基于clahe的图像去雾

简介: 基于clahe的图像去雾     通过阅读一些资料,我了解到clahe算法对图像去雾有所价值,正好opencv中有了实现,拿过来看一看。   但是现在实现的效果还是有所差异 #include "stdafx.
基于clahe的图像去雾
    通过阅读一些资料,我了解到clahe算法对图像去雾有所价值,正好opencv中有了实现,拿过来看一看。
 
但是现在实现的效果还是有所差异

# include  "stdafx.h"
# include  <iostream >
# include  "opencv2/core/core.hpp"
# include  "opencv2/highgui/highgui.hpp"
# include  "opencv2/imgproc/imgproc.hpp"
using  namespace std;
using  namespace cv;
int _tmain( int argc, _TCHAR * argv[])
{    
    Mat src  = imread( "4.jpg");
    Mat dst;
    vector <Mat > planes;
    split(src,planes);
    
   
    Ptr <CLAHE > clahe  = createCLAHE();
    clahe - >setClipLimit( 4);
    clahe - >apply(planes[ 0],planes[ 0]);
    clahe - >apply(planes[ 1],planes[ 1]);
    clahe - >apply(planes[ 2],planes[ 2]);
    merge(planes,  dst);
     
    imshow( "src",src);
    imshow( "dst",dst);
    imwrite( "dst2.jpg",dst);
    waitKey();
     return  0;
}
 
 
 





目前方向:图像拼接融合、图像识别 联系方式:jsxyhelu@foxmail.com
目录
相关文章
|
5月前
|
机器学习/深度学习 监控 算法
图像去雾综述
图像去雾综述
|
21天前
|
机器学习/深度学习 计算机视觉
深度学习之农作物病害检测
基于深度学习的农作物病害检测利用卷积神经网络(CNN)、生成对抗网络(GAN)、Transformer等深度学习技术,自动识别和分类农作物的病害,帮助农业工作者提高作物管理效率、减少损失。
40 3
|
机器学习/深度学习 计算机视觉
基于人工神经网络的车牌识别系统的研究(Matlab代码实现)
基于人工神经网络的车牌识别系统的研究(Matlab代码实现)
177 1
基于人工神经网络的车牌识别系统的研究(Matlab代码实现)
|
算法
基于混合生物地理学的优化萤火虫算法研究(Matlab代码实现)
基于混合生物地理学的优化萤火虫算法研究(Matlab代码实现)
基于混合生物地理学的优化萤火虫算法研究(Matlab代码实现)
|
机器学习/深度学习 传感器 算法
【裂缝识别】基于计算机视觉实现道路裂缝识别附matlab代码
【裂缝识别】基于计算机视觉实现道路裂缝识别附matlab代码
|
传感器 机器学习/深度学习 算法
【图像去雾】基于DehazeNet实现图像去雾附matlab代码
【图像去雾】基于DehazeNet实现图像去雾附matlab代码
|
机器学习/深度学习 传感器 SQL
领域最全 | 计算机视觉算法在路面坑洼检测中的应用综述(基于2D图像/3D LiDAR/深度学习)(下)
本文首先介绍了用于2D和3D道路数据采集的传感系统,包括摄像机、激光扫描仪和微软Kinect。随后,对 SoTA 计算机视觉算法进行了全面深入的综述,包括: (1)经典的2D图像处理,(2)3D点云建模与分割,(3)机器/深度学习。本文还讨论了基于计算机视觉的路面坑洼检测方法目前面临的挑战和未来的发展趋势: 经典的基于2D图像处理和基于3D点云建模和分割的方法已经成为历史; 卷积神经网络(CNN)已经展示了引人注目的路面坑洼检测结果,并有望在未来的进展中打破瓶颈的自/无监督学习多模态语义分割。作者相信本研究可为下一代道路状况评估系统的发展提供实用的指导。
领域最全 | 计算机视觉算法在路面坑洼检测中的应用综述(基于2D图像/3D LiDAR/深度学习)(下)
|
机器学习/深度学习 传感器 数据采集
领域最全 | 计算机视觉算法在路面坑洼检测中的应用综述(基于2D图像/3D LiDAR/深度学习)(上)
本文首先介绍了用于2D和3D道路数据采集的传感系统,包括摄像机、激光扫描仪和微软Kinect。随后,对 SoTA 计算机视觉算法进行了全面深入的综述,包括: (1)经典的2D图像处理,(2)3D点云建模与分割,(3)机器/深度学习。本文还讨论了基于计算机视觉的路面坑洼检测方法目前面临的挑战和未来的发展趋势: 经典的基于2D图像处理和基于3D点云建模和分割的方法已经成为历史; 卷积神经网络(CNN)已经展示了引人注目的路面坑洼检测结果,并有望在未来的进展中打破瓶颈的自/无监督学习多模态语义分割。作者相信本研究可为下一代道路状况评估系统的发展提供实用的指导。
领域最全 | 计算机视觉算法在路面坑洼检测中的应用综述(基于2D图像/3D LiDAR/深度学习)(上)
|
机器学习/深度学习 传感器 算法
基于神经网络识别抑郁症附matlab代码
基于神经网络识别抑郁症附matlab代码
|
传感器 机器学习/深度学习 资源调度
【目标跟踪】基于拓展卡尔曼滤波实现海上多目标跟踪滤波附matlab代码
【目标跟踪】基于拓展卡尔曼滤波实现海上多目标跟踪滤波附matlab代码
下一篇
无影云桌面