机器视觉学习笔记(3)--如何去雾
来源:互联网 发布:源码交易系统 编辑:程序博客网 时间:2024/06/11 13:29
在去雾领域,基本以何凯明博士的《Single Image Haze Removal Using Dark Channel Prior》这篇文章为基础进行再研究,本文也基于该文进行讲述如何去雾。
在计算机视觉和计算机图像学中,雾模型用以下公式表示:
I(x)是有雾的图像,J(x)是无雾图像,A是大气光成分,t(x)为透视率。
对于局部窗口,处理可得:
其中, c表示r,g,b通道的意思,y是窗口点,x是窗口中心点。
根据先验知识,暗通道可表示为:
由于Ac总是正的,因此可得:
现实情况中,一些微少的雾存在是景深的基础,因此不能完全去雾。
w因子常取为0.95。
大气光成分A可以通过估计无透明的像素点获取,在暗通道提取亮度最高的0.1%的点,找到这些点对应的原有雾图点,求最高点作为A。
由此,我们可以通过式(1)恢复无雾图,应注意的是,当t(x)接近于0,所恢复的无雾点倾向于噪声,因此对t(x)限定最小值t0。
按以上方法,大部分情况可以得到较好的结果,但由于透射率t(x)求解比较粗糙,图像某些块的恢复无雾情况效果差,为达到更好的效果,还需要求解精细的透射图。导向滤波求透射图流程如下所示:
图1:透射流程图
其中,I为导向图像,即粗略的透射图,p为输入滤波图像,q为输出图像。
测试去雾效果, 如下图所示:
图2:有雾图
图3:去雾图
欢迎转载机器视觉助手的文章,我们也希望能够让更多的对机器视觉感兴趣的人看到我们的文章,不过在转载之前请获得我们的授权或严格按照要求进行转载 0 0
- 机器视觉学习笔记(3)--如何去雾
- 如何学习机器视觉
- 机器视觉学习笔记
- 机器视觉学习笔记--图像滤波3
- 机器视觉网络资源学习笔记
- 向余老师学习机器视觉笔记
- 机器视觉学习笔记(一)
- 机器视觉学习笔记-图像特征
- 机器视觉学习笔记--图像滤波1
- 机器视觉学习笔记--图像滤波2
- python机器视觉学习笔记(一)
- 机器视觉算法 笔记
- 学习笔记 ——深度学习和机器视觉
- 机器视觉学习
- 机器视觉学习记录
- 机器视觉开源库学习
- 机器视觉学习笔记(3)——常见的像素访问方式
- 十、机器学习系统设计笔记之计算机视觉
- Kmap
- iframe 获取值无法将console.log的对象转换为 string
- 单例的理解和应用
- linux上搭建hadoop环境(hadoop 2.7.1)总结
- Redis常用命令-Hash
- 机器视觉学习笔记(3)--如何去雾
- 巧用Live Template,不仅能提升AS开发效率,还能装逼
- 简单递归求阶乘
- 浮点数介绍及使用注意事项
- ubuntu eclipse:An error has occurred. See the log file
- Java学习----day2——(4)面对对象编程的概念理解
- python知识点(二)字符串
- Ubuntu12.04(64bit)编译Android4.4源码和kernel
- RobotFramework环境配置三:项目预设