基于雾线和颜色衰减先验的图像去雾方法

廖苗，陆颜，张锦，赵于前，邸拴虎

（1.湖南科技大学计算机科学与工程学院，湖南 湘潭 411100；
2.长沙理工大学计算机与通信工程学院，湖南 长沙 410004；
3.中南大学自动化学院，湖南 长沙 410083）

雾霾环境下，大气中的悬浮颗粒会对可见光产生散射和吸收作用。户外成像设备在该环境下采集的图像通常存在色彩失真、细节丢失、对比度低等问题，这将导致人们通过图像直观获取到的外界信息减少，同时造成图像后续处理与分析困难，限制了其在图像分类、目标检测、模式识别、语义分割等领域的应用[1]。因此，如何快速有效地实现图像去雾已经成为当前计算机视觉领域的研究热点，具有重要的研究价值和现实意义。

目前，现有图像去雾方法主要分为图像增强、图像复原和深度学习三大类。基于图像增强的去雾方法通常不考虑雾霾形成及图像质量下降的原因，主要从改善视觉效果的角度出发，对图像进行处理。Park 等[2]提出了一种基于变分视网膜皮层（Retinex）模型的微光图像增强方法，根据图像场景深度增强图像，改善图像视觉效果。考虑到不同的光照条件和成像噪声，Hao 等[3]提出了基于特征融合的简化Retinex 模型，并将其用于低照度图像的增强。由于未考虑图像质量下降的原因，基于图像增强的去雾方法通常对一些被雾霾严重干扰的图像效果欠佳，且易导致图像细节信息丢失。

基于图像复原的去雾方法通过研究和分析图像质量下降的原因，构建雾图成像物理模型，并通过逆向求解获取清晰图像[4]。Fattal[5]假设场景透射率与目标的局部表面阴影不相关，并以此估计场景透射率，得到复原图像。该方法依赖于图像中丰富的色彩信息，当图像中含有大量浓雾且颜色信息不足时，去雾效果较差。He 等[6]通过对大量清晰无雾图像进行观察发现，在图像的非天空区域，某些像素至少在一个颜色通道的取值接近于零，并根据该现象提出了暗通道先验（DCP,dark channel prior）理论。基于DCP 理论，文献[6]利用软抠图方法细化透射率，获得去雾图像。软抠图方法的计算复杂度高且易造成去雾图像出现光晕现象，He 等[7]提出采用引导滤波代替软抠图对透射率进行优化。此外，不少学者也对DCP 理论进行了改进和补充[8-9]。例如，Hua 等[8]提出基于暗通道先验的近红外图像去雾方法，利用近红外信息区分图像中的天空与非天空区域，并分别对其进行去雾。该方法解决了DCP 在天空区域去雾效果欠佳的问题。Su等[9]提出了一种基于暗通道图像质心偏移的去雾方法，通过分析不同场景的暗通道图像质心偏移量，获取图像大气光。该方法可有效改善暗通道先验方法易导致图像整体偏暗的问题。通过对大量雾图进行观察统计，Zhu 等[10]提出了一种基于颜色衰减先验（CAP,color attenuation prior）的去雾方法，该方法利用像素饱和度随场景深度衰减这一现象，构建颜色与场景深度的线性模型，从而估计场景透射率，恢复清晰无雾图像。总体来说，基于图像复原的去雾方法基于雾图成像原理进行去雾，通常可以获得较好的去雾效果，并且该类方法属于无监督或弱监督方法，不需要进行复杂的模型训练，具有较好的实时性和稳健性。

近年来，随着深度卷积神经网络（CNN,convolutional neural network）的快速发展，不少学者提出了基于深度学习的去雾方法[11]。如，Cai 等[12]提出了一种端到端的去雾模型Dehaze-Net，通过学习雾图与透射率之间的映射关系获取清晰图像，该方法易导致去雾图像产生颜色失真、细节丢失等问题。Ren 等[13]提出了基于多尺度卷积神经网络的去雾模型，该模型包含2 个子网络，分别用于粗略和精确估计图像透射率。为了解决去雾方法中存在的Halo效应，Chen等[14]提出了一种门控上下文聚合网络（GCAN,gated context aggregation network）。Dong 等[15]提出了一种使用频率信息作为附加先验的融合判别网络模型，该模型在生成去雾图像的同时，引入了清晰无雾图像中的高频和低频先验信息对生成对抗网络进行约束，以获取更好的色彩恢复效果。基于深度学习的去雾方法的训练过程依赖于大量真实场景拍摄的有雾图像和对应的清晰无雾图像，该类数据集通常难以获取，且方法的可解释性和稳健性较差。

考虑到基于深度学习的去雾方法高度依赖样本多样性、网络设计缺乏有力的理论依据，且现有基于图像复原的图像去雾方法去雾性能欠佳等因素，本文提出一种基于雾线和颜色衰减先验的图像去雾方法。该方法首先利用雾线先验以及霍夫变换估计大气光，并根据颜色衰减先验构建关于场景深度的非线性模型，估计场景透射率；
最后，根据大气散射模型进行逆向求解获取去雾图像。

本文主要贡献与创新如下。

1) 针对雾图中像素簇在RGB 空间呈线性分布且相交于大气光这一特性，提出基于雾线先验的大气光估计方法，利用图像全局信息提取多组雾线及候选大气光，并通过霍夫投票获得精确的大气光，方法稳健性强，可有效避免大气光估计不准确造成的图像色彩失真等问题。

2) 充分利用图像场景深度与亮度和饱和度差之间的正相关关系，提出基于颜色衰减先验的非线性模型，该模型可根据单幅图像的亮度和饱和度，快速自动获取像素级场景深度及透射率，精度高、可靠性强。

3) 所提方法不涉及大型、复杂网络的构建与训练，可根据已求解的大气光和透射率，快速有效去除单幅图像中的雾霾干扰，获得色彩真实、细节丰富的去雾图像，具有较高的空间和时间效率。

雾霾环境下，图像成像模型可视为真实场景衰减后的亮度和散射到相机中的环境光的线性组合，即

其中，x为图像像素；
I(x)为相机采集的雾图在像素x处的值；
R(x)为真实场景图像在像素x处的值；
t(x)为像素x处的场景透射率；
L为大气光；
dp(x)为像素x的场景深度；
τ为大气散射系数，在大气均匀的条件下，该系数可被视为一个常数，即τ=1.0。式(1)中，R(x)t(x)为直接衰减项，描述目标场景反射光衰减后的部分；
L(1-t(x))为大气光项，描述由悬浮颗粒散射到相机中的环境光。图像去雾是一个逆向求解过程，根据相机获取的雾图I(x)，求解式(1)中的大气光和透射率，复原清晰无雾图像R(x)。

为了准确估计雾图中的大气光和透射率，本文提出了一种基于雾线和颜色衰减先验的去雾方法，流程如图1 所示。该方法主要分为两部分，首先，利用雾线先验及霍夫投票获取雾图中的大气光；
同时，基于颜色衰减先验理论中场景深度与图像亮度、饱和度之间的关系，建立非线性模型获取场景深度，从而估计图像透射率；
最后，根据已获取的大气光和透射率对大气散射模型进行逆向求解，即可得到去雾图像。

图1 本文方法流程

2.1 基于雾线先验的大气光估计

2.1.1 雾线先验

研究发现，对清晰无雾图像进行色彩聚类，获取的某一类别像素通常在无雾图像上呈离散、随机分布，且在RGB 色彩空间呈紧密、团状分布，雾线先验示意如图2 所示。

图2 雾线先验示意

图2(a)中圆形、星形、十字形等形状标记像素为采用K-means 聚类得到的三类颜色接近的像素簇；
图2(b)显示了图2(a)中像素簇在RGB 空间的分布；
而在图2(c)所示的雾图中，像素色彩值会根据其与相机距离的不同发生不同程度的改变；
图2(d)给出了图2(c)中圆形、星形、十字形等形状标记像素簇对应的RGB 空间分布，可以看到，场景中同一像素簇在RGB 空间中呈线性分布，即雾线，且这些雾线的交点即大气光L。因此，本文将利用该雾线先验估计雾图中的大气光L。

基于雾线先验理论，可将式(1)变形为经过大气光L的线性方程，即

其中，R(x)-L表示雾线方向。

为了获取图像中的雾线，将式(3)中RGB 坐标原点移至大气光L处，得到S(x)为

并采用球面坐标系表示矢量S(x)为

其中，r(x)为像素x到原点的距离，即||I(x)-L||；
α和β分别为球面坐标系中的经度和纬度。雾线由具有相同或相近经度和纬度的像素构成。

2.1.2 大气光估计

根据雾线先验，图像像素值分布可由RGB 空间中的一个交点（即大气光）和由该交点发出的一系列射线（即雾线）进行建模。为了准确估计雾图中的大气光，本文采用霍夫变换在RGB 空间对候选大气光进行霍夫投票。首先，考虑一组离散的候选大气光，并对于任意候选大气光在球坐标系通过均匀采样获取一组雾线{αk,βk}k=1,…,K，其中，K为雾线数目，αk和βk为第k条雾线的经度和纬度。图像像素I(x)与由候选大气光L和任意角度(α,β)定义的直线之间的距离可通过式(6)所示霍夫变换进行计算。

当存在至少一条直线与像素I(x)的距离小于阈值φ时，该像素才会对候选大气光L进行投票。考虑到球坐标系中，经过大气光的一系列直线呈发散状，本文采用自适应阈值φ决定该像素是否对大气光进行投票，该阈值随着像素与大气光距离的增加而增大，具体计算式如下

其中，φ0为权重参数，本文取φ0=0.02。根据暗通道先验理论[6]，图像中极度明亮的物体是非常罕见的，且某些明亮的目标通常不包含雾霾干扰，如靠近相机的明亮目标，因此，仅允许图像像素对比自身亮度值高的大气光进行投票。正确的大气光可更好地模拟图像像素分布，从而获得更多的像素投票，因此，最大化式(8)即可获得最优的大气光L，即

其中，F[·]为指示函数，若相应的判断条件为真则指示函数取值为1，否则为0。

其中，A(i)=1+4exp(-i)为快速衰减权值，当像素与大气光L的差值较小时，对该像素投票赋予较大的权重。

2.1.3 计算效率优化

在RGB 空间，计算图像中每一个像素对所有候选大气光的投票是一项计算成本很高的任务。为了降低计算成本，本文提出一种近似计算方法，在确保计算准确的同时提高计算速度。首先，对图像像素进行色彩聚类，采用聚类中心代替图像像素。其次，将RGB 空间拆分为多个二维空间，包括RG、GB、RB 空间，并分别在上述3 个二维色彩空间进行霍夫投票。

1) 色彩聚类。本文采用K-means 算法根据像素色彩值将图像像素聚类为N类，{Ci}i=1,…,N表示每个聚类中心的色彩值，{wi}i=1,…,N表示图像中每个色彩类别的像素数，N值远小于图像中的像素数，本文取N=1 000。在霍夫投票中，每个色彩值Ci都会根据其与候选大气光的距离进行投票，且将wi作为该色彩值的投票权重，即

2) 基于二维色彩空间的霍夫投票。在RGB 空间计算图像像素对所有候选大气光的霍夫投票，其时间与空间开销巨大。为了降低计算成本，分别在RG、GB、RB 这3 个二维空间进行霍夫投票，获得3 个边缘概率分布，并通过最大化3 个边缘概率分布的外积获取最优的大气光L。

2.2 基于颜色衰减先验的透射率估计

根据式(2)，雾图中的透射率仅与场景深度相关。为了估计图像场景深度，本文利用雾图成像过程中的颜色衰减先验，构建图像亮度、饱和度与场景深度的非线性模型。

2.2.1 颜色衰减先验

不同天气条件下，真实场景的成像过程不同，所获取图像的亮度和饱和度也存在较大差异。在无雾环境下，场景元素辐射出的光线可直接传递至成像系统，其能量损失极少，因此，可获得色彩丰富、饱和度和对比度高的清晰图像。而在雾霾环境下，场景元素的成像过程变得复杂，获取的图像受两方面的影响。一方面，直接衰减项R(x)t(x)使场景元素散射光的能量减少，导致场景固有颜色的亮度和饱和度降低。另一方面，由环境光散射形成的灰白色大气光进入成像系统，使图像亮度增加，饱和度降低。场景深度与亮度、饱和度之间的关系如图3 所示。

图3(a)所示为一幅户外雾图，从中分别选取场景深度较远、适中和较近的3 个局部区域R1、R2和R3，箭头指示区域为其放大图。图3(b)给出了每个局部区域的平均亮度、饱和度以及两者的差值。从图3(b)可以看出，近景区域R3的饱和度、亮度均适中，两者的差值较小，接近零。随着场景深度的增加，在雾霾的影响下，图像亮度随之增加，同时场景饱和度急剧下降，亮度与饱和度的差值明显提升，场景固有颜色越难识别。

图3 场景深度与亮度、饱和度之间的关系

从RESIDE 数据库[16]的子集户外训练集（OTS,outdoor training set）中随机挑选20 幅雾图，对图中像素的场景深度与亮度和饱和度差值之间的关系进行统计，得到颜色衰减先验规律如图4 所示，横坐标为像素的场景深度，纵坐标为像素亮度与饱和度的差值，图4 中实线表示统计20 幅图像得到的不同场景深度下，亮度与饱和度之差的均值，灰色区域表示标准差。

从图4 可以看出，随着场景深度的增加，像素亮度与饱和度的差值逐渐增大。基于该颜色衰减先验，可以得到图像的场景深度与亮度和饱和度差值呈正相关，即

图4 颜色衰减先验规律

其中，x表示图像像素，dp为场景深度，b(x)为像素x处的亮度，s(x)为像素x处的饱和度。

2.2.2 非线性模型的场景深度估计

基于颜色衰减先验，Zhu 等[10]建立了雾图中场景深度的线性模型如下

其中，ε(x)表示对像素x添加的随机噪声。采用该线性模型得到的场景深度存在负值问题。为了避免负值，本文引入非线性模型对场景深度进行估计，如式(13)所示。

其中，λ0、λ1、λ2和δ均为该非线性模型参数，ς是一个随机变量，用来表示模型的随机误差。本文采用期望值为0、方差为σ2的高斯分布作为随机变量ς(x)，即ς(x)～N(0,σ2)。根据高斯分布特性，可知场景深度dp(x)符合如下分布。

为了获取非线性模型涉及的参数λ0、λ1、λ2、δ、σ，本文采取有监督的训练策略。随机选取RESIDE数据库OTS 子集中的2 000 幅合成雾图和其对应的场景深度作为训练数据。

利用训练数据，可得到如下联合概率。

其中，n表示训练样本中有雾图像的像素数目，dp(xn)表示第n个像素的场景深度，J为联合概率值。训练时，假设每个像素的随机误差都是相对独立的，即则联合概率J可计算为

计算lnJ对σ2的偏导并令偏导值为0，表示为

即可得到σ2的最大似然估计为

对于非线性模型中涉及的参数λ0、λ1、λ2、δ，本文采用梯度下降算法进行求解。首先，分别计算lnJ对λ0、λ1、λ2、δ的偏导，即

然后，更新各参数值直至参数收敛，即

其中，符号←表示将右边的值赋给左边，参数λ0、λ1、λ2、δ在训练过程中是动态迭代更新的。具体参数训练步骤如算法1 所示。对于原始雾图，通过非线性模型获取场景深度后，采用式(2)即可获取图像的透射率。

算法1参数训练

3.1 数据集

采用RESIDE 公共数据集[16]中提供的OTS 作为实验数据。该数据集包含72 135 幅合成雾图和其对应的清晰无雾图像，从中随机选取2 000 幅图像作为训练集，500 幅作为测试集。图像格式均为JPEG，图像大小为500 像素×400 像素～500 像素×750 像素。

3.2 评价指标

为了定量分析方法性能，本文采用信息熵（IE,information entropy）、峰值信噪比（PSNR,peak signal to noise ratio）和结构相似性（SSIM,structural similarity）等[17]指标对去雾图像进行评价。IE 可描述图像的平均信息量，当图像中像素灰度平均分布时图像所包含的细节最多，其对应的IE 最大；
当像素取值集中在某一个较窄的区间范围时，对应的信息熵较小，其计算式为

其中，g表示像素强度，pk(g)表示色彩通道k中强度g出现的概率。PSNR 是一种全参考的图像质量评价指标，通过计算去雾图像与真实清晰参考图像之间的灰度差异得到，即

其中，n为像素的比特数，MSE(X,Y)表示去雾图像X与清晰图像Y灰度差平方的均值，计算式如下

其中，Xk和Yk表示图像X和Y在彩色通道k上的强度，H、W分别为图像的高度和宽度。PSNR 值越小表明图像失真越严重。

SSIM 也是一种全参考的图像质量评价指标，分别从亮度φ、对比度γ、结构ρ这3 个方面综合度量图像相似性，即

MX和MY、SX和SY分别表示图像X和Y的均值和标准差，CXY表示图像X和Y的协方差，R1、R2和R3为常数，为了避免出现分母为0 的情况，其值分别设置为R1=(N1G)2，R2=(N2G)2，，默认N1=0.01，N2=0.03，G=255。SSIM 取值范围为[0,1]，数值越大表明图像失真越小。

3.3 非线性模型参数训练

雾图成像过程中，像素场景深度与亮度和饱和度之差呈正相关。为了准确估计雾图中的像素场景深度，本文构建了基于亮度和饱和度的非线性模型。模型参数训练过程中，训练图像的每一个像素对应一个亮度、一个饱和度和一个场景深度，其中，亮度和饱和度可根据原始雾图计算得到，场景深度则可直接从公共数据库中获取。本文采用2 000 幅训练图像对非线性模型进行训练，利用梯度下降法，通过迭代更新的方式获取模型参数。非线性模型训练过程中的参数变化如图5 所示。从图5 可以看出，随着迭代次数的增加，各参数值快速下降收敛，当迭代次数达100 左右时，各参数均趋于稳定。实验中，当相邻两次迭代的参数差值小于10-7时，模型停止迭代，获取最优参数值，分别为：λ0=-0.103 081，λ1=1.000 521，λ2=-0.999 901，δ=4.000 436，σ=0.022 318。

图5 非线性模型训练过程中的参数变化

3.4 结果比较与讨论

3.4.1 与基于图像复原的去雾方法比较

本文方法采用雾线和颜色衰减先验获取雾图中的大气光和透射率，并通过逆向求解大气散射模型获取去雾图像，属于基于图像复原的去雾方法。不同基于图像复原的去雾方法对室外雾图的去雾结果对比如图6 所示。其中，图6(a)为原始雾图，图6(b)～图6(f)分别为文献[5-6,10,18]方法和本文方法的去雾结果。下面主要从去雾图像的亮度、清晰度、饱和度、颜色等方面对不同方法的去雾效果进行定性评价。

图6 不同基于图像复原的去雾方法对室外雾图的去雾结果对比

从图6可以看出，文献[5]方法的去雾效果较差，该方法处理后的图像存在明显偏色、整体亮度偏低、部分细节丢失以及天空区域色彩失真等问题。文献[6]提出的暗通道先验方法虽然可有效去除雾霾的影响，但其处理后的天空区域存在颜色过饱和，且部分天空区域出现伪影、块效应和光晕现象，如图6(c2)和图6(c3)所示。文献[10]提出的颜色衰减先验方法得到的去雾图像前景偏暗，且部分图像因颜色过饱和而导致部分细节丢失，如图6(d2)所示。文献[18]方法的整体去雾效果较好，但容易造成某些被隔开的天空区域颜色不一致，以及部分图像的边缘出现颜色过饱和现象，如图6(e2)和图6(e4)所示。本文方法可有效克服上述问题，从图6 可以看出，采用本文方法得到的去雾图像具有比较理想的亮度、饱和度、清晰度以及对比度，不存在伪影、块效应等问题，图像视觉效果明显优于其他方法。

采用基于图像复原的去雾方法对OTS 数据集所包含的500 幅测试图像进行去雾，并运用IE、PSNR 和SSIM 等指标对去雾图像进行定量评价，得到的均值和标准差如表1 所示。从表1 可以看出，本文方法的IE 高于其他方法，表明本文方法获得的去雾图像色彩和细节更加丰富，信息量更大。同时，本文方法的PSNR 和SSIM 也明显高于其他方法，其均值±标准差分别为29.58±0.85 和0.98±0.01，表明本文方法得到的去雾图像更接近真实无雾图，图像失真较小。

表1 本文方法与基于图像复原的去雾方法的去雾性能比较（均值±标准差）

3.4.2 与基于深度学习的去雾方法比较

为了进一步验证方法有效性，将本文方法与基于深度学习的去雾方法进行了比较。考虑到深度学习属于数据驱动型方法，除去测试所采用的500 幅图像，本文将RESIDE 数据集剩余的71 635 幅图像均用于基于深度学习的去雾方法的模型训练。图7给出了部分去雾结果示例，其中，图7(a)为原始雾图，图7(b)～图7(f)分别为文献[12,19-21]方法和本文方法的去雾结果。

基于深度学习的去雾方法依赖于网络结构的设计以及训练数据的规模与多样性。现实生活中想要获取同一场景的真实雾图及其对应的清晰无雾图像是一项十分困难的任务。目前，基于深度学习的去雾方法所采用的训练数据中，绝大部分雾图是人工合成的，数据多样性受限，易导致网络过拟合，从而影响网络对真实雾图的去雾效果。此外，去雾网络的结构设计通常缺乏有力的理论依据，在缺乏理论指导的情况下很难确保网络的有效性和可靠性。而本文方法从雾图成像的原理出发，构建了基于雾线先验的霍夫投票模型和基于颜色衰减先验的非线性模型，分别用于估计雾图中的大气光和透射率，方法理论依据强、可靠性高、通用性强，可自适应获取单幅图像的大气光和透射率，并根据大气散射模型，通过逆向求解得到去雾图像。从图7可以看出，文献[19]方法去雾效果较差，去雾后的图像整体偏暗，且天空区域色彩过饱和。文献[20]方法的去雾效果优于文献[19]方法，但该方法易在天空区域产生伪影。文献[12]方法获得的去雾图像对比度仍较低。文献[21]方法去雾效果相对较好，去雾较彻底且不存在伪影，但部分区域易出现颜色过饱和。本文方法在采用小样本训练的情况下即可取得令人满意的去雾效果，可在去除雾霾干扰的同时保持图像色彩，获得细节丰富、对比度高的去雾图像。

图7 与基于深度学习的去雾方法的结果比较

表2 给出了本文方法与基于深度学习的去雾方法的去雾性能比较。从表2 可以看出，本文方法的IE 均高于对比方法，表明本文方法得到的去雾图像色彩、细节更加丰富、信息量更大。且本文方法的PSNR 高于文献[12,19-20]方法，SSIM 高于文献[12,19]方法，说明本文方法得到的去雾图像保真度较好，失真较小。

表2 本文方法与基于深度学习的去雾方法的去雾性能比较（均值±标准差）

3.5 运行时间

本节实验设备配置如下：(Intel(R) Core(TM)i5-10400F CPU @ 2.90 GHz，24 GB RAM，NVIDIA GeForce RIX 3060 GPU。本节实验的参数数量、浮点计算次数、运行平台和运行时间（包含训练时间及测试一幅图像的平均时间）如表3 所示。方法的参数数量和浮点计算次数很大程度决定了方法运行时所需内存空间的大小和运行时间长短。从表3可以看到，基于图像复原的去雾方法参数数量和浮点计算次数均少于基于深度学习的去雾方法，可直接在CPU 上运行，而基于深度学习的去雾方法[20-21]则需依赖于GPU 的加速运算。虽然文献[12,19]方法均是基于CNN 的，但其属于轻量级网络，也可直接在CPU 上运行，不需要过分依赖于GPU 加速。文献[21]提出的FFA-Net 具有相对复杂的网络结构，其训练以及测试时间均显著长于其他基于深度学习的去雾方法[12,19-20]。本文方法利用雾线和颜色衰减先验估计图像大气光和透射率，参数数量和浮点计算次数均明显低于基于深度学习的去雾方法，可直接在CPU 上运行，且测试一幅图像的平均时间仅需0.72 s，表明本文方法在空间和时间效率上均具有明显优势。

表3 不同方法的参数数量、浮点计算次数、运行平台和运行时间

本文提出了一种基于雾线和颜色衰减先验的图像去雾方法。首先，利用雾线先验及霍夫投票获取雾图中的大气光。其次，根据颜色衰减先验，利用雾图中像素亮度与饱和度之间的差值，构建关于场景深度的非线性模型，获取图像透射率。为验证方法的有效性，在RESIDE 公共户外数据集上进行了大量实验，并与多种基于图像复原和基于深度学习的去雾方法进行了比较，结果表明，本文方法可有效去除图像中的雾霾干扰，克服颜色过饱和、细节丢失、图像偏色等问题，获取高对比度、清晰自然的去雾图像，且相较于其他方法，本文方法在空间和时间效率上均具有显著优势。

猜你喜欢先验饱和度大气宏伟大气，气势与细腻兼备 Vivid Audio Giya G3 S2家庭影院技术(2021年8期)2021-11-02糖臬之吻小资CHIC！ELEGANCE(2021年25期)2021-07-29如何“看清”大气中的二氧化碳学生天地(2020年18期)2020-08-25基于无噪图像块先验的MRI低秩分解去噪算法研究成都信息工程大学学报(2019年3期)2019-09-25基于自适应块组割先验的噪声图像超分辨率重建自动化学报(2017年5期)2017-05-14针对明亮区域的自适应全局暗原色先验去雾光学精密工程(2016年4期)2016-11-07大气古朴挥洒自如河北书画研究(2016年2期)2016-08-24基于平滑先验法的被动声信号趋势项消除探测与控制学报(2015年4期)2015-12-15制作一个泥土饱和度测试仪少儿科学周刊·儿童版(2015年7期)2015-11-24巧用有机物的不饱和度理科考试研究·高中(2014年11期)2014-11-26

推荐访问:先验 衰减 图像