CN109903232A - 一种基于卷积神经网络的图像去雾方法 - Google Patents
一种基于卷积神经网络的图像去雾方法 Download PDFInfo
- Publication number
- CN109903232A CN109903232A CN201811560434.1A CN201811560434A CN109903232A CN 109903232 A CN109903232 A CN 109903232A CN 201811560434 A CN201811560434 A CN 201811560434A CN 109903232 A CN109903232 A CN 109903232A
- Authority
- CN
- China
- Prior art keywords
- image
- convolutional neural
- neural networks
- free images
- width
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000003595 mist Substances 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000008030 elimination Effects 0.000 claims abstract description 26
- 238000003379 elimination reaction Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000008033 biological extinction Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000000149 penetrating effect Effects 0.000 claims description 2
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 101100006584 Mus musculus Clnk gene Proteins 0.000 description 34
- 230000001537 neural effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
一种基于卷积神经网络的图像去雾方法，其可提高有雾图像的清晰度，避免图像失真，可简化图像的处理步骤，提高图像处理的整体效率，具体包括以下步骤：S1原始无雾图像的获取，原始无雾图像从现有的数据集中选取，选取N幅原始无雾图像作为整体训练样本，S2有雾图像的获取，将S1中原始无雾图像人工合成有雾图像，具体为依次采用蓝色通道加雾算法、大气散射模型对原始无雾图像进行处理，得到有雾图像，S3建立卷积神经网络模型，对有雾图像进行处理，得到最终去雾图像，搭建卷积神经网络模型，采用卷积神经网络模型对有雾图像进行处理。
Description
技术领域
本发明涉及图像处理技术领域，具体为一种基于卷积神经网络的图像去雾方法。
背景技术
在视频监控、目标识别以及场景勘测等领域，常使用图像采集设备采集视频图像，以便于获得更多的目标信息，但是在雾天条件下，大气中存在着一些浑浊的介质，使得图像采集设备接收到的光发生了变化，导致采集到的图像清晰度下降、对比度降低，严重影响了目标信息的准确获取。因此，对有雾图像进行清晰化处理对人们的生产生活有着重大的现实意义。目前，对有雾图像的处理方法主要基于图像增强和图像复原两种方法，但是前者由于没有完全考虑到图像退化的主要原因，容易对部分图像信息造成一定程度的失真，存在去雾过度的情况；而后者主要是研究雾天图像的退化机制，建立普适的退化模型，从而得到去雾后的图像，但是该方法得到的去雾图像仍然存在图像不清晰、失真度高的缺陷，需对去雾图像再次进行后续处理才能得到较清晰、低失真度的去雾图像，图像处理步骤繁琐，大大降低了图像处理的整体效率。
发明内容
针对现有技术中存在的基于图像增强的图像处理方法易导致部分图像信息失真，现有的图像复原的方法得到的去雾图像需再经过后续图像处理才能得到较清晰、低失真度的去雾图像，图像处理步骤繁琐，图像处理的整体效率低的问题，本发明提供了一种基于卷积神经网络的图像去雾方法，其可提高有雾图像的清晰度，避免图像失真，可简化图像的处理步骤，提高图像处理的整体效率。
一种基于卷积神经网络的图像去雾方法，其具体包括以下步骤：
S1，原始无雾图像的获取；
S2，有雾图像的获取；
S3，建立网络模型，对所述有雾图像进行处理，得到最终去雾图像；
其特征在于，在S1中，所述原始无雾图像从现有的数据集中选取，选取N幅所述原始无雾图像作为整体训练样本；
在S2中，将S1中所述原始无雾图像人工合成有雾图像，具体为依次采用蓝色通道加雾算法、大气散射模型对所述原始无雾图像进行处理，得到所述有雾图像；
在S3中，所述网络模型为卷积神经网络模型，搭建所述卷积神经网络模型，采用所述卷积神经网络模型对所述有雾图像进行处理，具体的网络模型建立方法包括以下步骤：
S31，选取用于搭建所述卷积神经网络模型的网络训练样本，所述网络训练样本包括M幅无雾图像和M幅有雾图像；
S32，对所述网络训练样本进行裁剪；
S33，将裁剪后的所述网络训练样本中的有雾图像作为输入值，无雾图像作为对应的输出标签，训练所述卷积神经网络模型，所述卷积神经网络模型的网络总体为编码、解码过程。
其进一步特征在于，
其还包括步骤S4，设置所述卷积神经网络模型的学习率和动量参数，使用开源框架训练所述卷积神经网络；
所述开源框架为Tensorflow，使用所述Tensorflow训练所述卷积神经网络，直至损失函数降低到设定值，所述Tensorflow的模型训练结束；
在S1中，所述现有的数据集为BSD500数据集和NYU数据集；
在S2中，人工合成有雾图像的具体步骤包括：
S21，对所述原始无雾图像进行归一化处理，得到所述原始无雾图像的蓝色通道图像B（X），
S22，采用引导滤波法去掉所述蓝色通道图像集B（X）中的细节，得到细化的蓝色通道图像B1（X），
S23，使用蓝色通道加雾算法对所述细化的蓝色通道图像B1（X）进行处理，得到所述原始无雾图像的深度图，所述蓝色通道加雾算法为所述细化的蓝色通道图像B1（X）与所述深度图之间的对数关系，计算公式表示为：
d（x）=-log（1-B1（x）），
其中，d（x）表示原始无雾图像的深度图，B1（x）表示细化的蓝色通道图像集；
S24，采用所述大气散射模型对所述深度图进行处理，得到所述有雾图像，所述大气散射模型的计算公式表示为
t（x）=e-βd（x），
I（x）=J（x）*t（x）+A*（1-t（x））,
其中，J（x）为无雾图像，t（x）表示传播图，A代表全局大气光系数，为常量值， I（x）表示经大气散射模型算法得到的有雾图像，β为常量值；
在S31中，所述网络训练样本的选取方法为：从S1中的N幅所述原始无雾图像集中选取M幅原始无雾图像，从经S2人工合成处理得出的所述有雾图像中选取M幅有雾图像，M幅所述原始无雾图像与M幅所述有雾图像组成有雾/无雾图像对，将所述有雾/无雾图像对作为所述卷积神经网络模型的训练样本，将剩余的所述有雾图像作为测试样本，测试样本的数量为C=N-M；
在步骤S33中，所述卷积神经网络模型网络训练的具体步骤为：首先使用一层卷积对M幅所述有雾图像进行初步特征提取，再依次经过编码、解码的训练过程，所述编码部分使用三幅DenseBlock以及两幅TransitionDown进行特征提取以及下采样，所述解码部分使用两幅所述DenseBlock以及两幅所述TransitionUp进行上采样，在下采样路径中，一幅所述DenseBlock的输入同它的输出相级联，使得最终得到的特征图数量呈线性增长，在所述下采样路径和所述上采样路径之间还进行了跳跃连接，在所述上采样之后用一层卷积将通道变成3通道RGB图像，输出与M幅所述有雾图像相对应的M幅去雾图像；
其还包括步骤S5，将测试样本输入至训练好的模型中，输出与所述测试样本相对应的所述去雾图像；
其还包括步骤S6，对S5中的所述去雾图像进行判断，选择判断的客观评价指标，采用结构相似度和峰值信噪比作为所述客观评价指标；
其还包括步骤S7，将采用其它图像去雾算法得到的去雾图像的结果与所述原始无雾图像进行对比，判断所述卷积神经网络算法的优劣；
所述其它图像去雾算法为引导滤波算法。
采用上述技术方案可以达到如下有益效果，本发明提供了一种人工合成有雾图像的方法，并利用卷积神经网络探索有雾图像和原始无雾图像之间潜在的复杂关系，使用卷积神经网络模型对有雾图像进行处理，可以得到高清晰、低失真效果的去雾图像；与现有的图像退化的去雾方法相比，本发明可以避免由于退化而造成的部分图像信息失真的问题出现，能够较好的保留原图像的细节，与现有的图像增强的去雾方法相比，本发明是端到端的，即输入一幅有雾图像，输出即为去雾后清晰的去雾图像，无需再对去雾后的图像做后续处理即可得到较清晰、低失真度的去雾图像，简化了图像处理的步骤，提高了图像处理的整体效率。
附图说明
图1为本发明的图像处理的流程图。
具体实施方式
如图1，一种基于卷积神经网络的图像去雾方法，卷积神经网络为全卷积神经网络（Fully Converlutional DenseNet），其具体包括以下步骤：S1，原始无雾图像的获取，原始无雾图像从现有的数据集BSD500数据集和NYU数据集中选取，选取N幅原始无雾图像作为整体训练样本，本实施例中N为1999；
S2，有雾图像的获取，将S1中原始无雾图像人工合成有雾图像，具体为依次采用蓝色通道加雾算法、大气散射模型对原始无雾图像进行处理，得到有雾图像，具体步骤包括：
S21，对原始无雾图像进行进行归一化处理，得到原始无雾图像的蓝色通道图像B（X），
S22，采用引导滤波法去掉蓝色通道图像集B（X）中的细节，得到细化的蓝色通道图像B1（X），
S23，使用蓝色通道加雾算法对细化的蓝色通道图像B1（X）进行处理，得到原始无雾图像的深度图，蓝色通道加雾算法为细化的蓝色通道图像B1（X）与深度图之间的对数关系，计算公式表示为：d（x）=-log（1-B1（x）），其中，d（x）表示原始无雾图像的深度图，B1（x）表示细化的蓝色通道图像集；
S24，采用大气散射模型对深度图进行处理，得到有雾图像，大气散射模型的计算公式表示为：
t（x）=e-βd（x），
I（x）=J（x）*t（x）+A*（1-t（x））,
其中，J（x）为无雾图像，t（x）表示传播图，A代表全局大气光系数，为常量值， I（x）表示经大气散射模型算法得到的有雾图像，β为常量值；
S3，建立卷积神经网络模型，对有雾图像进行处理，得到最终的去雾图像，卷积神经网络模型的建立包括以下步骤：
S31，选取用于搭建卷积神经网络模型的网络训练样本，网络训练样本包括M幅无雾图像和M幅有雾图像，网络训练样本的选取方法为：从S1中的N幅原始无雾图像集中选取M幅原始无雾图像，从经S2人工合成处理得出的有雾图像中选取M幅有雾图像，M幅原始无雾图像与M幅有雾图像组成有雾/无雾图像对，将有雾/无雾图像对作为卷积神经网络模型的训练样本，将剩余的有雾图像作为测试样本，测试样本的数量为C=N-M，本实施例中M为1300，C为1999-1300=699；
S32，对网络训练样本进行裁剪；
S33，将裁剪后的网络训练样本中的有雾图像作为输入值，无雾图像作为对应的输出标签，训练卷积神经网络模型，卷积神经网络模型的网络总体为编码、解码过程，卷积神经网络模型网络训练的具体步骤为：首先使用一层卷积对1000幅有雾图像进行初步特征提取，再依次经过编码、解码的训练过程，编码部分使用三幅DenseBlock以及两幅TransitionDown进行特征提取以及下采样，解码部分使用两幅DenseBlock以及两幅TransitionUp进行上采样，在下采样路径中，一幅DenseBlock的输入同它的输出相级联，使得最终得到的特征图数量呈线性增长，在下采样路径和上采样路径之间还进行了跳跃连接，在上采样之后用一层卷积将通道变成3通道RGB图像，输出与1000幅有雾图像相对应的1000幅去雾图像；
S4，设置卷积神经网络模型的学习率和动量参数，使用开源框架Tensorflow训练卷积神经网络，学习率设置为0.005，损失函数为均方误差，batch size设定为10，采用Adam算法来优化网络参数，直至损失函数降低到一定值且不再下降时，模型训练结束；
S5，将699幅测试样本输入至训练好的模型中，输出与测试样本相对应的去雾图像；
S6，对S5中的去雾图像进行判断，选择判断的客观评价指标，采用结构相似度SSIM和峰值信噪比PSNR作为客观评价指标，结构相似度SSIM反映了图像结构信息的相似性，其值越大，越接近于1，图像越相近，失真差异越小，峰值信噪比(PSNR)反映了图像结构信息的完整性，其值越高，图像受噪声的影响越小，最终测试结果如表1所示，从表1中可以看出，本发明方法对去雾图像判断的结构相似度SSIM的值达到0.9438，接近于1，且峰值信噪比PSNR的值较高，因此，可以得出通过本发明方法去雾获得的去雾图像与原始无雾图像相比，得出的去雾图像结构信息较完整，相似度较高，具有较小的失真差异，受噪声影响较小；
表1：
| 指标 | SSIM | PSNR |
| 卷积神经网络 | 0.9438 | 21.3475 |
S7，将采用引导滤波算法得到的去雾图像与原始无雾图像进行对比，判断卷积神经网络算法的优劣，例如现有的He K，在《Guided image Filter-ing》中采用的引导滤波算法对有雾图像进行处理，得到的结果与本发明方法的结果对比如表2所示：
表2：
| 指标 | SSIM | PSNR |
| 引导滤波 | 0.8397 | 14.3316 |
| 卷积神经网络 | 0.9438 | 21.3475 |
从表2可以看出，采用引导滤波去雾算法对去雾图像判断的结构相似度SSIM的值为0.8397，峰值信噪比PSNR的值为21.3475，均低于采用本发明方法得到的结构相似度值和峰值信噪比值；且采用现有的引导滤波算法在处理大面积白雾区域时，容易出现光晕现象，且复原后颜色偏暗，采用本发明方法能够有效去除雾的影响，且去雾后的图像不易失真，能够较好的保留原图像的细节，具有较好的去雾效果。
Claims (10)
1.一种基于卷积神经网络的图像去雾方法，其具体包括以下步骤：
S1，原始无雾图像的获取；
S2，有雾图像的获取；
S3，建立网络模型，对所述有雾图像进行处理，得到最终去雾图像；
其特征在于，在S1中，所述原始无雾图像从现有的数据集中选取，选取N幅所述原始无雾图像作为整体训练样本；
在S2中，将S1中所述原始无雾图像人工合成有雾图像，具体为依次采用蓝色通道加雾算法、大气散射模型对所述原始无雾图像进行处理，得到所述有雾图像；
在S3中，所述网络模型为卷积神经网络模型，搭建所述卷积神经网络模型，采用所述卷积神经网络模型对所述有雾图像进行处理，具体的网络模型建立方法包括以下步骤：
S31，选取用于搭建所述卷积神经网络模型的网络训练样本，所述网络训练样本包括M幅无雾图像和M幅有雾图像；
S32，对所述网络训练样本进行裁剪；
S33，将裁剪后的所述网络训练样本中的有雾图像作为输入值，所述无雾图像作为对应的输出标签，训练所述卷积神经网络模型。
2.根据权利要求1所述的一种基于卷积神经网络的图像去雾方法，其特征在于，其还包括步骤S4，设置所述卷积神经网络模型的学习率和动量参数，使用开源框架训练所述卷积神经网络。
3.根据权利要求2所述的一种基于卷积神经网络的图像去雾方法，其特征在于，所述开源框架为Tensorflow，使用所述Tensorflow训练所述卷积神经网络，直至损失函数降低到设定值，所述Tensorflow的模型训练结束。
4.根据权利要求1所述的一种基于卷积神经网络的图像去雾方法，其特征在于，在S1中，所述现有的数据集为BSD500数据集和NYU数据集。
5.根据权利要求4所述的一种基于卷积神经网络的图像去雾方法，其特征在于，在S2中，人工合成有雾图像的具体步骤包括：
S21，对所述原始无雾图像进行归一化处理，得到所述原始无雾图像的蓝色通道图像B（X）；
S22，采用引导滤波法去掉所述蓝色通道图像集B（X）中的细节，得到细化的蓝色通道图像B1（X）；
S23，使用蓝色通道加雾算法对所述细化的蓝色通道图像B1（X）进行处理，得到所述原始无雾图像的深度图，所述蓝色通道加雾算法为所述细化的蓝色通道图像B1（X）与所述深度图之间的对数关系，计算公式表示为：
d（x）=-log（1-B1（x）），
其中，d（x）表示原始无雾图像的深度图，B1（x）表示细化的蓝色通道图像集；
S24，采用所述大气散射模型对所述深度图进行处理，得到所述有雾图像，所述大气散射模型的计算公式表示为
t（x）=e-βd（x） ，
I（x）=J（x）*t（x）+A*（1-t（x）），
其中，J（x）为无雾图像，t（x）表示传播图，A代表全局大气光系数，为常量值， I（x）表示经大气散射模型算法得到的有雾图像，β为常量值。
6.根据权利要求5所述的一种基于卷积神经网络的图像去雾方法，其特征在于，在S31中，所述网络训练样本的选取方法为：从S1中的N幅所述原始无雾图像集中选取M幅原始无雾图像，从经S2人工合成处理得出的所述有雾图像中选取M幅有雾图像，M幅所述原始无雾图像与M幅所述有雾图像组成有雾/无雾图像对，将所述有雾/无雾图像对作为所述卷积神经网络模型的训练样本，将剩余的所述有雾图像作为测试样本，测试样本的数量为C=N-M。
7.根据权利要求6所述的一种基于卷积神经网络的图像去雾方法，其特征在于，在步骤S33中，所述卷积神经网络模型网络训练的具体步骤为：首先使用一层卷积对M幅所述有雾图像进行初步特征提取，再依次经过编码、解码的训练过程，所述编码部分使用三幅DenseBlock以及两幅TransitionDown进行特征提取以及下采样，所述解码部分使用两幅所述DenseBlock以及两幅所述TransitionUp进行上采样，在下采样路径中，一幅所述DenseBlock的输入同它的输出相级联，使得最终得到的特征图数量呈线性增长，在所述下采样路径和所述上采样路径之间还进行了跳跃连接，在所述上采样之后用一层卷积将通道变成3通道RGB图像，输出与M幅所述有雾图像相对应的M幅去雾图像。
8.根据权利要求7所述的一种基于卷积神经网络的图像去雾方法，其特征在于，其还包括步骤S5，将测试样本输入至训练好的模型中，输出与所述测试样本相对应的所述去雾图像。
9.根据权利要求8所述的一种基于卷积神经网络的图像去雾方法，其特征在于，其还包括步骤S6，对S5中的所述去雾图像进行判断，选择判断的客观评价指标，采用结构相似度和峰值信噪比作为所述客观评价指标。
10.根据权利要求9所述的一种基于卷积神经网络的图像去雾方法，其特征在于，其还包括步骤S7，将采用其它去雾算法得到的去雾图像与所述原始无雾图像进行对比，判断所述卷积神经网络算法的优劣。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811560434.1A CN109903232A (zh) | 2018-12-20 | 2018-12-20 | 一种基于卷积神经网络的图像去雾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811560434.1A CN109903232A (zh) | 2018-12-20 | 2018-12-20 | 一种基于卷积神经网络的图像去雾方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109903232A true CN109903232A (zh) | 2019-06-18 |
Family
ID=66943469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811560434.1A Pending CN109903232A (zh) | 2018-12-20 | 2018-12-20 | 一种基于卷积神经网络的图像去雾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109903232A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110487797A (zh) * | 2019-08-31 | 2019-11-22 | 中国石油集团川庆钻探工程有限公司 | 一种用于试油测试的分离器排液口逸散气体监测方法 |
| CN110766640A (zh) * | 2019-11-05 | 2020-02-07 | 中山大学 | 一种基于深度语义分割的图像去雾方法 |
| CN110807744A (zh) * | 2019-10-25 | 2020-02-18 | 山东工商学院 | 一种基于卷积神经网络的图像去雾方法 |
| CN111340718A (zh) * | 2020-01-22 | 2020-06-26 | 华南理工大学 | 一种基于渐进式导向强监督神经网络的图像去雾方法 |
| CN111986108A (zh) * | 2020-08-07 | 2020-11-24 | 西北工业大学 | 一种基于生成对抗网络的复杂海空场景图像去雾方法 |
| CN112488943A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 模型训练和图像去雾方法、装置、设备 |
| CN113724168A (zh) * | 2021-09-07 | 2021-11-30 | 北京航空航天大学 | 一种飞机图像去雾方法及系统 |
| CN115456915A (zh) * | 2022-11-10 | 2022-12-09 | 深圳深知未来智能有限公司 | 基于3DLut的图像去雾处理方法、系统及可存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709901A (zh) * | 2016-11-10 | 2017-05-24 | 西安电子科技大学 | 基于深度先验的模拟雾图生成方法 |
| CN106910175A (zh) * | 2017-02-28 | 2017-06-30 | 武汉大学 | 一种基于深度学习的单幅图像去雾算法 |
| CN108665432A (zh) * | 2018-05-18 | 2018-10-16 | 百年金海科技有限公司 | 一种基于生成对抗网络的单幅图像去雾方法 |
-
2018
- 2018-12-20 CN CN201811560434.1A patent/CN109903232A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709901A (zh) * | 2016-11-10 | 2017-05-24 | 西安电子科技大学 | 基于深度先验的模拟雾图生成方法 |
| CN106910175A (zh) * | 2017-02-28 | 2017-06-30 | 武汉大学 | 一种基于深度学习的单幅图像去雾算法 |
| CN108665432A (zh) * | 2018-05-18 | 2018-10-16 | 百年金海科技有限公司 | 一种基于生成对抗网络的单幅图像去雾方法 |
Non-Patent Citations (1)
| Title |
|---|
| QINGQING JU等: "Single Sea Surface Image Dehazing Using Multi-scale Cascaded Convolutional Neural Network", 《2018ISSI》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110487797A (zh) * | 2019-08-31 | 2019-11-22 | 中国石油集团川庆钻探工程有限公司 | 一种用于试油测试的分离器排液口逸散气体监测方法 |
| CN110807744B (zh) * | 2019-10-25 | 2023-09-08 | 山东工商学院 | 一种基于卷积神经网络的图像去雾方法 |
| CN110807744A (zh) * | 2019-10-25 | 2020-02-18 | 山东工商学院 | 一种基于卷积神经网络的图像去雾方法 |
| CN110766640A (zh) * | 2019-11-05 | 2020-02-07 | 中山大学 | 一种基于深度语义分割的图像去雾方法 |
| CN111340718A (zh) * | 2020-01-22 | 2020-06-26 | 华南理工大学 | 一种基于渐进式导向强监督神经网络的图像去雾方法 |
| CN111340718B (zh) * | 2020-01-22 | 2023-06-20 | 华南理工大学 | 一种基于渐进式导向强监督神经网络的图像去雾方法 |
| CN111986108A (zh) * | 2020-08-07 | 2020-11-24 | 西北工业大学 | 一种基于生成对抗网络的复杂海空场景图像去雾方法 |
| CN111986108B (zh) * | 2020-08-07 | 2024-04-19 | 西北工业大学 | 一种基于生成对抗网络的复杂海空场景图像去雾方法 |
| CN112488943A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 模型训练和图像去雾方法、装置、设备 |
| CN112488943B (zh) * | 2020-12-02 | 2024-02-02 | 北京字跳网络技术有限公司 | 模型训练和图像去雾方法、装置、设备 |
| CN113724168A (zh) * | 2021-09-07 | 2021-11-30 | 北京航空航天大学 | 一种飞机图像去雾方法及系统 |
| CN115456915A (zh) * | 2022-11-10 | 2022-12-09 | 深圳深知未来智能有限公司 | 基于3DLut的图像去雾处理方法、系统及可存储介质 |
| WO2024099466A1 (zh) * | 2022-11-10 | 2024-05-16 | 深圳深知未来智能有限公司 | 基于3DLut的图像去雾处理方法、系统及可存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109903232A (zh) | 一种基于卷积神经网络的图像去雾方法 | |
| CN110555465B (zh) | 一种基于cnn与多特征融合的天气图像识别方法 | |
| 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 | |
| CN109584170B (zh) | 基于卷积神经网络的水下图像复原方法 | |
| CN109685072A (zh) | 一种基于生成对抗网络的复合降质图像高质量重建方法 | |
| CN110288550B (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 | |
| CN112907479B (zh) | 基于注意力机制的残差单幅图像去雨方法 | |
| CN110378849B (zh) | 基于深度残差网络的图像去雾去雨方法 | |
| CN110517203B (zh) | 一种基于参考图像重建的去雾方法 | |
| CN110363727B (zh) | 基于多尺度暗通道先验级联深度神经网络的图像去雾方法 | |
| CN109993804A (zh) | 一种基于条件生成对抗网络的道路场景去雾方法 | |
| CN110717921B (zh) | 改进型编码解码结构的全卷积神经网络语义分割方法 | |
| CN109872313A (zh) | 一种基于深度卷积自编码器的产品表面缺陷检测方法 | |
| CN111598791A (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
| CN110136079A (zh) | 基于场景深度分割的图像去雾方法 | |
| CN113160286A (zh) | 一种基于卷积神经网络的近红外和可见光图像融合方法 | |
| CN107277299A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
| CN104780383B (zh) | 一种3d‑hevc多分辨率视频编码方法 | |
| CN103856776B (zh) | 边界和曲率驱动修复的图像编码和解码方法 | |
| CN114066730B (zh) | 一种基于无监督对偶学习的视频插帧方法 | |
| CN111553856A (zh) | 基于深度估计辅助的图像去雾方法 | |
| CN114241344A (zh) | 一种基于深度学习的植物叶片病虫害严重程度评估方法 | |
| CN112712481B (zh) | 一种针对弱光图像增强的结构-纹理感知方法 | |
| CN117391981A (zh) | 一种基于低光照明和自适应约束的红外与可见光图像融合方法 | |
| CN113628143A (zh) | 一种基于多尺度卷积的加权融合图像去雾方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |
|
| RJ01 | Rejection of invention patent application after publication |