- 综合排序
- 最热优先
- 最新优先
- 来自专栏ISP图像处理相关
图像处理-图像去雾
图像处理-图像去雾 雾图模型 I(x)=J(x)t(x)+A(1-t(x)) I(x) ——待去雾的图像 J(x)——无雾图像 A——全球大气光成分 t——折射率（大气传递系数） 暗通道先验 在无雾图像中 总之，自然景物中到处都是阴影或者彩色，这些景物的图像的暗原色总是很灰暗的。 首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波(邻域中取最小值) 验证了暗通道先验理论的普遍性 计算折射率 t(x)=1-wmin(minI (y)/A) 估计大气光 1.选取暗通道图像暗通道最亮的0.1%的像素（一般来说，这些像素表示雾浓度最大的地方） 2.取输入图像里面这些像素对应的像素里面最亮的作为大气光 （暗图像最亮的0.1%的像素对应的原图最亮的为大气光 去雾 J(x)=I(x)-A/max(t(x),t0) +A t0=0.1 流程： 1.求图像暗通道 2.利用暗通道计算出折射率 3.利用暗通道估计大气光 4.代回雾图公式去雾 我的代码-图像去雾算法Matlab
4.1K20编辑于 2022-01-14 - 来自专栏全栈程序员必看
图像去色算法_matlab去雾算法
先上图看一些算法效果 上图中从左到右依次是原图、photoshop去色结果、Matlab的rgb2gray函数处理效果、取rgb均值的效果、使用香港中文大学论文（见下）的结果 发现不同的去色算法存在非常大的差异。 这是图像lab彩色空间分量结果。
70120编辑于 2022-11-09 - 来自专栏计算机视觉理论及其实现
遥感图像去雾文章解读
4、Haze Removal for a Single Remote Sensing Image Based on Deformed Haze Imaging Model提出了一种基于变形雾霾成像模型的新型去雾算法 最后，利用本文提出的估计算法成功地去除了遥感图像中的雾霾。 为了客观验证本文提出的度量HDMHA的有效性，提出了一种基于雾霾成像模型的模拟雾霾遥感图像的方法，所模拟的雾霾图像在视觉上与真实图像有很大的相似性。 using fourth-order partial differential equations based trilateral filter提出了一种基于四阶偏微分方程的三边滤波(FPDETF)去雾方法来增强粗略估计的大气面纱 它还保存了无雾图像的辐射测量信息。此外，还对能见度恢复相位进行了改进，以减少去雾图像的色彩失真。
2.1K61编辑于 2022-09-02 - 来自专栏深度学习自然语言处理
【图像处理】图像去雾的前世今生
前言 其实之前对图像去雾也没有什么深入的理解，只是了解，实现过一些传统的图像去雾方法而已。 基于图像增强的去雾算法。基于图像增强的去雾算法出发点是尽量去除图像噪声，提高图像对比度，从而恢复出无雾清晰图像。 代表性算法有：来自何凯明博士的暗通道去雾算法(CVPR 2009最佳论文)、基于导向滤波的暗通道去雾算法、Fattal的单幅图像去雾算法（Single image dehazing） 、Tan的单一图像去雾算法 ，后面挑选的传统去雾算法例子也大多是基于图像复原的去雾算法。 而基于CNN的去雾需要训练集是成对的，即同时有有雾图像与无雾图像。而一个有效的去雾模型应该能够学习无雾图像到有雾图像的映射，无需使用成对监督。
3.7K14发布于 2020-03-23 - 来自专栏GiantPandaCV
【综述】图像去雾的前世今生
前言 其实之前对图像去雾也没有什么深入的理解，只是了解，实现过一些传统的图像去雾方法而已。 基于图像增强的去雾算法。基于图像增强的去雾算法出发点是尽量去除图像噪声，提高图像对比度，从而恢复出无雾清晰图像。 代表性算法有：来自何凯明博士的暗通道去雾算法(CVPR 2009最佳论文)、基于导向滤波的暗通道去雾算法、Fattal的单幅图像去雾算法（Single image dehazing） 、Tan的单一图像去雾算法 ，后面挑选的传统去雾算法例子也大多是基于图像复原的去雾算法。 而基于CNN的去雾需要训练集是成对的，即同时有有雾图像与无雾图像。而一个有效的去雾模型应该能够学习无雾图像到有雾图像的映射，无需使用成对监督。
2.1K21发布于 2020-03-19 - 来自专栏巴山学长
MATLAB基于直方图的图像去雾
根据信息论的相关理论，我们可以知道图像经直方图均衡化后，将会包含更多的信息量，进而能突出某些图像特征。下面就为大家介绍三种常用的图像去雾方法。 ; N=histeq(G); L=histeq(B); E=cat(3,M,N,L); subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(E); 全局直方图去雾处理对比 =im2uint8(mat2gray(g3)); E=cat(3,g1,g2,g3); subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(E); 局部直方图去雾处理对比 以上就是今天介绍的三种不同图像去雾算法。其中，Retinex算法在使用时可针对图像对程序中定义的标准差与模板大小进行改动，以便于增强适用性，不同算法在不同照片中的效果也会有所不同。 对于图像去雾有需要的朋友们可以自己动手尝试，欢迎大家分享到朋友圈，让更多有需要的朋友看到！也欢迎更多MATLAB爱好者和使用者前来交流！
1.4K30发布于 2021-07-09 【MATLAB实现视频图像的去雾处理】
在MATLAB中，可以使用暗通道先验（Dark Channel Prior）方法对雾霾图像进行去雾处理。以下是一个基本的算法示例： 导入雾霾图像。 foggy_image = imread('foggy_image.jpg'); 计算图像的暗通道图像。 window_size = 15; % 窗口大小，可以根据图像尺寸调整 p = 0.001; % 保留最亮像素的百分比，可以根据图像特性调整 p_size = round(window_size^2 ; 根据透射率对图像进行恢复。 recovered_image(:,:,c) = (foggy_image(:,:,c) - atmos_light) ./ max(transmission, eps) + atmos_light; end 显示去雾后的图像
34810编辑于 2025-08-29- 来自专栏程序员
opencv 图像去雾的C++实现
去雾原理原理是根据何凯明博士的《Single Image Haze Removal Using Dark Channel Prior》这篇文章，介绍见https://www.cnblogs.com/Imageshop 1、求暗通道 窗口的大小size，这个对结果来说是个关键的参数，窗口越大，其包含暗通道的概率越大，暗通道也就越黑，去雾的效果越不明显，一般窗口大小在11-51之间，即半径在5-25之间。 size)); Mat dark(minChannel.rows, minChannel.cols, CV_32FC1); erode(minChannel, dark, kernel); //图像腐蚀 ]; } outA[0] /= numpx; outA[1] /= numpx; outA[2] /= numpx; } 3、计算计算透射率预估值 中的omega具有着明显的意义，其值越小，去雾效果越不明显 /= 255; int r = 60; float eps = 0.0001; Mat t = Guidedfilter(gray, te, r, eps); return t; } 6、图像去雾
2K20发布于 2020-03-25 - 来自专栏AI科技评论
【干货】雾霾太重？深度神经网络教你如何图像去雾
主要研究方向，机器学习，计算机视觉，图像处理等。 导读 北京城被中度污染天气包围，到处都是灰蒙蒙一片——雾霾天又来了。 一、图像去雾的核心 现有的图像去雾（Image Dehazing）技术离不开一个简单的自然模型——大气散射模型（Atmospheric Scattering Model）。 图像去雾技术也是沿着手工特征逐步地发展起来。 （1）暗通道先验[2]（Dark Channel Prior，DCP） 说起去雾特征，不得不提起的暗通道先验（DCP）。 因此，基于这个推论可利用局部对比度来近似估计雾霾的浓度。同时，也可以通过最大化局部对比度来还原图像的颜色和能见度。 ? 观察发现雾霾会同时导致图像饱和度的降低和亮度的增加，整体上表现为颜色的衰减。根据颜色衰减先验，亮度和饱和度的差值被应用于估计雾霾的浓度： ? ?
2.8K82发布于 2018-03-08 - 来自专栏FPGA开源工作室
基于FPGA的图像去雾算法的实现
基于FPGA的图像去雾算法的实现 本文在《基于暗通道先验条件图像去雾算法》的最后段matlab的图像去雾算法的基础上对matlab代码进行转化完成verilog的FPGA图像去雾算法。 图3 实验结果3 1 FPGA实现先验条件图像去雾算法 如图4所示，将整个图像去雾算法分为三个模块以流水线的方式完成FPGA的图像去雾算法： 1，rgb_dark模块完成每个像素点r,g,b中最小值的输出暗通道图像 ； 2，Transmittance模块完成透射率图像和全球大气光强度的输出； 3，Defog模块完成最终的去雾图像的输出。 暗通道图像 ? 透射率图像 ? 去雾图像 ? 实验原图2 ? 暗通道图像 ? 透射率图像 ? 去雾图像 ? 实验原图3 ? 暗通道图像 ? 透射率图像 ? 去雾图像 结果分析：ω(0<ω≤1)为0时图像完全不去雾，为1时图像完全去雾但是图像会失真，视觉效果很差。
2.1K31发布于 2019-10-29 - 来自专栏计算机视觉战队
更快、更灵活的Transformer图像去雾网络
计算机视觉研究院专栏 Column of Computer Vision Institute 介绍了一种新的多支路线性Transformer网络，称为MB-TaylorFormer，能够有效且高效的进行图像去雾任务 TaylorFormer的性能 Comparison with other linear self-attention modules 上表通过T-MSA和多种不同的线性Transformer的对比，证明了T-MSA在去雾任务上的有效性
37720编辑于 2023-09-27 基于直方图优化的图像去雾MATLAB实现
基于直方图优化的图像去雾MATLAB实现，整合全局直方图均衡化、局部直方图处理和Retinex增强算法，并提供完整代码与参数优化说明：一、核心算法实现%%基于直方图优化的图像去雾系统clear;clc; =1-0.95*(detail-min(detail(:))/(max(detail(:))-min(detail(:))));transmission=max(transmission,0.1);#去雾恢复 im2uint8(B3_eq);end三、算法性能对比指标全局直方图局部直方图Retinex对比度提升★★★☆★★★★★★★★★色彩保真度★★☆★★★★★★★☆计算复杂度O(n)O(nlogn)O(n²)适用场景低雾浓度中等雾浓度重度雾霾四 读取航拍图像img=imread('aerial_fog.png');%自适应参数处理window_size=round(0.05*size(img,2));%图像宽度5%的窗口clip_limit= ));%执行增强enhanced=local_histeq(img(:,:,1),img(:,:,2),img(:,:,3),window_size,clip_limit);参考代码基于直方图优化的图像去雾技术
19510编辑于 2026-04-16- 来自专栏计算机视觉战队
更快、更灵活的Transformer图像去雾网络
计算机视觉研究院专栏 Column of Computer Vision Institute 介绍了一种新的多支路线性Transformer网络，称为MB-TaylorFormer，能够有效且高效的进行图像去雾任务 TaylorFormer的性能 Comparison with other linear self-attention modules 上表通过T-MSA和多种不同的线性Transformer的对比，证明了T-MSA在去雾任务上的有效性 实验室介绍 中山大学智能工程学院的前沿视觉实验室（FVL主页：https://fvl2020.github.io/fvl.github.com/）由学院金枝副教授建设并维护，实验室目前聚焦在图像/视频质量增强 旨在优化从视频图像的采集、传输到增强以及服务后端应用的完整周期。我们的目标是开发通用的概念和轻量化的方法。
33510编辑于 2024-12-20 - 来自专栏CSDN社区搬运
从零开始搭建图像去雾神经网络
网络结构 基于集成学习的双分支非均质去雾网络由两个子网络组成，即迁移学习子网和数据拟合子网。 有雾图 恢复的结果图 原始无雾图 本文方法在300次训练出的模型在O-Haze[测试集上的测试结果如图3所示，第一列是原始有雾图像，第二列是本文方法的去雾结果，第三列是真实无雾图像。 可以发现，本文方法得到的恢复图像对比原始有雾图像几乎没有雾霾残留，去雾效果明显。但对比真实无雾图像，可以发现，本文方法得到的恢复图像存在细节模糊，色调昏暗的缺点，饱和度较低。 下图展示了本文方法训练得到的最优模型在I-Haze测试集上的结果，其中，第一列是原始有雾图像，第二列是本文方法的去雾结果，第三列是真实无雾图像。 将本文方法的去雾结果对比原始有雾图像可以发现，本文方法能够有效的去除室内的均匀雾霾，但对白色区域的恢复效果不理想。
44510编辑于 2024-12-08 - 来自专栏千行百业数据集中心
yolov8车牌识别+单目测距+图像去雨+图像去雾
YOLOv8-Plate是一种基于最新一代YOLO（YouOnlyLookOnce）算法框架，专门针对车牌识别、距离估算以及去雨功能优化的先进模型。 它能够实时处理视频流中的每一帧图像，精确地定位并识别车牌上的字符。通过深度学习技术，该模型不仅能够适应不同国家和地区的车牌格式，还能应对各种复杂环境下的挑战，比如低光照条件、部分遮挡等。 去雨功能在实际应用中，天气条件往往会影响视觉系统的性能，特别是下雨天时，雨水会在镜头上形成水滴或者导致画面模糊，影响车牌识别和车速估计的效果。 YOLOv8-Plate集成了去雨算法，能够有效去除视频图像中的雨水干扰。该算法通过分析图像中的频率成分，区分雨水和其他物体，进而恢复清晰的背景图像。 结论综上所述，YOLOv8-Plate作为一款集成车牌识别、车速识别及去雨功能于一体的高级模型，为智能交通领域提供了一种全面而有效的解决方案。
8400编辑于 2026-05-31 - 来自专栏AI科技大本营的专栏
Python 还能实现图片去雾？FFA 去雾算法、暗通道去雾算法用起来！ | 附代码
在过去的几十年中，单图像去雾作为基本的低级视觉任务已引起了计算机视觉社区和人工智能公司的越来越多的关注。 numpy模块用来进行数值运算处理矩阵运算； OpenCV用来读取图片和图像处理； os模块用来读取数据集等本地文件操作。 ? FFA去雾算法 其代码结构如下图可见： ? 实验结果表明，提出的FFANet在数量和质量上都大大超过了现有的单图像去雾方法，从而将SOTS室内测试数据集上最佳的PSNR度量从30.23db提高到35.77db。 ? 暗通道去雾算法搭建 何恺明的暗通道先验（dark channel prior）去雾算法是CV界去雾领域很有名的算法，关于该算法的论文"Single Image Haze Removal Using 作者统计了大量的无雾图像，发现一条规律：每一幅图像的每一个像素的RGB三个颜色通道中，总有一个通道的灰度值很低。基于这个几乎可以视作是定理的先验知识，作者提出暗通道先验的去雾算法。
2.7K31发布于 2020-08-06 - 来自专栏GiantPandaCV
OpenCV图像处理专栏十 | 利用中值滤波进行去雾
前言 这是OpenCV图像处理专栏的第十篇文章，介绍一种利用中值滤波来实现去雾的算法。这个方法发表于国内的一篇论文，链接我放附录了。 算法原理 这个算法和之前He Kaiming的暗通道去雾都基于大气散射模型即： 其中就是输入图像，需要求去雾后的输出图像，所以我们只要计算出全局大气光值和透射率就可以了。 1、定义，焦作大气光幕或者雾浓度。 2、计算，即是求暗通道，这一点在OpenCV图像处理专栏六 | 来自何凯明博士的暗通道去雾算法(CVPR 2009最佳论文) 我已经详细说明了。 5、计算，式子中是控制去雾浓度的系数，取值为。 6、通过式子获得去雾后的图像，这个式子就是把原始子移项变形得到的。 7、自此，算法结束，得到了利用中值滤波实现的去雾后的结果。
1.1K11发布于 2019-12-26 - 来自专栏一点人工一点智能
基于深度学习的单幅图像去雾研究进展
基于深度学习的图像去雾也因此成为图像去雾领域的主流研究方向，取得了重要的进展。 近年来，出现了不少图像去雾研究综述［2~4］。 02 基于深度学习的单幅图像去雾 早期的基于深度学习的图像去雾算法借鉴了传统算法［5~7］中基于物理模型和先验知识的思路进行图像去雾。 在此基础上，Wu等人［34］首次将有监督对比损失（CL）引入图像去雾领域，通过拉大去雾图像与雾霾图像距离、缩小去雾图像与清晰图像距离，进一步提升图像去雾性能。 03 图像去雾常用数据集及评价指标 3.1 图像去雾常用数据集 随着基于深度学习的图像去雾研究的不断深入，图像去雾数据集不断被推出，极大地促进了该领域的研究进展。 （5） 去雾后图像质量的评价 如何对去雾后的图像质量进行评价，从而有效指导去雾算法的设计一直是图像去雾领域的难题。
3.9K41编辑于 2023-03-01 - 来自专栏我爱计算机视觉
ICCV2023 | 更快、更灵活的 Transformer图像去雾网络
Multi-branch Efficient Transformer Expanded by Taylor Formula for Image Dehazing，介绍更快、更灵活的 Transformer 图像去雾网络 /FVL2020/ICCV-2023-MB-TaylorFormer Abstract 本文介绍了一种新的多支路线性Transformer网络，称为MB-TaylorFormer，能够有效且高效的进行图像去雾任务 我们在多个去雾数据集（ITS、OTS、O-HAZE、Dense-Haze）上进行了实验。实验结果表明：MB-TaylorFormer以极低的参数量和计算复杂度优于其它SOTA方案。 此外，去雨和去雪的实验结果表明MB-TaylorFormer同样有效。 Comparison with other linear self-attention modules 表4通过T-MSA和多种不同的线性Transformer的对比，证明了T-MSA在去雾任务上的有效性
1.9K21编辑于 2023-09-20 - 来自专栏计算机视觉战队
ICCV2023：更快、更灵活的Transformer图像去雾网络
计算机视觉研究院专栏 Column of Computer Vision Institute 介绍了一种新的多支路线性Transformer网络，称为MB-TaylorFormer，能够有效且高效的进行图像去雾任务 TaylorFormer的性能 Comparison with other linear self-attention modules 上表通过T-MSA和多种不同的线性Transformer的对比，证明了T-MSA在去雾任务上的有效性
62810编辑于 2023-09-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号