大的灰度级，B3取值为20~40；
4.3.目标区域精确分割
在初目标区域通过形态学操作得到特征点，通过迭代循环进行区域生长，直至所有特征点均包含在生长的区域中，生长的区域即为目标区域；所述特征点为骨架的转折点和终点；
步骤5，根据补偿暗通道图和大气光强值计算透射率，并对透射率进行优化，得到精确的透射率，在保留去雾图像边缘信息的条件下，平滑去雾图像的噪声；
步骤6，确定透射率下限，基于大气散射模型利用精确的透射率、透射率下限以及大气光强值，获得目标区域与非目标区域的去雾图像，完成图像去雾。
进一步地，步骤6具体为：
6.1.计算透射率下限；
设定第一透射率下限；通过下式计算得到第二透射率下限/>；
其中， 为目标区域灰度图的均值；
6.2.根据下式计算所有像素点的去雾像素值，获得去雾图像：
其中，为有雾图像的像素点x的像素值，/>为去雾图像中像素点x的像素值；为精确的透射率；A为大气光强值；所述非目标区域采用第一透射率下限/>，目标区域采用第一透射率下限/>或者第二透射率下限/>。
进一步地，步骤6.1中，；
步骤6.2中，需判断目标区域总的像素点数量在有雾图像的所有像素点中的占比，若占比大于5~8%中的任一取值，则采用第二透射率下限，否则，采用第一透射率下限/>。
进一步地，步骤4.3后还包括：
4.4.通过形态学操作，将目标区域中像素点数量小于5000的区域划分为非目标区域。
进一步地，步骤5具体为：
5.1.基于暗通道先验理论，通过下式计算得到粗透射率；
其中，为补偿暗通道图中像素点x的值；/>是去雾因子，取0.85；
5.2.对透射率进行优化得到精确的透射率；
所述对透射率进行优化具体为：以有雾图像的灰度图作为引导图对粗透射率进行引导滤波或快速引导滤波。
进一步地，步骤2.2中，T=30~60，。
同时，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特殊之处在于：该程序被处理器执行时实现如上述一种基于区域分割的图像去雾方法的步骤。
同时，本发明还提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特殊之处在于：所述处理器执行所述计算机程序时实现如上述一种基于区域分割的图像去雾方法的步骤。
本发明的有益效果：
1.本发明通过暗通道补偿抑制边缘处的光晕效应，并通过对有雾图像的目标和非目标区域进行分割，在求出粗透射率后，对其进行细化，最终基于大气光散射模型，对有雾图像进行恢复。其中，暗通道补偿利用了初始暗通道值与每个像素RGB三通道的最小值（即MC）的差值，并设置阈值及阈值容差对其进行筛选，从而针对不同像素选择不同的暗通道值，改善伪边缘现象。
2.本发明设置了第一透射率下限和第二透射率下限，根据所属区域的不同，使用不同透射率下限对透射率进行修正，进一步改善天空等明亮区域颜色失真的现象。
3.本发明对暗通道进行补偿的像素点所在区域与原始暗通道先验去雾方法得到的去雾图像产生光晕的区域较为符合，且根据天空等明亮区域满足分布均匀、初始暗通道值趋于1以及灰度值较大的特性，对有雾图像进行目标区域准确划分，使恢复的去雾图像整体更加自然。
4.本发明还提供了能够执行上述方法步骤的计算机可读存储介质和终端设备，能够将本发明的方法推广应用，在相应的硬件设备上实现图像去雾。
附图说明
图1是本发明实施例的流程图；
图2是本发明实施例步骤1中的有雾图像；
图3是本发明实施例步骤4.2进行初目标区域分割后的区域分割图；
图4是本发明实施例步骤4.3进行目标区域精确分割后的区域分割图；
图5是本发明实施例中步骤6得到的去雾图像；
图6是采用本发明实施例进行图像去雾前后的对比图；其中，a为有雾图像，b为去雾图像。
具体实施方式
如图1所示，一种基于区域分割的图像去雾方法，包括如下步骤：
步骤1，获取彩色的有雾图像，如图2所示；
步骤2，暗通道补偿
2.1.求出每个像素RGB三通道的最小值（即MC），并根据下式求初始暗通道图；一般认为MC保存了完整的景深信息；
（1）
其中，为初始暗通道图中像素点x的值，r、g、b分别表示有雾图像的三个颜色通道红、绿、蓝，/>表示像素点/>在有雾图像中c通道处的像素值，其中c的取值范围为r、g、b，/>为以像素点x为中心的一个邻域窗口，此处取15×15像素，也可以根据需要取其他窗口大小。
2.2.初始暗通道补偿
根据RGB三通道的最小值与/>差值的绝对值k与阈值T的大小关系，通过下式计算得到每个像素点的补偿暗通道的值，从而对/>进行补偿得到补偿暗通道图/>；
（2）
（3）
其中，彩色的有雾图像本质是包含RGB三通道值的三维矩阵，而（2）式和（3）式中的MC以及初始暗通道图都是二维矩阵，因此采用(i,j)作为像素点x的索引，表示第i行、第j列的像素点；为初始暗通道图在第i行、第j列像素点的值，/>为补偿暗通道图中第i行、第j列像素点的值；/>为补偿暗通道图中第i行、第j±1列像素点的值；/>为阈值容差，通常/>，基于大量不同场景有雾图像的去雾测试得到，一般情况下，在该取值时补偿效果最好。
本实施例中，通过对不同场景的有雾图像进行去雾测试，发现在T=40、的条件下复原出的图像细节更清晰，能有效抑制光晕现象，适用性更强。补偿前的初始暗通道图会出现伪边缘，因此设置阈值容差，当绝对值k为35~45时，仍用中心像素点的RGB三通道的最小值，可以改善伪边缘现象。
在本发明的其他实施例中，T的取值在30~60均具有较好效果，T取值小于30时，复原出的去雾图像，部分区域出现过饱和现象并且造成细节信息丢失；T取值过大，复原出的图像，去雾不够彻底，并且出现较多白色噪点。
步骤3，根据初始暗通道图求大气光强值
3.1.将每个像素点按初始暗通道值从高到低进行排序，取前0.1%，并在有雾图像中找到与这些点对应的像素点，向下取整；
3.2.求有雾图像中对应像素点的平均值，将其作为大气光强值A。
大气光强值A是指无穷远处的大气光强值，在本发明的其他实施例中，也可以取有雾图像中对应像素点的最大值作为大气光强值A，或者采用其他方式计算。
步骤4，区域分割
对有雾图像进行目标、非目标区域分割；天空等明亮区域满足像素值分布均匀、暗通道趋于1以及灰度值较大的特性，因此，若区域同时满足以上三个条件，则判别对应区域为天空、白色楼房等明亮区域，记作初目标区域；具体为：
4.1.色彩空间转换
将有雾图像转换至YCbCr色彩空间，取Y亮度分量；
4.2.初目标区域分割
将同时满足以下三个条件的像素点判定为初目标区域，其余区域为非目标区域。
1）信息熵＞0；
信息熵的计算具体为：对Y亮度分量分别求水平、垂直方向上的梯度值并归一化，以15×15像素的窗口大小，根据归一化的梯度值计算每个像素点的信息熵；所述梯度值通过Sobel算子计算获得，通过求梯度值能够最大可能的保留边缘信息；在本发明的其他实施例中，也可以采用Roberts算子、Prewitt算子等其他算子求梯度值；
2）；其中，/>为调节因子，取值为归一化后的初始暗通道图中最大的初始暗通道值减去0.1~0.2，优选0.1；
天空等明亮区域的初始暗通道值趋于1，由于某些有雾图像整体偏暗，故引入调节因子；
3）像素点的灰度值B1＞B2-B3，其中，B2-B3作为灰度阈值对像素点进行筛选，B2为有雾图像灰度直方图中占比最大的灰度级，B3取值为20~40，优选30；B3的取值在该范围内可以更准确的分割出初目标区域，其取值如小于20，会缩小初目标区域的范围，取值大于40，则会扩大初目标区域的范围，导致初目标区域分割误差较大。
进行初目标区域分割后得到的图像如图3所示。
4.3.目标区域精确分割
在初目标区域通过形态学操作得到特征点，通过迭代循环进行区域生长，直至所有特征点均包括在生长的区域内，生长的区域即为目标区域，其余区域为非目标区域；然后将目标区域中像素点数量小于5000的区域去除并入非目标区域，以减少区域误判。具体为：
4.3.1.对步骤4.2得到的初目标区域进行形态学操作得到特征点，特征点为骨架的转折点和终点；
4.3.2.以其中任一特征点作为区域生长的因子，进行区域生长；
4.3.3.判断生长的区域是否包含所有的特征点，如果是，则直接进入步骤4.3.4；如果否，则以未包含的任一特征点作为区域生长的因子，返回步骤4.3.2进行区域生长，迭代循环直到所有特征点都包括在生长的区域内，生长的区域作为目标区域，从而实现目标与非目标区域的精确分割，进入步骤4.3.4；
4.3.4.应用形态学操作，去除目标区域中像素点数量小于5000的区域，将其作为非目标区域，以减少对区域的误判。得到的区域分割图如图4所示。
对比目标区域精确分割后的图4与初目标区域分割后的图3，可以看出，通过步骤4.3的进一步处理，能更加准确的划分出目标与非目标区域，且划分的精度更高。
在本发明的其他实施例中，步骤3和步骤4的先后顺序没有影响，也可以同时进行。
步骤5，透射率的优化
5.1.根据暗通道先验理论 、大气光强值A以及/>通过下式计算粗透射率/>；
（4）
其中，为补偿暗通道图中像素点x的值；/>是去雾因子，取0.85，去雾因子用于调节雾气去除程度，本发明中对初始暗通道图进行补偿得到补偿暗通道图，导致的值偏大，因此去雾因子优选0.85，在景深处可以保留少量的雾感，保持去雾图像的真实性。
暗通道先验理论指在绝大多数去雾图像的非天空局部区域内，总存在某些像素，满足至少有一个颜色通道的值非常低，且接近于0，其中，是去雾图像的暗通道值，/>代表像素点/>的RGB三通道值，/>表示/>像素的局部邻域窗口，/>的取值范围为，即以像素点x为中心的一个邻域窗口中的所有像素点。
5.2.以有雾图像的灰度图作为引导图对粗透射率进行引导滤波，对透射率进行细化，得到精确的透射率；引导滤波是一种线性滤波器，利用其对透射率进行优化，可以在保持最终去雾图像细节的同时抑制噪声。
在本发明的其他实施例中，也可以采用快速引导滤波或者其他基于引导滤波的改进方法。
步骤6，复原有雾图像得到去雾图像；具体为：
6.1.计算透射率下限
确定第一透射率下限，通过下式计算得到第二透射率下限/>：
（5）
其中，为目标区域灰度图的均值。
本实施例中，第一透射率下限。
6.2.根据下式计算所有像素点的去雾像素值，获得去雾图像，如图5所示；
其中，为有雾图像的像素点x的像素值，/>为去雾图像中像素点x的像素值。非目标区域采用第一透射率下限/>；目标区域则需判断其总的像素点数量在有雾图像的所有像素点中的占比，若占比大于5%，则采用第二透射率下限/>，否则，采用第一透射率下限。在本发明的其他实施例中，占比大于5%~8%中的任一取值，都可以采用第二透射率下限。
（6）式和（7）式均基于如下所示的大气散射模型获得：
（8）
其中，为透射率。
因为大气光强值A一般更接近图像中较大的像素值，在A附近的像素值易受到较大影响，有的大于A，有的小于A，时而正，时而负，但无论正负，由于/>趋于最小值，不同颜色通道的/>均被放大几倍，导致去雾结果在三个通道的差距被拉大，从而导致颜色失真。因此，需对透射率设置下限，根据经验第一透射率下限/>，对于目标区域，不满足暗通道先验理论，实际透射率值要比暗通道先验去雾在天空等明亮区域所求得的透射率大，故设置较高的下限值，即第二透射率下限，能够改善传统暗通道先验在天空等明亮区域失效导致的颜色失真问题，但当目标区域像素点数量小于等于整幅图的所有像素点数量的5~8%中的任一值时，取值/>对恢复后的去雾图像影响较小，因此为方便处理，该部分目标区域计算时可以直接使用第一透射率下限，在本发明的其他实施例中，目标区域也可以都使用第二透射率下限。
采用本实施例的图像去雾方法对其他图像进行去雾前后的效果对比如图6所示，图6中的a和b分别为去雾前和去雾后的图像，对比可以看出经过本发明进行去雾后的图像效果自然。
本发明的图像去雾方法可在计算机可读存储介质中应用，计算机可读存储介质存储有计算机程序，上述图像去雾方法可作为计算机程序存储于计算机可读存储介质中，计算机程序被处理器执行时实现上述图像去雾方法的各步骤。
另外，本发明的图像去雾方法还可以应用于终端设备，终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现本发明图像去雾方法的步骤。此处的终端设备可以是计算机、笔记本、掌上电脑，及各种云端服务器等计算设备，处理器可以是通用处理器、数字信号处理器、专用集成电路或其他可编程逻辑器件等。
Claims (8)
1.一种基于区域分割的图像去雾方法，其特征在于，包括以下步骤：
步骤1，获取有雾图像；
步骤2，暗通道补偿；
2.1.计算有雾图像每个像素RGB三通道的最小值 ，并计算有雾图像的初始暗通道图；
2.2.基于初始暗通道图，通过下式计算得到每个像素点的补偿暗通道的值，从而得到补偿暗通道图：
，
，
其中，为初始暗通道图中第i行、第j列像素点的值，k为像素点的RGB三通道最小值与其对应的/>差值的绝对值，/>为阈值，/>为阈值容差，/>为补偿暗通道图中第i行、第j列像素点的值；/>为补偿暗通道图中第i行、第j±1列像素点的值；
步骤3，根据初始暗通道图求大气光强值A；
步骤4，依据初始暗通道图，对有雾图像进行区域分割，得到目标区域与非目标区域；
4.1.色彩空间转换：将有雾图像转换至YCbCr色彩空间，取Y亮度分量；
4.2.初目标区域分割：将同时满足以下三个条件的像素点判定为初目标区域，其余区域为非目标区域；
1）信息熵＞0；
2）；其中，/>为调节因子，取值为归一化后的初始暗通道图中最大的初始暗通道值减去0.1~0.2； />为初始暗通道图中像素点x的值；
3）像素点的灰度值B1＞B2-B3，其中，B2为有雾图像灰度直方图中占比最大的灰度级，B3取值为20~40；
4.3.目标区域精确分割
在初目标区域通过形态学操作得到特征点，通过迭代循环进行区域生长，直至所有特征点均包含在生长的区域中，生长的区域即为目标区域；所述特征点为骨架的转折点和终点；
步骤5，根据补偿暗通道图和大气光强值计算透射率，并对透射率进行优化，得到精确的透射率，在保留去雾图像边缘信息的条件下，平滑去雾图像的噪声；
步骤6，确定透射率下限，基于大气散射模型利用精确的透射率、透射率下限以及大气光强值，获得目标区域与非目标区域的去雾图像，完成图像去雾。
2.根据权利要求1所述一种基于区域分割的图像去雾方法，其特征在于，步骤6具体为：
6.1.计算透射率下限；
设定第一透射率下限；通过下式计算得到第二透射率下限/>；
，
其中，为目标区域灰度图的均值；
6.2.根据下式计算所有像素点的去雾像素值，获得去雾图像：
，
其中，为有雾图像的像素点x的像素值，/>为去雾图像中像素点x的像素值；为精确的透射率；A为大气光强值；所述非目标区域采用第一透射率下限/>，目标区域采用第一透射率下限/>或者第二透射率下限/>。
3.根据权利要求2所述一种基于区域分割的图像去雾方法，其特征在于：步骤6.1中，；
步骤6.2中，需判断目标区域总的像素点数量在有雾图像的所有像素点中的占比，若占比大于5~8%中的任一取值，则采用第二透射率下限，否则，采用第一透射率下限/>。
4.根据权利要求1-3任一所述一种基于区域分割的图像去雾方法，其特征在于，步骤4.3后还包括：
4.4.通过形态学操作，将目标区域中像素点数量小于5000的区域划分为非目标区域。
5.根据权利要求4所述一种基于区域分割的图像去雾方法，其特征在于，步骤5具体为：
5.1.基于暗通道先验理论，通过下式计算得到粗透射率；
，
其中，为补偿暗通道图中像素点x的值；/>是去雾因子，取0.85；
5.2.对透射率进行优化得到精确的透射率；
所述对透射率进行优化具体为：以有雾图像的灰度图作为引导图对粗透射率进行引导滤波或快速引导滤波。
6.根据权利要求5所述一种基于区域分割的图像去雾方法，其特征在于：步骤2.2中，T=30~60，。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1至6任一所述一种基于区域分割的图像去雾方法的步骤。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1至6任一所述一种基于区域分割的图像去雾方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410318251.8A CN117952864A (zh) | 2024-03-20 | 2024-03-20 | 一种基于区域分割的图像去雾方法、存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410318251.8A CN117952864A (zh) | 2024-03-20 | 2024-03-20 | 一种基于区域分割的图像去雾方法、存储介质及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117952864A true CN117952864A (zh) | 2024-04-30 |
Family
ID=90798374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410318251.8A Pending CN117952864A (zh) | 2024-03-20 | 2024-03-20 | 一种基于区域分割的图像去雾方法、存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117952864A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20180122051A1 (en) * | 2015-03-30 | 2018-05-03 | Agency For Science, Technology And Research | Method and device for image haze removal |
| CN109785262A (zh) * | 2019-01-11 | 2019-05-21 | 闽江学院 | 基于暗通道先验和自适应直方图均衡化的图像去雾方法 |
| CN110349113A (zh) * | 2019-03-11 | 2019-10-18 | 中国人民解放军陆军工程大学 | 一种基于暗原色先验改进的自适应图像去雾方法 |
| CN111292258A (zh) * | 2020-01-15 | 2020-06-16 | 长安大学 | 一种基于暗通道和亮通道先验的图像去雾方法 |
-
2024
- 2024-03-20 CN CN202410318251.8A patent/CN117952864A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180122051A1 (en) * | 2015-03-30 | 2018-05-03 | Agency For Science, Technology And Research | Method and device for image haze removal |
| 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 |
| CN109785262A (zh) * | 2019-01-11 | 2019-05-21 | 闽江学院 | 基于暗通道先验和自适应直方图均衡化的图像去雾方法 |
| CN110349113A (zh) * | 2019-03-11 | 2019-10-18 | 中国人民解放军陆军工程大学 | 一种基于暗原色先验改进的自适应图像去雾方法 |
| CN111292258A (zh) * | 2020-01-15 | 2020-06-16 | 长安大学 | 一种基于暗通道和亮通道先验的图像去雾方法 |
Non-Patent Citations (2)
| Title |
|---|
| FAN YANG, YUNJIE HU: "Improved Dark Channel Prior for Image Defogging", 《2022 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND COMPUTER INFORMATION TECHNOLOGY (AICIT)》, 16 September 2022 (2022-09-16) * |
| 吕建威: "昼夜图像去雾算法的研究", 《中国博士学位论文全文数据库信息科技辑》, no. 01, 15 January 2023 (2023-01-15), pages 1 - 114 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bai et al. | Underwater image enhancement based on global and local equalization of histogram and dual-image multi-scale fusion | |
| CN107301623B (zh) | 一种基于暗通道和图像分割的交通图像去雾方法及系统 | |
| CN110782407B (zh) | 一种基于天空区域概率分割的单幅图像去雾方法 | |
| Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
| CN111292258A (zh) | 一种基于暗通道和亮通道先验的图像去雾方法 | |
| CN109087254B (zh) | 无人机航拍图像雾霾天空和白色区域自适应处理方法 | |
| CN112419162A (zh) | 图像去雾方法、装置、电子设备及可读存储介质 | |
| CN111598791B (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
| CN115578297A (zh) | 一种自适应色彩补偿与细节优化的广义衰减图像增强方法 | |
| CN112053298B (zh) | 一种图像去雾方法 | |
| CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
| Yu et al. | Image and video dehazing using view-based cluster segmentation | |
| CN112200746A (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
| Wei et al. | An image fusion dehazing algorithm based on dark channel prior and retinex | |
| CN111476744A (zh) | 一种基于分类及大气成像模型的水下图像增强方法 | |
| CN109345479B (zh) | 一种视频监控数据的实时预处理方法及存储介质 | |
| CN111598800A (zh) | 基于空间域同态滤波和暗通道先验的单幅图像去雾方法 | |
| CN110969584A (zh) | 一种低照度图像增强方法 | |
| CN110728645A (zh) | 基于引导滤波器正则化参数的图像细节增强的方法、装置及电子设备 | |
| CN114119383A (zh) | 一种基于多特征融合的水下图像复原方法 | |
| CN112825189B (zh) | 一种图像去雾方法及相关设备 | |
| CN115619662A (zh) | 一种基于暗通道先验的图像去雾方法 | |
| CN117952864A (zh) | 一种基于区域分割的图像去雾方法、存储介质及终端设备 | |
| Tang et al. | Single image dehazing algorithm based on sky segmentation | |
| Zhou et al. | Image Dehazing Algorithm Based on Particle Swarm Optimization for Sky Region Segmentation |
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 |