CN108765327B - 一种基于景深和稀疏编码的图像去雨方法 - Google Patents
一种基于景深和稀疏编码的图像去雨方法 Download PDFInfo
- Publication number
- CN108765327B CN108765327B CN201810482131.6A CN201810482131A CN108765327B CN 108765327 B CN108765327 B CN 108765327B CN 201810482131 A CN201810482131 A CN 201810482131A CN 108765327 B CN108765327 B CN 108765327B
- Authority
- CN
- China
- Prior art keywords
- rain
- image
- depth
- frequency
- dictionary
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000002146 bilateral effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000903 blocking effect Effects 0.000 claims abstract description 4
- 239000000126 substance Substances 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20048—Transform domain processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于景深和稀疏编码的图像去雨方法，包括以下步骤：步骤1，输入含雨的原始图像，利用联合双边滤波和短时傅里叶变换对原始图像进行分解，得到低频图像和高频图像；步骤2，根据图像本身的纹理特性将高频图像分为K类，对每一类进行分块处理得到去雨字典；步骤3，将所述去雨字典分为两类：含雨字典和不含雨字典；步骤4，获得所述高频图像中的不含雨成分；步骤5，利用景深DoF值修正所述高频图像中的不含雨成分得到景深修正无雨高频图，修正所述低频图像和所述原始图像得到景深修正低频图；步骤6，对景深修正低频图和景深修正无雨高频图进行叠加，得到去雨后的输出图像。本发明具有设计科学、实用性强和去雨效果好的优点。
Description
技术领域
本发明涉及图像去雨技术领域，具体的说，涉及了一种基于景深和稀疏编码的图像去雨方法。
背景技术
随着当代科技的发展，计算机视觉算法常常用于进行图像分析，检测和跟踪，远程监控等各种领域。然而受到户外天气条件例如雾霾，雨雪，夜晚等的影响，图像的处理工作受到很大的影响，也很难精确的对图像进行分析和处理。
在各种户外天气中，雨天的环境较复杂，视觉效果多变，在小雨的天气下，图像中的雨会呈现雨滴的形状，雨滴会使图像背景产生畸变，而变的模糊。当雨量较大的时候，会出现明显的雨条纹情况，对于不同距离时，也会产生不同的结果。当距离较远时，远处的雨水条纹累积会产生类似于雾或雾的大气遮蔽效应，而近处的条纹会产生高光现象，遮挡背景。雨痕有不同的形状和方向，尤其是在大雨中，会使可见度严重降低。当在雪天环境时，也有类似的结果，极大的影响了视觉系统的成像质量，对后续的图像分析较不利。
随着智能交通和安全防范领域的快速发展，为了提高图像视觉效果，需对有雨雪的图片实施预处理，以提升目标检测的精确度。建立图像雨痕去除的模型可以对雨雪天气下的视频图像中的干扰成分进行恰当的去除，有助于视频图像的进一步分析处理。
为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足，从而提供一种设计科学、实用性强和去雨效果好的基于景深和稀疏编码的图像去雨方法。
为了实现上述目的，本发明所采用的技术方案是：一种基于景深和稀疏编码的图像去雨方法，包括以下步骤：
步骤1，输入含雨的原始图像，利用联合双边滤波和短时傅里叶变换对所述原始图像进行分解，得到低频图像和高频图像；
步骤2，根据图像本身的纹理特性将所述高频图像分为K类，对每一类进行分块处理得到去雨字典；
步骤3，利用主成分分析将所述去雨字典的字典原子分为含雨原子和不含雨原子，再运用支持向量机对含雨原子和不含雨原子进行训练，将所述去雨字典分为两类：含雨字典和不含雨字典；
步骤4，利用正交匹配追踪得到关于所述去雨字典的稀疏表示系数，以获得所述高频图像中的不含雨成分；
步骤5，计算所述原始图像的景深DoF值，利用景深DoF值修正所述高频图像中的不含雨成分得到景深修正无雨高频图，修正所述低频图像和所述原始图像得到景深修正低频图；
步骤6，对所述景深修正低频图和所述景深修正无雨高频图进行叠加，得到去雨后的输出图像。
基于上述，步骤1中将原始图像分解为低频图像和高频图像的具体方法包括：
对所述原始图像进行双域滤波，得到引导图像；分别对所述原始图像和所述引导图像进行双边滤波，得到基本层图像和引导层图像，所述基本层图像作为低频图像；
计算原始图像和引导图像在某点的邻域残差，利用双边滤波的核函数分别对该邻域残差进行加窗处理，利用加窗处理后的引导图像构造高斯核函数，对加窗处理后的原始图像进行收缩得到细节层图像，所述细节层图像作为高频图像。
基于上述，步骤4中得到所述高频图像中的不含雨成分的具体方法为：对纹理分量中的每个图像块
应用正交匹配追踪计算出关于所述去雨字典
的稀疏表示系数
将所述稀疏表示系数
中对应于所述不含雨字典
的稀疏表示系数作为不含雨系数
则每个不含雨图像块可以表示为
得到不含雨纹理分量
平均在重叠区域的像素值，进而得到高频图像的不含雨成分
基于上述，所述稀疏表示系数
计算公式如下：
其中，
表示所述去雨字典
的稀疏表示系数，
表示纹理分量
中的第p个图像块，
表示去雨字典，
表示
相对于去雨字典
稀疏表示系数的向量，λ表示正则化参数。
基于上述，步骤5中利用景深DoF值对所述高频图像进行修正，具体公式如下：
其中，
表示景深修正无雨高频图，
表示高频图像的不含雨成分的DoF值，DoFI表示原始图像的DoF值，
表示步骤4得到的高频图像的不含雨成分。
基于上述，步骤5中利用景深DoF值对所述低频图像和所述原始图像进行修正，具体公式如下：
其中，
表示景深修正低频图，I表示原始图像，ILF表示低频图像，α(i,j)∈[0 1]表示
的值归一化加权系数，
为原始图像不含雨的显著图，
的计算公式为
本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明提供了一种基于景深和稀疏编码的图像去雨方法，利用联合双边滤波和短时傅里叶变换将原始图像进行分解，使得原始图像中的低频部分中轮廓等纹理细节得到较好的保留；本发明还利用景深DoF值对高频图像中的不含雨成分进行修正得到景深修正无雨高频图；本发明对高频不含雨部分与其本身DoF显著图及原图DoF显著图相乘，相当于针对原始图像和高频图像的雨条纹进行两次弱化，有利于更好地去除雨条纹；DoF显著图的修正作用使得高频成分中与雨条纹具有相同梯度的背景进行了保留；同时对所述低频图像和所述原始图像进行修正得到景深修正低频图，进一步去除低频成分中的残留雨痕，其具有设计科学、实用性强和去雨效果好的优点。
附图说明
图1是本发明的主要流程框图。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
如附图1所示，一种基于景深和稀疏编码的图像去雨方法，包括以下步骤：
步骤1，输入含雨的原始图像，利用联合双边滤波和短时傅里叶变换对所述原始图像进行分解，得到低频图像ILF和高频图像IHF，具体方法包括：
步骤1.1，对所述原始图像x进行双域滤波，得到引导图像g；分别对所述原始图像x和所述引导图像g进行双边滤波，得到引导层图像
和基本层图像
将所述基本层图像作为低频图像ILF：
其中，
为得到的引导层图像，
为得到的基本层图像，k(p,q)为双边滤波的核函数；
步骤1.2，对于所有的q∈Np，计算x和g在p点的邻域残差
和
利用双边滤波的核函数k(p,q)分别对邻域残差进行加窗处理，得到傅里叶变换系数：
步骤1.3，利用
构造出高斯核函数
再对
进行收缩，得到细节层图像
所述细节层图像
作为所述高频图像IHF：
其中，γf表示频域距离因子，Fp表示
对应的频率分布矩阵，|Fp|表示Fp的元素个数，σp 2表示短时傅里叶变换系数的噪声方差，
表示得到的细节层图像。
步骤2，根据图像本身的纹理特性将所述高频图像IHF分为K类，对每一类进行分块处理得到去雨字典；其中，K类为根据图像纹理进行分类的人为设定参数数值，并非固定的类别数；图像本身的纹理特性指的是图像细节的一些特征，如方向、粗细、角度、梯度等；U是并集符号。
进行字典学习，具体方法为：基于图像本身的纹理特性将所述高频图像IHF分为K类，即
以构建包含纹理的局部结构的去雨字典
UK k＝1是并集符号，代表从k＝1到K取并集，
指的是第k类纹理分量；所述去雨字典
用于稀疏表示从纹理分量
提取的块，使用一系列的纹理块作为训练样本yp,p＝1,2,...P来学习去雨字典
求解下列优化问题，得到纹理分量
基于去雨字典
的稀疏表示：
其中，λ表示正则化参数，yp表示训练样本，θp表示yp相对于
稀疏系数的向量，得到纹理分量
基于去雨字典
的稀疏表示
步骤3，利用主成分分析将所述去雨字典的字典原子分为含雨原子和不含雨原子，再运用支持向量机对含雨原子和不含雨原子进行训练，将所述去雨字典分为两类：含雨字典和不含雨字典；
具体的，计算去雨字典
中每个字典原子的梯度信息对应的HOG特征值，利用主成分分析(PCA)来确定每个字典原子的主成分，将字典原子分为含雨原子和不含雨原子，再利用支持向量机SVM对所述含雨原子和所述不含雨原子进行训练，得到含雨字典
和不含雨字典
步骤4，利用正交匹配追踪得到关于所述不含雨字典的稀疏表示系数，得到所述高频图像中的不含雨成分；具体方法为：
根据如下基于稀疏编码的图像分解问题：
其中
表示
中的第p个块，
表示
相对于
稀疏系数的向量，对每个图像块
应用正交匹配追踪得到关于
的稀疏表示
中对应于字典
的系数为无雨系数
每个块
可以被表示为
从而可以得到
通过平均在重叠区域的像素值，进而得到高频图像的不含雨成分
步骤5，计算所述原始图像的景深DoF值，利用景深DoF值修正所述高频图像中的不含雨成分得到景深修正无雨高频图，修正所述低频图像和所述原始图像得到景深修正低频图；
具体的，获得所述原始图像的景深DoF值具体方法为：
首先，将模糊核应用到原始图像I的亮度分量，分别计算垂直导数和水平导数，如下：
其中，I表示含雨的原始图像，fk表示模糊内核，大小是k×k，dx＝[1-1]，dy＝[1-1]T；
其次，对于原始图像I中的每个像素(i,j)，计算分布ρxk和ρyk对原始的分布ρx1，ρy1的KL散度，对于像素(i,j)周围的窗Wi,j可以得到：
其中，p和q表示两个概率密度函数，它们的和为1，像素(i,j)处p对q的KL散度的计算公式为
最后，原始图像的景深DoF值为
具体的，得到景深修正无雨高频图的具体方法为：
步骤5中利用景深DoF值对所述高频图像IHF进行修正，得到景深修正无雨高频图，具体公式如下：
其中，
表示景深修正无雨高频图，
表示高频图像IHF的DoF值，DoFI表示原始图像的DoF值，
表示步骤4得到的高频图像IHF的不含雨成分
具体的，得到景深修正低频图的具体方法为：
根据预先设置阈值，将小于阈值的点值置为0，得到所述原始图像不含雨的显著图
的计算公式为
将
的值归一化作为加权系数α(i,j)∈[0 1]，对所述原始图像和低频图像ILF进行加权，得到景深修正低频图，具体公式如下：
其中，
表示景深修正低频图，I表示原始图像，ILF表示初始低频图，α(i,j)∈[01]表示
的值归一化加权系数，
表示原始图像不含雨的显著图。
步骤6，对所述景深修正低频图和所述景深修正无雨高频图进行叠加，得到去雨后的输出图像。
具体的，去雨后的输出图像为
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (4)
1.一种基于景深和稀疏编码的图像去雨方法，其特征在于：包括以下步骤：
步骤1，输入含雨的原始图像，利用联合双边滤波和短时傅里叶变换对所述原始图像进行分解，得到低频图像和高频图像；
步骤1中将原始图像分解为低频图像和高频图像的具体方法包括：
对所述原始图像进行双域滤波，得到引导图像；分别对所述原始图像和所述引导图像进行双边滤波，得到基本层图像和引导层图像，所述基本层图像作为低频图像；
计算原始图像和引导图像在某点的邻域残差，利用双边滤波的核函数分别对该邻域残差进行加窗处理，利用加窗处理后的引导图像构造高斯核函数，对加窗处理后的原始图像进行收缩得到细节层图像，所述细节层图像作为高频图像；
步骤2，根据图像本身的纹理特性将所述高频图像分为K类，对每一类进行分块处理得到去雨字典；
步骤3，利用主成分分析将所述去雨字典的字典原子分为含雨原子和不含雨原子，再运用支持向量机对含雨原子和不含雨原子进行训练，将所述去雨字典分为两类：含雨字典和不含雨字典；
步骤4，利用正交匹配追踪得到关于所述去雨字典的稀疏表示系数，以获得所述高频图像中的不含雨成分；
步骤4中得到所述高频图像中的不含雨成分的具体方法为：对纹理分量中的每个图像块
应用正交匹配追踪计算出关于所述去雨字典
的稀疏表示系数
将所述稀疏表示系数
中对应于所述不含雨字典
的稀疏表示系数作为不含雨系数
则每个不含雨图像块可以表示为
得到不含雨纹理分量
平均在重叠区域的像素值，进而得到高频图像的不含雨成分
步骤5，计算所述原始图像的景深DoF值，利用景深DoF值修正所述高频图像中的不含雨成分得到景深修正无雨高频图，修正所述低频图像和所述原始图像得到景深修正低频图；
步骤6，对所述景深修正低频图和所述景深修正无雨高频图进行叠加，得到去雨后的输出图像。
2.根据权利要求1所述的基于景深和稀疏编码的图像去雨方法，其特征在于，所述稀疏表示系数
计算公式如下：
其中，
表示所述去雨字典
的稀疏表示系数，
表示纹理分量
中的第p个图像块，
表示去雨字典，
表示
相对于去雨字典
稀疏表示系数的向量，λ表示正则化参数。
3.根据权利要求1所述的基于景深和稀疏编码的图像去雨方法，其特征在于，步骤5中利用景深DoF值对所述高频图像进行修正，具体公式如下：
其中，
表示景深修正无雨高频图，
表示高频图像的不含雨成分的DoF值，DoFI表示原始图像的DoF值，
表示步骤4得到的高频图像的不含雨成分。
4.根据权利要求3所述的基于景深和稀疏编码的图像去雨方法，其特征在于，步骤5中利用景深DoF值对所述低频图像和所述原始图像进行修正，具体公式如下：
其中，
表示景深修正低频图，I表示原始图像，ILF表示低频图像，α(i,j)∈[0 1]表示
的值归一化加权系数，
为原始图像不含雨的显著图，
的计算公式为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810482131.6A CN108765327B (zh) | 2018-05-18 | 2018-05-18 | 一种基于景深和稀疏编码的图像去雨方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810482131.6A CN108765327B (zh) | 2018-05-18 | 2018-05-18 | 一种基于景深和稀疏编码的图像去雨方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108765327A CN108765327A (zh) | 2018-11-06 |
| CN108765327B true CN108765327B (zh) | 2021-10-29 |
Family
ID=64008508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810482131.6A Active CN108765327B (zh) | 2018-05-18 | 2018-05-18 | 一种基于景深和稀疏编码的图像去雨方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765327B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390654B (zh) * | 2019-07-29 | 2022-11-01 | 华侨大学 | 一种针对去雨图像的多级迭代协同表示的后处理方法 |
| CN110460756B (zh) * | 2019-08-12 | 2021-06-08 | 杭州电子科技大学 | 一种场景实时自动去雨成像处理方法及装置 |
| CN110517199B (zh) * | 2019-08-26 | 2022-03-08 | 电子科技大学 | 一种便于智能车辆驾驶的图像去雨方法 |
| CN110544217B (zh) * | 2019-08-30 | 2021-07-20 | 深圳市商汤科技有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
| CN110751612A (zh) * | 2019-11-05 | 2020-02-04 | 哈尔滨理工大学 | 多通道多尺度卷积神经网络的单幅图像去雨方法 |
| CN113496468B (zh) * | 2020-03-20 | 2023-07-04 | 北京航空航天大学 | 深度图像的修复方法、装置和存储介质 |
| CN113902931B (zh) * | 2021-09-17 | 2022-07-12 | 淮阴工学院 | 基于学习型卷积稀疏编码的图像去雨方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942766A (zh) * | 2014-04-03 | 2014-07-23 | 天津大学 | 一种基于时-空-频三域联合处理的雨天视频复原方法 |
| KR101521269B1 (ko) * | 2014-05-15 | 2015-05-20 | 주식회사 에스원 | 영상에서 눈 또는 비를 검출하는 방법 |
| CN105046653A (zh) * | 2015-06-12 | 2015-11-11 | 中国科学院深圳先进技术研究院 | 一种视频雨滴去除方法及系统 |
| CN106504204A (zh) * | 2016-10-12 | 2017-03-15 | 天津大学 | 一种基于稀疏表示的单幅图像去雨方法 |
-
2018
- 2018-05-18 CN CN201810482131.6A patent/CN108765327B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942766A (zh) * | 2014-04-03 | 2014-07-23 | 天津大学 | 一种基于时-空-频三域联合处理的雨天视频复原方法 |
| KR101521269B1 (ko) * | 2014-05-15 | 2015-05-20 | 주식회사 에스원 | 영상에서 눈 또는 비를 검출하는 방법 |
| CN105046653A (zh) * | 2015-06-12 | 2015-11-11 | 中国科学院深圳先进技术研究院 | 一种视频雨滴去除方法及系统 |
| CN106504204A (zh) * | 2016-10-12 | 2017-03-15 | 天津大学 | 一种基于稀疏表示的单幅图像去雨方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Visual Depth Guided Image Rain Streaks Removal Via Sparse Coding"，Duan-Yu Chen，《2012 IEEE International Symposium on Intelligent Signal Processing and Communication Systems》，第151-156页，2012年12月;Duan-Yu Chen;《2012 IEEE International Symposium on Intelligent Signal Processing and Communication Systems》;20121230;第151-156页 * |
| "视频图像去雨技术研究前沿"，徐波等，中国科技论文，第10卷第8期，第916-927页;徐波;《中国科技论文》;20150430;第916-927页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108765327A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765327B (zh) | 一种基于景深和稀疏编码的图像去雨方法 | |
| Zhu et al. | Joint bi-layer optimization for single-image rain streak removal | |
| CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
| Li et al. | Haze and thin cloud removal via sphere model improved dark channel prior | |
| WO2019174068A1 (zh) | 基于距离加权稀疏表达先验的图像复原与匹配一体化方法 | |
| Hosotani et al. | Image denoising with edge-preserving and segmentation based on mask NHA | |
| CN107169972B (zh) | 一种非合作目标快速轮廓跟踪方法 | |
| WO2022141145A1 (zh) | 面向对象的高分辨率遥感影像多尺度分割方法及系统 | |
| CN112327259B (zh) | 一种sar图像中干扰信号的消除方法和装置 | |
| CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
| CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| CN110110618B (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
| Zhang et al. | Latent fingerprint detection and segmentation with a directional total variation model | |
| CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
| CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| CN111598788B (zh) | 一种基于四叉树分解与非局部先验的单幅图像去雾方法 | |
| CN107273803B (zh) | 云层图像检测方法 | |
| Yang et al. | DPNet: Detail-preserving image deraining via learning frequency domain knowledge | |
| CN115035326B (zh) | 一种雷达图像与光学图像精确匹配方法 | |
| CN111488811A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
| CN112927169B (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
| CN114066816B (zh) | 基于静态小波变换提取的sar图像无监督变化检测方法 | |
| CN114240990B (zh) | Sar图像点目标分割方法 | |
| CN115131555A (zh) | 基于超像素分割的叠掩阴影检测方法及装置 | |
| CN115147613A (zh) | 一种基于多向融合的红外小目标检测方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yun Gang Inventor after: Lu Jianwei Inventor after: Guo Zhenqiang Inventor after: Hou Changsheng Inventor after: Chen Changbao Inventor after: Li Deren Inventor before: Chen Changbao Inventor before: Li Deren Inventor before: Hou Changsheng Inventor before: Guo Zhenqiang Inventor before: Yun Gang Inventor before: Lu Jianwei |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210923 Address after: Room 1212-1215, 12 / F, building 8, Henan National University Science Park (East District), 289 West Third Ring Road, high tech Industrial Development Zone, Zhengzhou City, Henan Province, 450000 Applicant after: Zhengzhou Guoshi Intelligent Technology Co.,Ltd. Address before: Floor 1, building 2, Xinghua building, business center, No.1356, Haihang East Road, Zhengzhou Economic and Technological Development Zone, Henan Province, 450000 Applicant before: BAINIAN JINHAI SCIENCE & TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |