CN109146810A - 一种基于端到端深度学习的图像去雾方法 - Google Patents
一种基于端到端深度学习的图像去雾方法 Download PDFInfo
- Publication number
- CN109146810A CN109146810A CN201810897756.9A CN201810897756A CN109146810A CN 109146810 A CN109146810 A CN 109146810A CN 201810897756 A CN201810897756 A CN 201810897756A CN 109146810 A CN109146810 A CN 109146810A
- Authority
- CN
- China
- Prior art keywords
- transmission
- image
- light value
- value
- sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 239000003595 mist Substances 0.000 claims abstract description 15
- 238000003384 imaging method Methods 0.000 claims abstract description 7
- 238000011478 gradient descent method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G06T5/73—
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开了一种基于端到端深度学习的图像去雾的方法。本发明根据雾图成像模型将无雾图像生成有雾图像，将有雾图像及其对应的传输图和大气光输入到所设计的图像去雾神经网络中，利用随机梯度下降法训练图像去雾神经网络；将待测有雾图像输入到训练后的图像去雾神经网络中获得传输图和大气光值，得到待测有雾图像去雾后的结果。本发明方法和传统的图像去雾方法相比，得到的去雾后结果在视觉上效果较佳，且适用的场景范围更广，同时可以估计得到大气光值，从而实现端到端的去雾，可以得到较好的去雾效果。
Description
技术领域
本发明涉及图像增强方法领域，具体涉及了一种基于端到端深度学习的图像去雾方法。
背景技术
图像去雾是计算机视觉领域一个重要的方向，室外有雾场景下，拍摄得到的图片受雾霾颗粒的影响，图像质量不佳，这对后期图像的分类、分割、目标的检测和追踪等会造成影响。因此，设计有效的图像去雾算法，从有雾图像中恢复出清晰的真实世界无雾图像就显得非常有意义。
传统的图像去雾方法采用人工设计的特征，在特定场景下部分设计的先验特征并不成立，适用场景较为局限，在部分场景中传统的方法无法得到令人满意的去雾结果。
依据从大气散射模型简化得到的雾图成像模型的图像去雾方法更好地考虑了场景的真实情况，能恢复出更接近实际场景的无雾图像。深度学习有优越的学习能力，可以通过训练自主学习得到与有雾图像去雾相关的特征传输图与大气光值并利用雾图成像模型合成有雾图像以及对应的传输图与大气光值，用合成的数据集训练得到端到端的神经去雾网络，并将训练好的网络用于真实有雾图像的去雾。
发明内容
为了解决背景技术中存在的问题，本发明的目的在于提供了一种基于端到端深度学习的图像去雾方法。
本发明将图像去雾分为传输图和大气光值的两部分，并且通过特殊设计的图像去雾神经网络进行同时估计获得预测的大气光值与传输图，进而有雾图像做到端到端的去雾，实现准确的图像去雾处理。
本发明采用的技术方案包括如下步骤：
(1)获取带有深度图的清晰无雾图J作为无雾图像，根据雾图成像模型由无雾图像生成样本有雾图像I，并记录下合成过程中生成的传输图t和大气光值A，作为真实传输图和真实大气光值；
(2)将样本有雾图像I及其一一对应的真实传输图t和真实大气光值A输入到所设计的图像去雾神经网络中，利用随机梯度下降法训练图像去雾神经网络；
(3)将待测有雾图像输入到训练后的图像去雾神经网络中获得传输图和大气光值，根据无雾图像生成部分利用传输图和大气光值对待测有雾图像进行去雾，得到待测有雾图像去雾后的结果；
所述的清晰无雾图J选用含有RGB图像所对应的深度信息的数据集NYU深度数据集和Virtual KITTI数据集。
所述步骤(1)具体为：
(1.1)由无雾图像所对应的深度图采用以下公式生成得到真实传输图，同时记录下生成传输图时对应的真实大气光值A：
t(x)＝e-βd(x)
其中，d(x)为无雾图像中像素点x所对应的深度值，e表示常数；β表示大气光的真实散射系数，真实散射系数β随机生成，β的取值范围为0.5到1.5之间；A表示真实大气光值，真实大气光值A随机生成，A的取值范围在0.8和1之间；t(x)表示真实传输图中像素点x的传输值；
(1.2)根据上述步骤(1.1)生成的真实散射系数β和真实大气光值A利用以下公式表示的雾图成像模型将无雾图像生成样本有雾图像：
I(x)＝J(x)t(x)+A(1-t(x))
其中，J(x)表示无雾图像中的像素点x的像素值，I(x)表示样本有雾图像中的像素点x的像素值。
所述步骤(2)中的图像去雾神经网络具体包括传输图估计部分和大气光值估计部分，传输图估计部分和大气光值估计部分分别用于传输图和大气光值的估计；其中传输图估计部分主要由卷积层、最大值池化层、上采样层组成，大气光值估计部分主要由卷积层、最大值池化层、全连接层组成。
(2.A)传输图估计部分：
传输图估计部分主要由三个结构相同的传输图网络单元和一个最终卷积层依次连接构成，每个传输图网络单元由卷积层、池化层和上采样层依次连接构成；三个传输图网络单元中的每个卷积层采用的激活函数均为ReLU函数，引入非线性性；三个传输图网络单元中的第三个卷积层的特征图维度为10；对于最终卷积层，采用尺度大小为1x1的卷积核，不仅能够保留前一层的平面结构，而且能够起到降维的作用，且激活函数选用Sigmoid函数，使得传输图的数值在0到1之间，以此保证输出值的范围；池化层选用最大值池化，尺度选择2x2；上采样层采用最近邻插值进行上采样；
每个传输图网络单元中的卷积层包含卷积核和偏置参数，卷积层的响应函数为：
其中，和分别为当前卷积层的第i个特征图和当前卷积层的前一层第j个特征图，当前卷积层的前一层为当前卷积层前面的输入层或者是当前卷积层前面的传输图网络单元中的上采样层，若为当前卷积层前面的输入层，其特征图为样本有雾图像I的RGB三通道；表示与特征图卷积得到特征图的卷积核，为得到当前卷积层第i个特征图的偏置参数，卷积核的作用类似于传统图像处理方法中的滤波器，通过训练得到的卷积核与前一层的输出进行卷积操作能够提取出有用的特征；
每个传输图网络单元中，样本有雾图像I的RGB三通道输入，经过卷积层提取特征图，利用池化层进行最大值池化保持特征图的平移和旋转不变性，再通过上采样层恢复尺寸的大小。
传输图估计部分的损失函数设置为样本有雾图像经传输图估计部分处理估计得到的传输图与样本有雾图像对应的真实传输图之间的均方误差，公式如下：
其中，t′(x)为样本有雾图像经传输图估计部分处理估计得到的传输图中像素点x的传输值，t*(x)为样本有雾图像对应的真实传输图中像素点x的传输值，q为样本有雾图像的数目，ti′(x)表示第i张样本有雾图像经传输图估计部分处理估计得到的传输图中像素点x的传输值，表示第i张样本有雾图像对应的真实传输图中像素点x的传输值，||||2表示二范数；
(2.B)大气光值估计部分：
大气光值估计部分主要由两个结构相同的大气光值网络单元和三个全连接层依次连接构成，每个大气光值网络单元由卷积层、池化层依次连接构成；两个大气光值网络单元中的每个卷积层采用的激活函数均为ReLU函数；池化层选用最大值池化，在保持不变性的基础上，起到了降维的作用；三个全连接层的输出维度分别为256、10、1。
大气光值估计部分的损失函数设置为样本有雾图像经传输图估计部分处理估计得到的大气光值与样本有雾图像对应的真实大气光值之间的均方误差，公式如下：
其中，A′为样本有雾图像经大气光值估计部分处理估计得到的大气光值，A*为样本有雾图像对应的真实大气光值，A′i表示第i张样本有雾图像经大气光值估计部分处理估计得到的大气光值，表示第i张样本有雾图像对应的真实大气光值。
所述步骤(2)中，传输图估计部分和大气光值估计部分均采用随机梯度下降法(Tensorflow)训练，直至直至传输图估计部分损失函数的值小于0.015或者训练次数达到300次，大气光值估计部分损失函数的值小于0.001或者训练次数达到300次则停止训练。
所述步骤(3)中，根据无雾图像生成部分利用传输图和大气光值对待测有雾图像进行去雾，具体采用以下公式处理得到：
其中，I^(x)表示待测有雾图像中像素点x的像素值，t^(x)表示待测有雾图像经图像去雾神经网络处理获得的传输图，A^表示待测有雾图像经图像去雾神经网络处理获得的大气光值，t0为预设的最小传输阈值，通过引入t0能够避免J(x)因为噪声点的影响而过大，J(x)表示无雾图像J中的像素点x的像素值。
本发明的有益效果：
本发明与传统图像去雾算法相比，使用的场景更为广泛；与现有其他基于深度学习的去雾算法相比，本发明所设计的网络不仅能够估计得到传输图，同时可以估计得到大气光值，从而实现端到端的去雾，可以得到较好的去雾效果。
附图说明
图1是本发明设计的图像去雾神经网络的结构图。
图2是本发明有雾图像去雾结果示意图；a、d为两幅有雾图像，b为a的去雾后结果图，e为d的去雾后结果图。
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
本发明实施例如下：
步骤1:由于很难同时获取同场景的有雾图与无雾图，因此选用含有RGB图像所对应的深度信息的数据集NYU深度数据集中4500张图像和Virtual KITTI数据集中3300张图像构造训练集，前者为室内场景图，后者为室外场景图，均为清晰无雾图J，根据雾图成像模型由清晰无雾图J生成样本有雾图像I，并记录下合成过程中生成的传输图t和大气光值A，作为真实传输图和真实大气光值。
(1.1)由无雾图像J所对应的深度图采用以下公式生成得到真实传输图：
t(x)＝e-βd(x)
(1.2)随机生成大气光的散射系数β，β的取值范围为0.5到1.5之间，随机生成全局大气光值A，其中A的取值范围在0.8和1之间，并且记录下合成有雾图像时一一对应的大气光值A。
(1.3)根据上述步骤(1.2)随机生成的真实散射系数β和大气光值A利用以下公式将无雾图像生成样本有雾图像：
I(x)＝J(x)t(x)+A(1-t(x))
步骤2:将样本有雾图像I及其一一对应的真实传输图t和真实大气光值A输入到所设计的图像去雾神经网络中，具体结构如图1，包括传输图估计部分和大气光值估计部分；
(2.1)传输图估计部分：传输图估计部分主要由三个结构相同的传输图网络单元和一个最终卷积层依次连接构成，每个传输图网络单元由卷积层、池化层和上采样层依次连接构成；三个传输图网络单元中的每个卷积层采用的激活函数均为ReLU函数，引入非线性；三个传输图网络单元中的第三个卷积层的特征图维度为10；对于最终卷积层，采用尺度大小为1x1的卷积核，且激活函数选用Sigmoid函数，使得传输图的数值在0到1之间，以此保证输出值的范围；池化层选用最大值池化，尺度选择2x2；上采样层采用最近邻插值进行上采样；
每个传输图网络单元中的卷积层包含卷积核和偏置参数，卷积层的响应函数为：
其中，和分别为当前卷积层的第i个特征图和当前卷积层的前一层第j个特征图；表示与特征图卷积得到特征图的卷积核，为得到当前卷积层第i个特征图的偏置参数。
(2.2)大气光值估计部分：大气光值估计部分主要由两个结构相同的大气光值网络单元和三个全连接层依次连接构成，每个大气光值网络单元由卷积层、池化层依次连接构成；两个大气光值网络单元中的每个卷积层采用的激活函数均为ReLU函数；池化层选用最大值池化；三个全连接层的输出维度分别为256、10、1。
步骤3：利用随机梯度下降法(Tensorflow)训练图像去雾神经网络中的传输图估计部分和大气光值估计部分，直至传输图估计部分损失函数的值小于0.015或者训练次数达到300次，大气光值估计部分损失函数的值小于0.001或者训练次数达到300次则停止训练，得到训练后的图像去雾神经网络；
(3.1)训练传输图估计部分，传输图估计部分网络训练时，学习率设置为0.01，批尺寸设置为16，当训练次数超过100次，每10次学习率下降0.0001。
(3.2)训练大气光值估计部分，大气光值估计部分网络训练时，学习率设置为0.00005，批尺寸设置为16。
步骤4：将待测有雾图像a、d输入到训练后的图像去雾神经网络中获得传输图分别为图2中的c、f，有雾图像a的大气光值为0.8685386，有雾图像d的大气光值为0.8727055，根据无雾图像生成部分利用传输图和大气光值对待测有雾图像进行去雾，得到待测有雾图像去雾后的结果图像b、e；
根据无雾图像生成部分利用传输图和大气光值对待测有雾图像进行去雾，具体采用以下公式处理得到：
其中，I^(x)表示待测有雾图像中像素点x的像素值，t^(x)表示待测有雾图像经图像去雾神经网络处理获得的传输图，A^表示待测有雾图像经图像去雾神经网络处理获得的大气光值，t0为预设的最小传输阈值，具体设为0.1，J(x)表示无雾图像J中的像素点x的像素值。
Claims (6)
1.一种基于端到端深度学习的图像去雾算法，其特征是，包括如下步骤：
(1)获取带有深度图的清晰无雾图J作为无雾图像，根据雾图成像模型由无雾图像生成样本有雾图像I，并记录下合成过程中生成的传输图t和大气光值A，作为真实传输图和真实大气光值；
(2)将样本有雾图像I及其对应的真实传输图t和真实大气光值A输入到所设计的图像去雾神经网络中，训练图像去雾神经网络；
(3)将待测有雾图像输入到训练后的图像去雾神经网络中获得传输图和大气光值，根据无雾图像生成部分利用传输图和大气光值对待测有雾图像进行去雾，得到待测有雾图像去雾后的结果。
2.根据权利要求1所述的一种基于端到端深度学习的图像去雾算法，其特征是：所述的清晰无雾图J选用含有RGB图像所对应的深度信息的数据集NYU深度数据集和VirtualKITTI数据集。
3.根据权利要求1所述的一种基于端到端深度学习的图像去雾算法，其特征是：所述步骤(1)具体为：
(1.1)由无雾图像所对应的深度图采用以下公式生成得到真实传输图，同时记录下生成传输图时对应的真实大气光值A：
t(x)＝e-βd(x)
其中，d(x)为无雾图像中像素点x所对应的深度值，e表示常数；β表示大气光的真实散射系数，真实散射系数β随机生成，β的取值范围为0.5到1.5之间；A表示真实大气光值，真实大气光值A随机生成，A的取值范围在0.8和1之间；t(x)表示真实传输图中像素点x的传输值；
(1.2)根据上述步骤(1.1)生成的真实散射系数β和真实大气光值A利用以下公式表示的雾图成像模型将无雾图像生成样本有雾图像：
I(x)＝J(x)t(x)+A(1-t(x))
其中，J(x)表示无雾图像中的像素点x的像素值，I(x)表示样本有雾图像中的像素点x的像素值。
4.根据权利要求1所述的一种基于端到端深度学习的图像去雾算法，其特征是：所述步骤(2)中的图像去雾神经网络具体包括传输图估计部分和大气光值估计部分，传输图估计部分和大气光值估计部分分别用于传输图和大气光值的估计；
(2.A)传输图估计部分：
传输图估计部分主要由三个结构相同的传输图网络单元和一个最终卷积层依次连接构成，每个传输图网络单元由卷积层、池化层和上采样层依次连接构成；三个传输图网络单元中的每个卷积层采用的激活函数均为ReLU函数；三个传输图网络单元中的第三个卷积层的特征图维度为10；对于最终卷积层，采用尺度大小为1x1的卷积核，且激活函数选用Sigmoid函数；池化层选用最大值池化，尺度选择2x2；上采样层采用最近邻插值进行上采样；
每个传输图网络单元中的卷积层的响应函数为：
其中，fi l+1和分别为当前卷积层的第i个特征图和当前卷积层的前一层第j个特征图；表示与特征图卷积得到特征图fi l+1的卷积核，为得到当前卷积层第i个特征图的偏置参数；
传输图估计部分的损失函数设置为样本有雾图像经传输图估计部分处理估计得到的传输图与样本有雾图像对应的真实传输图之间的均方误差，公式如下：
其中，t′(x)为样本有雾图像经传输图估计部分处理估计得到的传输图中像素点x的传输值，t*(x)为样本有雾图像对应的真实传输图中像素点x的传输值，q为样本有雾图像的数目，ti′(x)表示第i张样本有雾图像经传输图估计部分处理估计得到的传输图中像素点x的传输值，表示第i张样本有雾图像对应的真实传输图中像素点x的传输值，|| ||2表示二范数；
(2.B)大气光值估计部分：
大气光值估计部分主要由两个结构相同的大气光值网络单元和三个全连接层依次连接构成，每个大气光值网络单元由卷积层、池化层依次连接构成；两个大气光值网络单元中的每个卷积层采用的激活函数均为ReLU函数；池化层选用最大值池化；三个全连接层的输出维度分别为256、10、1；
大气光值估计部分的损失函数设置为样本有雾图像经传输图估计部分处理估计得到的大气光值与样本有雾图像对应的真实大气光值之间的均方误差，公式如下：
其中，A′为样本有雾图像经大气光值估计部分处理估计得到的大气光值，A*为样本有雾图像对应的真实大气光值，A′i表示第i张样本有雾图像经大气光值估计部分处理估计得到的大气光值，表示第i张样本有雾图像对应的真实大气光值。
5.根据权利要求1所述的一种基于端到端深度学习的图像去雾算法，其特征是：所述步骤(2)中，传输图估计部分和大气光值估计部分均采用随机梯度下降法(Tensorflow)训练，直至传输图估计部分损失函数的值小于0.015或者训练次数达到300次，大气光值估计部分损失函数的值小于0.001或者训练次数达到300次则停止训练。
6.根据权利要求1所述的一种基于端到端深度学习的图像去雾算法，其特征是：所述步骤(3)中，根据无雾图像生成部分利用传输图和大气光值对待测有雾图像进行去雾，具体采用以下公式处理得到：
其中，I^(x)表示待测有雾图像中像素点x的像素值，t^(x)表示待测有雾图像经图像去雾神经网络处理获得的传输图，A^表示待测有雾图像经图像去雾神经网络处理获得的大气光值，t0为预设的最小传输阈值，J(x)表示无雾图像J中的像素点x的像素值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810897756.9A CN109146810A (zh) | 2018-08-08 | 2018-08-08 | 一种基于端到端深度学习的图像去雾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810897756.9A CN109146810A (zh) | 2018-08-08 | 2018-08-08 | 一种基于端到端深度学习的图像去雾方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109146810A true CN109146810A (zh) | 2019-01-04 |
Family
ID=64792162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810897756.9A Pending CN109146810A (zh) | 2018-08-08 | 2018-08-08 | 一种基于端到端深度学习的图像去雾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146810A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829868A (zh) * | 2019-02-28 | 2019-05-31 | 华南理工大学 | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 |
| CN109859120A (zh) * | 2019-01-08 | 2019-06-07 | 北京交通大学 | 基于多尺度残差网络的图像去雾方法 |
| CN109978799A (zh) * | 2019-04-15 | 2019-07-05 | 武汉理工大学 | 一种基于深度学习的海事无人机视频图像去雾方法 |
| CN110097519A (zh) * | 2019-04-28 | 2019-08-06 | 暨南大学 | 基于深度学习的双监督图像去雾方法、系统、介质和设备 |
| CN110349093A (zh) * | 2019-06-11 | 2019-10-18 | 西安电子科技大学 | 基于多级沙漏结构的单幅图像去雾模型构建及去雾方法 |
| CN110378848A (zh) * | 2019-07-08 | 2019-10-25 | 中南大学 | 一种基于衍生图融合策略的图像去雾方法 |
| CN110517203A (zh) * | 2019-08-30 | 2019-11-29 | 山东工商学院 | 一种基于参考图像重建的去雾方法 |
| CN110544216A (zh) * | 2019-08-29 | 2019-12-06 | 北京理工大学 | 基于深度学习的视频去雾系统 |
| CN111369472A (zh) * | 2020-03-12 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 图像去雾方法、装置、电子设备及介质 |
| CN111489301A (zh) * | 2020-03-19 | 2020-08-04 | 山西大学 | 一种基于迁移学习用图像深度信息引导的图像去雾方法 |
| CN111553856A (zh) * | 2020-04-24 | 2020-08-18 | 西安电子科技大学 | 基于深度估计辅助的图像去雾方法 |
| CN111598793A (zh) * | 2020-04-24 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种用于输电线路图像去雾的方法、系统及存储介质 |
| CN112070691A (zh) * | 2020-08-26 | 2020-12-11 | 闽江学院 | 一种基于U-Net的图像去雾方法 |
| CN112767267A (zh) * | 2021-01-11 | 2021-05-07 | 北京航空航天大学 | 基于仿真偏振带雾场景数据集的图像去雾方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254313A (zh) * | 2011-07-14 | 2011-11-23 | 浙江大学 | 基于雾天图像复原和图像融合的图像去雾方法 |
| CN105574827A (zh) * | 2015-12-17 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种图像去雾的方法、装置 |
| CN106373109A (zh) * | 2016-08-31 | 2017-02-01 | 南方医科大学 | 一种医学图像模态合成的方法 |
| CN106780356A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 基于卷积神经网络和先验信息的图像去雾方法 |
| CN108182428A (zh) * | 2018-01-31 | 2018-06-19 | 福州大学 | 前车状态识别和车辆跟随的方法 |
-
2018
- 2018-08-08 CN CN201810897756.9A patent/CN109146810A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254313A (zh) * | 2011-07-14 | 2011-11-23 | 浙江大学 | 基于雾天图像复原和图像融合的图像去雾方法 |
| CN105574827A (zh) * | 2015-12-17 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种图像去雾的方法、装置 |
| CN106373109A (zh) * | 2016-08-31 | 2017-02-01 | 南方医科大学 | 一种医学图像模态合成的方法 |
| CN106780356A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 基于卷积神经网络和先验信息的图像去雾方法 |
| CN108182428A (zh) * | 2018-01-31 | 2018-06-19 | 福州大学 | 前车状态识别和车辆跟随的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈敏: ""认知计算导论"", 《华中科技大学出版社》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859120A (zh) * | 2019-01-08 | 2019-06-07 | 北京交通大学 | 基于多尺度残差网络的图像去雾方法 |
| CN109829868A (zh) * | 2019-02-28 | 2019-05-31 | 华南理工大学 | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 |
| CN109978799A (zh) * | 2019-04-15 | 2019-07-05 | 武汉理工大学 | 一种基于深度学习的海事无人机视频图像去雾方法 |
| CN110097519A (zh) * | 2019-04-28 | 2019-08-06 | 暨南大学 | 基于深度学习的双监督图像去雾方法、系统、介质和设备 |
| CN110349093A (zh) * | 2019-06-11 | 2019-10-18 | 西安电子科技大学 | 基于多级沙漏结构的单幅图像去雾模型构建及去雾方法 |
| CN110349093B (zh) * | 2019-06-11 | 2022-11-29 | 西安电子科技大学 | 基于多级沙漏结构的单幅图像去雾模型构建及去雾方法 |
| CN110378848B (zh) * | 2019-07-08 | 2021-04-20 | 中南大学 | 一种基于衍生图融合策略的图像去雾方法 |
| CN110378848A (zh) * | 2019-07-08 | 2019-10-25 | 中南大学 | 一种基于衍生图融合策略的图像去雾方法 |
| CN110544216A (zh) * | 2019-08-29 | 2019-12-06 | 北京理工大学 | 基于深度学习的视频去雾系统 |
| CN110517203A (zh) * | 2019-08-30 | 2019-11-29 | 山东工商学院 | 一种基于参考图像重建的去雾方法 |
| CN110517203B (zh) * | 2019-08-30 | 2023-06-23 | 山东工商学院 | 一种基于参考图像重建的去雾方法 |
| CN111369472A (zh) * | 2020-03-12 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 图像去雾方法、装置、电子设备及介质 |
| CN111489301B (zh) * | 2020-03-19 | 2022-05-31 | 山西大学 | 一种基于迁移学习用图像深度信息引导的图像去雾方法 |
| CN111489301A (zh) * | 2020-03-19 | 2020-08-04 | 山西大学 | 一种基于迁移学习用图像深度信息引导的图像去雾方法 |
| CN111598793A (zh) * | 2020-04-24 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种用于输电线路图像去雾的方法、系统及存储介质 |
| CN111553856A (zh) * | 2020-04-24 | 2020-08-18 | 西安电子科技大学 | 基于深度估计辅助的图像去雾方法 |
| CN111553856B (zh) * | 2020-04-24 | 2023-03-24 | 西安电子科技大学 | 基于深度估计辅助的图像去雾方法 |
| CN112070691A (zh) * | 2020-08-26 | 2020-12-11 | 闽江学院 | 一种基于U-Net的图像去雾方法 |
| CN112070691B (zh) * | 2020-08-26 | 2024-02-06 | 闽江学院 | 一种基于U-Net的图像去雾方法 |
| CN112767267A (zh) * | 2021-01-11 | 2021-05-07 | 北京航空航天大学 | 基于仿真偏振带雾场景数据集的图像去雾方法 |
| CN112767267B (zh) * | 2021-01-11 | 2022-09-27 | 北京航空航天大学 | 基于仿真偏振带雾场景数据集的图像去雾方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146810A (zh) | 一种基于端到端深度学习的图像去雾方法 | |
| CN109712083B (zh) | 一种基于卷积神经网络的单幅图像去雾方法 | |
| CN106845621B (zh) | 基于深度卷积神经网络的密集人群人数计数方法及系统 | |
| CN108510535A (zh) | 一种基于深度预测和增强子网络的高质量深度估计方法 | |
| CN101216304B (zh) | 物体尺寸估测之系统及方法 | |
| CN107767413A (zh) | 一种基于卷积神经网络的图像深度估计方法 | |
| CN110570371A (zh) | 一种基于多尺度残差学习的图像去雾方法 | |
| CN111738942A (zh) | 一种融合特征金字塔的生成对抗网络图像去雾方法 | |
| CN106910175A (zh) | 一种基于深度学习的单幅图像去雾算法 | |
| CN109859120B (zh) | 基于多尺度残差网络的图像去雾方法 | |
| CN109300090A (zh) | 一种基于亚像素和条件对抗生成网络的单幅图像去雾方法 | |
| CN104200445B (zh) | 一种最优对比度和最小信息损失的图像去雾方法 | |
| CN110570363A (zh) | 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法 | |
| CN112184577B (zh) | 基于多尺度自注意生成对抗网络的单幅图像去雾方法 | |
| CN110889844B (zh) | 一种基于深度聚类分析的珊瑚分布及健康状况评估方法 | |
| CN108154110A (zh) | 一种基于深度学习人头检测的密集人流量统计方法 | |
| CN107578395B (zh) | 一种基于视觉感知的图像质量评价方法 | |
| CN109376589A (zh) | 基于卷积核筛选ssd网络的rov形变目标与小目标识别方法 | |
| CN110349093B (zh) | 基于多级沙漏结构的单幅图像去雾模型构建及去雾方法 | |
| CN108805987A (zh) | 基于深度学习的混合跟踪方法及装置 | |
| CN110443759A (zh) | 一种基于深度学习的图像去雾方法 | |
| CN110517203A (zh) | 一种基于参考图像重建的去雾方法 | |
| CN110288550A (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
| CN109509156A (zh) | 一种基于生成对抗模型的图像去雾处理方法 | |
| Ding et al. | U 2 D 2 Net: Unsupervised unified image dehazing and denoising network for single hazy image enhancement |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190104 |
|
| WD01 | Invention patent application deemed withdrawn after publication |