CN109509148B - 一种全景环视图像拼接融合方法和装置 - Google Patents

一种全景环视图像拼接融合方法和装置 Download PDF

Info

Publication number
CN109509148B
CN109509148B CN201811188769.5A CN201811188769A CN109509148B CN 109509148 B CN109509148 B CN 109509148B CN 201811188769 A CN201811188769 A CN 201811188769A CN 109509148 B CN109509148 B CN 109509148B
Authority
CN
China
Prior art keywords
generator
image
panoramic
training set
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.)
Active
Application number
CN201811188769.5A
Other languages
English (en)
Other versions
CN109509148A (zh
Inventor
李良
刘中元
涂强
肖志光
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.)
Guangzhou Xiaopeng Motors Technology Co Ltd
Original Assignee
Guangzhou Xiaopeng Motors Technology Co Ltd
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 Guangzhou Xiaopeng Motors Technology Co Ltd filed Critical Guangzhou Xiaopeng Motors Technology Co Ltd
Priority to CN201811188769.5A priority Critical patent/CN109509148B/zh
Publication of CN109509148A publication Critical patent/CN109509148A/zh
Application granted granted Critical
Publication of CN109509148B publication Critical patent/CN109509148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种全景环视图像拼接融合方法和装置，所述方法包括将经过拼接所得到的待处理图像输入到经过预先训练的生成式对抗网络，从而输出全景环视图像等步骤，所述预先训练包括将第一训练集输入到生成器中进行处理，将生成器的处理结果与第二训练集输入到鉴别器中进行比较，从而计算出比较结果，根据比较结果对生成器进行调整，然后返回至将第一训练集输入到生成器中进行处理这一步骤开始重新执行，直到所述比较结果收敛为止等步骤。本发明可以更好地优化所输入到的待处理图像中的重叠过渡部分即接缝部分，使得全景环视图像整体的视觉效果更自然。本发明广泛应用于图像处理技术领域。

Description

一种全景环视图像拼接融合方法和装置
技术领域
本发明涉及图像处理技术领域，尤其是一种全景环视图像拼接融合方法和装置。
背景技术
随着科技的进步和人工智能的发展，人们对汽车驾驶的智能网联水平，以及汽车智能辅助驾驶的期望越来越高，由此而诞生了各种各样的汽车智能辅助驾驶功能，例如汽车全景环视系统，这种系统是通过全景环视摄像头，用户可以360°全方位无死角的在车载中控大屏上观看车辆周边环境全景俯视图，以保障行车安全。还有虚拟化全景环视泊车应用，这种应用也是通过全景环视摄像头，用户可以在倒车时通过车载显示屏观察车辆周边360°的环境，保障倒车安全。以及其它众多全景环视应用等等。
汽车全景环视系统的工作原理是：通过多个安装在车身不同位置的摄像头分别进行拍摄，从而得到汽车前后左右多个不同方位视角的图像，然后将这些图像拼接起来得到全景环视图像。由于全景环视图像是由多个图像合成的，因此全景环视图像中存在各个图像拼接时形成的重叠过渡部分，相当于全景环视图像的接缝，这个重叠过渡部分造成了不自然的视觉效果，即全景环视图像中具有肉眼明显可见的拼接痕迹，甚至会形成全景环视图像的错位或畸变，无论对人工驾驶还是自动驾驶都可能造成不良影响。
针对全景环视图像的拼接融合问题，现有技术是通过插值算法，通过求取附近像素平均值等方法来构造中间值像素，减少相邻两个拼接部分的像素误差，从而对全景环视图像上的重叠过渡部分强行地平滑化和模糊化。但是由于插值算法本身原理上的缺陷，现有算法的改善效果存在明显的上限。
而且，现有算法只能针对全景环视图像的接缝问题进行改善。但在进行拼接融合之前所进行的图像拍摄过程中，由于每个摄像头的硬件本身不可避免地会存在微小差异，同时环境光线和安装角度等外界参数也不可能完全相同，造成每个摄像头拍摄所得的图像的对比度、亮度、色彩饱和度和拍摄角度等难以互相协调，这些不同的图像拼接在一起将会带来不良的视觉效果；为了方便驾驶者泊车，在拼接融合之后需要对全景环视图像进行俯视变换，传统的俯视变换算法会导致图像拉伸变形严重，影响用户体验。
发明内容
为了解决上述技术问题，本发明的目在于提供一种全景环视图像拼接融合方法和装置。
本发明所采取的第一技术方案是：
一种全景环视图像拼接融合方法，所述方法包括以下步骤：
将经过拼接所得到的待处理图像输入到经过预先训练的生成式对抗网络，从而输出全景环视图像；所述生成式对抗网络包括生成器和鉴别器，所述预先训练包括：
将第一训练集输入到生成器中进行处理；所述第一训练集包括多个第一样本图像，所述第一样本图像是由多个部分拼接得到的；
将生成器的处理结果与第二训练集输入到鉴别器中进行比较，从而计算出比较结果；所述第二训练集包括多个第二样本图像，所述第二样本图像是通过直接拍摄得到的，所述第二样本图像的内容与第一样本图像的内容相对应；
根据比较结果对生成器进行调整，然后返回至将第一训练集输入到生成器中进行处理这一步骤开始重新执行，直到所述比较结果收敛为止。
进一步地，所述预先训练的优化目标函数为式中，g为生成器，D为鉴别器，x为鉴别器的输入值，Pg为第一样本图像的分布，Pr为第二样本图像的分布，E表示数学期望运算，所述max表示最大化运算，所述min表示最小化运算。
进一步地，所述比较结果为Wasserstein距离。
进一步地，所述Wasserstein距离的计算公式如下：
式中，W(Pr,Pg)为Pg与Pr之间的Wasserstein距离，Pg为第一样本图像的分布，Pr为第二样本图像的分布，∏(Pr,Pg)为Pg和Pr组合起来的所有可能出现的联合分布的集合，(x,y)为∏(Pr,Pg)中的一个取样值，E表示数学期望运算，inf表示取下边界运算。
进一步地，所述预先训练中，对第一训练集进行批归一化处理。
进一步地，所述批归一化处理是第一样本图像在生成器前向传播的过程中，在第一样本图像经过生成器的每一网络层之前进行的。
进一步地，所述将第一训练集输入到生成器中进行处理这一步骤之前，还对第一训练集进行预处理。
进一步地，所述预处理具体包括以下步骤：
对每个第一样本图像上各部分拼接所形成的邻接区域进行标记；
删除各第一样本图像上除邻接区域以外的其他部分。
本发明所采取的第二技术方案是：
一种全景环视图像拼接融合装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行第一技术方案所述方法。
本发明的有益效果是：利用预先训练后的生成式对抗网络对图像进行处理，可以更好地优化所输入到的待处理图像中的重叠过渡部分即接缝部分，使得全景环视图像整体的视觉效果更自然。进一步地，经过生成式对抗网络处理后得到的全景环视图像，其中的不同部分亮度、对比度和饱和度的差异也得到很好的缓解，在俯视变换时产生的图像拉伸变形也得到减弱。
进一步地，通过计算Wasserstein距离、批归一化处理和预处理等手段，可以使得对生成式对抗网络的训练更快，生成式对抗网络的工作效率更高。
附图说明
图1为本发明方法的原理图；
图2为本发明方法预处理的原理图；
图3为本发明所用的生成器结构图；
图4为本发明所用的鉴别器结构图。
具体实施方式
一种全景环视图像拼接融合方法，所述方法包括以下步骤：
将经过拼接所得到的待处理图像输入到经过预先训练的生成式对抗网络，从而输出全景环视图像；所述生成式对抗网络包括生成器和鉴别器，所述预先训练包括：
将第一训练集输入到生成器中进行处理；所述第一训练集包括多个第一样本图像，所述第一样本图像是由多个部分拼接得到的；
将生成器的处理结果与第二训练集输入到鉴别器中进行比较，从而计算出比较结果；所述第二训练集包括多个第二样本图像，所述第二样本图像是通过直接拍摄得到的，所述第二样本图像的内容与第一样本图像的内容相对应；
根据比较结果对生成器进行调整，然后返回至将第一训练集输入到生成器中进行处理这一步骤开始重新执行，直到所述比较结果收敛为止。
根据生成式对抗网络的原理，生成器的生成模型是g(z)，其中z是生成器的输入，z可以是一个随机噪声，生成器z可以将转换为图像数据类型x。在本发明中，将第一样本图像作为z输入到生成器，生成器的输出即为对第一样本图像进行处理后得到的全景环视图像。
鉴别器的鉴别模型为D(x)，即针对任何输入的x，D(x)为一个0～1范围内的实数，这个实数的意义为所输入的图片的相似程度，或者所输入的图片属于同一图片的概率。
参照图1，本发明对生成式对抗网络进行训练的原理为：利用由多个第一样本图像组成的第一训练集和由多个第二样本图像组成的第二训练集来训练生成器。其中，第一样本图像是利用现有的拼接算法将多个部分拼接后得到的，第二样本图像是实际拍摄得到的、自然、无拼接缝隙的真实图像，第一样本图像与第二样本图像所展示的画面内容是相同的。对生成器的训练目标是使得生成器对第一样本图像处理后，所输出的值与第二样本图像相同。生成器的输出值，也就是生成器的处理结果，将与第二样本图像一起通过鉴别器进行比对，鉴别器通过比较生成器处理结果与第二样本图像的相似程度，这一相似程度通过鉴别器的输出值定量表示。对生成式对抗网络的训练目标是要使得鉴别器无法区分生成器的处理结果和第二样本图像，即鉴别器的输出值最大化，因此鉴别器的优化目标函数可以设定为
鉴别器的输出结果对生成器形成反馈，根据反馈可以调整生成器中的网络参数，从而实现多轮训练过程。本发明的预先训练包含多轮循环，实际上就是生成器和鉴别器的极大极小博弈，相当于固定生成模型、调整优化鉴别模型-固定鉴别模型-调整优化生成模型-固定生成模型、调整优化鉴别模型的迭代过程，直至鉴别器的输出值收敛，即整个生成式对抗网络的优化目标函数可以设定为可以设定一个阈值，在鉴别器的输出值均大于此阈值判断鉴别器的输出值收敛。优化目标函数式中，g为生成器，D为鉴别器，x为鉴别器的输入值，Pg为第一样本图像的分布，Pr为第二样本图像的分布，E表示数学期望运算。
本发明所用的生成式对抗网络经过预先训练后具有对图像的处理能力，可以更好地处理所输入到的待处理图像中的重叠过渡部分即接缝，从而改善所得到的全景环视图像的视觉效果。
除了接缝问题外，生成式对抗网络还可以改善全景环视图像中的不同部分的对比度、饱和度等不协调的问题，以及改善俯视变换带来的图像拉伸变形问题，从而提高用户视觉体验。
进一步作为优选的实施方式，鉴别器的比较结果具体为Wasserstein距离。可以所述Wasserstein距离的计算公式如下：
式中，W(Pr,Pg)为Pg与Pr之间的Wasserstein距离，Pg为第一样本图像的分布，Pr为第二样本图像的分布，∏(Pr,Pg)为Pg和Pr组合起来的所有可能出现的联合分布的集合，(x,y)为∏(Pr,Pg)中的一个取样值，E表示数学期望运算，inf表示取下边界运算。
Wasserstein距离也叫Wasserstein损失，表示的是两个图像间的差异的均值，在本发明中具体为生成器的处理结果Pg与第二样本图像Pr之间的差异的均值。鉴别器通过计算Wasserstein距离来表示生成器的处理结果与第二样本图像之间的差异，即使Pg和Pr两个分布之间没有重叠，仍然能够准确反映Pg和Pr之间差异的大小，能够使得训练过程更快地收敛，与目前较为常用的KL散度等类似指标相比更优。
进一步作为优选的实施方式，所述预先训练中，对第一训练集进行批归一化处理。优选地，所述批归一化处理是第一样本图像在生成器前向传播的过程中，在第一样本图像经过生成器的每一网络层之前进行的。
在训练过程中，神经网络的数据分布情况会对训练产生影响，即由于输入到生成器的图像像素值分布不均，像素值大小不一，会对训练模型产生不利影响。批归一化的效果是将每个第一样本图像分散的像素数据统一到一个区间内，如将[0,255]之间的像素统一归一到[-1,1]之间的区域进行概率统计计算，这样能使得网络更容易学习到数据之间的规律。为了达到更优的效果，在第一样本图像在生成器前向传播的过程中，输入到生成器内的每一网络层之前，都进行一次批归一化处理。
批归一化处理的原理可以通过变换重构公式表示。其中，k表示生成器内的网络层序号，y表示批归一化处理结果，/>表示批归一化处理的对象，γ和β为可学习参数，其中，/>β(k)＝E[x(k)]。
在生成器中，批归一化的前向传播过程可定义为：
式中，yi表示一生成器中输入到一网络层的图像分布，xi表示上一网络层的输出值或者初始输入值，ε为一个接近于零的常数，yi为xi经过归一化后的结果。
进一步作为优选的实施方式，所述将第一训练集输入到生成器中进行处理这一步骤之前，还对第一训练集进行预处理。所述预处理具体包括以下步骤：
对每个第一样本图像上各部分拼接所形成的邻接区域进行标记；
删除各第一样本图像上除邻接区域以外的其他部分。
参照图2，输入到生成器中的其中一个第一样本图像由A、B、C和D四部分拼接而成，相邻各部分之间形成接缝，虚线框内为接缝附近的邻接区域，即相邻两个图像因拼接形成的重叠过渡部分。由于全景环视图像所存在的问题主要集中邻接区域，而除了邻接区域之外的A、B、C和D本身则无需进行过多处理，因此，可以将第一样本图像中除了邻接区域外的其他部分删除。将经过上述预处理后的第一样本图像，只包括邻接部分，可以大大减轻生成器的数据处理运算量，在不明显影响效果的前提下提高工作效率。
本发明可以使用具有如图3所示结构的生成器，以及如图4所示结构的鉴别器。参照图3和图4，网络结构由多层相似模块组成，每层包含了相应的3x3的卷积层、批归一化处理层和激活层。因此，本发明无需使用特别设计的复杂网络结构，只需要简单的多层全连接网络即可实现。也可以根据具体场景和应用要求，在图3和图4的基础上增加或减少网络层次设计进行微调。
本发明还公开了一种全景环视图像拼接融合装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行所述处理方法。
综上，本发明的有益效果是：
利用预先训练后的生成式对抗网络对图像进行处理，可以更好地优化所输入到的待处理图像中的重叠过渡部分即接缝部分，使得全景环视图像整体的视觉效果更自然。进一步地，经过生成式对抗网络处理后得到的全景环视图像，其中的不同部分亮度、对比度和饱和度的差异也得到很好的缓解，在俯视变换时产生的图像拉伸变形也得到减弱。
进一步地，通过计算Wasserstein距离、批归一化处理和预处理等手段，可以使得对生成式对抗网络的训练更快，生成式对抗网络的工作效率更高。
以上是对本发明的较佳实施进行了具体说明，但对本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种全景环视图像拼接融合方法，其特征在于，所述方法包括以下步骤：
将经过拼接所得到的待处理图像输入到经过预先训练的生成式对抗网络，从而输出全景环视图像；所述生成式对抗网络包括生成器和鉴别器，所述预先训练包括：
将第一训练集输入到生成器中进行处理；所述第一训练集包括多个第一样本图像，所述第一样本图像是由多个部分拼接得到的；
将生成器的处理结果与第二训练集输入到鉴别器中进行比较，从而计算出比较结果；所述第二训练集包括多个第二样本图像，所述第二样本图像是通过直接拍摄得到的，所述第二样本图像的内容与第一样本图像的内容相对应；
根据比较结果对生成器进行调整，然后返回至将第一训练集输入到生成器中进行处理这一步骤开始重新执行，直到所述比较结果收敛为止；
所述将第一训练集输入到生成器中进行处理这一步骤之前，还对第一训练集进行预处理；
所述预处理具体包括以下步骤：
对每个第一样本图像上各部分拼接所形成的邻接区域进行标记；
删除各第一样本图像上除邻接区域以外的其他部分。
2.根据权利要求1所述的一种全景环视图像拼接融合方法，其特征在于，所述预先训练的优化目标函数为式中，g为生成器，D为鉴别器，x为鉴别器的输入值，Pg为第一样本图像的分布，Pr为第二样本图像的分布，E表示数学期望运算，所述max表示最大化运算，所述min表示最小化运算。
3.根据权利要求1所述的一种全景环视图像拼接融合方法，其特征在于，所述比较结果为Wasserstein距离。
4.根据权利要求3所述的一种全景环视图像拼接融合方法，其特征在于，所述Wasserstein距离的计算公式如下：
式中，W(Pr,Pg)为Pg与Pr之间的Wasserstein距离，Pg为第一样本图像的分布，Pr为第二样本图像的分布，∏(Pr,Pg)为Pg和Pr组合起来的所有可能出现的联合分布的集合，(x,y)为∏(Pr,Pg)中的一个取样值，E表示数学期望运算，inf表示取下边界运算。
5.根据权利要求1-4任一项所述的一种全景环视图像拼接融合方法，其特征在于，所述预先训练中，对第一训练集进行批归一化处理。
6.根据权利要求5所述的一种全景环视图像拼接融合方法，其特征在于，所述批归一化处理是第一样本图像在生成器前向传播的过程中，在第一样本图像经过生成器的每一网络层之前进行的。
7.一种全景环视图像拼接融合装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-6任一项所述方法。
CN201811188769.5A 2018-10-12 2018-10-12 一种全景环视图像拼接融合方法和装置 Active CN109509148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811188769.5A CN109509148B (zh) 2018-10-12 2018-10-12 一种全景环视图像拼接融合方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811188769.5A CN109509148B (zh) 2018-10-12 2018-10-12 一种全景环视图像拼接融合方法和装置

Publications (2)

Publication Number Publication Date
CN109509148A CN109509148A (zh) 2019-03-22
CN109509148B true CN109509148B (zh) 2023-08-29

Family

ID=65746490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811188769.5A Active CN109509148B (zh) 2018-10-12 2018-10-12 一种全景环视图像拼接融合方法和装置

Country Status (1)

Country Link
CN (1) CN109509148B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012052B (zh) * 2019-12-19 2022-09-20 浙江商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN112954299A (zh) * 2021-01-08 2021-06-11 西安梦幻世界信息科技有限公司 基于对抗生成网络的vr全景图像生成系统
CN113066003B (zh) * 2021-03-12 2024-03-29 深圳市唯特视科技有限公司 环视全景图像生成方法、装置、电子设备及存储介质
CN113516155A (zh) * 2021-04-12 2021-10-19 佛山市顺德区美的洗涤电器制造有限公司 用于处理图像的方法、处理器、控制装置及家用电器

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392147A (zh) * 2017-07-20 2017-11-24 北京工商大学 一种基于改进的生成式对抗网络的图像语句转换方法
WO2018090455A1 (zh) * 2016-11-17 2018-05-24 宇龙计算机通信科技(深圳)有限公司 一种终端全景图像处理方法、装置及终端
CN108495110A (zh) * 2018-01-19 2018-09-04 天津大学 一种基于生成式对抗网络的虚拟视点图像生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018090455A1 (zh) * 2016-11-17 2018-05-24 宇龙计算机通信科技(深圳)有限公司 一种终端全景图像处理方法、装置及终端
CN107392147A (zh) * 2017-07-20 2017-11-24 北京工商大学 一种基于改进的生成式对抗网络的图像语句转换方法
CN108495110A (zh) * 2018-01-19 2018-09-04 天津大学 一种基于生成式对抗网络的虚拟视点图像生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
应用残差生成对抗网络的路况视频帧预测模型;袁帅等;《西安交通大学学报》;20180816(第10期);全文 *

Also Published As

Publication number Publication date
CN109509148A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109509148B (zh) 一种全景环视图像拼接融合方法和装置
CN110610463A (zh) 一种图像增强方法及装置
CN107993263A (zh) 环视系统自动标定方法、汽车、标定装置及存储介质
Liu et al. Learning hadamard-product-propagation for image dehazing and beyond
US20220172331A1 (en) Image inpainting with geometric and photometric transformations
CN111047543A (zh) 图像增强方法、装置和存储介质
CN110047059B (zh) 图像处理方法、装置、电子设备及可读存储介质
CN110555820A (zh) 基于卷积神经网络和动态引导滤波的图像融合方法
Swami et al. Candy: Conditional adversarial networks based fully end-to-end system for single image haze removal
Hsieh et al. Variational contrast-saturation enhancement model for effective single image dehazing
CN108805873A (zh) 图像处理方法及装置
CN112508814B (zh) 一种基于无人机低空视角下的图像色调修复型去雾增强方法
KR102277005B1 (ko) 비지도 학습을 이용한 저조도 영상 처리 방법 및 장치
US20230222639A1 (en) Data processing method, system, and apparatus
Soma et al. An efficient and contrast-enhanced video de-hazing based on transmission estimation using HSL color model
CN116843740A (zh) 一种无偏振片液晶透镜深度估计方法
CN115713678A (zh) 一种箭头图片数据增广方法、系统、电子设备及存储介质
CN115170415A (zh) 一种低光照图像增强方法、系统及可读存储介质
CN115100500A (zh) 一种目标检测方法、装置和可读存储介质
CN106952243A (zh) Uuv近海面红外图像自适应归并直方图拉伸增强方法
Chen et al. GADO-Net: an improved AOD-Net single image dehazing algorithm
Zhao et al. Nonuniform illumination correction for underwater images through a pseudo-siamese network
Niu et al. Image Enhancement of Low Light UAV via Global Illumination Self-aware feature Estimation
CN105825483B (zh) 一种图像去雾霾及沙尘的方法
Hosono et al. Self-supervised deep fisheye image rectification approach using coordinate relations

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