CN109978799B - 一种基于深度学习的海事无人机视频图像去雾方法 - Google Patents
一种基于深度学习的海事无人机视频图像去雾方法 Download PDFInfo
- Publication number
- CN109978799B CN109978799B CN201910300305.7A CN201910300305A CN109978799B CN 109978799 B CN109978799 B CN 109978799B CN 201910300305 A CN201910300305 A CN 201910300305A CN 109978799 B CN109978799 B CN 109978799B
- Authority
- CN
- China
- Prior art keywords
- convolution
- video image
- neural network
- aerial vehicle
- unmanned aerial
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的海事无人机视频图像去雾方法，包括步骤：1)通过无人机机载摄像机拍摄海上清晰视频图像，根据大气散射模型，建立海上视频图像数据库；2)建立多尺度卷积神经网络模型，使用海上视频图像数据库训练；3)通过安装在无人机上的可见光摄像头采集海上视频图像，获得拍摄的含雾图像I′(x)；4)将含雾图像I′(x)输入经过训练的多尺度卷积神经网络模型进行处理，得到中间变量k(x)；5)利用清晰图像复原公式得到最后的去雾图像J′(x)，清晰图像的复原公式为：J′(x)＝k(x)(I′(x)‑1)+b，I′(x)为拍摄的含雾视频图像，J′(x)为复原的清晰图像，k(x)为中间变量，b可取任意常数。本发明能有效解决雾天条件下无人机视觉系统获取的视频图像模糊不清问题，从而提高无人机的搜寻救助能力。
Description
技术领域
本发明涉及计算机视频图像增强技术领域，具体地指一种基于深度学习的海事无人机视频图像去雾方法。
背景技术
海上交通事故频发严重危害了船员、乘客的生命财产安全。由于海上交通工具的特殊性及航行环境的复杂性，第一时间对遇险人员的搜救至关重要。海事无人机因其速度快、搜寻范围广，且具备自主导航能力，可实现环境感知、目标识别和跟踪等功能，对海上遇险人员的搜寻救助有着积极重大的作用。
但无人机在海上执行搜寻救助任务时，经常受到恶劣自然环境的影响。雾天条件下，无人机拍摄的视频图像模糊不清，严重阻碍了对落水人员的搜寻。而海上遇险人员面临的主要问题是“失温”和“呼吸”两大问题，及早的发现遇险人员有助于及时救助遇险人员。因此，研究无人机视频图像去雾技术使其能够在雾天条件下执行任务有着重要的现实作用。
目前，图像去雾方法主要分为两类：基于图像增强的方法和基于物理模型的方法。基于图像增强的去雾方法可以根据人的主观意愿，增强图像的对比度、突出图像中景物的特征和有价值的信息，但是这种方法可能造成图像信息的损失，使图像失真。基于物理模型的方法通过研究大气悬浮颗粒对光的散射作用，建立大气散射模型，复原出潜在的清晰图像。并且目前的去雾算法主要针对陆地场景的视频图像，对海上场景的图像去雾研究较少。这主要是因为海上图像的特征与陆地图像存在较大区别。不同于陆地场景的视频图像，海上场景的图像大多只包含天空、海水、船舶、岛屿等目标，且天空和海水区域占据了图像的大部分区域。由于陆地场景图像和海上场景图像之间的差异，陆地场景的去雾方法对于海上场景的图像去雾效果较差。
近年来，GPU计算能力的增长和深度学习的兴起促进了计算机视觉的发展，应用深度学习解决计算机视觉问题显得更加方便可行。因此，需要提出一种利用计算机视频图像增强技术解决雾天条件下无人机采集的视频图像模糊不清的问题。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于深度学习的海事无人机视频图像去雾方法，该方法能有效解决雾天条件下无人机视觉系统获取的视频图像模糊不清问题，从而提高无人机的搜寻救助能力。
为实现上述目的，本发明所设计的一种基于深度学习的海事无人机视频图像去雾方法，其特殊之处在于，所述方法包括如下步骤：
1)通过无人机机载摄像机拍摄海上清晰视频图像，根据大气散射模型，对同一场景的清晰视频图像合成不同浓度的雾天视频图像，建立海上视频图像数据库；
2)建立多尺度卷积神经网络模型，使用海上视频图像数据库训练多尺度卷积神经网络模型；
3)通过安装在无人机上的可见光摄像头采集海上视频图像，获得拍摄的含雾图像I′(x)；
4)将含雾图像I′(x)输入经过训练的多尺度卷积神经网络模型进行处理，得到中间变量k(x)；
5)利用清晰图像复原公式得到最后的去雾图像J′(x)，所述清晰图像的复原公式为：
J′(x)＝k(x)(I′(x)-1)+b
其中，I′(x)为拍摄的含雾视频图像，J′(x)为复原的清晰图像，k(x)为中间变量，b可取任意常数。
优选地，所述步骤1)中海上视频图像数据库中包括不同浓度的雾天视频图像，所述雾天视频图像由海上清晰视频图像通过大气散射模型合成得到，所述大气散射模型的公式为：
I(x)＝J(x)t(x)+A(1-t(x))
其中，I(x)为合成的含雾图像，J(x)表示清晰图像，t(x)表示透射率，A代表空气中的大气光值。
优选地，所述多尺度卷积神经网络模型由粗尺度卷积神经网络和精细尺度卷积神经网络组成，所述粗尺度卷积神经网络由三个卷积单元组成，每个卷积单元由一层卷积层、ReLU激励层、池化层、上采样组成，粗尺度卷积神经网络完成对中间变量k(x)的初步预测，所述精细尺度卷积神经网络由三个卷积单元组成，每个卷积单元由一层卷积层、ReLU激励层、池化层、上采样组成，精细尺度卷积神经网络完成对中间变量k(x)的精确预测。
优选地，获取海上视频图像数据库中不同浓度的海上雾天视频图像通过调整大气散射模型的公式中空气中的大气光值A、透射率t(x)的取值实现，A的取值范围为0.6-1.0，t(x)的取值范围为0.1-1.0。
优选地，所述粗尺度卷积神经网络的第1个卷积单元由3个11×11×3的卷积核的卷积层、1个2×2卷积核的池化层以及一个上采样层组成，池化层采用最大池化方法，上采样采用最邻近插值方法使输出与输入的大小一致；第2个卷积单元由3个9×9×3卷积核的卷积成、1个2×2卷积核的池化层以及1个上采样层组成；第3个卷积单元由3个7×7×3卷积核的卷积成、1个2×2卷积核的池化层以及1个上采样层组成。
优选地，所述精细尺度卷积神经网络的第1个卷积单元由3个5×5×3的卷积核的卷积层、1个2×2卷积核的池化层以及一个上采样层组成，上采样采用最邻近插值方法，使输出与输入的大小一致；粗尺度卷积神经网络输出的中间变量k′(x)在第三维度上与精细尺度卷积神经网络第一个卷积单元的输出连接并作为第2个卷积单元的输入；第2个卷积单元由3个3×3×3卷积核的卷积、1个2×2卷积核的池化层以及1个上采样层组成；第3个卷积单元由3个3×3×3卷积核的卷积成、1个2×2卷积核的池化层以及1个上采样层组成。
优选地，所述多尺度卷积神经网络模型采用均方误差为损失函数，利用步骤1)中制作的海上视频图像数据库训练模型，当损失函数值收敛到最低时得到的参数即为最终的参数。
本发明与现有技术相比，具有如下优点和有益效果:
1、利用人工合成含雾图像的方法合成同一场景不同浓度的海雾视频图像，解决了数据采集难的问题，且合成的数据对训练卷积神经网络的效果较佳。
2、改进的清晰图像模型减少了未知参数，便于构建端到端的卷积神经网络，构建的端到端的多尺度卷积神经网络能够很好地使雾天视频图像清晰化，且得到的清晰图像具有很好地视觉效果，同时峰值信噪比也进一步提高了。
3、本发明能够有效实时地去除海上场景的雾天视频图像中的雾气，使视频图像更加清晰，便于无人机充分发挥对海上遇险人员的搜寻救助能力。
附图说明
图1为本发明一种基于深度学习的海事无人机视频图像去雾方法的总体流程图；
图2为本发明提出的多尺度卷积神经网络模型的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示，本发明所提出的一种基于深度学习的海事无人机视频图像去雾方法的具体步骤如下：
1)通过无人机机载摄像机拍摄海上视频图像，根据大气散射模型，对同一场景的清晰视频图像合成不同浓度的雾天视频图像，建立海上视频图像数据库。大气散射模型的具体公式如下：
I(x)＝J(x)t(x)+A(1-t(x))
其中，I(x)代表含雾图像，J(x)表示清晰图像，t(x)表示透射率，A代表空气中的大气光值。为保证合成的含雾图像更加真实，A的取值范围为0.6-1.0，t(x)的取值范围为0.1-1.0。通过对A、t(x)取不同的值，最终得到不同浓度的海上雾天视频图像。
2)建立多尺度卷积神经网络模型，使用海上视频图像数据库训练多尺度卷积神经网络模型。
根据大气散射模型，可以得到清晰图像的复原公式为：
令
则清晰图像的复原公式可改写为：
J′(x)＝k(x)(I′(x)-1)+b
其中，I′(x)为拍摄的含雾视频图像，J′(x)表示复原的清晰图像，k(x)为中间变量，b可取任意常数，本发明中取b＝1。
将海上视频图像数据库中不同浓度的海上雾天视频图像和利用清晰图像的复原公式计算出的对应的中间变量k(x)作为多尺度卷积神经网络模型的输入，训练多尺度卷积神经网络模型估计中间变量k(x)。
如图2所示，该网络模型由粗尺度卷积神经网络和精细尺度卷积神经网络组成。其中粗尺度卷积神经网络由3个卷积单元组成，每个卷积单元由一层卷积层、ReLU激励层、池化层、上采样组成，粗尺度卷积神经网络完成对中间变量k(x)的初步预测。具体地，第1个卷积单元由3个11×11×3的卷积核的卷积层、1个2×2卷积核的池化层以及一个上采样层组成，池化层采用最大池化方法，上采样采用最邻近插值方法使输出与输入的大小一致；第2个卷积单元由3个9×9×3卷积核的卷积成、1个2×2卷积核的池化层以及1个上采样层组成；第3个卷积单元由3个7×7×3卷积核的卷积成、1个2×2卷积核的池化层以及1个上采样层组成。精细尺度卷积神经网络同样由3个卷积单元组成，每个卷积单元由一层卷积层、ReLU激励层、池化层、上采样组成，精细尺度卷积神经网络完成对中间变量k(x)的精确预测。具体地，第1个卷积单元由3个5×5×3的卷积核的卷积层、1个2×2卷积核的池化层以及一个上采样层组成，上采样采用最邻近插值方法，使输出与输入的大小一致；粗尺度卷积神经网络输出的中间变量k′(x)在第三维度上与精细尺度卷积神经网络第一个卷积单元的输出连接并作为第2个卷积单元的输入；第2个卷积单元由3个3×3×3卷积核的卷积成、1个2×2卷积核的池化层以及1个上采样层组成；第3个卷积单元由3个3×3×3卷积核的卷积成、1个2×2卷积核的池化层以及1个上采样层组成。本发明中采用均方误差为损失函数，利用制作的海上视频图像数据库训练模型，当损失函数值收敛到最低时得到的参数即为最终的参数。训练完成后，其输入为含雾视频图像，输出为预测的中间变量k(x)。
3)通过安装在无人机上的可见光摄像头采集海上视频图像，获得拍摄的含雾图像I′(x)；
4)将含雾图像I′(x)输入经过训练的多尺度卷积神经网络模型进行处理，得到中间变量k(x)；
5)利用清晰图像复原公式得到最后的去雾图像J′(x)，清晰图像的复原公式为：
J′(x)＝k(x)(I′(x)-1)+b
其中，I′(x)为拍摄的含雾视频图像，J′(x)为复原的清晰图像，k(x)为中间变量，b可取任意常数，本发明中取b＝1。
本发明提出了一种基于深度学习的海事无人机视频图像去雾方法，使用了深度学习技术，实现了海事无人机视频图像去雾处理的实时化，具有快速实时的特点。
最后需要说明的是，以上具体实施方式仅用以说明本专利技术方案而非限制，尽管参照较佳实施例对本专利进行了详细说明，本领域的普通技术人员应当理解，可以对本专利的技术方案进行修改或者等同替换，而不脱离本专利技术方案的精神和范围，其均应涵盖在本专利的权利要求范围当中。
Claims (6)
1.一种基于深度学习的海事无人机视频图像去雾方法，其特征在于：所述方法包括如下步骤：
1)通过无人机机载摄像机拍摄海上清晰视频图像，根据大气散射模型，对同一场景的清晰视频图像合成不同浓度的雾天视频图像，建立海上视频图像数据库；海上视频图像数据库中包括不同浓度的雾天视频图像，所述雾天视频图像由海上清晰视频图像通过大气散射模型合成得到，所述大气散射模型的公式为：
I(x)＝J(x)t(x)+A(1-t(x))
其中，I(x)为合成的含雾图像，J(x)表示清晰图像，t(x)表示透射率，A代表空气中的大气光值；
2)建立多尺度卷积神经网络模型，将海上视频图像数据库中不同浓度的海上雾天视频图像和利用清晰图像的复原公式计算出的对应的中间变量k(x)作为多尺度卷积神经网络模型的输入，训练多尺度卷积神经网络模型估计中间变量k(x)；
3)通过安装在无人机上的可见光摄像头采集海上视频图像，获得拍摄的含雾图像I′(x)；
4)将含雾图像I′(x)输入经过训练的多尺度卷积神经网络模型进行处理，得到中间变量k(x)；
5)利用清晰图像复原公式得到最后的去雾图像J′(x)，所述清晰图像的复原公式为：
J′(x)＝k(x)(I′(x)-1)+b
其中，I′(x)为拍摄的含雾视频图像，J′(x)为复原的清晰图像，k(x)为中间变量，b可取任意常数。
2.根据权利要求1所述的一种基于深度学习的海事无人机视频图像去雾方法，其特征在于：所述多尺度卷积神经网络模型由粗尺度卷积神经网络和精细尺度卷积神经网络组成，所述粗尺度卷积神经网络由三个卷积单元组成，每个卷积单元由一层卷积层、ReLU激励层、池化层、上采样组成，粗尺度卷积神经网络完成对中间变量k(x)的初步预测，所述精细尺度卷积神经网络由三个卷积单元组成，每个卷积单元由一层卷积层、ReLU激励层、池化层、上采样组成，精细尺度卷积神经网络完成对中间变量k(x)的精确预测。
3.根据权利要求1所述的一种基于深度学习的海事无人机视频图像去雾方法，其特征在于：获取海上视频图像数据库中不同浓度的海上雾天视频图像通过调整大气散射模型的公式中空气中的大气光值A、透射率t(x)的取值实现，A的取值范围为0.6-1.0，t(x)的取值范围为0.1-1.0。
4.根据权利要求2所述的一种基于深度学习的海事无人机视频图像去雾方法，其特征在于：所述粗尺度卷积神经网络的第1个卷积单元由3个11×11×3的卷积核的卷积层、1个2×2卷积核的池化层以及一个上采样层组成，池化层采用最大池化方法，上采样采用最邻近插值方法使输出与输入的大小一致；第2个卷积单元由3个9×9×3卷积核的卷积成、1个2×2卷积核的池化层以及1个上采样层组成；第3个卷积单元由3个7×7×3卷积核的卷积成、1个2×2卷积核的池化层以及1个上采样层组成。
5.根据权利要求2所述的一种基于深度学习的海事无人机视频图像去雾方法，其特征在于：所述精细尺度卷积神经网络的第1个卷积单元由3个5×5×3的卷积核的卷积层、1个2×2卷积核的池化层以及一个上采样层组成，上采样采用最邻近插值方法，使输出与输入的大小一致；粗尺度卷积神经网络输出的中间变量k′(x)在第三维度上与精细尺度卷积神经网络第一个卷积单元的输出连接并作为第2个卷积单元的输入；第2个卷积单元由3个3×3×3卷积核的卷积、1个2×2卷积核的池化层以及1个上采样层组成；第3个卷积单元由3个3×3×3卷积核的卷积成、1个2×2卷积核的池化层以及1个上采样层组成。
6.根据权利要求2所述的一种基于深度学习的海事无人机视频图像去雾方法，其特征在于：所述多尺度卷积神经网络模型采用均方误差为损失函数，利用步骤1)中制作的海上视频图像数据库训练模型，当损失函数值收敛到最低时得到的参数即为最终的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910300305.7A CN109978799B (zh) | 2019-04-15 | 2019-04-15 | 一种基于深度学习的海事无人机视频图像去雾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910300305.7A CN109978799B (zh) | 2019-04-15 | 2019-04-15 | 一种基于深度学习的海事无人机视频图像去雾方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109978799A CN109978799A (zh) | 2019-07-05 |
| CN109978799B true CN109978799B (zh) | 2021-03-23 |
Family
ID=67084543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910300305.7A Active CN109978799B (zh) | 2019-04-15 | 2019-04-15 | 一种基于深度学习的海事无人机视频图像去雾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978799B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532908B (zh) * | 2019-08-16 | 2023-01-17 | 中国民航大学 | 一种基于卷积神经网络的手指静脉图像散射去除方法 |
| CN112508814B (zh) * | 2020-12-07 | 2022-05-20 | 重庆邮电大学 | 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 |
| CN112950589A (zh) * | 2021-03-03 | 2021-06-11 | 桂林电子科技大学 | 一种多尺度卷积神经网络的暗通道先验去雾算法 |
| CN113468945A (zh) * | 2021-03-26 | 2021-10-01 | 厦门大学 | 游泳者溺水检测方法 |
| CN112991225A (zh) * | 2021-04-14 | 2021-06-18 | 集美大学 | 一种海面目标图像去雾方法 |
| CN114387187B (zh) * | 2022-01-13 | 2024-04-26 | 河海大学 | 一种雨雪雾天实时可视增强嵌入式系统及可视增强方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087254A (zh) * | 2018-04-26 | 2018-12-25 | 长安大学 | 无人机航拍图像雾霾天空和白色区域自适应处理方法 |
| CN109493300A (zh) * | 2018-11-15 | 2019-03-19 | 湖南鲲鹏智汇无人机技术有限公司 | 基于fpga卷积神经网络的航拍图像实时去雾方法及无人机 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599240A (zh) * | 2014-06-30 | 2015-05-06 | 中国海洋大学 | 基于无人机海上航拍图像的自适应权重暗原色去雾算法 |
| US9508129B1 (en) * | 2015-11-06 | 2016-11-29 | Adobe Systems Incorporated | Dehazing photos and videos using visual artifact suppression |
| CN105574827B (zh) * | 2015-12-17 | 2018-04-13 | 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 |
| US10430913B2 (en) * | 2017-06-30 | 2019-10-01 | Intel Corporation | Approximating image processing functions using convolutional neural networks |
| CN109146810A (zh) * | 2018-08-08 | 2019-01-04 | 国网浙江省电力有限公司信息通信分公司 | 一种基于端到端深度学习的图像去雾方法 |
| CN109472200B (zh) * | 2018-09-29 | 2022-04-05 | 深圳市锦润防务科技有限公司 | 一种智能的海面垃圾检测方法、系统和存储介质 |
| CN109584188B (zh) * | 2019-01-15 | 2022-11-11 | 东北大学 | 一种基于卷积神经网络的图像去雾方法 |
-
2019
- 2019-04-15 CN CN201910300305.7A patent/CN109978799B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087254A (zh) * | 2018-04-26 | 2018-12-25 | 长安大学 | 无人机航拍图像雾霾天空和白色区域自适应处理方法 |
| CN109493300A (zh) * | 2018-11-15 | 2019-03-19 | 湖南鲲鹏智汇无人机技术有限公司 | 基于fpga卷积神经网络的航拍图像实时去雾方法及无人机 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109978799A (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978799B (zh) | 一种基于深度学习的海事无人机视频图像去雾方法 | |
| CN102426019B (zh) | 一种无人机景象匹配辅助导航方法及系统 | |
| CN111899227A (zh) | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 | |
| CN104933680B (zh) | 一种智能的无人艇视觉系统视频快速海雾去除方法 | |
| CN110415544B (zh) | 一种灾害天气预警方法及汽车ar-hud系统 | |
| CN106096604A (zh) | 基于无人平台的多波段融合探测方法 | |
| CN109509156A (zh) | 一种基于生成对抗模型的图像去雾处理方法 | |
| CN109410144A (zh) | 一种基于深度学习的端到端图像去雾处理方法 | |
| Woodell et al. | Advanced image processing of aerial imagery | |
| CN113642606A (zh) | 一种基于注意力机制的海上舰船检测方法 | |
| Bansal et al. | A review of image restoration based image defogging algorithms | |
| CN109993744A (zh) | 一种海上逆光环境下的红外目标检测方法 | |
| CN113901945A (zh) | 一种基于Faster RCNN的海面溢油检测方法及系统 | |
| CN118154886A (zh) | 一种用于恶劣天气下的红外图像去噪和小目标检测方法 | |
| Wu et al. | SlimRGBD: A geographic information photography noise reduction system for aerial remote sensing | |
| CN116310892A (zh) | 一种基于改进yolov4目标检测的海上救援方法 | |
| CN112686921A (zh) | 一种基于轨迹特征的多干扰无人机检测跟踪方法 | |
| CN116246187A (zh) | 基于动态卷积神经网络的无人机高空拍摄图像检测方法 | |
| CN107941220B (zh) | 一种基于视觉的无人船海天线检测与导航方法和系统 | |
| Zhang et al. | A review of research on light visual perception of unmanned surface vehicles | |
| CN114758119A (zh) | 一种基于仿鹰眼视觉与似物性的海面回收目标检测方法 | |
| CN114463628A (zh) | 一种基于阈值约束的深度学习遥感影像船舰目标识别方法 | |
| Wang et al. | Low-light traffic objects detection for automated vehicles | |
| CN113763261A (zh) | 一种海雾气象条件下的远小目标实时检测方法 | |
| CN113343930A (zh) | 一种基于高斯去噪的无人机图像处理方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211124 Address after: 316021 station 66-47, Zimao village, Qiandao Central Business District, Zhoushan City, Zhejiang Province Patentee after: Zhoushan zhouneng Shipping Service Co.,Ltd. Address before: 430070 Hubei Province, Wuhan city Hongshan District Luoshi Road No. 122 Patentee before: WUHAN University OF TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220129 Address after: 316000 5th floor, Zhonglang Seaview building, No. 188, tianluoshi Road, Lincheng street, Zhoushan Marine Science City, Dinghai District, Zhoushan City, Zhejiang Province (station b176) Patentee after: Zhejiang xinnorui Marine Technology Co.,Ltd. Address before: 316021 station 66-47, Zimao village, Qiandao Central Business District, Zhoushan City, Zhejiang Province Patentee before: Zhoushan zhouneng Shipping Service Co.,Ltd. |