CN109636754B - 基于生成对抗网络的极低照度图像增强方法 - Google Patents

基于生成对抗网络的极低照度图像增强方法 Download PDF

Info

Publication number
CN109636754B
CN109636754B CN201811511563.1A CN201811511563A CN109636754B CN 109636754 B CN109636754 B CN 109636754B CN 201811511563 A CN201811511563 A CN 201811511563A CN 109636754 B CN109636754 B CN 109636754B
Authority
CN
China
Prior art keywords
convolution
layer
image
convolution kernels
layers
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
CN201811511563.1A
Other languages
English (en)
Other versions
CN109636754A (zh
Inventor
钱宇华
王克琪
吴鹏
刘鹏
温超
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.)
Shanxi University
Original Assignee
Shanxi 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 Shanxi University filed Critical Shanxi University
Priority to CN201811511563.1A priority Critical patent/CN109636754B/zh
Publication of CN109636754A publication Critical patent/CN109636754A/zh
Application granted granted Critical
Publication of CN109636754B publication Critical patent/CN109636754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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

Abstract

本发明涉及一种基于生成对抗网络的极低照度图像增强方法，包括：通过拍照设备的成像传感器获取拍摄图像的原始图像数据，并对原始图像数据进行预处理；其中，所述原始图像数据为拜尔阵列数据Bayer arrays；将预处理后的图像数据输入生成对抗网络；其中，所述生成对抗网络包括生成模型和判别模型，所述生成模型用于图像增强，所述判别模型用于训练学习，使生成图像增强至最优的图像；将生成对抗网络的输出结果进行处理，并保存为图像。通过本发明，能够将极低照度或夜间环境下拍摄的欠曝光，较暗的图像，通过本方法增强为清晰明亮的照片。

Description

基于生成对抗网络的极低照度图像增强方法
技术领域
本发明涉及计算机视觉、深度学习领域以及计算摄影学。
背景技术
伴随着社会的快速发展，人们对于图像的自动化处理的需求也越来越多。随着深度学习快速发展，越来越多的计算机视觉任务都得到很好的解决，但是，人们在极低照度环境下或夜间拍照时仍旧会存在很多让人不满意的情况。尤其是使用手机或者较差的设备时，在光线环境极差的环境中拍摄照片时，设备的成像质量时常让我们感到失望。因此，研究极低照度环境下或夜晚图像增强技术是十分有意义的，这可以大大降低许多夜间监控设备的成本，提高它们的能力，同时可以增强智能手机的成像能力。
目前，大部分的极低照度环境下或夜间图像增强技术都是采用传统的方法，例如使用直方图均衡、帧间融合、retinex等方法，这些方法在许多方面都取得了很好的效果，但是仍然存在不足，例如：对于增强的图像会引入很多的噪点、对图像的还原不够真实等问题。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种基于生成对抗网络的极低照度图像增强方法。
本发明的目的可以通过采用如下的技术措施来实现，设计一种基于生成对抗网络的极低照度图像增强方法，包括：
通过拍照设备的成像传感器获取拍摄图像的原始图像数据(拜尔阵列(Bayerarrays)数据)，并对原始图像数据进行预处理；
将预处理后的图像数据输入生成对抗网络；其中，所述生成对抗网络包括生成模型和判别模型，所述生成模型用于生成图像并进行图像增强，所述判别模型用于训练学习，使生成图像增强至最优的图像；
将生成对抗网络模型的输出结果进行处理，并保存为图像。
其中，对原始数据进行预处理的步骤包括：
对采集到的原始图像数据进行黑电平校正；
对黑电平校正后的图像数据中的Bayer Raw的信号进行处理。
其中，通过黑电平校正，将原始图像的像素值归一化到[0，1]之间。
其中，对黑电平校正后的图像数据中的Bayer Raw的信号进行处理，是对黑电平校正后的图像数据进行变换，将Bayer Raw信号的R，G，B像素分别取出，并将数据格式转化为四通道的格式。
其中，生成模型的模型结构为卷积与反卷积相结合的结构。
其中，生成模型包括10个卷积层、4个pooling层和4个反卷积层；第一层有两个卷积层和一个pooling层，卷积核的个数为32，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第二层有两个卷积层和一个pooling层，卷积核的个数为64，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第三层有两个卷积层和一个pooling层，卷积核的个数为128，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第四层有两个卷积层和一个pooling层，卷积核的个数为256，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第五层仅有两个卷积层，卷积核的个数为512，卷积窗口的大小3*3，激活函数为lrelu函数；第六层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为256，图像通道数为512，紧接着是两层卷积操作，卷积核的个数都是256，卷积核的窗口大小为3*3，激活函数为lrelu；第七层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为128，图像通道数为256，紧接着是两层卷积操作，卷积核的个数都是128，卷积核的窗口大小为3*3，激活函数为lrelu；第八层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为64，图像通道数为128，紧接着是两层卷积操作，卷积核的个数都是64，卷积核的窗口大小为3*3，激活函数为lrelu；第九层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为32，图像通道数为64，紧接着是两层卷积操作，卷积核的个数都是32，卷积核的窗口大小为3*3，激活函数为lrelu；第十层是一个卷积结构，卷积核的个数为12，卷积核的大小为1*1，未使用激活函数。
其中，判别模型的结构为一个五层的卷积层和一个全连接层，其中模型的前五层卷积层的结构与生成模型相同，第一层全连接层的输出层有1024个神经元，第二层全连接层的输出层有1个神经元，输出一个概率值，用来判别输入的图像是来自于生成模型增强的图像还是来自于真是的图像(真实的图像是指在明亮场景下拍摄的图像)。
区别于现有技术，本发明的基于生成对抗网络的极低照度图像增强方法，包括：通过拍照设备的成像传感器获取拍摄图像的原始图像数据，并对原始图像数据进行预处理；其中，所述原始图像数据为拜尔阵列数据Bayer arrays；将预处理后的图像数据输入生成对抗网络；其中，所述生成对抗网络包括生成模型和判别模型，所述生成模型用于图像增强，所述判别模型用于训练学习，使生成图像增强至最优的图像；将生成对抗网络的输出结果进行处理，并保存为图像。通过本发明，能够将极低照度环境下或夜间拍摄的欠曝光，较暗的相片，增强为清晰明亮的照片。
附图说明
图1是本发明提供的一种基于生成对抗网络的极低照度图像增强方法的流程示意图。
图2是本发明提供的一种基于生成对抗网络的极低照度图像增强方法的逻辑示意图。
图3是本发明提供的一种基于生成对抗网络的极低照度图像增强方法数据预处理的示意图。
图4是本发明提供的一种基于生成对抗网络的极低照度图像增强方法中整体模型的结构图。
图5是本发明提供的一种基于生成对抗网络的极低照度图像增强方法中Vgg Loss的结构示意图。
图6是本发明提供的通过Sony相机获取的极低照度下拍摄的原始图像。
图7是本发明提供的一种基于生成对抗网络的极低照度图像增强方法对图6原始图像进行增强后的效果图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
参阅图1和图2，图1是本发明提供的一种基于生成对抗网络的极低照度图像增强方法的流程示意图，图2是本发明提供的一种基于生成对抗网络的极低照度图像增强方法的逻辑示意图。该方法的步骤包括：
S110：通过拍摄设备的成像传感器获取拍摄图像的原始图像数据(Bayerarrays)，并对原始图像数据进行预处理。
如图3所示，对原始数据进行预处理的步骤包括：
对采集到的原始图像数据进行黑电平校正。通过黑电平校正，消除暗电流造成的成像干扰，并将像素值归一化到[0，1]之间。
对黑电平校正后的图像数据进行处理。对黑电平校正后的图像数据进行处理，是对黑电平校正后的图像数据进行变换，将数据(Bayer arrays)的R，G，B像素分别取出，并将数据原来的单通道格式转化为四通道格式，此时数据的长为原来的1/2，宽为原来的1/2。
S120：将预处理后的图像数据输入生成对抗网络；其中，所述生成对抗网络包括生成模型和判别模型，所述生成模型用于图像增强，所述判别模型用于训练学习，使生成图像增强至最优的图像。
生成模型的模型结构为卷积与反卷积相结合的结构。模型结构如图4所示。
生成模型包括10个卷积层、4个pooling层和4个反卷积层；第一层有两个卷积层和一个pooling层，卷积核的个数为32，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第二层有两个卷积层和一个pooling层，卷积核的个数为64，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第三层有两个卷积层和一个pooling层，卷积核的个数为128，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第四层有两个卷积层和一个pooling层，卷积核的个数为256，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第五层仅有两个卷积层，卷积核的个数为512，卷积窗口的大小3*3，激活函数为lrelu函数；第六层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为256，图像通道数为512，紧接着是两层卷积操作，卷积核的个数都是256，卷积核的窗口大小为3*3，激活函数为lrelu；第七层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为128，图像通道数为256，紧接着是两层卷积操作，卷积核的个数都是128，卷积核的窗口大小为3*3，激活函数为lrelu；第八层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为64，图像通道数为128，紧接着是两层卷积操作，卷积核的个数都是64，卷积核的窗口大小为3*3，激活函数为lrelu；第九层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为32，图像通道数为64，紧接着是两层卷积操作，卷积核的个数都是32，卷积核的窗口大小为3*3，激活函数为lrelu；第十层是一个卷积结构，卷积核的个数为12，卷积核的大小为1*1，未使用激活函数。
判别模型的结构为一个五层的卷积层和两个全连接层，其中模型的前五层卷积层的结构与生成模型相同，第一层全连接层的输出层有1024个神经元，第二层全连接层的输出层有1个神经元，输出一个概率值，用来判别输入的图像是来自于生成模型增强的图像还是来自于真是的图像(真实的图像是指在明亮场景下拍摄的图像)。
其中，将夜间拍摄的照片输入到生成模型中，通过生成模型生成明亮清晰的照片；判别模型的输入为真实的明亮的照片和生成模型生成的照片，判别模型需要尽力区分出输入给它的是来自于高照度环境下拍摄的图像还是通过生成模型增强的图像。
在模型的损失函数构建方面主要使用了L1 Loss、Vgg loss、GANs loss。
进一步的，所述L1 Loss为：
Figure GDA0003516795760000061
进一步的，所述生成模型的GANs loss为：
Figure GDA0003516795760000062
进一步的，所述Vgg loss为：
Figure GDA0003516795760000063
进一步的，对生成模型的整体损失函数为：
Lloss＝L1+LVgg+LG_gan
其中，φi,j代表第i个激活函数之后，第j个池化层之前的卷积层的特征图；Wi,j和Hi,j代表特征图的尺寸大小；IHR代表高照度下拍摄的图像，ILR代表低照度下拍摄的图像。
其中，Vgg损失是使用预训练的Vgg模型进行特征图提取，将每一次生成模型生成的图片输入进Vgg网络，同时将高照度下拍摄的图像输入进去，分别取出Vgg网络的第5个激活函数之后，第5个池化层之前的卷积层的特征图，计算损失值。损失函数的结构示意图如图5所示。
进一步的，所述判别模型的损失函数为：
Figure GDA0003516795760000071
其中，IHR代表高照度下拍摄的图像，ILR代表低照度下拍摄的图像。
S130：将生成对抗网络的输出结果进行处理，并保存为图像。
通过生成对抗网络，将输出结果进行优化处理，并最终保存为图像。如图6和图7所示，图6是通过拍照设备获取的原始图像，是在低照度环境下拍摄的，基本是漆黑一片。但是通过本发明的图像增强方法进行图像增强处理后，得到的效果图如图7所示，图7中可明显看出图像增强的效果。
区别于现有技术，本发明的基于生成对抗网络的极低照度图像增强方法，包括：通过拍照设备的成像传感器获取拍摄图像的原始图像数据，并对原始图像数据进行预处理；其中，所述原始图像数据为拜尔阵列数据Bayer arrays；将预处理后的图像数据生成对抗网络；其中，所述生成对抗网络包括生成模型和判别模型，所述生成模型用于图像增强，所述判别模型用于训练学习，使生成图像增强至最优的图像；将生成对抗网络的输出结果进行处理，并保存为图像。通过本发明，能够将极低照度环境下或夜间拍摄的欠曝光，较暗的相片，增强为清晰明亮的照片。
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种基于生成对抗网络的极低照度图像增强方法，其特征在于，包括：
通过拍照设备的成像传感器获取拍摄图像的原始图像数据，并对原始图像数据进行预处理；其中，所述原始图像数据为拜尔阵列数据Bayer arrays；
将预处理后的图像数据输入生成对抗网络；其中，所述生成对抗网络包括生成模型和判别模型，所述生成模型用于图像增强，所述判别模型用于训练学习，使生成图像增强至最优的图像；
将生成对抗网络的输出结果进行处理，并保存为图像；
所述生成模型的模型结构为卷积与反卷积相结合的结构，所述的判别模型的模型结构为卷积与全连接相结合的结构；
所述生成模型包括10个卷积层、4个pooling层和4个反卷积层；第一层有两个卷积层和一个pooling层，卷积核的个数为32，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第二层有两个卷积层和一个pooling层，卷积核的个数为64，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第三层有两个卷积层和一个pooling层，卷积核的个数为128，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第四层有两个卷积层和一个pooling层，卷积核的个数为256，卷积窗口的大小3*3，激活函数为lrelu函数，pooling层使用的是maxpooling，窗口大小为2*2；第五层仅有两个卷积层，卷积核的个数为512，卷积窗口的大小3*3，激活函数为lrelu函数；第六层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为256，图像通道数为512，紧接着是两层卷积操作，卷积核的个数都是256，卷积核的窗口大小为3*3，激活函数为lrelu；第七层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为128，图像通道数为256，紧接着是两层卷积操作，卷积核的个数都是128，卷积核的窗口大小为3*3，激活函数为lrelu；第八层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为64，图像通道数为128，紧接着是两层卷积操作，卷积核的个数都是64，卷积核的窗口大小为3*3，激活函数为lrelu；第九层为一个反卷积层和两个卷积层的组合，反卷积滤波器的卷积核的窗口大小为2*2，卷积核的个数为32，图像通道数为64，紧接着是两层卷积操作，卷积核的个数都是32，卷积核的窗口大小为3*3，激活函数为lrelu；第十层是一个卷积结构，卷积核的个数为12，卷积核的大小为1*1，未使用激活函数。
2.根据权利要求1所述的基于生成对抗网络的极低照度图像增强方法，其特征在于，对原始数据进行预处理的步骤包括：
对采集到的原始图像数据进行黑电平校正；
对黑电平校正后的图像数据进行处理。
3.根据权利要求2所述的基于生成对抗网络的极低照度图像增强方法，其特征在于，通过黑电平校正，消除暗电流造成的成像干扰，并将像素值归一化到[0，1]之间。
4.根据权利要求2所述的基于生成对抗网络的极低照度图像增强方法，其特征在于，对黑电平校正后的图像数据进行处理，是对黑电平校正后的图像数据进行变换，将Bayerarrays的R，G，B像素分别取出，并将数据格式转化为四通道的格式。
5.根据权利要求1所述的基于生成对抗网络的极低照度图像增强方法，其特征在于，判别模型的结构为一个五层的卷积层和一个全连接层，其中模型的五层卷积层的结构与生成模型相同，第一层全连接层的输出层有1024个神经元，第二层全连接层的输出层有1个神经元，输出一个概率值，用来判别输入的图像是来自于生成模型增强的图像还是来自于真是的图像，即真实的图像是指在明亮场景下拍摄的图像。
CN201811511563.1A 2018-12-11 2018-12-11 基于生成对抗网络的极低照度图像增强方法 Active CN109636754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811511563.1A CN109636754B (zh) 2018-12-11 2018-12-11 基于生成对抗网络的极低照度图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811511563.1A CN109636754B (zh) 2018-12-11 2018-12-11 基于生成对抗网络的极低照度图像增强方法

Publications (2)

Publication Number Publication Date
CN109636754A CN109636754A (zh) 2019-04-16
CN109636754B true CN109636754B (zh) 2022-05-31

Family

ID=66072893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811511563.1A Active CN109636754B (zh) 2018-12-11 2018-12-11 基于生成对抗网络的极低照度图像增强方法

Country Status (1)

Country Link
CN (1) CN109636754B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110276728B (zh) * 2019-05-28 2022-08-05 河海大学 一种基于残差生成对抗网络的人脸视频增强方法
CN110264424B (zh) * 2019-06-20 2021-05-04 北京理工大学 一种基于生成对抗网络的模糊视网膜眼底图像增强方法
CN112241935B (zh) * 2019-07-18 2023-05-26 杭州海康威视数字技术股份有限公司 图像处理方法、装置及设备、存储介质
CN110675328B (zh) * 2019-08-02 2023-04-28 北京巨数数字技术开发有限公司 基于条件生成对抗网络的低照度图像增强方法及装置
CN110728629B (zh) * 2019-09-03 2023-05-23 天津大学 一种用于对抗攻击的图像集增强方法
CN110599423A (zh) * 2019-09-16 2019-12-20 陕西师范大学 一种基于深度学习CycleGAN模型处理SAR图像亮度补偿方法
US11200648B2 (en) * 2019-11-04 2021-12-14 Lg Electronics Inc. Method and apparatus for enhancing illumination intensity of image
CN111161178A (zh) * 2019-12-25 2020-05-15 湖南大学 基于生成式对抗网络的单幅低光图像增强方法
CN111161191B (zh) * 2019-12-31 2023-06-20 华南理工大学 一种图像增强方法
CN111242868B (zh) * 2020-01-16 2023-05-02 重庆邮电大学 暗视觉环境下基于卷积神经网络的图像增强方法
CN111311507B (zh) * 2020-01-21 2022-09-23 山西大学 基于多粒度合作网络的极低光成像方法
CN111899193A (zh) * 2020-07-30 2020-11-06 湖北工业大学 一种基于低照度图像增强算法的刑侦摄影系统及方法
CN111915526A (zh) * 2020-08-05 2020-11-10 湖北工业大学 一种基于亮度注意力机制低照度图像增强算法的摄影方法
CN112287779B (zh) * 2020-10-19 2022-03-25 华南农业大学 一种低光照度图像自然光照度补强方法及应用
US20220122360A1 (en) * 2020-10-21 2022-04-21 Amarjot Singh Identification of suspicious individuals during night in public areas using a video brightening network system
CN112381897B (zh) * 2020-11-16 2023-04-07 西安电子科技大学 基于自编码网络结构的低照度图像增强方法
CN112651917A (zh) * 2020-12-28 2021-04-13 北京信息科技大学 一种基于生成对抗网络的空间卫星低照度图像增强方法
CN112949452B (zh) * 2021-02-25 2022-05-31 山西大学 一种基于多任务共享网络的机器人弱光环境抓取检测方法
CN113269701A (zh) * 2021-05-08 2021-08-17 大连海事大学 一种基于注意力引导和核选择机制的低照度图像增强方法
CN114119422B (zh) * 2021-12-03 2022-07-15 深圳大学 无参考低照度内窥镜图像质量增强方法、系统及相关组件

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106127702A (zh) * 2016-06-17 2016-11-16 兰州理工大学 一种基于深度学习的图像去雾算法
CN107180248A (zh) * 2017-06-12 2017-09-19 桂林电子科技大学 基于联合损失增强网络的高光谱图像分类方法
CN107909648A (zh) * 2017-11-28 2018-04-13 山西大学 一种基于多景深图像融合的三维重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10460231B2 (en) * 2015-12-29 2019-10-29 Samsung Electronics Co., Ltd. Method and apparatus of neural network based image signal processor

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106127702A (zh) * 2016-06-17 2016-11-16 兰州理工大学 一种基于深度学习的图像去雾算法
CN107180248A (zh) * 2017-06-12 2017-09-19 桂林电子科技大学 基于联合损失增强网络的高光谱图像分类方法
CN107909648A (zh) * 2017-11-28 2018-04-13 山西大学 一种基于多景深图像融合的三维重建方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
《A method of classified HV circuit breaker fault signal based on EEMD and BP neural network》;Sun Laijun等;《2016 IEEE International Conference on Electronic Information and Communication Technology (ICEICT)》;20170316;第244-248页 *
《An Algorithm for Clustering Categorical Data With Set-Valued Features》;Fuyuan Cao等;《IEEE Transactions on Neural Networks and Learning Systems》;20181031;第29卷(第10期);第4593-4606页 *
《Camera-specific image quality enhancement using a convolutional neural network》;Anselm Grundhofer等;《2017 IEEE International Conference on Image Processing (ICIP)》;20180222;第1392-139页 *
《S医院分院建设项目中的PPP模式应用研究》;吴鹏;《中国优秀硕士学位论文全文数据库》;20180331;医药卫生科技辑E053-97 *
《一种多强度攻击下的对抗逃避攻击集成学习算法》;刘晓琴等;《计算机科学》;20180131;第45卷(第1期);第34-38+46页 *
《基于混合特征的垃圾图像过滤方法》;卜起荣等;《西北大学学报(自然科学版)》;20140430;第44卷(第2期);第216-220页 *
《眼底硬性渗出物自动检测系统的研究与实现》;张磊;《中国优秀硕士学位论文全文数据库(电子期刊)》;20180228;医药卫生科技辑E05-105 *

Also Published As

Publication number Publication date
CN109636754A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109636754B (zh) 基于生成对抗网络的极低照度图像增强方法
US11882357B2 (en) Image display method and device
CN110428366B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
US10708525B2 (en) Systems and methods for processing low light images
CN110619593B (zh) 一种基于动态场景的双曝光视频成像系统
EP3598736B1 (en) Method and apparatus for processing image
WO2021022983A1 (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
CN112602088B (zh) 提高弱光图像的质量的方法、系统和计算机可读介质
CN109785252B (zh) 基于多尺度残差密集网络夜间图像增强方法
CN113850367B (zh) 网络模型的训练方法、图像处理方法及其相关设备
CN114119378A (zh) 图像融合方法、图像融合模型的训练方法和装置
CN112348747A (zh) 图像增强方法、装置及存储介质
CN107704798B (zh) 图像虚化方法、装置、计算机可读存储介质和计算机设备
WO2022116988A1 (zh) 图像处理方法、装置、设备和存储介质
CN115550570B (zh) 图像处理方法与电子设备
CN113034417A (zh) 基于生成对抗网络的图像增强系统和图像增强方法
CN107295261A (zh) 图像去雾处理方法、装置、存储介质和移动终端
CN115334250B (zh) 一种图像处理方法、装置及电子设备
EP4340383A1 (en) Image processing method and related device thereof
CN116258633A (zh) 图像去反光的方法、图像去反光模型的训练方法与装置
Kaur et al. Haze removal in remote sensing images for improved data analysis and extraction
CN116437222B (zh) 图像处理方法与电子设备
CN116055895B (zh) 图像处理方法及其装置、芯片系统和存储介质
US20240062339A1 (en) Photographing system and method of image fusion
CN113256501B (zh) 一种图像处理方法、存储介质及终端设备

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