CN109741322A - 一种基于机器学习的能见度测量方法 - Google Patents
一种基于机器学习的能见度测量方法 Download PDFInfo
- Publication number
- CN109741322A CN109741322A CN201910016056.9A CN201910016056A CN109741322A CN 109741322 A CN109741322 A CN 109741322A CN 201910016056 A CN201910016056 A CN 201910016056A CN 109741322 A CN109741322 A CN 109741322A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- visibility
- roi
- sample image
- 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
Abstract
本发明公开了一种基于机器学习的能见度测量方法,属于图像处理技术领域,包括提取ROI图像、预处理图像、建立基于二叉树的多分类支持向量机模型,并对样品图像进行处理,解决了传统的采用提取图像的ROI的方法对空气质量良好、轻度污染、中度污染、重度污染4种等级的识别准确率低的技术问题,利用基于图像频域获取的显著图像,在提取中根据显著区域提取出的兴趣窗格在图片中具有代表性,能充分反映图像的特征,使在兴趣窗格中提取的特征值具有较高的区分性;对于能见度较低的图像需增强边缘信息特征来提高匹配准确率,本发明采用对比度线性展宽增强边缘信息特征,本发明安装简便、价格低廉、灵敏度高、操作简便。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种基于机器学习的能见度测量方法。
背景技术
大气能见度对于人们生活中的安全出行影响很大,由于雾霾、沙尘等恶劣天气而导致的道路能见度等级过低从而引起的交通事故时有发生,高速公路上团雾的存在也大大增加了人们出行安全的不确定性。因此,及时检测道路能见度等级对于交通安全有着重要的意义,国内外的许多学者也对此进行着深入的研究。器测法和目测法是目前测量能见度等级常用的两种方法,其中利用光学原理中的透射法或散射法的能见度等级仪器测量法应用较为广泛,但这些光学监测器械存在着安装复杂、设备昂贵、灵敏度要求高、操作复杂等不足之处。目测法则存在主观性强、规范性差的问题,其严重限制了气象观测的全面自动化发展。
许茜等通过提取图像的ROI(region of interest),应用SVR的监督学习方法进行能见度等级检测。Su,Rez S,NchezA等根据城市Avilés的SO2、NO、NO2、CO、PM10、O3的数据构建了基于支持向量机的回归模型,该模型能够很好的预测出城市中主要污染物的依赖性,并且该模型适用于其他城市。
上述方法中存在着较为依赖ROI提取的准确性、受到采集模板图的限制、当大气能见度较差时难以区分天空与道路导致鲁棒性较差等问题。
发明内容
本发明的目的是提供一种基于机器学习的能见度测量方法,解决了传统的采用提取图像的ROI的方法对空气质量良好、轻度污染、中度污染、重度污染4种等级的识别准确率低的技术问题。
为实现上述目的,本发明采用以下技术方案:
一种基于机器学习的能见度测量方法,包括如下步骤:
步骤1:通过图像拍摄设备采集样本图像,图像拍摄设备将样本图像发送给中心服务器进行处理;
步骤2:中心服务器通过基于显著区域的ROI提取方式对样本图像的ROI图像进行提取;
步骤3:中心服务器对样本图像进行预处理,在样本图像中设定一个目标区域作为检测区域,填充样本图像的小凹陷部分,消除目标区域的小颗粒噪声和增强对比度线性展宽增强边缘信息特征;
步骤4:中心服务器对预处理后的样本图像进行特征值提取,特征值包括图像边缘特征、局部对比度特征和全图透射率,图像边缘特征和局部对比度特征是在ROI图像中进行提取,全图透射率是在样本图像的全局图像中进行提取;
步骤5:中心服务器建立基于二叉树的多分类支持向量机模型,具体包括如下步骤:
步骤S1:选取数个样本图像,提取这些样本图像的特征后,通过支持向量机训练建立能见度检测模型;
步骤S2:将能见度等级分为4类,将选取的样本图像按照能见度等级分为4组图集,每一组图集保存75幅图像;
步骤S3:从每一组图集中随机选取50幅图像,即,一共200幅图像,作为训练样本;将每一组图集中剩余的25幅图像,即,一共100幅图像,作为测试样本;
步骤S4:通过步骤2到步骤4的方法提取所有训练样本和所有测试样本的特征值;
步骤S5:中心服务器构建出基于最优二叉树的支持向量机模型,将并将训练样本和测试样本带入所述基于最优二叉树的支持向量机模型,对空气质量良好、轻度污染、中度污染、重度污染进行分类测试,在所述基于最优二叉树的支持向量机模型中,每个最优二叉树分类器的内积核函数均采用径向基核函数,内积核函数的宽度和误差惩罚参数C将通过对每个结点处样本集的交叉验证来调节。
优选的,所述基于显著区域的ROI提取方式包括通过视觉注意模型引入所述样本图像的显著图,同时融合从视觉注意模型中获得的图像前景和背景信息,最后使用图像分割的方法实现ROI的提取。
优选的,所述显著图中,像素表示的是输入图像在对应点的显著程度。
优选的,在执行步骤4时,采用快速导向滤波对观察到的光照强度和场景的光照强度所提取的透射率特征值进行优化。
优选的,所述基于最优二叉树的支持向量机模型通过步骤S4中的所述训练样本进行训练,并对所述测试样本进行测试。
本发明所述的一种基于机器学习的能见度测量方法,解决了传统的采用提取图像的ROI的方法对空气质量良好、轻度污染、中度污染、重度污染4种等级的识别准确率低的技术问题,利用基于图像频域获取的显著图像,在提取中根据显著区域提取出的兴趣窗格在图片中具有代表性,能充分反映图像的特征,使在兴趣窗格中提取的特征值具有较高的区分性;本发明构建了基于最优二叉树的支持向量机空气能见度等级解析模型,经过最优二叉树、3个支持向量机的计算,可以识别并分类出4种空气能见度等级,通过交叉验证的方法得出空气质量良好、轻度污染、中度污染、重度污染4种等级的识别准确率高,且方法简单,对于能见度较低的图像需增强边缘信息特征来提高匹配准确率,本发明采用对比度线性展宽增强边缘信息特征,本发明安装简便、价格低廉、灵敏度高、操作简便。
附图说明
图1是本发明的流程图;
图2是本发明的基于最优二叉树的支持向量机模型的示意图;
图3是本发明的图像的兴趣窗格示意图;
图4是本发明的膨胀处理后的ROI图像;
图5是本发明的腐蚀处理后的ROI图像;
图6是本发明的膨胀与腐蚀图像相减后的得到的梯度图;
图7是本发明的经线性对比度展宽处理后的ROI图像的示意图;
图8是本发明的快速导向滤波前图像的示意图;
图9是本发明的快速导向滤波后图像的示意图。
具体实施方式
如图1-图9所示的一种基于机器学习的能见度测量方法,包括如下步骤:
步骤1:通过图像拍摄设备采集样本图像,图像拍摄设备将样本图像发送给中心服务器进行处理;
步骤2:中心服务器通过基于显著区域的ROI提取方式对样本图像的ROI图像进行提取;
如图3所示,本发明在样本图像上选取兴趣窗格,并对兴趣窗格中的图像进行ROI图像的提取。
步骤3:中心服务器对样本图像进行预处理,在样本图像中设定一个目标区域作为检测区域,填充样本图像的小凹陷部分,消除目标区域的小颗粒噪声和增强对比度线性展宽增强边缘信息特征;
如图4到图7所示,在对样本图像进行预处理时,本发明采用的方法包括对图像膨胀、腐蚀以及膨胀与腐蚀图像相减后的得到的梯度图,本发明还对样本图像进行经线性对比度展宽处理。
步骤4:中心服务器对预处理后的样本图像进行特征值提取,特征值包括图像边缘特征、局部对比度特征和全图透射率,图像边缘特征和局部对比度特征是在ROI图像中进行提取,全图透射率是在样本图像的全局图像中进行提取;
如图8和图9所示为本发明的快速导向滤波前后对比,本发明采用快速导向滤波对观察到的光照强度和场景的光照强度所提取的透射率特征值和进行优化。
在绝大多数非天空的局部区域里,某一些像素总会有至少一个颜色通道具有很低的值,即该区域光强的最小值是一个很小的数,而暗通道先验原理指出该值通常趋于0。对于任意输入图像J,其暗通道Jdark(x)定义见以下公式:
其中Ω(x)为以像素x为中心的一个窗口,r,g,b表示彩色图像的R、G、B三个通道,c为其中的一个通道,Jc(y)为y像素点在c通道中的值,min表示取最小值。暗通道先验原理即:Jdark→0。
对于摄像头捕捉到的数字图像,其光学模型主要由景物目标发出的光线和大气光照两部分组成,在计算机视觉和计算机图形中,常采用的数字成雾模型见以下公式:
I(x)=J(x)t(x)+A(1-t(x));
其中I(x)为所观察到的光照强度(observed intensity),J(x)场景的光照强度(scene radiance),A为全球大气光成分(the global atmospheric light),t(x)为本实施例需提取的透射率特征值,由上述暗通道先验原理并将数字成雾模型的公式两次最小值运算可得到透射率,如以下透射率计算公式:
其中:Ic表示有雾的输入图像c通道中的值,Ac表示全球大气光成分c通道中的值。
上述推论均假设全球大气光成分是已知的,在本实施例计算中,可以借助暗通道图从有雾的图像中获取该值,具体步骤如下:
步骤S1:从暗通道图中提取亮度大于0.1%的像素的I值;
步骤S2;在这些值中寻找最大值作为全球大气光值。
由于采取此方法得到的透射率过于粗糙,本实施例采用的快速导向滤波对透射率计算公式进行了优化,快速导向滤波原理方法如下:
步骤S3:像素点i处的滤波结果可以被表达为一个加权平均的定义,其公式如下:
Qi=∑jWi,j(H)Ij;
其中i,j表示处理像素的像平面横坐标和纵坐标,H为引导图像;Ij为像素点滤波前的值,Qi为像素点滤波后的值,Wij是与引导图像H相关的一个函数,该函数与待处理图像p无关。
步骤S4:假设导向滤波器在引导图像H和滤波输出Q之间的一个二维窗口内是一个局部线性模型见以下公式:
其中,a、b为当窗口中心位于k时该线性函数的系数,是滤波前与透射率图相关的一个核函数;ωk是图像I的当前处理窗口;表示对于当前处理窗口内的任意像素点均满足局部线性模型公式。
步骤S5:为保持滤波前图像J与滤波后图像q之间的最小化差值,快速导向滤波的a、b系数采用核函数,其公式如下:
其中μk是图像H的当前窗口中像素强度值的均值;δk 2是图像H的当前窗口中像素强度值的方差;|ω|是窗口中像素点的数量;表示当前处理窗口内每个像素对应的I值的均值。
步骤5:中心服务器建立基于二叉树的多分类支持向量机模型,具体包括如下步骤:
步骤S1:选取数个样本图像,提取这些样本图像的特征后,通过支持向量机训练建立能见度检测模型;
步骤S2:将能见度等级分为4类,将选取的样本图像按照能见度等级分为4组图集,每一组图集保存75幅图像;
步骤S3:从每一组图集中随机选取50幅图像,即,一共200幅图像,作为训练样本;将每一组图集中剩余的25幅图像,即,一共100幅图像,作为测试样本;
步骤S4:通过步骤2到步骤4的方法提取所有训练样本和所有测试样本的特征值;
步骤S5:中心服务器构建出基于最优二叉树的支持向量机模型,将并将训练样本和测试样本带入所述基于最优二叉树的支持向量机模型,对空气质量良好、轻度污染、中度污染、重度污染进行分类测试,在所述基于最优二叉树的支持向量机模型中,每个最优二叉树分类器的内积核函数均采用径向基核函数,内积核函数的宽度和误差惩罚参数C将通过对每个结点处样本集的交叉验证来调节。
如图2所示,本发明经过最优二叉树、3种支持向量机的计算,可以识别并分类出4种空气能见度等级,其中第一组图集为类1,第二组图集为类2,第二组图集为类3,第二组图集为类4,第一种支持向量机分类器SVM1V2(1,2)处理类1和类2的图集,第二种支持向量机分类器SVM3V4(3,4)处理类3和类4的图集,第一种支持向量机分类器SVM1V2(1,2)和第二种支持向量机分类器SVM3V4(3,4)将处理结果均传递给第三种支持向量机分类器SVM1,2V3,4(1,2,3,4)进行最终处理。
基于图像频域获取显著图像。首先将图像进行傅里叶变换,得到其频率域并计算出幅度谱和相位谱,再将幅度谱变为对数谱,最后对对数谱进行线性空间滤波,两者的差值为剩余谱。剩余谱R(f)计算见以下公式:
R(f)=log(A(f))-hn(f)*log(A(f));
其中f为图像的傅立叶变换频谱,A(f)为图像的幅度谱,log(A(f))为幅度谱的对数谱,hn(f)为幅度谱。
本发明利用剩余谱和相位谱进行傅立叶反变换可得到图像中每个点的显著值。为了得到更好的效果,本实施例再对其进行线性空间滤波,本实施例采取8×8的均值为8的高斯滤波器,归一化即可得到最终的显著图像S(x),计算公式如下:
S(x)=g(x)*F-1[exp(R(f)+P(f))]2;
其中:g(x)为线性空间的高斯滤波器,P(f)为图像的相位谱,exp为指数函数,F-1为傅立叶反变换。
优选的,所述基于显著区域的ROI提取方式包括通过视觉注意模型引入所述样本图像的显著图,同时融合从视觉注意模型中获得的图像前景和背景信息,最后使用图像分割的方法实现ROI的提取。
优选的,所述显著图中,像素表示的是输入图像在对应点的显著程度。
优选的,所述基于最优二叉树的支持向量机模型通过步骤S4中的所述训练样本进行训练,并对所述测试样本进行测试。
本发明所述的一种基于机器学习的能见度测量方法,解决了传统的采用提取图像的ROI的方法对空气质量良好、轻度污染、中度污染、重度污染4种等级的识别准确率低的技术问题,利用基于图像频域获取的显著图像,在提取中根据显著区域提取出的兴趣窗格在图片中具有代表性,能充分反映图像的特征,使在兴趣窗格中提取的特征值具有较高的区分性;本发明构建了基于最优二叉树的支持向量机空气能见度等级解析模型,经过最优二叉树、3个支持向量机的计算,可以识别并分类出4种空气能见度等级,通过交叉验证的方法得出空气质量良好、轻度污染、中度污染、重度污染4种等级的识别准确率高,且方法简单,对于能见度较低的图像需增强边缘信息特征来提高匹配准确率。
常用的对比度增强方法有直方图均衡化和对比度展宽两种,由于本文增强对比度是为了更好地提取特征值,而直方图均衡化会降低有用信息的对比度,所以本发明采用对比度线性展宽增强边缘信息特征,本发明安装简便、价格低廉、灵敏度高、操作简便。
Claims (5)
1.一种基于机器学习的能见度测量方法,其特征在于:包括如下步骤:
步骤1:通过图像拍摄设备采集样本图像,图像拍摄设备将样本图像发送给中心服务器进行处理;
步骤2:中心服务器通过基于显著区域的ROI提取方式对样本图像的ROI图像进行提取;
步骤3:中心服务器对样本图像进行预处理,在样本图像中设定一个目标区域作为检测区域,填充样本图像的小凹陷部分,消除目标区域的小颗粒噪声和增强对比度线性展宽增强边缘信息特征;
步骤4:中心服务器对预处理后的样本图像进行特征值提取,特征值包括图像边缘特征、局部对比度特征和全图透射率,图像边缘特征和局部对比度特征是在ROI图像中进行提取,全图透射率是在样本图像的全局图像中进行提取;
步骤5:中心服务器建立基于二叉树的多分类支持向量机模型,并对样品图像进行处理,具体包括如下步骤:
步骤S1:选取数个样本图像,提取这些样本图像的特征后,通过支持向量机训练建立能见度检测模型;
步骤S2:将能见度等级分为4类,将选取的样本图像按照能见度等级分为4组图集,每一组图集保存75幅图像;
步骤S3:从每一组图集中随机选取50幅图像,即,一共200幅图像,作为训练样本;将每一组图集中剩余的25幅图像,即,一共100幅图像,作为测试样本;
步骤S4:通过步骤2到步骤4的方法提取所有训练样本和所有测试样本的特征值;
步骤S5:中心服务器构建出基于最优二叉树的支持向量机模型,将并将训练样本和测试样本带入所述基于最优二叉树的支持向量机模型,对空气质量良好、轻度污染、中度污染、重度污染进行分类测试,在所述基于最优二叉树的支持向量机模型中,每个最优二叉树分类器的内积核函数均采用径向基核函数,内积核函数的宽度和误差惩罚参数C将通过对每个结点处样本集的交叉验证来调节。
2.如权利要求1所述的一种基于机器学习的能见度测量方法,其特征在于:所述基于显著区域的ROI提取方式包括通过视觉注意模型引入所述样本图像的显著图,同时融合从视觉注意模型中获得的图像前景和背景信息,最后使用图像分割的方法实现ROI的提取。
3.如权利要求2所述的一种基于机器学习的能见度测量方法,其特征在于:所述显著图中,像素表示的是输入图像在对应点的显著程度。
4.如权利要求2所述的一种基于机器学习的能见度测量方法,其特征在于:在执行步骤4时,采用快速导向滤波对观察到的光照强度和场景的光照强度所提取的透射率特征值进行优化。
5.如权利要求1所述的一种基于机器学习的能见度测量方法,其特征在于:所述基于最优二叉树的支持向量机模型通过步骤S4中的所述训练样本进行训练,并对所述测试样本进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016056.9A CN109741322A (zh) | 2019-01-08 | 2019-01-08 | 一种基于机器学习的能见度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016056.9A CN109741322A (zh) | 2019-01-08 | 2019-01-08 | 一种基于机器学习的能见度测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109741322A true CN109741322A (zh) | 2019-05-10 |
Family
ID=66363855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910016056.9A Pending CN109741322A (zh) | 2019-01-08 | 2019-01-08 | 一种基于机器学习的能见度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741322A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242880A (zh) * | 2019-12-30 | 2020-06-05 | 广州市明美光电技术有限公司 | 一种用于显微镜的多景深图像叠加方法、设备及介质 |
CN111476761A (zh) * | 2020-03-18 | 2020-07-31 | 河北科技大学 | 一种基于系统辨识的能见度测量方法及系统 |
CN112052822A (zh) * | 2020-09-16 | 2020-12-08 | 西安交通大学 | 基于图像多特征融合的公路能见度检测方法、系统及装置 |
CN112560790A (zh) * | 2020-12-28 | 2021-03-26 | 广州数鹏通科技有限公司 | 一种基于摄像头视频图像智能识别能见度的方法 |
CN113128581A (zh) * | 2021-04-13 | 2021-07-16 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 基于机器学习的能见度检测方法、装置、系统和存储介质 |
CN113129273A (zh) * | 2021-03-30 | 2021-07-16 | 武汉伏佳安达电气技术有限公司 | 一种输电线路雾天自动巡视方法及系统 |
CN117218375A (zh) * | 2023-11-08 | 2023-12-12 | 山东科技大学 | 基于先验知识与数据驱动的环境能见度预测方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046703A (zh) * | 2015-07-10 | 2015-11-11 | 南京信息工程大学 | 一种图像解析大气能见度方法 |
CN105069398A (zh) * | 2015-07-10 | 2015-11-18 | 南京信息工程大学 | 基于手机摄像头的草地覆盖度提取方法 |
CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
CN108596849A (zh) * | 2018-04-23 | 2018-09-28 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
CN108875794A (zh) * | 2018-05-25 | 2018-11-23 | 中国人民解放军国防科技大学 | 一种基于迁移学习的图像能见度检测方法 |
-
2019
- 2019-01-08 CN CN201910016056.9A patent/CN109741322A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046703A (zh) * | 2015-07-10 | 2015-11-11 | 南京信息工程大学 | 一种图像解析大气能见度方法 |
CN105069398A (zh) * | 2015-07-10 | 2015-11-18 | 南京信息工程大学 | 基于手机摄像头的草地覆盖度提取方法 |
CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
CN108596849A (zh) * | 2018-04-23 | 2018-09-28 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
CN108875794A (zh) * | 2018-05-25 | 2018-11-23 | 中国人民解放军国防科技大学 | 一种基于迁移学习的图像能见度检测方法 |
Non-Patent Citations (1)
Title |
---|
NAISHAN ZHENG ET AL.: "A Novel Method for the Recognition of Air Visibility Level Based on the Optimal Binary Tree Support Vector Machine", 《ATMOSPHERE》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242880A (zh) * | 2019-12-30 | 2020-06-05 | 广州市明美光电技术有限公司 | 一种用于显微镜的多景深图像叠加方法、设备及介质 |
CN111476761A (zh) * | 2020-03-18 | 2020-07-31 | 河北科技大学 | 一种基于系统辨识的能见度测量方法及系统 |
CN111476761B (zh) * | 2020-03-18 | 2023-07-21 | 河北科技大学 | 一种基于系统辨识的能见度测量方法及系统 |
CN112052822A (zh) * | 2020-09-16 | 2020-12-08 | 西安交通大学 | 基于图像多特征融合的公路能见度检测方法、系统及装置 |
CN112052822B (zh) * | 2020-09-16 | 2022-07-12 | 西安交通大学 | 基于图像多特征融合的公路能见度检测方法、系统及装置 |
CN112560790A (zh) * | 2020-12-28 | 2021-03-26 | 广州数鹏通科技有限公司 | 一种基于摄像头视频图像智能识别能见度的方法 |
CN113129273A (zh) * | 2021-03-30 | 2021-07-16 | 武汉伏佳安达电气技术有限公司 | 一种输电线路雾天自动巡视方法及系统 |
CN113128581A (zh) * | 2021-04-13 | 2021-07-16 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 基于机器学习的能见度检测方法、装置、系统和存储介质 |
CN117218375A (zh) * | 2023-11-08 | 2023-12-12 | 山东科技大学 | 基于先验知识与数据驱动的环境能见度预测方法及设备 |
CN117218375B (zh) * | 2023-11-08 | 2024-02-09 | 山东科技大学 | 基于先验知识与数据驱动的环境能见度预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741322A (zh) | 一种基于机器学习的能见度测量方法 | |
CN107808161B (zh) | 一种基于光视觉的水下目标识别方法 | |
CN110849807B (zh) | 一种基于深度学习的适用于道路能见度的监测方法与系统 | |
CN111951284B (zh) | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 | |
CN111639530B (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及系统 | |
Daniel et al. | Automatic road distress detection and analysis | |
Prabhakar et al. | A novel design for vehicle license plate detection and recognition | |
CN113111727A (zh) | 一种基于特征对齐的遥感场景下旋转目标检测方法 | |
CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
CN104408692A (zh) | 一种基于深度学习的图像模糊模型参数分析方法 | |
Juneja et al. | A systematic review on foggy datasets: Applications and challenges | |
Varjo et al. | Image based visibility estimation during day and night | |
Müller et al. | Simulating optical properties to access novel metrological parameter ranges and the impact of different model approximations | |
Ding et al. | Restoration of single sand-dust image based on style transformation and unsupervised adversarial learning | |
Wang et al. | Fast Blur Detection Algorithm for UAV Crack Image Sets | |
CN112036246B (zh) | 遥感影像分类模型的构建方法,遥感影像分类方法及系统 | |
Das et al. | Automatic License Plate Recognition Technique using Convolutional Neural Network | |
CN107464220A (zh) | 一种基于重力叠加模型的公路面层病害图像增强方法 | |
CN113298857A (zh) | 一种基于神经网络融合策略的轴承缺陷检测方法 | |
Rani et al. | Object Detection in Natural Scene Images Using Thresholding Techniques | |
Zhen et al. | Haze removal algorithm using improved restoration model based on dark channel prior | |
Prasad et al. | An Analysis of Image Quality Enhancement Techniques in an Optical Based Satellite Image | |
Singh et al. | Vehicle number plate recognition using matlab | |
KR102199572B1 (ko) | 딥러닝 기반의 역방향 사물 검사 방법 | |
Qiao et al. | Extraction and Virtual Restoration of Scratched and Cracked Murals with Hyperspectral Data |
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 |