[go: up one dir, main page]

CN112348749A - 一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法 - Google Patents

一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法 Download PDF

Info

Publication number
CN112348749A
CN112348749A CN202011129799.6A CN202011129799A CN112348749A CN 112348749 A CN112348749 A CN 112348749A CN 202011129799 A CN202011129799 A CN 202011129799A CN 112348749 A CN112348749 A CN 112348749A
Authority
CN
China
Prior art keywords
image
pixel
color space
new
value
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.)
Granted
Application number
CN202011129799.6A
Other languages
English (en)
Other versions
CN112348749B (zh
Inventor
庄立运
季仁东
居勇峰
王晓晖
顾相平
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.)
Huai'an Jiapu Electronic Technology Co ltd
Original Assignee
Hanmen Electronics Jiangsu Co ltd
Huaiyin Institute 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 Hanmen Electronics Jiangsu Co ltd, Huaiyin Institute of Technology filed Critical Hanmen Electronics Jiangsu Co ltd
Priority to CN202011129799.6A priority Critical patent/CN112348749B/zh
Publication of CN112348749A publication Critical patent/CN112348749A/zh
Application granted granted Critical
Publication of CN112348749B publication Critical patent/CN112348749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法，首先，将RGB颜色空间中的图像转换到LAB颜色空间，利用基于均值和方差的Gamma函数处理L分量；其次，用改进型的CLAHE方法处理L分量，并用图像a和b分量的谐波平均值处理a和b分量；最后，将在LAB颜色空间中处理后的图像转换至RGB颜色空间，从而得到最终输出结果。本发明将LAB颜色空间中图像L分量的均值和标准差引入Gamma函数，在考虑图像特征信息的同时实现了一种自适应的变换函数；另外，在LAB颜色空间中考虑了图像中L分量的更多像素点，丰富了输出图像的细节信息；使处理后的图像具有更高的对比度、更丰富的细节和更好的视觉效果。

Description

一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法
技术领域
本发明属于图像增强领域，具体涉及一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法。
背景技术
在现实世界中，图像的应用非常广泛，如图像分割、图像增强、车牌识别和轨迹检测等。然而，获得的图像通常是模糊，特别是在有雾或多云的天气时。因此，如何从模糊图像中获得清晰的图像是一个重要的问题。为了获得清晰的图像，学者们提出了诸多解决方案和方法。图像去雾方法可归纳为三类：融合方法、恢复方法和增强技术。
融合方法的主要思想是结合模糊图像的多通道特征信息，对模糊图像视觉效果进行改善。对于基于融合思想的图像去雾，很多学者对其进行了研究，一些研究者利用此类方法改善近红外图像，该方法被其他研究者应用于改善单一退化图像。另一方面，一些学者对修复技术进行了研究。其中，反变换是这些方法的核心思想，即研究了图像中产生雾的原因，然后利用逆变换的思想对图像进行了去雾。许多研究者对基于图像增强的去雾算法进行了研究，但该类没有考虑图像退化的影响。该类算法的主要思想是改善图像质量。具体来说，图像对比度和细节得到了有效的改善。此外，基于增强技术的去雾算法主要包括基于Retinex理论的方法、频域增强方法和直方图均衡化(HE)方法三种。
根据上述文献分析可知，目前大部分图像去雾算法忽略了图像三个分量的平均值和标准差信息。由于图像三个分量的均值和标准差包含了图像的一些特征信息，因此本发明考虑了模糊图像的均值和标准差信息，并引入一种新型的Gamma变换，同时结合LAB空间变换和改进型的CLAHE方法，实现图像有效的去雾。
发明内容
发明目的：本发明提出一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法，能使处理后的图像具有更高的对比度、更丰富的细节和更好的视觉效果。
技术方案：本发明所述的一种基于新型Gamma函数和改进CLAHE的图像去雾方法，具体包括以下步骤：
(1)将RGB颜色空间中的图像转换到LAB颜色空间，利用基于均值和方差的Gamma函数处理L分量；
(2)用改进型的CLAHE方法处理L分量，并用图像a和b分量的谐波平均值处理a和b分量；
(3)将在LAB颜色空间中处理后的图像转换至RGB颜色空间，从而得到最终输出结果。
进一步地，步骤(1)所述将RGB颜色空间中的图像转换到LAB颜色空间实现过程如下：
L，a，b表示图像LAB空间的三个分量，由方程(1)计算：
Figure BDA0002734767080000021
其中X、Y和Z由方程(2)计算得到：
Figure BDA0002734767080000022
方程f(·)可以被定义为：
Figure BDA0002734767080000023
R*,G*和B*分别由公式(4)计算得到：
Figure BDA0002734767080000024
采用a和b的谐波平均值，校正a和b分量，由式(5)计算得到a和b的校正值，分别为Ac和Bc：
Figure BDA0002734767080000031
进一步地，步骤(1)所述基于均值和方差的Gamma函数处理L分量的实现过程如下：
引入方程(6)来处理L分量：
Figure BDA0002734767080000032
其中，γ和c为：
Figure BDA0002734767080000033
Figure BDA0002734767080000034
其中，M和N分别表示L图像的宽度和高度；
对L图像的像素进行归一化处理：
Figure BDA0002734767080000035
进一步地，所述步骤(2)包括以下步骤：
(21)计算图像子块直方图：
Figure BDA0002734767080000036
(22)裁剪图像子块直方图：
Figure BDA0002734767080000037
其中，α是表示微调系数的百分比值；
(23)计算图像内部像素的新值：
基于新的直方图分布，图像新像素值计算方法如下：
设dvr,dvl,dvm,dhr,dhl,dhm,ddl,ddm和ddr分别表示像素点坐标分别为(i,j+1)，(i,j-1)，(i,j)，(i+1,j+1)，(i-1,j-1),(i,j-1),(i+1,j-1),(i+1,j),和(i+1,j+1)到坐标原点的距离，
Figure BDA0002734767080000041
是坐标(i,j)处内部图像像素的新像素值；
Figure BDA0002734767080000042
Figure BDA0002734767080000043
和
Figure BDA0002734767080000044
分别为左边界、右边界、上边界和下边界的新像素值，所处坐标分别为(i,1),(i,N),(1,j)和(M,j)；
Figure BDA0002734767080000045
和
Figure BDA0002734767080000046
分别表示图像四个对角的新像素值；
图像内部像素新值
Figure BDA0002734767080000047
如下：
Figure BDA0002734767080000048
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(M,j-1)，(M,j)，(M,j+1)，(M-1,j-1)，(M-1,j)和(M-1,j+1)；
(24)计算图像边界像素的新值：
左边界像素点的新值为：
Figure BDA0002734767080000049
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(i+1,1),(i,1),(i-1,1),(i+1,2),(i,2)和(i-1,2)；
同理，依次求出右边界、上边界和下边界的新的像素值，分别为：
Figure BDA00027347670800000410
Figure BDA00027347670800000411
和
Figure BDA00027347670800000412
(25)计算图像角点像素的新值：
左边界像素点的新值为：
Figure BDA0002734767080000051
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(i+1,1),(i,1),(i-1,1),(i+1,2),(i,2)和(i-1,2)；
同理，依次求出右边界、上边界和下边界的新的像素值，分别为：
Figure BDA0002734767080000052
Figure BDA0002734767080000053
和
Figure BDA0002734767080000054
图像四个角点像素的新值为：
Figure BDA0002734767080000055
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(1,1)，(1,N)，(M,1)和(M,N)；最终，可以计算得到分量L的新值矩阵(LNGC)。
进一步地，所述步骤(3)实现过程如下：
对图像L，a，b分量进行处理后，利用方程(15)和(16)将LAB颜色空间转换为RGB颜色空间，得到最终处理结果：
Figure BDA0002734767080000056
其中：
Figure BDA0002734767080000057
有益效果：与现有技术相比，本发明的有益效果：本发明将LAB颜色空间中图像L分量的均值和标准差引入Gamma函数，在考虑图像特征信息的同时实现了一种自适应的变换函数；另外，在LAB颜色空间中考虑了图像中L分量的更多像素点，丰富了输出图像的细节信息；本发明所提算法处理后的图像具有更高的对比度、更丰富的细节和更好的视觉效果。
附图说明
图1为L图像处理结果比较图，其中，(a)为原始L图像；(b)为固定参数的Gamma变换处理结果；(c)为自适应Gamma变换处理结果图；
图2为CLAHE与改进型CLAHE处理结果的比较图，其中，(a)为原始L图像；(b)为CLAHE处理结果；(c)为改进型CLAHE处理结果；
图3为有雾图像示例图；
图4为图像各算法去雾结果对照图，其中，(a)为原始图像，(b)为CLAHE，(c)为MSRCR，(d)为MAMF，(e)为AMEF，(f)为HRDIE，(g)为PWAB，(h)为本发明所提算法。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供的一种基于新型Gamma函数和改进CLAHE的图像去雾方法，的整体流程，具体包括以下步骤：
步骤1：将RGB颜色空间中的图像转换到LAB颜色空间，利用基于均值和方差的Gamma函数处理L分量。
利用Gamma函数计算R*,G*和B*，对分量R*,G*和B*进行归一化处理，计算L，a和b分量值，调整a和b分量。
设L，a，b表示图像LAB空间的三个分量，由方程(1)计算。
Figure BDA0002734767080000061
其中X、Y和Z由方程(2)计算得到。
Figure BDA0002734767080000062
方程f(·)可以被定义为：
Figure BDA0002734767080000071
R*,G*和B*分别由公式(4)计算得到。
Figure BDA0002734767080000072
为了校正a和b分量，本发明中，采用a和b的谐波平均值，由式(5)计算得到a和b的校正值，分别为Ac和Bc。
Figure BDA0002734767080000073
为了增强图像L分量，引入方程(6)来处理L分量。
Figure BDA0002734767080000074
式中γ和c由公式(7)和(8)计算得到。
Figure BDA0002734767080000075
Figure BDA0002734767080000076
M和N分别表示L图像的宽度和高度。
传统的Gamma变换函数中的参数γ和c均为固定的常数，本发明中，定义γ为图像分量L的均值与标准差之比，c等于γ的倒数。也就是说，本发明可以根据图像的分量L特性得出自适应的γ值。然后，利用公式(9)对L图像的像素进行归一化处理。
Figure BDA0002734767080000081
固定参数伽马变换和基于平均值和标准差的伽马变换的比较结果如图1所示。固定参数的伽玛变换可以改善L分量的对比度。然而，有些区域仍然很暗，这导致图像不清晰。基于平均值和标准差的伽马变换可以进一步提高对比度并提升暗淡区域的亮度。
步骤2：用改进型的CLAHE方法处理L分量，并用图像a和b分量的谐波平均值处理a和b分量。
方程(10)用于计算具有累积分布函数(CDF)的每个图块的直方图。
Figure BDA0002734767080000082
为了限制公式(10)计算得出的直方图的最大值，利用方程(11)对图像所有子块直方图进行裁剪。
Figure BDA0002734767080000083
在方程式(11)中，α是表示微调系数的百分比值。如果微调系数为0％，则α＝0；微调系数为100％时，α＝N/M。可知，α∈[0,100]。对于每个映射，S是1到Smax之间的可变值。
由于L分量中的像素值与相邻像素值存在一定的相关性，尤其与该像素周围像素值密切相关。因此，考虑到新的直方图分布，图像新像素值计算方法如下所述。
设dvr,dvl,dvm,dhr,dhl,dhm,ddl,ddm和ddr分别表示像素点坐标分别为(i,j+1)，(i,j-1)，(i,j)，(i+1,j+1)，(i-1,j-1),(i,j-1),(i+1,j-1),(i+1,j),和(i+1,j+1)到坐标原点的距离。
Figure BDA0002734767080000084
是坐标(i,j)处内部图像像素的新像素值。
Figure BDA0002734767080000085
Figure BDA0002734767080000086
和
Figure BDA0002734767080000087
分别为左边界、右边界、上边界和下边界的新像素值，所处坐标分别为(i,1),(i,N),(1,j)和(M,j)。
Figure BDA0002734767080000088
和
Figure BDA0002734767080000089
分别表示图像四个对角的新像素值。
图像内部像素新值
Figure BDA00027347670800000810
可以通过等式(12)计算。
Figure BDA0002734767080000091
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(M,j-1)，(M,j)，(M,j+1)，(M-1,j-1)，(M-1,j)和(M-1,j+1)。
左边界像素点的新值由公式(13)定义为：
Figure BDA0002734767080000092
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(i+1,1),(i,1),(i-1,1),(i+1,2),(i,2)和(i-1,2)。
同理，可以依次求出右边界、上边界和下边界的新的像素值，分别为：
Figure BDA0002734767080000093
Figure BDA0002734767080000094
和
Figure BDA0002734767080000095
图像四个角点像素的新值可由式(14)求得。
Figure BDA0002734767080000096
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(1,1)，(1,N)，(M,1)和(M,N)。最终，可以计算得到分量L的新值矩阵(LNGC)。
图2显示了CLAHE和改进型CLAHE结果的比较。与传统CLAHE图像处理方法相比，改进型CLAHE算法能获得更优的视觉效果。
步骤3：将在LAB颜色空间中处理后的图像转换至RGB颜色空间，从而得到最终输出结果。
经过上述步骤对图像L，a，b分量进行处理后，利用方程(15)和(16)将LAB颜色空间转换为RGB颜色空间，得到最终处理结果。
Figure BDA0002734767080000101
其中：
Figure BDA0002734767080000102
从主观和客观两个方面对所提出的方法进行评价。选取一定数量的模糊/雾状图像进行实验，图像来自RTTS、HSTS和SOTS公共数据集，上述公共数据集的图片在光照条件较差或雾天的环境下采集得到。图3显示了部分有雾/朦胧图像示例。采用Windows 10操作系统，用MATLAB R2016a作为软件平台。计算机的主要配置为Intel(R)Core(TM)i7-4712MQCPU@3.40GHz(with 32G memory)。如图4所示，为图像在各算法中去雾结果对照图。
在公共数据集中，与其他六种目前性能比较好的图像去雾方法进行比较，分别是：CLAHE，MSRCR，MAMF，AMEF，HRDIE和PWAB。为了客观地测试本发明提出的去雾方法的性能，通过三个客观评价指标来评估本发明所提算法和其他算法对图像增强的结果，包括：峰值信噪比(PSNR)，均方根对比度(rms)，结构相似性(SIMM)和特征相似度(FSIM)，对比结果如表1至表4所示。
表1测试图像的PSNR计算值对比
Figure BDA0002734767080000103
表2测试图像的rms计算值对比
Figure BDA0002734767080000104
表3测试图像的SIMM计算值对比
Figure BDA0002734767080000111
表4测试图像的FSIM计算值对比
Figure BDA0002734767080000112

Claims (5)

1.一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法，其特征在于，包括以下步骤：
(1)将RGB颜色空间中的图像转换到LAB颜色空间，利用基于均值和方差的Gamma函数处理L分量；
(2)用改进型的CLAHE方法处理L分量，并用图像a和b分量的谐波平均值处理a和b分量；
(3)将在LAB颜色空间中处理后的图像转换至RGB颜色空间，从而得到最终输出结果。
2.根据权利要求1所述的基于自适应Gamma函数和改进型CLAHE的图像去雾方法，其特征在于，步骤(1)所述将RGB颜色空间中的图像转换到LAB颜色空间实现过程如下：
L，a，b表示图像LAB空间的三个分量，由方程(1)计算：
Figure FDA0002734767070000011
其中X、Y和Z由方程(2)计算得到：
Figure FDA0002734767070000012
方程f(·)可以被定义为：
Figure FDA0002734767070000013
R*,G*和B*分别由公式(4)计算得到：
Figure FDA0002734767070000021
采用a和b的谐波平均值，校正a和b分量，由式(5)计算得到a和b的校正值，分别为Ac和Bc：
Figure FDA0002734767070000022
3.根据权利要求1所述的基于自适应Gamma函数和改进型CLAHE的图像去雾方法，其特征在于，步骤(1)所述基于均值和方差的Gamma函数处理L分量的实现过程如下：
引入方程(6)来处理L分量：
Figure FDA0002734767070000023
其中，γ和c为：
Figure FDA0002734767070000024
Figure FDA0002734767070000025
其中，M和N分别表示L图像的宽度和高度；
对L图像的像素进行归一化处理：
Figure FDA0002734767070000026
4.根据权利要求1所述的基于自适应Gamma函数和改进型CLAHE的图像去雾方法，其特征在于，所述步骤(2)包括以下步骤：
(21)计算图像子块直方图：
Figure FDA0002734767070000031
(22)裁剪图像子块直方图：
Figure FDA0002734767070000032
其中，α是表示微调系数的百分比值；
(23)计算图像内部像素的新值：
基于新的直方图分布，图像新像素值计算方法如下：
设dvr,dvl,dvm,dhr,dhl,dhm,ddl,ddm和ddr分别表示像素点坐标分别为(i,j+1)，(i,j-1)，(i,j)，(i+1,j+1)，(i-1,j-1),(i,j-1),(i+1,j-1),(i+1,j),和(i+1,j+1)到坐标原点的距离，
Figure FDA0002734767070000033
是坐标(i,j)处内部图像像素的新像素值；
Figure FDA0002734767070000034
Figure FDA0002734767070000035
和
Figure FDA0002734767070000036
分别为左边界、右边界、上边界和下边界的新像素值，所处坐标分别为(i,1),(i,N),(1,j)和(M,j)；
Figure FDA0002734767070000037
和
Figure FDA0002734767070000038
分别表示图像四个对角的新像素值；
图像内部像素新值
Figure FDA0002734767070000039
如下：
Figure FDA00027347670700000310
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(M,j-1)，(M,j)，(M,j+1)，(M-1,j-1)，(M-1,j)和(M-1,j+1)；
(24)计算图像边界像素的新值：
左边界像素点的新值为：
Figure FDA0002734767070000041
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(i+1,1),(i,1),(i-1,1),(i+1,2),(i,2)和(i-1,2)；
同理，依次求出右边界、上边界和下边界的新的像素值，分别为：
Figure FDA0002734767070000042
Figure FDA0002734767070000043
和
Figure FDA0002734767070000044
(25)计算图像角点像素的新值：
左边界像素点的新值为：
Figure FDA0002734767070000045
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(i+1,1),(i,1),(i-1,1),(i+1,2),(i,2)和(i-1,2)；
同理，依次求出右边界、上边界和下边界的新的像素值，分别为：
Figure FDA0002734767070000046
Figure FDA0002734767070000047
和
Figure FDA0002734767070000048
图像四个角点像素的新值为：
Figure FDA0002734767070000049
其中，p·,·为原始图像坐标点为(·,·)的像素值，其对应的像素点坐标分为(1,1)，(1,N)，(M,1)和(M,N)；最终，可以计算得到分量L的新值矩阵(LNGC)。
5.根据权利要求1所述的基于自适应Gamma函数和改进型CLAHE的图像去雾方法，其特征在于，所述步骤(3)实现过程如下：
对图像L，a，b分量进行处理后，利用方程(15)和(16)将LAB颜色空间转换为RGB颜色空间，得到最终处理结果：
Figure FDA0002734767070000051
其中：
Figure FDA0002734767070000052
CN202011129799.6A 2020-10-21 2020-10-21 一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法 Active CN112348749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011129799.6A CN112348749B (zh) 2020-10-21 2020-10-21 一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011129799.6A CN112348749B (zh) 2020-10-21 2020-10-21 一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法

Publications (2)

Publication Number Publication Date
CN112348749A true CN112348749A (zh) 2021-02-09
CN112348749B CN112348749B (zh) 2022-03-22

Family

ID=74359333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011129799.6A Active CN112348749B (zh) 2020-10-21 2020-10-21 一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法

Country Status (1)

Country Link
CN (1) CN112348749B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989137A (zh) * 2021-10-21 2022-01-28 武汉博视电子有限公司 一种脸部肌肤图像色素沉着提取并形成棕区光谱的方法
CN115546055A (zh) * 2022-09-21 2022-12-30 西南科技大学 一种基于自适应裁剪系数的低照度视频图像增强方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170116712A1 (en) * 2015-10-21 2017-04-27 Chunghwa Picture Tubes, Ltd. Image enhancement method and image processing apparatus thereof
CN109191390A (zh) * 2018-08-03 2019-01-11 湘潭大学 一种基于不同颜色空间多算法融合的图像增强算法
CN111476725A (zh) * 2020-03-24 2020-07-31 广西科技大学 一种基于梯度域导向滤波和多尺度Retinex理论的图像去雾增强算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170116712A1 (en) * 2015-10-21 2017-04-27 Chunghwa Picture Tubes, Ltd. Image enhancement method and image processing apparatus thereof
CN109191390A (zh) * 2018-08-03 2019-01-11 湘潭大学 一种基于不同颜色空间多算法融合的图像增强算法
CN111476725A (zh) * 2020-03-24 2020-07-31 广西科技大学 一种基于梯度域导向滤波和多尺度Retinex理论的图像去雾增强算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JEAN-PHILIPPE TAREL: "Fast Visibility Restoration from a Single Color or Gray Level Image", 《2009 IEEE 12TH INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
ZHENGHAO SHI: "Let You See in Sand Dust Weather: A Method Based on Halo-Reduced Dark Channel Prior Dehazing for Sand-Dust Image Enhancement", 《IEEE ACCESS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989137A (zh) * 2021-10-21 2022-01-28 武汉博视电子有限公司 一种脸部肌肤图像色素沉着提取并形成棕区光谱的方法
CN115546055A (zh) * 2022-09-21 2022-12-30 西南科技大学 一种基于自适应裁剪系数的低照度视频图像增强方法

Also Published As

Publication number Publication date
CN112348749B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN108876743B (zh) 一种图像快速去雾方法、系统、终端及存储介质
CN107527332B (zh) 基于改进Retinex的低照度图像色彩保持增强方法
CN108765336B (zh) 基于暗亮原色先验与自适应参数优化的图像去雾方法
CN109064426B (zh) 一种用于抑制低照度图像中眩光并增强图像的方法及装置
CN108711140B (zh) 一种基于类间方差描述的图像亮度均匀性实时恢复方法
CN105931201B (zh) 一种基于小波变换的图像主观视觉效果增强方法
CN111105371B (zh) 一种低对比度红外图像的增强方法
CN111476725A (zh) 一种基于梯度域导向滤波和多尺度Retinex理论的图像去雾增强算法
CN111968041A (zh) 一种自适应图像增强方法
CN109493291A (zh) 一种自适应伽马校正的彩色图像对比度增强方法
CN108154492B (zh) 一种基于非局部均值滤波的图像去雾霾方法
CN112348749B (zh) 一种基于自适应Gamma函数和改进型CLAHE的图像去雾方法
CN109087254A (zh) 无人机航拍图像雾霾天空和白色区域自适应处理方法
CN117252773A (zh) 基于自适应颜色校正和导向滤波的图像增强方法及系统
CN108154490A (zh) 基于改进模糊集理论的高压输电线路绝缘子图像增强方法
CN107895350B (zh) 一种基于自适应双伽玛变换的hdr图像生成方法
CN111598812A (zh) 一种基于rgb和hsv双颜色空间的图像去雾方法
CN110349191A (zh) 一种基于感知哈希算法的视觉跟踪方法
CN109584182A (zh) 一种图像处理方法和系统
CN111311503A (zh) 一种夜晚低亮度图像增强系统
CN112435184B (zh) 一种基于Retinex和四元数的雾霾天图像识别方法
Gu et al. A novel Retinex image enhancement approach via brightness channel prior and change of detail prior
CN116630198A (zh) 一种结合自适应伽马校正的多尺度融合水下图像增强方法
Mi et al. A generalized enhancement framework for hazy images with complex illumination
CN115456912A (zh) 一种基于多尺度wls滤波融合的色调映射方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20221116

Address after: Room 810, Building B3, Wisdom Valley, No. 19 Meigao Road, Huai'an Economic and Technological Development Zone, Huai'an City, Jiangsu Province, 223001

Patentee after: Huai'an Jiapu Electronic Technology Co.,Ltd.

Address before: 223003 No.1, Meicheng East Road, qingjiangpu District, Huai'an City, Jiangsu Province

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY

Patentee before: HANMEN ELECTRONICS (JIANGSU) CO.,LTD.

TR01 Transfer of patent right