CN108492271A - 一种融合多尺度信息的自动图像增强系统及方法 - Google Patents
一种融合多尺度信息的自动图像增强系统及方法 Download PDFInfo
- Publication number
- CN108492271A CN108492271A CN201810251388.0A CN201810251388A CN108492271A CN 108492271 A CN108492271 A CN 108492271A CN 201810251388 A CN201810251388 A CN 201810251388A CN 108492271 A CN108492271 A CN 108492271A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- module
- convolution
- label
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000002708 enhancing effect Effects 0.000 title claims abstract 5
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000011478 gradient descent method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 33
- 238000005070 sampling Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合多尺度信息的自动图像增强系统及方法,包括:样本标定模块:采集训练集图像,对训练集图像像素级标记,确定标签的映射范围,得到对应的参考标准图像;自动构建网络模块:输入对应的参考标准图像,指定需要感知的图像范围,自动计算多尺度融合模块中卷积核大小和数目,生成卷积神经网络模型;自动训练网络模块:采用随机梯度下降法最优化像素加权损失函数,离线训练卷积神经网络模型;网络应用模块:输入新图像到训练的网络,输出原图大小的增强图像。本发明通过融合多尺度的特征,有效利用上下文信息,自动增强图像,不需人工干预。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种融合多尺度信息的自动图像增强系统及方法。
背景技术
图像增强是图像处理的基本内容之一,按照某种特定的需求,突出图像中有用信息,去除或者削弱无用信息。目的是改善图像质量,处理的结果更适合于人的视觉特性或机器识别系统。图像增强技术已经广泛应用于医学诊断、航空航天、无损探测、卫星图片处理等领域。
常见的图像增强技术大都是基于图像的统计信息,采用低通滤波、中值滤波等方法去掉图像中的噪声;采用高通滤波、小波变换等增强边缘,使模糊的图片变得清晰。这些方法需人工不断试验参数、观察处理效果,且不能有效的融合多尺度上下文信息。随着近些年高效的GPU计算的发展,应用深度学习来解决传统的研究问题显得更加方便可行。而深度卷积神经网络越来越被广泛使用在图像处理上的各种问题上,并取得了显著的效果。本方法是基于深度学习的增强技术,通过融合多尺度的特征,有效利用上下文信息,自动增强图像,不需人工干预。
发明内容
本发明所要解决的技术问题在于现有技术不能融合上下文信息、需人工不断尝试。
本发明是通过以下技术方案实现的:一种融合多尺度信息的自动图像增强系统,包括以下所述模块:
样本标定模块:采集训练集图像,对训练集图像像素级标记,确定标签的映射范围,得到对应的参考标准图像;
自动构建网络模块:输入对应的参考标准图像,指定需要感知的图像范围,自动计算多尺度融合模块中卷积核大小和数目,生成卷积神经网络模型;
自动训练网络模块:采用随机梯度下降法最优化像素加权损失函数,离线训练卷积神经网络模型;
网络应用模块:输入新图像到训练的网络,输出原图大小的增强图像。
作为本发明的优选方式之一,所述样本标定模块:采集相关训练集图像,训练集图像中需要映射为同一目标范围内的像素标记为相同标签,并确定每个标签的映射范围;针对单通道图像,像素的参考标准强度值按如下公式计算:
其中Op为像素的参考标准值,Ip为像素的强度值,Imin为同标签像素的最小强度值,Imax为同标签像素的最大强度值,Omin为标签映射范围最小值,Omax为标签映射范围最大值,针对彩色图像,每个通道按照单通道图像处理,最终得到参考标准图像。
作为本发明的优选方式之一,所述自动构建网络模块:卷积模型中的特征下采样模块对输入图像提取特征并8倍下采样,多尺度融合模块采用方形卷积核,确定卷积模块感知范围L,卷积模块数目N计算如下:
其中函数ψ(·)为向上取整函数,K1为最小卷积模块的核尺寸,其他卷积模块核尺寸Ki按如下公式计算:
Ki=i×K1-1,i=2,…,N
;其中Ki为第i个卷积模块的核尺寸。特征上采样模块利用特征下采样信息进行8倍上采样,恢复原图大小。
作为本发明的优选方式之一,所述自动训练网络模块:用于训练卷积神经网络模型的损失函数不仅考虑不同标签像素的数量差异,而且考虑像素预测值与参考标准值之间的差异程度,损失函数L为每个像素的预测值和参考标准值之间加权平方误差之和,定义为:
其中yi为像素参考标准值,fi为像素预测值,γ为调节参数。αi为像素归一化权重,计算如下:
其中,ni为标记为标签i的像素数目,P为像素总数目。L对fi的梯度计算如下:
计算出梯度之后,通用后向传播算法训练卷积神经网络,得到最优模型。
本发明还公开了一种融合多尺度信息的自动图像增强方法,包括以下步骤:
(1)收集训练集图像,对训练集图像像素级标记,确定标签的映射范围,得到对应的参考标准图像;
(2)指定需要感知的图像范围,自动计算多尺度融合模块中卷积核大小和数目,生成卷积神经网络模型;
(3)采用随机梯度下降法最优化像素加权损失函数,离线训练卷积神经网络模型;
(4)输入新图像到训练的网络,输出原图大小的增强图像。
作为本发明的优选方式之一,所述步骤1收集相关训练集图像,训练集图像中需要映射为同一目标范围内的像素标记为相同标签,并确定每个标签的映射范围,针对单通道图像,像素的参考标准强度值按如下公式计算:
其中Op为像素的参考标准值,Ip为像素的强度值,Imin为同标签像素的最小强度值,Imax为同标签像素的最大强度值,Omin为标签映射范围最小值,Omax为标签映射范围最大值,针对彩色图像,每个通道按照单通道图像处理,最终得到参考标准图像。
作为本发明的优选方式之一,所述步骤2卷积模型中的特征下采样模块提取图像特征并8倍下采样,多尺度融合模块采用方形卷积核,确定卷积模块感知范围L,卷积模块数目N计算如下:
其中函数ψ(·)为向上取整函数,K1为最小卷积模块的核尺寸,其他卷积模块核尺寸Ki按如下公式计算:
Ki=i×K1-1,i=2,…,N
其中Ki为第i个卷积模块的核尺寸。特征上采样模块利用特征下采样信息进行8倍上采样,恢复原图大小。
作为本发明的优选方式之一,所述步骤2的N个卷积模块分别对上一层输出的特征图进行卷积计算,得到相同大小的输出特征图,对N组特征图元素累加,作为下一层网络结构的输入。
作为本发明的优选方式之一,所述步骤3中用于训练卷积神经网络模型的损失函数不仅考虑不同标签像素的数量差异,而且考虑像素预测值与参考标准值之间的差异程度,损失函数L为每个像素的预测值和参考标准值之间加权平方误差之和,定义为:
其中yi为像素参考标准值,fi为像素预测值,γ为调节参数。αi为像素归一化权重,计算如下:
其中,ni为标记为标签i的像素数目,P为像素总数目,L对fi的梯度计算如下:
计算出梯度之后,通用后向传播算法训练卷积神经网络,得到最优模型。
作为本发明的优选方式之一,所述步骤3训练模型时,对数据预处理包括以50%的概率进行镜像操作、旋转操作、平移操作和图像增强操作;所述步骤4中,将新样本图像输入到步骤3中训练的模型,前向传播计算,得到新样本的增强图像。
本发明相比现有技术的优点在于:本发明通过融合多尺度的特征,有效利用上下文信息,自动增强图像,不需人工干预,并能够有效利用多尺度信息增强目标对比度、抑制图像噪声,减轻后续图像处理如目标检测、图像分割的难度。
附图说明
图1是本发明的具体实施流程图;
图2是本发明的卷积神经网络结构图;
图3是本发明的系统模块框图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
参见图3:一种融合多尺度信息的自动图像增强系统,包括以下所述模块:
样本标定模块:采集训练集图像,对训练集图像像素级标记,确定标签的映射范围,得到对应的参考标准图像;
自动构建网络模块:输入对应的参考标准图像,指定需要感知的图像范围,自动计算多尺度融合模块中卷积核大小和数目,生成卷积神经网络模型;
自动训练网络模块:采用随机梯度下降法最优化像素加权损失函数,离线训练卷积神经网络模型;
网络应用模块:输入新图像到训练的网络,输出原图大小的增强图像。
作为本发明的优选方式之一,所述样本标定模块:采集相关训练集图像,训练集图像中需要映射为同一目标范围内的像素标记为相同标签,并确定每个标签的映射范围;针对单通道图像,像素的参考标准强度值按如下公式计算:
其中Op为像素的参考标准值,Ip为像素的强度值,Imin为同标签像素的最小强度值,Imax为同标签像素的最大强度值,Omin为标签映射范围最小值,Omax为标签映射范围最大值,针对彩色图像,每个通道按照单通道图像处理,最终得到参考标准图像。
作为本发明的优选方式之一,所述自动构建网络模块:卷积模型中的特征下采样模块提取图像特征并8倍下采样,多尺度融合模块采用方形卷积核,确定卷积模块感知范围L,卷积模块数目N计算如下:
其中函数ψ(·)为向上取整函数,K1为最小卷积模块的核尺寸,其他卷积模块核尺寸Ki按如下公式计算:
Ki=i×K1-1,i=2,…,N
;其中Ki为第i个卷积模块的核尺寸。特征上采样模块利用特征下采样信息进行8倍上采样,恢复原图大小。
作为本发明的优选方式之一,所述自动训练网络模块:用于训练卷积神经网络模型的损失函数不仅考虑不同标签像素的数量差异,而且考虑像素预测值与参考标准值之间的差异程度,损失函数L为每个像素的预测值和参考标准值之间加权平方误差之和,定义为:
其中yi为像素参考标准值,fi为像素预测值,γ为调节参数。αi为像素归一化权重,计算如下:
其中,ni为标记为标签i的像素数目,P为像素总数目。L对fi的梯度计算如下:
计算出梯度之后,通用后向传播算法训练卷积神经网络,得到最优模型。
参见图1-2:本发明还公开了一种融合多尺度信息的自动图像增强方法,包括以下步骤:
(1)收集训练集图像,对训练集图像像素级标记,确定标签的映射范围,得到对应的参考标准图像;
(2)指定需要感知的图像范围,自动计算多尺度融合模块中卷积核大小和数目,生成卷积神经网络模型;
(3)采用随机梯度下降法最优化像素加权损失函数,离线训练卷积神经网络模型;
(4)输入新图像到训练的网络,输出原图大小的增强图像。
作为本发明的优选方式之一,所述步骤1收集相关训练集图像,训练集图像中需要映射为同一目标范围内的像素标记为相同标签,并确定每个标签的映射范围,针对单通道图像,像素的参考标准强度值按如下公式计算:
其中Op为像素的参考标准值,Ip为像素的强度值,Imin为同标签像素的最小强度值,Imax为同标签像素的最大强度值,Omin为标签映射范围最小值,Omax为标签映射范围最大值,针对彩色图像,每个通道按照单通道图像处理,最终得到参考标准图像。
作为本发明的优选方式之一,所述步骤2卷积模型中的特征下采样模块提取图像特征并8倍下采样,多尺度融合模块采用方形卷积核,确定卷积模块感知范围L,卷积模块数目N计算如下:
其中函数ψ(·)为向上取整函数,K1为最小卷积模块的核尺寸,其他卷积模块核尺寸Ki按如下公式计算:
Ki=i×K1-1,i=2,…,N
其中Ki为第i个卷积模块的核尺寸。特征上采样模块利用特征下采样信息进行8倍上采样,恢复原图大小。
作为本发明的优选方式之一,所述步骤2的N个卷积模块分别对上一层输出的特征图进行卷积计算,得到相同大小的输出特征图,对N组特征图元素累加,作为下一层网络结构的输入,所述步骤3中用于训练卷积神经网络模型的损失函数不仅考虑不同标签像素的数量差异,而且考虑像素预测值与参考标准值之间的差异程度,损失函数L为每个像素的预测值和参考标准值之间加权平方误差之和,定义为:
其中yi为像素参考标准值,fi为像素预测值,γ为调节参数。αi为像素归一化权重,计算如下:
其中,ni为标记为标签i的像素数目,P为像素总数目,L对fi的梯度计算如下:
计算出梯度之后,通用后向传播算法训练卷积神经网络,得到最优模型。
作为本发明的优选方式之一,所述步骤3训练模型时,对数据预处理包括以50%的概率进行镜像操作、旋转操作、平移操作和图像增强操作;所述步骤4中,将新样本图像输入到步骤3中训练的模型,前向传播计算,得到新样本的增强图像。
下面以单通道的灰度图像为例,如图1所示,包含两个主要步骤,具体如下:步骤1,训练卷积神经网络
步骤2,部署卷积神经网络。
步骤1具体流程如下:
(1)收集图像。从同类型的设备采集m张不同的图像,可以是不同位置等不同条件下获得的图像,把这些图像分成训练图像集和测试图像集。
(2)对所有图像像素级标记。将相同目标或组织的像素标记为同一标签,并确定每个标签的目标映射范围,每个像素的参考标准值计算如下:
其中Op为像素参考标准值,Ip为像素的强度值,Imin为相同标签像素的最小强度值,Imax为相同标签像素的最大强度值,Omin为映射范围最小值,Omax为映射范围最大值。
(3)生成卷积神经网络模型。卷积神经网络模型结构如图2所示,由特征下采样模块、多尺度融合模块,特征上采样模块组成。特征下采样模块由3组卷积模块串联组成,每个卷积模块均包含一个卷积层、一个归一化层、一个激活层和一个池化层,实现图像8倍下采样。卷积层均采用3×3大小的卷积核,对特征图作零填充,确保卷积层不会改变输入特征图大小。池化层步长和核大小均设置为2。指定感知范围L,计算多尺度融合模块数目N:
其中函数ψ(·)为向上取整函数。多尺度融合模块中的每个尺度卷积模块均由一个卷积层、一个归一化层和一个激活层组成。K1为最小卷积模块的核尺寸,一个典型值设置为3,其他卷积模块核尺寸Ki按如下公式计算:
Ki=i×K1-1,i=2,…,N
其中Ki为第i个卷积模块的核尺寸。同样的,对每个卷积层特征图零填充,确保卷积层不改变特征图大小。
特征上采样模块由3组上采样模块串联组成,每组上采样模块均包含一个反池化层、一个卷积层、一个归一化层、一个激活层,实现图像8倍上采样。
卷积层均采用3×3的卷积核,对卷积层特征图零填充,确保卷积层不改变特征图大小。反池化层利用特征下采样模块中池化层最大值的索引。对生成的网络模型随机初始化权重参数。
(4)利用训练集图像训练卷积神经网络模型。输入训练图像和参考标准图像,以50%的概率进行镜像操作、旋转操作、平移操作和图像增强操作。图像增强操作包括主强度值扰动、非线性灰度拉伸操作。前向计算,计算网络输出与参考标准图像的加权损失函数L。L计算为:
其中yi为像素参考标准值,fi为像素预测值,γ为调节参数。αi为像素归一化权重,计算如下:
其中,ni为标记为标签i的像素数目,P为像素总数目。L对fi的梯度计算如下:
梯度经过后向误差传播,更新对应的权重,直到测试集误差不再下降,得到卷积神经网络模型。
步骤2部署卷积神经网络。从同类型设备采集任意大小的图像,输入到步骤1训练的卷积神经网络,前向计算的网络输出则为输入图像的增强图像。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种融合多尺度信息的自动图像增强系统,其特征在于,包括以下所述模块:
样本标定模块:采集训练集图像,对训练集图像像素级标记,确定标签的映射范围,得到对应的参考标准图像;
自动构建网络模块:输入对应的参考标准图像,指定需要感知的图像范围,自动计算多尺度融合模块中卷积核大小和数目,生成卷积神经网络模型;
自动训练网络模块:采用随机梯度下降法最优化像素加权损失函数,离线训练卷积神经网络模型;
网络应用模块:输入新图像到训练的网络,输出原图大小的增强图像。
2.根据权利要求1所述的融合多尺度信息的自动图像增强系统,其特征在于,所述样本标定模块:采集相关训练集图像,训练集图像中需要映射为同一目标范围内的像素标记为相同标签,并确定每个标签的映射范围;针对单通道图像,像素的参考标准强度值按如下公式计算:
其中Op为像素的参考标准值,Ip为像素的强度值,Imin为同标签像素的最小强度值,Imax为同标签像素的最大强度值,Omin为标签映射范围最小值,Omax为标签映射范围最大值,针对彩色图像,每个通道按照单通道图像处理,最终得到参考标准图像。
3.根据权利要求1所述的融合多尺度信息的自动图像增强系统,其特征在于,所述自动构建网络模块:卷积网络中的特征下采样模块提取图像特征并进行8倍下采样,多尺度融合模块采用方形卷积核,确定卷积模块感知范围L,卷积模块数目N计算如下:
其中函数ψ(·)为向上取整函数,K1为最小卷积模块的核尺寸,其他卷积模块核尺寸Ki按如下公式计算:
Ki=i×K1-1,i=2,…,N;
其中Ki为第i个卷积模块的核尺寸。特征上采样模块利用特征下采样模块信息进行8倍上采样,恢复原图大小。
4.根据权利要求1所述的融合多尺度信息的自动图像增强系统,其特征在于,所述自动训练网络模块:用于训练卷积神经网络模型的损失函数不仅考虑不同标签像素的数量差异,而且考虑像素预测值与参考标准值之间的差异程度,损失函数L为每个像素的预测值和参考标准值之间加权平方误差之和,定义为:
其中yi为像素参考标准值,fi为像素预测值,γ为调节参数。αi为像素归一化权重,计算如下:
其中,ni为标记为标签i的像素数目,P为像素总数目。L对fi的梯度计算如下:
计算出梯度之后,通用后向传播算法训练卷积神经网络,得到最优模型。
5.一种融合多尺度信息的自动图像增强方法,其特征在于,包括以下步骤:
(1)收集训练集图像,对训练集图像像素级标记,确定标签的映射范围,得到对应的参考标准图像;
(2)指定需要感知的图像范围,自动计算多尺度融合模块中卷积核大小和数目,生成卷积神经网络模型;
(3)采用随机梯度下降法最优化像素加权损失函数,离线训练卷积神经网络模型;
(4)输入新图像到训练的网络,输出原图大小的增强图像。
6.根据权利要求5所述的融合多尺度信息的自动图像增强方法,其特征在于,所述步骤1收集相关训练集图像,训练集图像中需要映射为同一目标范围内的像素标记为相同标签,并确定每个标签的映射范围,针对单通道图像,像素的参考标准强度值按如下公式计算:
其中Op为像素的参考标准值,Ip为像素的强度值,Imin为同标签像素的最小强度值,Imax为同标签像素的最大强度值,Omin为标签映射范围最小值,Omax为标签映射范围最大值,针对彩色图像,每个通道按照单通道图像处理,最终得到参考标准图像。
7.根据权利要求5所述的融合多尺度信息的自动图像增强方法,其特征在于,所述步骤2卷积模型中的特征下采样模块对输入图像提取特征并8倍下采样,多尺度融合模块采用方形卷积核,确定卷积模块感知范围L,卷积模块数目N计算如下:
其中函数ψ(·)为向上取整函数,K1为最小卷积模块的核尺寸,其他卷积模块核尺寸Ki按如下公式计算:
Ki=i×K1-1,i=2,…,N
其中Ki为第i个卷积模块的核尺寸。特征上采样模块利用特征下采样信息进行8倍上采样,恢复原图大小。
8.根据权利要求5所述的融合多尺度信息的自动图像增强方法,其特征在于,所述步骤2的N个卷积模块分别对上一层输出的特征图进行卷积计算,得到相同大小的输出特征图,对N组特征图元素累加,作为下一层网络结构的输入。
9.根据权利要求5所述的融合多尺度信息的自动图像增强方法,其特征在于,所述步骤3中用于训练卷积神经网络模型的损失函数不仅考虑不同标签像素的数量差异,而且考虑像素预测值与参考标准值之间的差异程度,损失函数L为每个像素的预测值和参考标准值之间加权平方误差之和,定义为:
其中yi为像素参考标准值,fi为像素预测值,γ为调节参数。αi为像素归一化权重,计算如下:
其中,ni为标记为标签i的像素数目,P为像素总数目,L对fi的梯度计算如下:
计算出梯度之后,通用后向传播算法训练卷积神经网络,得到最优模型。
10.根据权利要求5所述的融合多尺度信息的自动图像增强方法,其特征在于,所述步骤3训练模型时,对数据预处理包括以50%的概率进行镜像操作、旋转操作、平移操作和图像增强操作;所述步骤4中,将新样本图像输入到步骤3中训练的模型,前向传播计算,得到新样本的增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251388.0A CN108492271B (zh) | 2018-03-26 | 2018-03-26 | 一种融合多尺度信息的自动图像增强系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251388.0A CN108492271B (zh) | 2018-03-26 | 2018-03-26 | 一种融合多尺度信息的自动图像增强系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492271A true CN108492271A (zh) | 2018-09-04 |
CN108492271B CN108492271B (zh) | 2021-08-24 |
Family
ID=63337735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810251388.0A Active CN108492271B (zh) | 2018-03-26 | 2018-03-26 | 一种融合多尺度信息的自动图像增强系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492271B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544487A (zh) * | 2018-09-30 | 2019-03-29 | 西安电子科技大学 | 一种基于卷积神经网络的红外图像增强方法 |
CN109583412A (zh) * | 2018-12-07 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测方法 |
CN109613895A (zh) * | 2018-11-12 | 2019-04-12 | 中国电子科技集团公司第三十八研究所 | 一种智能生产线数字孪生系统 |
CN110163808A (zh) * | 2019-03-28 | 2019-08-23 | 西安电子科技大学 | 一种基于卷积神经网络的单帧高动态成像方法 |
CN110210524A (zh) * | 2019-05-13 | 2019-09-06 | 东软医疗系统股份有限公司 | 一种图像增强模型的训练方法、图像增强方法及装置 |
CN110288082A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 卷积神经网络模型训练方法、装置和计算机可读存储介质 |
CN110675335A (zh) * | 2019-08-31 | 2020-01-10 | 南京理工大学 | 基于多分辨率残差融合网络的浅表静脉增强方法 |
WO2020118902A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法及图像处理系统 |
CN111709890A (zh) * | 2020-06-12 | 2020-09-25 | 北京小米松果电子有限公司 | 一种图像增强模型的训练方法、装置及存储介质 |
CN111861897A (zh) * | 2019-05-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种图像处理方法及装置 |
CN111951192A (zh) * | 2020-08-18 | 2020-11-17 | 义乌清越光电科技有限公司 | 一种拍摄图像的处理方法及拍摄设备 |
CN112016577A (zh) * | 2019-05-30 | 2020-12-01 | 华为技术有限公司 | 图像处理方法和装置 |
CN112070686A (zh) * | 2020-08-14 | 2020-12-11 | 西安理工大学 | 一种基于深度学习的逆光图像协同增强方法 |
CN112734673A (zh) * | 2021-01-13 | 2021-04-30 | 山东大学 | 一种基于多表达式融合的低照度图像增强方法及系统 |
CN113052774A (zh) * | 2021-03-30 | 2021-06-29 | 上海商汤智能科技有限公司 | 图像优化方法及相关模型的训练方法和相关装置、设备 |
CN113537195A (zh) * | 2021-07-21 | 2021-10-22 | 北京数美时代科技有限公司 | 一种图像文本识别方法、系统和电子设备 |
CN114463196A (zh) * | 2021-12-28 | 2022-05-10 | 浙江大学嘉兴研究院 | 一种基于深度学习的图像校正方法 |
CN116894884A (zh) * | 2023-09-06 | 2023-10-17 | 山东科技大学 | 基于加权损失函数彩色图像处理方法、系统、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609549A (zh) * | 2009-07-24 | 2009-12-23 | 河海大学常州校区 | 视频模糊图像的多尺度几何分析超分辨处理方法 |
CN103619259A (zh) * | 2011-07-08 | 2014-03-05 | 株式会社日立医疗器械 | 图像重构装置及图像重构方法 |
CN107066965A (zh) * | 2017-04-11 | 2017-08-18 | 北京汽车集团有限公司 | 检测交通标识的方法及装置 |
CN107133933A (zh) * | 2017-05-10 | 2017-09-05 | 广州海兆印丰信息科技有限公司 | 基于卷积神经网络的乳腺x线图像增强方法 |
US9760807B2 (en) * | 2016-01-08 | 2017-09-12 | Siemens Healthcare Gmbh | Deep image-to-image network learning for medical image analysis |
CN107294512A (zh) * | 2017-05-25 | 2017-10-24 | 哈尔滨工程大学 | 一种基于树型结构的非均匀滤波器组滤波方法 |
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
-
2018
- 2018-03-26 CN CN201810251388.0A patent/CN108492271B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609549A (zh) * | 2009-07-24 | 2009-12-23 | 河海大学常州校区 | 视频模糊图像的多尺度几何分析超分辨处理方法 |
CN103619259A (zh) * | 2011-07-08 | 2014-03-05 | 株式会社日立医疗器械 | 图像重构装置及图像重构方法 |
US9760807B2 (en) * | 2016-01-08 | 2017-09-12 | Siemens Healthcare Gmbh | Deep image-to-image network learning for medical image analysis |
CN107066965A (zh) * | 2017-04-11 | 2017-08-18 | 北京汽车集团有限公司 | 检测交通标识的方法及装置 |
CN107133933A (zh) * | 2017-05-10 | 2017-09-05 | 广州海兆印丰信息科技有限公司 | 基于卷积神经网络的乳腺x线图像增强方法 |
CN107294512A (zh) * | 2017-05-25 | 2017-10-24 | 哈尔滨工程大学 | 一种基于树型结构的非均匀滤波器组滤波方法 |
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
Non-Patent Citations (4)
Title |
---|
LI TAO等: "《LLCNN: A convolutional neural network for low-light image enhancement》", 《2017 IEEE VISUAL COMMUNICATIONS AND IMAGE PROCESSING (VCIP)》 * |
徐岩 等: "《基于多特征融合的卷积神经网络图像去雾算法》", 《激光与光电子学进展》 * |
李浩 等: "《基于深度学习的多角度车辆动态检测方法》", 《交通信息与安全》 * |
郑蔚涛: "《基于Contourlet变换的PCNN图像增强》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544487A (zh) * | 2018-09-30 | 2019-03-29 | 西安电子科技大学 | 一种基于卷积神经网络的红外图像增强方法 |
CN109613895A (zh) * | 2018-11-12 | 2019-04-12 | 中国电子科技集团公司第三十八研究所 | 一种智能生产线数字孪生系统 |
CN109583412A (zh) * | 2018-12-07 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测方法 |
WO2020118902A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法及图像处理系统 |
CN110163808A (zh) * | 2019-03-28 | 2019-08-23 | 西安电子科技大学 | 一种基于卷积神经网络的单帧高动态成像方法 |
CN110163808B (zh) * | 2019-03-28 | 2022-06-10 | 西安电子科技大学 | 一种基于卷积神经网络的单帧高动态成像方法 |
CN110210524A (zh) * | 2019-05-13 | 2019-09-06 | 东软医疗系统股份有限公司 | 一种图像增强模型的训练方法、图像增强方法及装置 |
CN110210524B (zh) * | 2019-05-13 | 2023-05-02 | 东软医疗系统股份有限公司 | 一种图像增强模型的训练方法、图像增强方法及装置 |
CN111861897B (zh) * | 2019-05-17 | 2024-07-12 | 北京嘀嘀无限科技发展有限公司 | 一种图像处理方法及装置 |
CN111861897A (zh) * | 2019-05-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种图像处理方法及装置 |
CN112016577A (zh) * | 2019-05-30 | 2020-12-01 | 华为技术有限公司 | 图像处理方法和装置 |
CN110288082A (zh) * | 2019-06-05 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 卷积神经网络模型训练方法、装置和计算机可读存储介质 |
CN110288082B (zh) * | 2019-06-05 | 2022-04-05 | 北京字节跳动网络技术有限公司 | 卷积神经网络模型训练方法、装置和计算机可读存储介质 |
CN110675335A (zh) * | 2019-08-31 | 2020-01-10 | 南京理工大学 | 基于多分辨率残差融合网络的浅表静脉增强方法 |
CN110675335B (zh) * | 2019-08-31 | 2022-09-06 | 南京理工大学 | 基于多分辨率残差融合网络的浅表静脉增强方法 |
CN111709890A (zh) * | 2020-06-12 | 2020-09-25 | 北京小米松果电子有限公司 | 一种图像增强模型的训练方法、装置及存储介质 |
CN111709890B (zh) * | 2020-06-12 | 2023-11-24 | 北京小米松果电子有限公司 | 一种图像增强模型的训练方法、装置及存储介质 |
CN112070686A (zh) * | 2020-08-14 | 2020-12-11 | 西安理工大学 | 一种基于深度学习的逆光图像协同增强方法 |
CN112070686B (zh) * | 2020-08-14 | 2023-04-28 | 林红军 | 一种基于深度学习的逆光图像协同增强方法 |
CN111951192A (zh) * | 2020-08-18 | 2020-11-17 | 义乌清越光电科技有限公司 | 一种拍摄图像的处理方法及拍摄设备 |
CN112734673A (zh) * | 2021-01-13 | 2021-04-30 | 山东大学 | 一种基于多表达式融合的低照度图像增强方法及系统 |
CN112734673B (zh) * | 2021-01-13 | 2022-06-21 | 山东大学 | 一种基于多表达式融合的低照度图像增强方法及系统 |
CN113052774A (zh) * | 2021-03-30 | 2021-06-29 | 上海商汤智能科技有限公司 | 图像优化方法及相关模型的训练方法和相关装置、设备 |
CN113052774B (zh) * | 2021-03-30 | 2022-10-21 | 上海商汤智能科技有限公司 | 图像优化方法及相关模型的训练方法和相关装置、设备 |
CN113537195A (zh) * | 2021-07-21 | 2021-10-22 | 北京数美时代科技有限公司 | 一种图像文本识别方法、系统和电子设备 |
CN114463196B (zh) * | 2021-12-28 | 2023-07-25 | 浙江大学嘉兴研究院 | 一种基于深度学习的图像校正方法 |
CN114463196A (zh) * | 2021-12-28 | 2022-05-10 | 浙江大学嘉兴研究院 | 一种基于深度学习的图像校正方法 |
CN116894884A (zh) * | 2023-09-06 | 2023-10-17 | 山东科技大学 | 基于加权损失函数彩色图像处理方法、系统、设备及介质 |
CN116894884B (zh) * | 2023-09-06 | 2023-12-05 | 山东科技大学 | 基于加权损失函数彩色图像处理方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108492271B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492271B (zh) | 一种融合多尺度信息的自动图像增强系统及方法 | |
CN110738697B (zh) | 基于深度学习的单目深度估计方法 | |
CN111145170B (zh) | 一种基于深度学习的医学影像分割方法 | |
CN112132959A (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
CN107590786A (zh) | 一种基于对抗学习网络的图像增强方法 | |
CN114494192B (zh) | 一种基于深度学习的胸腰椎骨折识别分割与检测定位方法 | |
CN113066025B (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 | |
CN107273870A (zh) | 一种监控场景下融合上下文信息的行人位置检测方法 | |
CN111612856B (zh) | 用于彩色眼底图像的视网膜新生血管检测方法及成像方法 | |
CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN117078930A (zh) | 基于边界感知和注意力机制的医学图像分割方法 | |
CN111161271A (zh) | 一种超声图像分割方法 | |
CN111080591A (zh) | 基于编码解码结构结合残差模块的医学图像分割方法 | |
CN112446292B (zh) | 一种2d图像显著目标检测方法及系统 | |
CN110599455A (zh) | 显示屏缺陷检测网络模型、方法、装置、电子设备及存储介质 | |
CN112700460A (zh) | 图像分割方法及系统 | |
CN116645592A (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN113095358A (zh) | 一种图像融合方法及系统 | |
CN117456330A (zh) | 一种基于MSFAF-Net的低照度目标检测方法 | |
CN115205527A (zh) | 一种基于域适应和超分辨率的遥感图像双向语义分割方法 | |
CN114494786A (zh) | 一种基于多层协调卷积神经网络的细粒度图像分类方法 | |
CN114418987A (zh) | 一种多阶段特征融合的视网膜血管分割方法及系统 | |
CN117522891A (zh) | 一种3d医学图像分割系统及方法 | |
CN117593187A (zh) | 基于元学习和Transformer的遥感图像任意尺度超分辨率重建方法 | |
CN117253034A (zh) | 一种基于差异化上下文的图像语义分割方法及系统 |
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 |