CN107302657A - 适用于物联网的图像采集系统 - Google Patents

适用于物联网的图像采集系统 Download PDF

Info

Publication number
CN107302657A
CN107302657A CN201710341173.3A CN201710341173A CN107302657A CN 107302657 A CN107302657 A CN 107302657A CN 201710341173 A CN201710341173 A CN 201710341173A CN 107302657 A CN107302657 A CN 107302657A
Authority
CN
China
Prior art keywords
image
module
things
internet
neural networks
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710341173.3A
Other languages
English (en)
Other versions
CN107302657B (zh
Inventor
吴晨健
王志伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN201710341173.3A priority Critical patent/CN107302657B/zh
Publication of CN107302657A publication Critical patent/CN107302657A/zh
Application granted granted Critical
Publication of CN107302657B publication Critical patent/CN107302657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/10—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H04N23/81—Camera processing pipelines; Components thereof for suppressing or minimising disturbance in the image signal generation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种适用于物联网的图像采集系统，它包括多个无线图像采集节点以及依次相连接的ARM无线控制单元、多模无线基带处理单元、网络服务器、FPGA图像处理单元、NAS服务器、客户端，多个无线图像采集节点与ARM无线控制单元分别相连接，无线图像采集节点包括放置于所需采集图像区域并在接收到ARM无线控制单元所发送的控制命令而进行拍摄的摄像头、将所拍摄的图像回传的无线图传模块，FPGA图像处理单元包括将bayer域图像处理至RGB域的图像信号处理模块和进行超分辨率重构的单幅图像超分辨率重构模块，FPGA图像处理单元将处理后的图像输出并存储在NAS服务器上，客户端通过访问NAS服务器对图像进行查看。

Description

适用于物联网的图像采集系统
技术领域
本发明涉及物联网和图像处理领域，具体涉及一种适用于物联网的图像采集系统。
背景技术
基于物联网的传感技术在智能化的生产和日常生活中的应用越来越广泛，图像传感技术作为其中的一个重要分支，有着重要的研究价值和提升空间。现有的物联网系统对物联网节点价格比较敏感，当传感器的数目达到成百上千的时候，控制物联网节点的成本显得尤为重要，并且大部分物联网图像传感器的分辨率不是很高，对物联网图像的处理不够高效灵活高效，会直接影响用户体验。
发明内容
为了解决上述的技术问题，本发明的目的在于提出一种适用于物联网的图像采集系统。
为了达到上述目的，本发明提供了一种技术方案：一种适用于物联网的图像采集系统，它包括多个无线图像采集节点以及依次相连接的ARM无线控制单元、多模无线基带处理单元、网络服务器、FPGA图像处理单元(FPGA：Field－Programmable Gate Array，现场可编程门阵列)、NAS服务器(NAS：Network Attached Storage，网络附属存储)、客户端，多个无线图像采集节点与ARM无线控制单元分别相连接，无线图像采集节点包括放置于所需采集图像区域并在接收到ARM无线控制单元所发送的控制命令而进行拍摄的摄像头、将所拍摄的图像回传至多模无线基带处理单元的无线图传模块，多模无线基带处理单元将bayer域图像传送至网络服务器，FPGA图像处理单元从网络服务器获取bayer域图像并进行处理，FPGA图像处理单元包括将bayer域图像处理至RGB域的图像信号处理模块(ISP，ImageSignal Processor)和进行超分辨率重构的单幅图像超分辨率重构模块(SISR，SingleImage Super Resolution)，FPGA图像处理单元将处理后的图像输出并存储在NAS服务器上，客户端通过访问NAS服务器对图像进行查看。
进一步地，摄像头包括3A模块。
进一步地，多模无线基带处理单元通过LTE cat0或者Wifi协议将bayer域图像传送到网络服务器，多模无线基带处理单元根据需要在LTE cat0和Wifi之间进行实时选择切换。
进一步地，图像信号处理模块包括依次相连接的用于对图像的坏点进行修正的原始数据校正模块(Raw data correction)、用于对图像的白平衡进行修正的白平衡修正模块(White Balance)、用于修正镜头畸变的镜头阴影修正模块(Lens shading)、用于降低图像空间和时间噪声的噪声降低模块(Noise Reduciton)、用于提高图像的动态范围的动态范围校正模块(Dynamic Range Correction)、用于将bayer域图像转至RGB域的去马赛克模块(Demosaic)、用于修正图像的颜色的3×3颜色矩阵模块(3x3color matrix)、用于提高图像暗区的亮度的亮度校正模块(Gamma LUT)、提高图像锐度的锐化模块(Shapening)。
进一步地，单幅图像超分辨率重构模块包括卷积神经网络(CNN，ConvolutionNeural Networks)。
更进一步地，单幅图像超分辨率重构模块还包括用于将原始图像放大的双三次插值模块(Bicubic interpolation)、与双三次插值模块和卷积神经网络分别相连接并用于将放大的图像由RGB域转到YCbCr域且将Y通道输入到卷积神经网络中进行处理的第一转化模块、与第一转化模块和卷积神经网络分别相连接并用于将卷积神经网络处理后输出的Y通道和双三次插值模块得到的Cb、Cr通道转到RGB域的第二转化模块，卷积神经网络将第一转化模块输出的Y通道处理所得结果和输入图像叠加得到高分辨率图像的Y通道并输出。
更进一步地，卷积神经网络的训练方法包括以下步骤：
a.将高分辨率的图像进行降采样和插值处理，得到低分辨率的图像；
b.将低分辨率的图像作为训练样本，将高分辨率图像和低分辨率图像的差值作为标签进行训练；
c.训练的数据来自于BSD500数据集中的200张图片，将图片剪裁(crop)成33*33大小的补片(patch)，进行训练；
d.训练方法采用小批量梯度下降法(Mini-Batch Gradient Descent)，动量(momentum)设为0.9，权重衰减(weight decay)设为0.0001；
e.卷积神经网络的网络参数初始化方式采用高斯分布(Gaussiandistribution)：均值设为0，标准差设为其中n＝k2c，k为滤波器大小，c为输入通道数；
f.训练中使用了调整梯度剪裁(adjustable gradient clipping)将梯度限制在 其中θ是预设值，γ是学习率；对卷积神经网络框架(Caffe，ConvolutionalArchitecture for Fast Feature Embedding)中的sgd_solver.cpp进行修改；
g.训练过程中参数设置为lr_policy:multistep,gamma:0.1，stepvalue:30000,stepvalue:60000,stepvalue:90000,max_iter:240000；
h.训练的过程中加入了剪枝(pruning)，剪枝方法包括：对每一个卷积层的权值分别求标准差，每层的标准差乘以一个压缩系数，得到一个阈值，将该层绝对值小于该阈值的权值置为0，并加上Mask，在BP过程中不再更新值为0的权值；对卷积神经网络框架中的solver.cpp和solver.hpp进行修改；测试数据集来自B100中的100张图片。
进一步地，客户端包括手机客户端和/或电脑客户端。
通过采用上述技术方案，本发明所提出的适用于物联网的图像采集系统，采用精简化的无线图像采集节点，传感器(sensor)只含有简单的3A模块和图传模块，不包含完整的ISP处理模块，只保留核心的图像采集和图传功能，极大的降低了无线采集节点的成本，适用于需要大量布置图像采集节点的应用场景；多模无线基带处理单元保证了通信协议的灵活切换；FPGA图像处理单元可以保证在有新的算法需要实施的时候，可以灵活进行更新；在FPGA图像处理单元中加入了单幅图像超分辨率重构模块，有效提高图像分辨率；NAS存储器保证了所采集的图像信息的安全存储以及灵活访问。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为根据本发明适用于物联网的图像采集系统的结构示意框图。
图2为根据本发明适用于物联网的图像采集系统中图像信号处理模块(ISP)的结构示意框图。
图3为根据本发明适用于物联网的图像采集系统中单幅图像超分辨率重构(SISR)的算法示意图。
图4为根据本发明适用于物联网的图像采集系统中单幅图像超分辨率重构(SISR)经过剪枝(pruning)之后的权值压缩情况；
图5为根据本发明适用于物联网的图像采集系统中单幅图像超分辨率重构(SISR)在剪枝(Pruning)前后超分变率重构性能性能对比；
图6为根据本发明适用于物联网的图像采集系统中单幅图像超分辨率重构(SISR)的硬件结构示意框图。
图7至图11为根据本发明实施的SISR中的子模块的硬件框图。。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参照附图1至附图11，本实施例中的一种适用于物联网的图像采集系统，它包括多个无线图像采集节点以及依次相连接的ARM无线控制单元、多模无线基带处理单元、网络服务器、FPGA图像处理单元(FPGA：Field－Programmable Gate Array，现场可编程门阵列)、NAS服务器(NAS：Network Attached Storage，网络附属存储)、客户端，多个无线图像采集节点与ARM无线控制单元分别相连接，无线图像采集节点包括放置于所需采集图像区域并在接收到ARM无线控制单元所发送的控制命令而进行拍摄的摄像头、将所拍摄的图像回传至多模无线基带处理单元的无线图传模块，多模无线基带处理单元将bayer域图像传送至网络服务器，FPGA图像处理单元从网络服务器获取bayer域图像并进行处理，FPGA图像处理单元包括将bayer域图像处理至RGB域的图像信号处理模块(ISP，Image SignalProcessor)和进行超分辨率重构的单幅图像超分辨率重构模块(SISR，Single ImageSuper Resolution)，FPGA图像处理单元将处理后的图像输出并存储在NAS服务器上，客户端通过访问NAS服务器对图像进行查看。
在一种更为优选的实施方案中，摄像头包括3A模块。ARM无线控制单元发送指令控制各个无线图像采集节点进行拍照，无线采集节点收到指令后，3A模块会调整ISO、曝光时间、对焦位置等参数然后进行拍照。
在一种更为优选的实施方案中，多模无线基带处理单元通过LTE cat0或者Wifi协议将bayer域图像传送到网络服务器，多模无线基带处理单元根据需要在LTE cat0和Wifi之间进行实时选择切换。
由于物联网领域的图像采集有别于面向消费者的手机和相机，多说情况下对图像质量不会有太高的要求，所以使用的精简的图像信号处理模块(ISP)，如附图2所示，它包括依次相连接的用于对图像的坏点进行修正的原始数据校正模块(Raw data correction)、用于对图像的白平衡进行修正的白平衡修正模块(White Balance)、用于修正镜头畸变的镜头阴影修正模块(Lens shading)、用于降低图像空间和时间噪声的噪声降低模块(NoiseReduciton)、用于提高图像的动态范围的动态范围校正模块(Dynamic RangeCorrection)、用于将bayer域图像转至RGB域的去马赛克模块(Demosaic)、用于修正图像的颜色的3×3颜色矩阵模块(3x3color matrix)、用于提高图像暗区的亮度的亮度校正模块(Gamma LUT)、提高图像锐度的锐化模块(Shapening)。
单幅图像超分辨率重构模块包括卷积神经网络(CNN，Convolution NeuralNetworks)，其主要作用是对图像进行超分辨率重构。卷积神经网络的训练方法包括以下步骤：
a.将高分辨率的图像进行降采样和插值处理，得到低分辨率的图像；
b.将低分辨率的图像作为训练样本，将高分辨率图像和低分辨率图像的差值作为标签进行训练；
c.训练的数据来自于BSD500数据集中的200张图片，将图片剪裁(crop)成33*33大小的补片(patch)，进行训练；
d.训练方法采用小批量梯度下降法(Mini-Batch Gradient Descent)，动量(momentum)设为0.9，权重衰减(weight decay)设为0.0001；
e.卷积神经网络的网络参数初始化方式采用高斯分布(Gaussiandistribution)：均值设为0，标准差设为其中n＝k2c，k为滤波器大小，c为输入通道数；
f.为了加快训练的速度，训练中使用了调整梯度剪裁(adjustable gradientclipping)将梯度限制在其中θ是预设值(本实施例中将其设为0.001)，γ是学习率(本实施例中将其设置为0.1)；由于使用的训练框架是Caffe(ConvolutionalArchitecture for Fast Feature Embedding，卷积神经网络框架)，所以需要对Caffe的sgd_solver.cpp进行修改；
g.训练过程中参数设置为lr_policy:multistep,gamma:0.1，stepvalue:30000,stepvalue:60000,stepvalue:90000,max_iter:240000；
h.由于训练过程中发现CNN的权重值中大部分接近0，所以在训练的过程中又加入了剪枝(pruning)，剪枝的具体方法包括：对每一个卷积层的权值分别求标准差，每层的标准差乘以一个压缩系数，得到一个阈值，将该层绝对值小于该阈值的权值置为0，并加上Mask，在BP过程中不再更新值为0的权值。需要对Caffe中的solver.cpp和solver.hpp进行修改。Pruning前后CNN网络权重压缩情况如附图4所示。Pruning前后超分重构性能性能对比如附图5所示，测试数据集来自B100中的100张图片。
单幅图像超分辨率重构模块中的CNN训练得到的权值固化在硬件结构中。如附图6所示，单幅图像超分辨率重构模块的硬件结构包括上述的卷积神经网络、用于将原始图像放大的双三次插值模块(Bicubic interpolation)、与双三次插值模块和卷积神经网络分别相连接并用于将放大的图像由RGB域转到YCbCr域且将Y通道输入到卷积神经网络中进行处理的第一转化模块、与第一转化模块和卷积神经网络分别相连接并用于将卷积神经网络处理后输出的Y通道和双三次插值模块得到的Cb、Cr通道转到RGB域的第二转化模块。
单幅图像超分辨率重构(SISR)的算法如附图3所示，原始图像经过双三次插值模块和第一转化模块的处理转化，低分辨率图像输入至卷积神经网络，输出高分辨率图像。图3中标号1至标号4分别表示卷积层1至卷积层4，其中卷积层1的参数设置：卷积核大小(kernel size)：11×11，特征图(feature map)：64；卷积核步长(stride)：1，扩充边缘(pad)：5；卷积层2的参数设置：卷积核大小(kernel size)：3×3，特征图(feature map)：32；卷积核步长(stride)：1，扩充边缘(pad)：1；卷积层3的参数设置：卷积核大小(kernelsize)：5×5，特征图(feature map)：32；卷积核步长(stride)：1，扩充边缘(pad)：2；卷积层4的参数设置：卷积核大小(kernel size)：11×11，输出(output)：1；卷积核步长(stride)：1，扩充边缘(pad)：5。
单幅图像超分辨率重构模块(SISR)的硬件设计中选用了长宽各扩大两倍的超分重构场景。硬件设计如附图6所示，其中，卷积神经网络包括卷积层1、卷积层2、卷积层3、卷积层4，卷积层1包括多个PE1模块、多个修正线性单元(ReLU)、多个RAM，卷积层2包括多个PE2-group模块、多个修正线性单元(ReLU)、多个RAM，卷积层3包括多个PE3-group模块、多个修正线性单元(ReLU)、多个RAM，卷积层4包括PE4-group模块、修正线性单元(ReLU)，各模块的数量以及连接关系如附图6中所示。附图6中的子模块如附图7-11所示。PE2-group模块包括多个PE-5模块、Add模块，各模块的数量以及连接关系如附图7中所示；PE3-group模块包括多个PE-5模块、Add模块，各模块的数量以及连接关系如附图8中所示；PE4-group模块包括多个PE-11模块、Add模块，各模块的数量以及连接关系如附图9中所示；PE-5模块包括多个Multi模块、Add模块，各模块的数量以及连接关系如附图10中所示；PE-11模块包括多个PE-5模块、Add模块，各模块的数量以及连接关系如附图11中所示。
本实施例中的NAS服务器使用的是Synology 5bay的DS1515+。FPGA处理出的图像通过文件传输协议(FTP，File Transfer Protocol)上传至NAS服务器，以供客户端查看。
客户端包括手机客户端和/或电脑客户端。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (8)

1.一种适用于物联网的图像采集系统，其特征在于：它包括多个无线图像采集节点以及依次相连接的ARM无线控制单元、多模无线基带处理单元、网络服务器、FPGA图像处理单元、NAS服务器、客户端，所述的多个无线图像采集节点与ARM无线控制单元分别相连接，所述的无线图像采集节点包括放置于所需采集图像区域并在接收到所述ARM无线控制单元所发送的控制命令而进行拍摄的摄像头、将所拍摄的图像回传至所述多模无线基带处理单元的无线图传模块，所述的多模无线基带处理单元将bayer域图像传送至所述网络服务器，所述的FPGA图像处理单元从网络服务器获取bayer域图像并进行处理，所述的FPGA图像处理单元包括将所述bayer域图像处理至RGB域的图像信号处理模块和进行超分辨率重构的单幅图像超分辨率重构模块，所述FPGA图像处理单元将处理后的图像输出并存储在所述NAS服务器上，所述的客户端通过访问NAS服务器对图像进行查看。
2.根据权利要求1所述的适用于物联网的图像采集系统，其特征在于：所述的摄像头包括3A模块。
3.根据权利要求1所述的适用于物联网的图像采集系统，其特征在于：所述的多模无线基带处理单元通过LTE cat0或者Wifi协议将所述bayer域图像传送到所述网络服务器，所述的多模无线基带处理单元根据需要在LTE cat0和Wifi之间进行实时选择切换。
4.根据权利要求1所述的适用于物联网的图像采集系统，其特征在于：所述的图像信号处理模块包括依次相连接的用于对图像的坏点进行修正的原始数据校正模块、用于对图像的白平衡进行修正的白平衡修正模块、用于修正镜头畸变的镜头阴影修正模块、用于降低图像空间和时间噪声的噪声降低模块、用于提高图像的动态范围的动态范围校正模块、用于将bayer域图像转至RGB域的去马赛克模块、用于修正图像的颜色的3×3颜色矩阵模块、用于提高图像暗区的亮度的亮度校正模块、提高图像锐度的锐化模块。
5.根据权利要求1所述的适用于物联网的图像采集系统，其特征在于：所述的单幅图像超分辨率重构模块包括卷积神经网络。
6.根据权利要求5所述的适用于物联网的图像采集系统，其特征在于：所述的单幅图像超分辨率重构模块还包括用于将原始图像放大的双三次插值模块、与所述双三次插值模块和卷积神经网络分别相连接并用于将放大的图像由RGB域转到YCbCr域且将Y通道输入到所述卷积神经网络中进行处理的第一转化模块、与所述第一转化模块和卷积神经网络分别相连接并用于将所述卷积神经网络处理后输出的Y通道和所述双三次插值模块得到的Cb、Cr通道转到RGB域的第二转化模块，所述的卷积神经网络将所述第一转化模块输出的Y通道处理所得结果和输入图像叠加得到高分辨率图像的Y通道并输出。
7.根据权利要求5或6所述的适用于物联网的图像采集系统，其特征在于：所述的卷积神经网络的训练方法包括以下步骤：
a.将高分辨率的图像进行降采样和插值处理，得到低分辨率的图像；
b.将所述低分辨率的图像作为训练样本，将所述高分辨率图像和所述低分辨率图像的差值作为标签进行训练；
c.训练的数据来自于BSD500数据集中的200张图片，将图片剪裁成33*33大小的补片，进行训练；
d.训练方法采用小批量梯度下降法，动量设为0.9，权重衰减设为0.0001；
e.卷积神经网络的网络参数初始化方式采用高斯分布：均值设为0，标准差设为其中n＝k2c，k为滤波器大小，c为输入通道数；
f.训练中使用了调整梯度剪裁将梯度限制在其中θ是预设值，γ是学习率；对卷积神经网络框架中的sgd_solver.cpp进行修改；
g.训练过程中参数设置为lr_policy:multistep,gamma:0.1，stepvalue:30000,stepvalue:60000,stepvalue:90000,max_iter:240000；
h.训练的过程中加入了剪枝，所述的剪枝方法包括：对每一个卷积层的权值分别求标准差，每层的标准差乘以一个压缩系数，得到一个阈值，将该层绝对值小于该阈值的权值置为0，并加上Mask，在BP过程中不再更新值为0的权值；对卷积神经网络框架中的solver.cpp和solver.hpp进行修改；测试数据集来自B100中的100张图片。
8.根据权利要求1所述的适用于物联网的图像采集系统，其特征在于：所述的客户端包括手机客户端和/或电脑客户端。
CN201710341173.3A 2017-05-16 2017-05-16 适用于物联网的图像采集系统 Active CN107302657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710341173.3A CN107302657B (zh) 2017-05-16 2017-05-16 适用于物联网的图像采集系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710341173.3A CN107302657B (zh) 2017-05-16 2017-05-16 适用于物联网的图像采集系统

Publications (2)

Publication Number Publication Date
CN107302657A true CN107302657A (zh) 2017-10-27
CN107302657B CN107302657B (zh) 2019-07-23

Family

ID=60137735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710341173.3A Active CN107302657B (zh) 2017-05-16 2017-05-16 适用于物联网的图像采集系统

Country Status (1)

Country Link
CN (1) CN107302657B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154474A (zh) * 2017-12-22 2018-06-12 浙江大华技术股份有限公司 一种超分辨率图像重构方法、装置、介质及设备
CN109308444A (zh) * 2018-07-16 2019-02-05 重庆大学 一种室内环境下的异常行为识别方法
CN109961397A (zh) * 2018-04-12 2019-07-02 华为技术有限公司 图像重建方法及设备
CN110381483A (zh) * 2019-03-21 2019-10-25 泰州阿法光电科技有限公司 基于图像处理的数据通信装置
CN111298735A (zh) * 2020-02-12 2020-06-19 苏州垣瑞环境科技有限公司 用于油泥资源化利用的自循环智能供热系统
CN113628124A (zh) * 2020-05-08 2021-11-09 深圳清华大学研究院 Isp与视觉任务联合优化方法、系统、介质和电子设备
EP4120183A4 (en) * 2020-04-27 2023-06-21 Huawei Technologies Co., Ltd. IMAGE ENHANCEMENT METHOD AND ELECTRONIC DEVICE
US11948279B2 (en) 2020-11-23 2024-04-02 Samsung Electronics Co., Ltd. Method and device for joint denoising and demosaicing using neural network

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201185461Y (zh) * 2008-02-22 2009-01-21 中国科学院软件研究所 一种用于图像采集和传输的无线传感器网络节点设备
CN202907086U (zh) * 2012-08-10 2013-04-24 广州摆渡船通讯科技有限公司 一种基于物联网的校园视讯系统
CN104581059A (zh) * 2014-12-24 2015-04-29 河西学院 一种基于物联网的温室大棚图像远程监控系统
CN105069825A (zh) * 2015-08-14 2015-11-18 厦门大学 基于深度置信网络的图像超分辨率重建方法
JP2016181862A (ja) * 2015-03-25 2016-10-13 国立大学法人 和歌山大学 衛星を利用した無線センサネットワークシステム
CN106204449A (zh) * 2016-07-06 2016-12-07 安徽工业大学 一种基于对称深度网络的单幅图像超分辨率重建方法
CN106354078A (zh) * 2016-10-15 2017-01-25 成都育芽科技有限公司 一种基于网络服务器的多功能家庭安防系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201185461Y (zh) * 2008-02-22 2009-01-21 中国科学院软件研究所 一种用于图像采集和传输的无线传感器网络节点设备
CN202907086U (zh) * 2012-08-10 2013-04-24 广州摆渡船通讯科技有限公司 一种基于物联网的校园视讯系统
CN104581059A (zh) * 2014-12-24 2015-04-29 河西学院 一种基于物联网的温室大棚图像远程监控系统
JP2016181862A (ja) * 2015-03-25 2016-10-13 国立大学法人 和歌山大学 衛星を利用した無線センサネットワークシステム
CN105069825A (zh) * 2015-08-14 2015-11-18 厦门大学 基于深度置信网络的图像超分辨率重建方法
CN106204449A (zh) * 2016-07-06 2016-12-07 安徽工业大学 一种基于对称深度网络的单幅图像超分辨率重建方法
CN106354078A (zh) * 2016-10-15 2017-01-25 成都育芽科技有限公司 一种基于网络服务器的多功能家庭安防系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张虹，王丹: "一种改进的BP神经网络剪枝算法研究", 《西南大学学报(自然科学版)》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154474A (zh) * 2017-12-22 2018-06-12 浙江大华技术股份有限公司 一种超分辨率图像重构方法、装置、介质及设备
CN108154474B (zh) * 2017-12-22 2021-08-27 浙江大华技术股份有限公司 一种超分辨率图像重构方法、装置、介质及设备
CN109961397A (zh) * 2018-04-12 2019-07-02 华为技术有限公司 图像重建方法及设备
CN109961397B (zh) * 2018-04-12 2023-07-28 华为技术有限公司 图像重建方法及设备
CN109308444A (zh) * 2018-07-16 2019-02-05 重庆大学 一种室内环境下的异常行为识别方法
CN110381483A (zh) * 2019-03-21 2019-10-25 泰州阿法光电科技有限公司 基于图像处理的数据通信装置
CN111298735A (zh) * 2020-02-12 2020-06-19 苏州垣瑞环境科技有限公司 用于油泥资源化利用的自循环智能供热系统
EP4120183A4 (en) * 2020-04-27 2023-06-21 Huawei Technologies Co., Ltd. IMAGE ENHANCEMENT METHOD AND ELECTRONIC DEVICE
CN113628124A (zh) * 2020-05-08 2021-11-09 深圳清华大学研究院 Isp与视觉任务联合优化方法、系统、介质和电子设备
CN113628124B (zh) * 2020-05-08 2024-01-16 深圳清华大学研究院 Isp与视觉任务联合优化方法、系统、介质和电子设备
US11948279B2 (en) 2020-11-23 2024-04-02 Samsung Electronics Co., Ltd. Method and device for joint denoising and demosaicing using neural network

Also Published As

Publication number Publication date
CN107302657B (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
CN107302657B (zh) 适用于物联网的图像采集系统
US20220207680A1 (en) Image Processing Method and Apparatus
WO2014044045A1 (zh) 图像处理方法及装置
WO2021077963A1 (zh) 图像融合的方法、装置、电子设备及可读存储介质
US20180097992A1 (en) Global Tone Mapping
EP3674967A1 (en) Image signal processing method, apparatus and device
WO2023010754A1 (zh) 一种图像处理方法、装置、终端设备及存储介质
CN106797437A (zh) 使用多个图像的高动态范围图像合成
JP6129119B2 (ja) 画像処理装置、画像処理システム、撮像装置、および画像処理方法
CN107948544A (zh) 一种基于fpga的多路视频拼接系统及方法
CN113228094A (zh) 图像处理器
TW201003566A (en) Interpolation system and method
CN106134177B (zh) 图像处理装置、摄影装置、图像处理方法及图像处理程序
CN105120247A (zh) 一种白平衡调整方法及电子设备
CN114693580B (zh) 图像处理方法及其相关设备
CN106165392B (zh) 图像处理装置、摄影装置以及图像处理方法
CN110062282A (zh) 一种超分辨率视频重建方法、装置及电子设备
CN112308803A (zh) 一种基于深度学习的自监督低照度图像增强及去噪方法
CN108122218B (zh) 基于颜色空间的图像融合方法与装置
WO2023010751A1 (zh) 图像高亮区域的信息补偿方法、装置、设备及存储介质
CN113689335B (zh) 图像处理方法与装置、电子设备及计算机可读存储介质
EP3881280B1 (en) Methods and systems for image processing
CN114998122A (zh) 一种低照度图像增强方法
CN112598609A (zh) 一种动态图像的处理方法及装置
CN105007473B (zh) 图像处理设备及其控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant