Single Image Dehazing Algorithm Based on Sky Region Segmentation(2013)

最新推荐文章于 2025-04-02 18:01:37 发布
原创 最新推荐文章于 2025-04-02 18:01:37 发布 · 2.5k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

论文采用分割方法，将图像分为天空和非天空部分，分别对这两部分进行去雾处理。
这篇论文通过分割出天空部分和非天空部分，分别对天空部分和非天空部分进行去雾处理。（待续）
【去雾论文阅读】A Novel Fast Single Image Dehazing Algorithm Based on Artificial Multiexposure Image Fusion
柠檬鱼的博客
01-03 1429
题目：A Novel Fast Single Image Dehazing Algorithm Based on Artificial Multiexposure Image Fusion 作者：Zhiqin Zhu , Hongyan Wei , Gang Hu ,et.al 期刊：TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT 时间：2020
去雾算法学习——Single Image Dehazing（Fattal）笔记（未完继续）
krystalcui
01-27 1万+
本文是作者Fattal与2008年发表的文章，是对2007年的文章的改进 1.Image Degradation Model 光线沿着直线传播，但是大气中存在的灰尘、溶胶等导致大气散射的存在，这里建模思想是：沿短距离方向光线透射率有线性关系存在。沿最短距离dr光线吸收 βdr。其中，β 被称为媒介消光系数（光线散射导致）。由于这一过程，光线集成一条新型光线，在不同的空间，β志不同。给出透射率
避免图像去雾算法中让天空部分出现过增强的一种简易方法。
weixin_33828101的博客
08-12 847
      在经典的几种去雾算法中，包括何凯明的暗通道去雾、Tarel的基于中值滤波的去雾以及一些基于其他边缘保留的方法中，都有一个普遍存在的问题：即对天空部分处理的不好，天空往往会出现较大的面积的纹理及分块现象。究其主要原因，还是因为天空部位基本上是不符合暗通道去雾先验这个前决条件的。目前，针对这一问题，我搜索到的主要有以下几篇文章进行了处理： 1、 改进的基于暗原色先验的图像去雾算法 作者:...
Efficient single image dehazing and denoising: An efficient multi-scale correlated wavelet approach
女王の专属领地
04-14 2059
引用 Liu X, Zhang H, Cheung Y, et al. Efficient single image dehazing and denoising: An efficient multi-scale correlated wavelet approach[J]. Computer Vision and Image Understanding, 2017, 162: 23-33....
Single image dehazing (Fattal)
女王の专属领地
05-07 6225
项目主页：http://www.cs.huji.ac.il/~raananf/projects/defog/ 作者主页：http://www.cs.huji.ac.il/~raananf/ 其他工作1：Automatic Recovery of the Atmospheric Light in Hazy Images（大气光的自动恢复） 其他工作2：Dehazing usingColor...
fattal的singel image dehazing
04-17
这是Fattal 发表的单幅图像去雾的matlab代码，对某些图片好用，对某些图片不好用。Fattal运用ICA，基于图像表面阴影和大气传递函数在局部块上不相关的假设，实现去雾。
DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention
MagicFromMe的博客
04-02 1113
该论文提出了一种细节增强注意力块（DEAB），由由细节增强卷积（DEConv）和内容引导注意力（CGA）组成。具体来说，DEConv 将先验信息整合到普通卷积层中，以增强表示能力和泛化能力。然后，通过使用重参数化技术，DEConv 被等效转换为普通的卷积层，且不引入额外的参数和计算成本。CGA 通过为每个通道分配独特的空间重要性图（SIM），能够关注特征中编码的更有用的信息。此外，我们还提出了一种基于 CGA 的混合融合方案，用于有效融合特征并辅助梯度流动。（上面是原论文类容）
modified image dehazing method based on dark channel prior
02-08
标题中的“modified image dehazing method based on dark channel prior”指的是基于暗通道先验的图像去雾化改进方法。这种技术通常用于改善由于雾、霾等大气散射效果导致图像质量下降的情况。在计算机视觉和图像...
The code of Single Image Dehazing Based on Haze Prior Residual Perception Learning
12-30
图像去雾技术是计算机视觉领域的研究热点之一，它旨在从单一受雾影响的图像中恢复出清晰的场景。近年来，随着深度学习技术的快速发展，基于深度学习的图像去雾方法得到了广泛关注，并取得了显著的进展。...
Single Image Dehazing via Multi-Scale Convolutional Neural Networks
04-05
在这篇题为“Single Image Dehazing via Multi-Scale Convolutional Neural Networks”的研究中，作者们提出了一个基于深度学习的框架，该框架使用卷积神经网络（CNN）来学习有效的特征以实现单图像去雾。...
Global and Local Contrast Adaptive Enhanceme
11-13
Global and Local Contrast Adaptive Enhancement for Non-uniform Illumination Color Images
《Single Image Dehazing Based on the Physical Model and MSRCR Algorithm》 阅读笔记与代码复现
qq_37957854的博客
02-03 836
《Single Image Dehazing Based on the Physical Model and MSRCR Algorithm》 阅读笔记 author：Owen718 Jinbao Wang, Ke Lu, Member , IEEE, J i a n X u e , Member , IEEE, Ning He, and Ling Shao, Senior Member , IEEE 摘要——针对雾霾天气图像退化问题，提出了一种基于物理模型和图像亮度分量的单幅图像去雾方法，该方法采用多尺度
避免图像去雾算法中让天空部分出现过增强的一种简易方法
weixin_39450742的博客
07-05 646
本篇博文来自博主Imageshop，打赏或想要查阅更多内容可以移步至Imageshop。 转载自：https://www.cnblogs.com/Imageshop/p/3907639.html 侵删 在经典的几种去雾算法中，包括何凯明的暗通道去雾、Tarel的基于中值滤波的去雾以及一些基于其他边缘保留的方法中，都有一个普遍存在的问题：即对天空部分处理的不好，天空往往会出现较大的面积的纹理及分块现象。究其主要原因，还是因为天空部位基本上是不符合暗通道去雾先验这个前决条件的。目前，针对这一问题，我.
Awesome Dehazing 去雾算法合集 及 雾图像数据集网址
u014546828的博客
05-07 8467
Awesome Dehazing This repository is the collection of dehazing methods. Among various dehazing algorithms, we've selected the datasets provide pose and map information. This repository includes t...
基于照明光分离的用于航海监督的单帧图像去雾
小山山的博客
08-31 1311
基于照明光分离的用于航海监督的单帧图像去雾 Single Image Defogging Based on Illumination Decomposition for Visual Maritime Surveillance 文献引文信息： Hu, H. M., et al. (2019). “Single Image Defogging Based on Illumination Decomposition for Visual Maritime Surveillance.” IEEE Trans I.
[论文速读] 图像增强系列：2020 TIP 最新去雾算法（摘要、网络结构图及论文链接）
u014546828的博客
01-31 2909
[论文速读] 图像增强系列：2020 TIP 最新去雾算法（摘要、网络结构图及论文链接） 本博客先介绍 2020 TIP 最新去雾算法的摘要、网络结构图及论文链接，后续将陆续补充较为详细的内容。 目录 1 Task-Oriented Network for Image Dehazing Abstract Method 2 Zero-Shot Image Dehazing Abstract Method 3 Dehazing Evaluation: Real-World Benchma...
Feature Pyramid Networks for Object Detection论文翻译——中英文对照
SnailTyan
04-30 4624
文章作者：Tyan 博客：noahsnail.com  |  优快云  |  简书 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation Feature Pyramid Networks for Obj...
Python实现区域生长算法（regionGrow）
热门推荐
GlassySky的博客
08-28 3万+
区域生长是一种串行区域分割的图像分割方法。区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1.初始点（种子点）的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。 区域生长的原理：    区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区...
FFA-Net: Feature Fusion Attention Network for Single Image Dehazing (AAAI 2020)用于单图像去叠的特征融合注意力网络
TJMtaotao的博客，高校计算机教师
11-23 1万+
用于单图像去叠的特征融合注意力网络 https://arxiv.org/pdf/1911.07559.pdf Xu Qin1*Zhilin Wang2∗Yuanchao Bai1Xiaodong Xie1†Huizhu Jia1 1School of Electronics Engineering and Computer Science, Peking University 2School ...
DEA-Net: Single Image Dehazing Based on Detail-Enhanced Convolution and Content-Guided Attention
最新发布
11-05
DEA - Net是一种用于单图像去雾的方法，出自论文《DEA - Net: Single image dehazing based on detail - enhanced convolution and content - guided attention》。该方法致力于解决单幅图像去雾这一具有挑战性的不适定问题，即从观测到的雾霾图像中估计出潜在的无雾图像。 DEA - Net提出了细节增强注意力块（DEAB），该模块由细节增强卷积（DEConv）和内容引导的注意力（CGA）机制组成，用以增强特征学习，提高去雾性能。DEConv包含差分卷积，能整合先验信息来补充原始信息，增强表示能力。之后使用重参数化技术，将DEConv等效地转换为普通卷积，以减少参数和计算成本。CGA机制则通过为每个信道分配唯一的空间重要性图（SIM），让模型能关注到特征中编码的更多有用信息。此外，还提出了基于CGA的混合融合方案，可有效融合特征，辅助梯度流[^3]。 在特征融合方面，DEA - Net提出了一种新的特征融合方式，即在跳连接操作时，将编码器与解码器对应的特征进行融合。在融合过程中，利用通道、空间注意力机制，提出了基于空间注意力和通道注意力机制的像素注意力，以此得到空间重要性图[^4]。 大量实验结果证明了DEA - Net的有效性，它仅使用3.653 M参数就能将PSNR指数提高到41 dB以上，优于最先进的（SOTA）方法[^3]。 ### 代码示例 虽然引用中未给出具体代码，但以下是一个简单示意，说明可能的模块结构： ```python import torch import torch.nn as nn # 简单示意细节增强卷积（DEConv） class DEConv(nn.Module): def __init__(self, in_channels, out_channels): super(DEConv, self).__init__() # 这里简单用普通卷积示意，实际包含差分卷积和重参数化 self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) def forward(self, x): return self.conv(x) # 简单示意内容引导的注意力（CGA） class CGA(nn.Module): def __init__(self, in_channels): super(CGA, self).__init__() # 这里简单用1x1卷积生成空间重要性图，实际更复杂 self.conv = nn.Conv2d(in_channels, 1, kernel_size=1) def forward(self, x): sim = self.conv(x) return x * sim # 细节增强注意力块（DEAB） class DEAB(nn.Module): def __init__(self, in_channels, out_channels): super(DEAB, self).__init__() self.deconv = DEConv(in_channels, out_channels) self.cga = CGA(out_channels) def forward(self, x): x = self.deconv(x) x = self.cga(x) return x # 简单示意DEA - Net部分结构 class DEA_Net(nn.Module): def __init__(self, in_channels, out_channels): super(DEA_Net, self).__init__() self.deab = DEAB(in_channels, out_channels) # 这里省略其他结构，如编码器、解码器等 def forward(self, x): x = self.deab(x) return x # 示例使用 model = DEA_Net(3, 3) input_image = torch.randn(1, 3, 224, 224) output = model(input_image) print(output.shape) ```
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值