最新的成效见
:http://video.sina.com.cn/v/b/124538950-1254492273.html
 

★★  
输入文件:counttree.in   输出文件:counttree.out   简单对比
时限定:1 s   内存限制:128 MB

     
可处理视频的以身作则:视频去雾效果

【题目叙述】

有关培育的统计问题发各种各样的版,这里而需要缓解一个比较简单的题材:对于同棵包含N个节点的有根树,将所有点从1至N编号后,对于各级一个节点v,统计出因v为彻底的子树中来多少只点之号子比v小。

 

   
 在图像去雾是小圈子,几乎没有人不知晓《Single Image Haze Removal Using
Dark Channel
Prior》这篇稿子,该文是2009年CVPR最佳论文。作者何凯明博士,2007年清华大学毕业,2011年香港中文大学博士毕业,可谓是功力深厚,感叹于国内部分所谓博士的档次,何这样的博士才足以真正叫Doctor。

【输入格式】

输入第一执包含一个平头N,以下N行每行包含一个整数,其中第i尽之平头表示编号为i的节点的阿爸节点的号码,根之大人节点编号为0。

    
关于何博士之组成部分资料和论文,大家可看这里:http://research.microsoft.com/en-us/um/people/kahe/

【输出格式】

出口包含N行,其中第i尽于来号码为i的节点的统计结果。

    
最开头接触何的即时首论文是以2011年,说其实的杀时刻,只是凭浏览了下,看到中的soft
matting过程比较复杂,并且实施进度特别缓慢,就从未什么特别的志趣。最近又奇迹拾于,仔细研读,觉得论文的推理步骤特别清晰,讲解很到位。恰好适逢浏览到那另外一首文章《Guided
Image
Filtering》 ,其中涉嫌了足据此导向滤波来替soft
matting的过程,且速度高速,因此,我本着去雾的兴味算法又大大提高了。
 

【样例输入】

3
2
3
0

     本文主要及是指向《Single Image Haze
Removal Using Dark Channel
Prior》的翻译、整理、及有解释。如果您的英文水准好,建议看原稿可能来之重爽些。

【样例输出】

0 1 2

    一、论文思想之粗略描述 

【提示】

于此键入。

     首先看暗通道先验是啊:

【来源】

20%的数据1<=n<=1000

100%的数据1<=n<=100000

 

达到来拘禁了千篇一律眼睛题目难度是简单发黑星,感觉非常不可做(因为自身一般以cogs刷两星球的问题大少一普不看题解AC)

同等开始看是树上倍增.树上DP.RMQ之类的,但是还无见面什么。。

不得已只好暴力。

暴力思路:

如出一辙:读入每一个点,记录他的father,

老二:枚举每一个碰,如果他的father不为0且她的father的价比较他不行,那么其的father的值就++

正解:

DFS序+树状数组

可关押了一晃测评记录自己之强力0.125s秒杀所有正解+暴力=.=

 

统计 1

 1     #include<iostream>
 2     #include<cstdio>
 3     #include<cstring>
 4     #include<cmath>
 5     using namespace std;
 6     const int MAXN=100001;
 7     int read(int & n)
 8     {
 9         char c='/';int x=0,flag=0;
10         while(c<'0'||c>'9')
11         {c=getchar();
12         if(c=='-')flag=1;}
13         while(c>='0'&&c<='9')
14         {x=x*10+c-48;c=getchar();}
15         if(flag)n=-x;
16         else n=x;
17         return n;
18     }
19     int n,p;
20     int fa[MAXN];
21     int ch[MAXN];
22     int num[MAXN];
23     int main()
24     {
25         freopen("counttree.in","r",stdin);
26         freopen("counttree.out","w",stdout);
27         read(n);
28         for(int i=1;i<=n;i++)
29         {
30             read(p);
31             fa[i]=p;    
32         }
33         for(int i=1;i<=n;i++)
34         {
35             int p=i;
36             while(fa[p]!=0)
37             {
38                 if(fa[p]>i)
39                     num[fa[p]]++;
40                 p=fa[p];
41             }
42         }
43         for(int i=1;i<=n;i++)
44         {
45             printf("%d ",num[i]);
46         }
47         return 0;
48     }

统计 2

 

      
在多数非天空的组成部分区域里,某有些像素总会发生最少一个颜料通道有非常没有之值。换言之,该区域就强度的最小值是只特别有些之再三。

  我们为暗通道一个数学概念,对于随意的输入图像J,其暗通道可以据此下式表达:

                                   统计 3 

      式中Jc代表彩色图像的每个通道 ,Ω(x)表示因为像素X为基本的一个窗口。 

   
式(5)的意义用代码表达也大粗略,首先请求出每个像素RGB分量中的最小价,存入相同副和原来图像大小相同的灰度图中,然后再对当下幅灰度图进行极端小值滤波,滤波的半径由窗口大小决定,一般发生WindowSize
= 2 * Radius + 1;          

      暗通道先验的辩护指出:

                                                           
统计 4           

     实际在蒙导致暗原色中没有通道值主要有三个元素:a)汽车、建筑物与市中玻璃窗户的阴影,或者是树叶、树和岩等自景色的影子;b)色彩鲜艳的物体或外部,在RGB的老三单通道被稍微通道的值好没有(比如绿色的草地/树/植物,红色或黄色的繁花/叶子,或者蓝色之水面);c)颜色比较暗的体或表面,例如灰暗色的干与石头。总之,自然山水中处处都是影子或者彩色,这些风景的图像的暗原色总是慌惨淡的。

     
我们抛开开论文被罗列的那些例子,自己于网上搜索几幅没有雾的风景照,看看结果如下:

   统计 5    
统计 6

   统计 7    
统计 8

   统计 9    
统计 10

                     
一些无雾的图片                                                                               
  其暗通道

每当省有有雾的觊觎的暗通道:

   统计 11  
统计 12

   统计 13  
统计 14

          一些有雾的图                                                                              
   其暗通道

  上述暗通道图像俱使用的窗口大小为15*15,即无限小值滤波的半径为7像素。

     
由上述几帧图像,可以一目了然的看暗通道先验理论的普遍性。在笔者的舆论中,统计了5000差不多可图像的特征,也都基本相符这个先验,因此,我们可看实际一条定律。

     
有矣此先验,接着就是得开展局部数学方面的演绎来最终化解问题。

  首先,在电脑视觉与电脑图形中,下述方程所讲述的雾图形成模型被周边采用:

                                                  
统计 15

 
 其中,I(X)就是咱们现在已经部分图像(待去雾的图像),J(x)是咱而回升的无雾的图像,A是世上大气光成分,
t(x)为透射率。现在的曾清楚条件就是I(X),要求目标值J(x),显然,这是独出为数不少消的方程,因此,就得有先验了。

  将式(1)稍作处理,变形也下式:

                                                   
统计 16

   
如上所述,上标C表示R/G/B三单通道的意思。

   
首先假要于各国一个窗口内透射率t(x)为常数,定义他也统计 17,并且A值已经给定,然后对式(7)两止求少次最好小值运算,得到下式:

                                 
统计 18

   
上式中,J是待求的无雾的图像,根据前述的暗原色先验理论有:

                                              
统计 19

     因此,可推导出:

                                                        
统计 20

   
把式(10)带入式(8)中,得到:

                                                 统计 21

    这即是透射率统计 22的预估值。

   
在现实生活中,即使是晴白云,空气被呢在在有微粒,因此,看天的体或能够感觉到雾的熏陶,另外,雾的存吃人类感到景深的留存,因此,有必要在去雾的当儿保留得水准之雾气,这可以通过在式(11)中引入一个于[0,1]
之间的因子,则式(11)修正为:

                                              
统计 23

     本文中兼有的测试结果因让: 
ω=0.95。

    
上述推论中还是如果全球达到气光A值时曾经知道的,在骨子里被,我们可以因暗通道图来起发生雾图像被取得该值。具体步骤如下:

      1)
从暗通道图备受仍亮度的分寸取前0.1%的像素。

          2)
在这些职务被,在原始有雾图像I中寻找对应的所有高亮度的接触之价,作为A值。

    
到这无异步,我们即便足以进行管雾图像的回升了。由式(1)可知:  J = ( I –
A)/t + A  

     现在I,A,t都已经求得了,因此,完全可以开展J的计。

     当投射图t
的价值好小时,会导致J的价偏老,从而使淂图像整体为白场过度,因此一般但安装同一阈值T0,当t值小于T0时,令t=T0,本文中兼有机能图俱因T0=0.1也正规计算。

     因此,最终之复原公式如下:

                              
 统计 24

    
当直接用上述申辩进行复原时,去雾的机能实在也是很强烈的,比如下面有例:

   统计 25   
统计 26

   统计 27  
 统计 28

                
有雾图                                           
 去雾图

      注意到第一帧图的原图两单字之方圆明显有雷同块不和谐的地方,而第二图顶部水平方向似乎来同一片没有进行去雾处理,这些都是由于我们的透射率图过于粗糙了。

     
要取得越来越精细的透射率图,何博士在文章被提出了了soft
matting方法,能获取好细致的结果。但是他的一个沉重之瑕疵就是是快特慢,不下让实际用。在2011年,何博士而除了同切开论文,其中涉及了导向滤波的法子来得到比较好之透射率图。该法的要过程集中让简单的方框模糊,而方框模糊有多更以及半径无关之迅速算法。因此,算法的实用性就高,关于这个导向滤波算法大家以乌博士的网站可以团结失去研习下,除了在去雾方面他,还富有别样多面的运用,这一部分本文不多述。

     使用了导向滤波后底去雾效果:

  统计 29  
统计 30

  统计 31  
统计 32 

         
  使用原来之预估透射率图                               
 使用导向滤波后底透射率图

  统计 33   
统计 34

               (a)
原图                               
  (b)  去雾结果图

  统计 35    统计 36

                (c)   
暗通道图                          (d) 导向图
(原始图像的灰度图)

  统计 37  
 统计 38

                (e) 
 预估透射率图                       (f)   使用导向滤波后底透射率图

  二、各参数对失雾结果的震慑

  第一:窗口的大小。这个对结果吧是独重点的参数,窗口更加怪,其涵盖暗通道的概率越充分,暗通道也不怕更黑。我们不去打理论角度分析,从执行的效应来拘禁,似乎窗口更加老,去雾的意义更加不明了,如下图所示:

   统计 39   
 统计 40

                              (a)
原始图像                            (b)
窗口大小=11

   统计 41  
统计 42

              (c)
窗口大小=21                         (d)
窗口大小=101 

  我的建议是窗口大小在11-51之间,即半径在5-25里边。

    
式(12)中之ω具有着强烈的意思,其价值更聊,去雾效果更加不醒目,举例如下:

  
统计 43   统计 44

                                    (a)
原始图像                                  
(b)    ω=0.5         

  
统计 45   统计 46    

                                       (c)   
ω=0.8                                                                  
    (d)    ω=1 

    三:编码的步子

  如果您仔细的分析了初稿的细路,加上适量的参考,编码其实并无是蛮不便。

  1)根据旧图像求暗通道,参考代码如下:

    for (Y = 0, DarkPt = DarkChannel; Y < Height; Y++)
    {
        ImgPt = Scan0 + Y * Stride;
        for (X = 0; X < Width; X++)
        {
            Min = *ImgPt;
            if (Min > *(ImgPt + 1)) Min = *(ImgPt + 1);
            if (Min > *(ImgPt + 2)) Min = *(ImgPt + 2);
            *DarkPt = Min;
            ImgPt += 3;
            DarkPt++;
        }
    }

    MinFilter(DarkChannel, Width, Height, Radius);

    这里需要留意的凡MinFilter算法的敏捷实现,提供相同篇论文供有需要之情侣念:STREAMING
MAXIMUM-MINIMUM FILTER USING NO MORE THAN THREE COMPARISONS PER
ELEMENT 。这个算法的辰复杂度是O(1)的。

     
2)按文中所描述的算法自动获取世界大气光的价。

     这里说明一些,原始论文中之A最终是取原始像素中的某个一个触及的像素,我实在是收获之符合条件的所有点的平均值作为A的值,我如此做是以,如果是取一个接触,则诸通道的A值大有或全生类似255,这样的话会导致处理后的图像偏色和产出大量色斑。原文作者说这个算法对空部分不需特备处理,我实在发现该算法对发出天空的图像的效用一般都未好。天空会并发明显的衔接区域。作为化解方案,我长了一个参数,最充分环球大气光值,当计算的价值大于该值时,则就是获取该值。
 

    统计 47  
统计 48  
 统计 49

                       
原图                                                        
未对A值做限定                  最要命A值限定为220

       3)
按式(12)计算预估的透射率图。

  在式(12)中,每个通道的多寡还需要除以对应之A值,即由一化,这样做,还在一个问题,由于A的挑过程,并无克担保每个像素分量值除以A值后都自愧不如1,从而导致t的价值可能小于0,而立即是未可能的,原文作者并无交代这一点是怎处理的。我以实质上的编码中发现,如果确这么做了,其功效也并无是十分理想 ,因此,我最后之方是在式(12)中,不考虑A的乘除。

        4)计算导向滤波图。

  
这里可以直接用老的图像做导向图,当然也得以据此其灰度图,但是就此RGB导向图在生一致步之计量着会占有比较老的时刻。

        5)按照《Guided Image
Filtering》论文被的公式(5)、(6)、(8)编码计算获得迷你的透射率图。

    网络上发生此算法的
matlab代码可下载的,这里贴有代码:

  function q = guidedfilter(I, p, r, eps)
  %   GUIDEDFILTER   O(1) time implementation of guided filter.
  %
  %   - guidance image: I (should be a gray-scale/single channel image)
  %   - filtering input image: p (should be a gray-scale/single channel image)
  %   - local window radius: r
  %   - regularization parameter: eps

  [hei, wid] = size(I);
  N = boxfilter(ones(hei, wid), r); % the size of each local patch; N=(2r+1)^2 except for boundary pixels.

  % imwrite(uint8(N), 'N.jpg');
  % figure,imshow(N,[]),title('N');
  

  mean_I = boxfilter(I, r) ./ N;
  mean_p = boxfilter(p, r) ./ N;
  mean_Ip = boxfilter(I.*p, r) ./ N;
  cov_Ip = mean_Ip - mean_I .* mean_p; % this is the covariance of (I, p) in each local patch.

  mean_II = boxfilter(I.*I, r) ./ N;
  var_I = mean_II - mean_I .* mean_I;

  a = cov_Ip ./ (var_I + eps); % Eqn. (5) in the paper;
  b = mean_p - a .* mean_I; % Eqn. (6) in the paper;

  mean_a = boxfilter(a, r) ./ N;
  mean_b = boxfilter(b, r) ./ N;

  q = mean_a .* I + mean_b; % Eqn. (8) in the paper;
  end

      
由方的代码,可见,主要的工作量在均值模糊上,而均值模糊是单可怜迅速的算法,关于均值模糊的优化可参考我以前的篇章:彩色图像高速模糊的懒惰算法。

      还有某些即是,上述计算需要以[0,1]克外开展,也就是说导向图和预估的透射率图都不能不于[0,255]先映射到[0,1]于进展计算。

     
关于guidedfilter中之半径r值,因为在前方进行最小价后迷迷糊糊通道的图像成为一片一样片的,为了要透射率图更加精致,建议者r的取值不低于进行最小值滤波的半径的4倍增,如下图所示:

   
统计 50    
统计 51

          (a) 
r=最小值滤波半径的2倍增
                       (b) r=最小值滤波半径的8倍

      可以视,当r比较粗的时刻,在透射率图备受着力看不到什么细节信息,因此恢复处的图像边缘处不显著。

     
参数eps的取值也存有侧重,他要是为着防计算中除以0的缪以及为了使得一些计算结果未必过非常,一般提议取值0.001或更粗。

     
如果下的绚丽多彩RGB图做导向图,计算时达会大增很多,所的到的透射率图的边缘会比灰度图所处理的保存了再多的细节,效果达到稍加微比灰度图好,如下所示:

    
统计 52  
 统计 53

              (a)
原图                                                                               
    (b)预估的透射率图

    
统计 54   
统计 55

                      
(c)使用灰度图为导向图获得的透射率图                      
    (d)使用RGB图为导向图获得的透射率图

     统计 56   
统计 57

           (e)灰度图也导向图对应之去雾效果    
                       
  (f)RGB图导向图对应之去雾效果

       以RGB图也导向图的计量着,涉及到3*3片矩阵求逆的过程,如果因此非matlab语言写,可以先凭matlab的符号计算功能,以及中的符号计算命令simple,把计算结果算出来,然后再度重复其他高级语言中贯彻。

       (6)
按式(22)进行无雾图像的复。

 四、其他一些夺雾效果图

 
统计 58 
统计 59 
统计 60

   统计 61  
 统计 62  
统计 63

   统计 64   
统计 65  
统计 66

   统计 67  
 统计 68  
统计 69

                             
原图                                                
去雾效果图                                                     
透射率图

      上图备受最终一契合图自总是举行了少数不好错过雾的拍卖。 

      在原文中,有这么同样截话:

  Since the scene radiance is usually
not as bright as the atmospheric light, the image after haze removal
looks dim. So we increase the exposure of J(x) for
display.

     意思就是说直接去雾后的图像会比较原来之懵懂,因此于拍卖完后用展开得之曝光增强,但作者没有证明其是怎么加强的,
因此,这里的图跟他论文的效应有所不同时正常的。一般以去雾处理后再度用自动色剂之类的算法增强下会获得比较满意的结果,如下图:

     统计 70 
   统计 71  
 统计 72

         
原图                
去雾后              +自动色阶

     
去雾算法目前吗享有许多其他的不二法门,不过我所接触的,很多且是盖这个邪底蕴,因此,先将会这为研究其他的去雾算法能奠定坚实的底蕴。

      网络直达产生有于好的暗原色先验去雾的matlab代码:比如和本文基本对应之matlab资源:http://files.cnblogs.com/Imageshop/cvpr09defog%28matlab%29.rar

  后记:稍微有看了几首去雾的篇章,基本上都是圈着获得透视率图做文章,比如有篇章讲用联合双边滤波方式取迷你的透射率,从我个人浅薄的认识中,我觉着去雾已几近跳不发出暗原色这个规模了。

     
我本着两者滤波算法那呢举行了试验,发现这的效应啊还行,就是速度放缓了很多,双边滤波的快捷算法其实抢不起来的,所以这的实用性不强,我选了有图像做比:

     统计 73   
统计 74

                                    (a)
原图                                                              
(b)   联合双边滤波去雾图

     统计 75   
统计 76

                        (c)
导向滤波获得透射率图                                                  
(d)联合双边滤波透射率图(Sigmad=SigmaR=100)

       上图可以充分明确的看到联合双边滤波的透射率图无导向滤波的迷你,但正如原之粗的透射率图或吓广大,过渡很细腻,因此,也能博得对的视觉去雾效果。

      
联合双边滤波器中的算法是参照了OpenCv中互相关函数写的。

     和凡一样,提供一个可是供应大家测试效果的次第:
因暗原色先验的图像去雾演示程序

    统计 77

   
我分别用VB6和C#举行了单程序,两只次都曾经经过独家的语言艺术展开了优化,算法有编码是同的,C#运行速度约是VB6的1.8倍。

     在处理速度上,比
matalb的抢了无数倍,在I3的笔记本电脑上,一相符1024*768之图像去雾时间大体在150ms内(以灰度图也导向图)。

 

 五、算法的局限性

 

     
暗原色先验是相同种统计的结果,是指向大气露天无雾照片(outdoor haze-free
images)的统计结果,如果目标场景内在的就算跟大气光类似,比如雪地、白色背景墙、大海等,则由于前提条件就非正确,因此一般无法获取满意的作用,而对此一般的山水照是算法能处理的不易。

    

 

    2013.8.23 后记补充修正:

     在后续对该算法的关怀被,发现自己在前头做出了一个不当的论断,就是关于式(11)中/A的操作。我于头里说这除法会引起局部题目,因此,去除了就无异于步。但是后来底实践证明正是有了马上同步,对于对比度低之图像才足以取充分好的去雾高对比度图。

    前面说的/A操作可能会见导致t的值小于0,这种场面就可把t的价值直接设置也0来化解。

   
还有一个政工就是式(11)严格的吧是如对准老图像的每个通道进行归一化后,再取每个通道R/G/B值的最为小值得到中图,然后对之当中图进行点名半径的顶小值滤波后,通过11式收获粗糙的透射率图,那么这样就算用差不多众多计量,我以实际上被窥见如直白用前的暗通道图/A进行操作,两者的功能区别不明显,因此,可用这种便当的措施。

统计 78  
统计 79

 上图是一样副经典的测试图,虽然赢得了于好之力量,不过似乎马路那无异块的效果不如部分其他人公开的成果那么好。

统计 80  
统计 81

    
这吗是如出一辙符合比较大的测试图,该图也是紧用去雾获得结果,未举行其他的继处理,同CSDN一个之案例库:图像去雾的算法研究遭逢之职能相比,在整幅图像的自查自纠及及协调性及且设好一个水平。

    
再使下图,也较CSDN那个案例库中之力量使好过多。

 
统计 82  
统计 83

     还有:

统计 84 
统计 85

统计 86  统计 87

   

   总结:我本着这种去雾算法的效应或很惬意的, 效果跟速都还比较确切。

   附件的测试程序都一起创新。

   2013.10,10 后记补充:

    一直听说C的效率特别高,于是用C实现了拖欠算法,并且编制了一个但供应其他语言调用的dll文件,然后对顶小值滤波算法又展开了特殊的优化,算法速度发出矣异常充分的增强,特别是在用VS2010时,编写C的代码可以勾选下图备受之SSE选项和高速(fp:fast),程序会调用SSE一些函数,实现指令级别的彼此。而这些C#的编译器是无能为力兑现的。

统计 88

    
同样的算法,相对于原来的C#程序,程序的速会加强一倍左右,对于800*600之图像,在自之I3的CPU上平均能能达到20fps的速(只占了一个按的CPU资源),因此可以适用于未盖该限量外之实时图像处理。

    
同样我加了3单里头可调的参数供大家测试。

统计 89

     相应的DLL函数声明如下:

     c风格:

void HazeRemovalUseDarkChannelPrior(unsigned char * Src,unsigned char * Dest,int Width,int Height,int Stride, int Radius ,int GuideRadius, int MaxAtom, float Omega,float Epsilon,float T0 )

    c#调用:

 [DllImport("HazeRemoval.dll", CallingConvention = CallingConvention.StdCall, CharSet = CharSet.Unicode, ExactSpelling = true)]
  private static extern void HazeRemovalUseDarkChannelPrior(byte* Src, byte* Dest, int Width, int Height, int Stride, int Radius,int GuideRadius, int MaxAtom, float Omega, float Epsilon, float T0);

    VB6调用:

Private Declare Sub HazeRemovalUseDarkChannelPrior Lib "HazeRemoval.dll" (ByVal Src As Long, ByVal dest As Long, ByVal Width As Long, ByVal Height As Long, ByVal Stride As Long, ByVal Radius As Long, ByVal GuideRadius As Long, ByVal MaxAtom As Long, ByVal Omega As Single, ByVal Epsilon As Single, ByVal T0 As Single)

     

    
调用实例源代码下载:http://files.cnblogs.com/Imageshop/HazeRemovalTest.rar

 2013.11,22修正: 

  通过并双边滤波求透射率图的功能上面的免得法的,进最新的研究结果表明,双边滤波确实为能够取得迷你的投射图,比如依旧那面的测试图像,不同之SigmaS和SigmaR下得透射率效果如下:

  
统计 90   
 统计 91

          SigmaS=50,SigmaR=30                          
SigmaS=100,SigmaR=30

 

 2014.1.12
重大创新(可实现实时效果):

   
 何的算法效果以及广大的实用性还于其他的去雾算法要好,而重要的题材即是彼速还是未足够快,有着无限多的浮点计算。鉴于此,作者吧累试试着对代码进行深层次之优化,包括SSE处理、并行运行相当,但由算法本身的相继执行,无法全程并行,偶尔一个多少函数可以相互,但鉴于那个自我执行就特别快,比如不要5ms,你错过用并行算法可能耗时还见面坏一些。因此,一直没有啊坏之前行,对于同一可1024*768之彩图进行去雾需要90ms,这必将无法满足急需。

   
 最近,在揣摩,既然暗通道去雾的透射率图于其它的算法都来之精致,如果方便的减退一点点其精度,其错过雾的意义理论及理应不见面时有发生极致特别之界别,于是我想到了同等种植艺术,即求取透射率的上不是对准原图进行求取,而是先对原图进行下采样,比如缩小为原图的1/4,计算起小图的透射率,之后于经过插值的措施的拿走原图大概的透射率,则该吗可以抱力量。经过实践,这种艺术大大的增进了实践进度,而且意义以及原始之方案基本一致,对于1024*768底图像大约只需要(I3CPU)30ms了,如果进一步获取1/9底缩放,则仅需要大约20ms,完全可以满足工业实时性要求高的场子。

   
当然,如果您的紧缩系数不是特地怪之口舌,比如缩小为本来的0.5轻重缓急,可能有限浅缩放所用的耗时尚抵了算小图的透射率图所更换来之挣钱,因此须合理合法选择是下采样率。

   
要促成如此的进度,当然还是需要很高之优化技术的,这些东西还是拥有保存比较好。 

   
我做了一个程序,集成了本博客中6种图像去雾的算法: 图像去雾综合版

统计 92

     

   
用暗通道的算法对相同段子视频进行了拍卖,大家可以于此处看到效果:http://video.sina.com.cn/v/b/124538950-1254492273.html

 
  统计 93

****************************作者:
laviewpbt   时间: 2013.8.23    联系QQ:  33184777
 转载请保留本行信息********************

 

 

 写博是,土豪请打赏,屌丝一分开呢是易(非强制要求):