Night Time Haze and Glow Removal using Deep Dilated Convolutional Network

博客聚焦于利用Dil扩张卷积网络去除夜间的雾霾和光晕。在夜间场景下,雾霾和光晕会影响图像质量,而该网络可有效解决这一问题,提升图像的清晰度和可用性,在图像处理领域有重要意义。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

### 单图像去雾技术概述 单图像去雾是一种计算机视觉领域的重要研究方向,旨在通过算法去除雾霾天气下拍摄的照片中的模糊效果。一种广泛认可的技术是由何凯明等人提出的基于暗通道先验的方法[^1]。 #### 暗通道先验理论基础 暗通道先验的核心假设是在大多数无雾自然图像中,局部区域至少有一个颜色通道具有较低的强度值。这一特性可以用来估计场景的大气光成分以及传输图,从而实现去雾处理。 以下是该方法的主要流程: 1. **大气光估计**:通过对输入图像亮度较高的像素点分析得到全局大气光照A。 2. **透射率计算**:利用暗原色先验模型来估算每一点处光线透过比例t(x),即所谓的透射率map。 3. **恢复清晰图像**:最后依据物理散射模型重构原始无雾图片I(x)=J(x)t(x)+A(1-t(x)),其中J代表目标真实色彩。 ```python import cv2 import numpy as np def dark_channel_prior(im, w_size=15): min_channels = cv2.erode(cv2.min(cv2.min(im[:, :, 0], im[:, :, 1]), im[:, :, 2]), np.ones((w_size,w_size),np.uint8)) return min_channels def estimate_atmosphere(image, dark_ch): # Implementation details omitted for brevity. pass def transmission_estimation(image, atmospheric_light): # Implementation details omitted for brevity. pass def recover_image(input_img, t_map, A): # Implementation details omitted for brevity. pass ``` 上述代码片段展示了如何定义并应用暗通道函数dark_channel_prior()作为第一步操作的一部分。 ### 实现注意事项 实际编程过程中需要注意边界条件处理、噪声抑制等问题以提高最终成像质量。此外还可以考虑引入软抠图机制进一步优化结果表现。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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