【技术实现步骤摘要】
本专利技术涉及图像去雾，尤其涉及一种基于图像去雾的智能交通任务执行方法和装置。
技术介绍
1、在雾霾等恶劣天气条件下，由于大气中悬浮颗粒的散射作用，图像的对比度降低和颜色失真，严重影响后续视觉任务的效果。现有的去雾算法主要分为两类，第一类是基于物理模型的方法，第二类是基于深度学习的方法。但是存在以下问题：(1)基于物理模型的方法例如暗通道先验和雾线先验依赖强假设，容易在复杂场景中失效，导致过度去雾或颜色失真。直方图均衡、retinex增强等算法可以提升雾霾图像的对比度，但是容易导致雾霾图像过度增强，或雾霾图像中的细节丢失。(2)基于深度学习的方法需要大量的标注数据，且在真实场景中的泛化能力较差，硬件资源消耗大。基于卷积神经网络(cnn)或生成对抗网络(gan)的去雾算法可以较好地恢复图像质量，但其可解释性较低，并且对计算资源要求较高，难以在低功耗设备上实时运行。
2、图像去雾技术在智能交通系统中有广泛的应用，在雾霾天气条件下，由于大气中的悬浮微粒在成像过程中受到散射和衰减的影响，导致交通监控设备采集的图像和视频出现模糊不清、...
【技术保护点】
1.一种基于图像去雾的智能交通任务执行方法，其特征在于，包括：
2.根据权利要求1所述的基于图像去雾的智能交通任务执行方法，其特征在于，所述计算所述道路图像的大气光，包括：
3.根据权利要求1所述的基于图像去雾的智能交通任务执行方法，其特征在于，所述筛选出所述道路图像中每个像素点的多个颜色通道的最小值，得到最小颜色通道，包括：
4.根据权利要求1所述的基于图像去雾的智能交通任务执行方法，其特征在于，所述根据所述大气光和所述最小颜色通道计算所述道路图像的雾霾浓度，包括：
5.根据权利要求4所述的基于图像去雾的智能交通任务执...
【技术特征摘要】
1.一种基于图像去雾的智能交通任务执行方法，其特征在于，包括：
2.根据权利要求1所述的基于图像去雾的智能交通任务执行方法，其特征在于，所述计算所述道路图像的大气光，包括：
3.根据权利要求1所述的基于图像去雾的智能交通任务执行方法，其特征在于，所述筛选出所述道路图像中每个像素点的多个颜色通道的最小值，得到最小颜色通道，包括：
4.根据权利要求1所述的基于图像去雾的智能交通任务执行方法，其特征在于，所述根据所述大气光和所述最小颜色通道计算所述道路图像的雾霾浓度，包括：
5.根据权利要求4所述的基于图像去雾的智能交通任务执行方法，其特征在于，所述根据所述雾霾浓度计算透射率，包括：
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。