CN110503610B - 一种基于gan网络的图像雨雪痕迹去除方法 - Google Patents
一种基于gan网络的图像雨雪痕迹去除方法 Download PDFInfo
- Publication number
- CN110503610B CN110503610B CN201910638261.9A CN201910638261A CN110503610B CN 110503610 B CN110503610 B CN 110503610B CN 201910638261 A CN201910638261 A CN 201910638261A CN 110503610 B CN110503610 B CN 110503610B
- Authority
- CN
- China
- Prior art keywords
- convolution layer
- network
- image
- layer
- convolution
- 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 27
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 58
- 230000004913 activation Effects 0.000 claims description 20
- 241000533950 Leucojum Species 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T2207/20—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]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于GAN网络的图像雨雪痕迹去除方法，属于图像处理领域。主要步骤为：1、通过工业摄像机采集无雨雪痕迹的原始图像；2、在原始图像中添加雨雪痕迹的图像样本，得到训练和测试样本图像；3、对样本图像进行裁剪和截取等预处理；4、设计并搭建基于GAN的网络模型；5、将训练数据集输入网络进行训练，得到网络模型参数；6、将测试集中的图像输入到训练好的模型中，生成去除雨雪痕迹后的图像。本发明能在去除图像中的雨雪痕迹的同时保持生成图像的细节纹理质量，可用于有雨有雪图像的清晰化处理。
Description
技术领域
本发明涉及一种图像去雨线去雪花方法，具体设计一种基于生成式对抗网络的单幅图像雨线和雪花去除方法。
技术背景
图像的去雨和去雪是图像预处理的重要方向之一，恶劣的雨雪天气现象往往会遮挡图像的重要目标特征，导致图像的对比度降低、成像模糊，细节信息丢失，从而干扰图像识别或分类等图像处理结果。因此，有必要研究一种有效算法对采集图像进行处理。
现有的图像去雨去雪方法主要分成三类。第一类使用基于导向滤波的图像除雪和除雨算法，从而实现图像中雪痕的去除。第二类使用基于自适应的算法用于图像的去雨。第三类针对除雨的算法使用了基于深度卷积神经网的网络构架，但在除雨效果和图像细节上有待改进，尤其是在图像的细节纹理质量上与原图之间有较大差异，导致除雨除雪之后的图像出现过度平滑的现象。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种基于GAN网络的图像雨雪痕迹去除方法，该方法在实现图像的去雨去雪的同时，可以提高生成图像的细节纹理质量，解决生成图像亮度以及对比度的变化问题。并在同一框架中实现除雨线和雪花的功能，以应对不同天气条件的影响。
技术方案：本发明所述的基于GAN网络的图像雨雪痕迹去除方法，该方法包括以下步骤：
步骤一、采集雨雪天气下的雨痕和雪花图片，得到GAN网络的训练数据集；
步骤二、构建GAN网络中基于改进的生成式对抗网络生成器，包括了5个卷积层和7个转置卷积层，每个卷积单元包括批标准化和PReLu激活函数层，并使用跳跃连接的方式使整个网络易于收敛和训练；在卷积层之后设置转置卷积层，同样在其中使用批标准化和PRelu激活函数层；整个网络结构中使用了跳跃连接的方式，在最后设置Tanh函数；
步骤三、构建GAN网络中基于改进的生成式对抗网络判别器，包括了5个卷积层，在第2卷积层，第3卷积层，第4卷积层包括了批标准化和PRelu激活函数层；在第1卷积层中使用了PRelu激活函数层；并在最后设置了Sigmoid函数；
步骤四、构造改进的损失函数L约束网络；将训练图像数据集按照批尺寸数量的图像为一批量的大小将数据集平分为若干组输入到网络中，以训练判别器；再由判别器判别生成器生成的图像并计算出损失值，利用梯度下降的原理更新网络中的参数大小，以减少网络的损失；在第一批的图像训练完成之后，输入第二批图像，直到所有图像都被输入数据集中，得到完成一次训练的网络；
步骤五、重复步骤四，直至每张图片均被输入若干次，网络训练结束，得到完成所有训练的网络以及训练所得的权重以及偏置参数值；
步骤六、将训练所的网络参数加载至网络，将需要去雨或去雪的图像输入网络中，即可生成无雨无雪的清晰图像。
进一步，改进的损失函数由改进的感知损失函数和生成器的改进的对抗损失函数组成；感知损失函数计算所使用的特征图以激活层之前的特征图作为计算依据；在生成器的对抗损失函数部分，使用的是相对对抗损失函数，得到生成器的相对对抗损失；使用的损失函数为：
其中，a，b，c为常数；C为通道数；W和H分别为图像的宽和高；w，h和c分别为每层网络中图像的宽，高和通道数；x为输入图像，y为原始数据集图像；i代表第i层网络；yb为对应的正确标注的图像；G(xc,w,h)为生成器生成结果；为非线性的卷积变换；N为生成器生成的图像数；D(yi)为判别器结果。
步骤二中，5个卷积层分别为第1卷积层，第2卷积层，第3卷积层，第4卷积层和第5卷积层；7个转置卷积层分别为第1转置卷积层，第2转置卷积层，第3转置卷积层，第4转置卷积层，第5转置卷积层，第6转置卷积层和第7转置卷积层；其中，第1卷积层，第2卷积层，第3卷积层，第4卷积层的通道数为64；第5转置卷积层，第7转置卷积层的通道数为32；第6转置卷积层的通道数为1；第8转置卷积层，第9转置卷积层，第10转置卷积层，第11转置卷积层的通道数为64；第12卷积层通道数为3；过滤器的大小设置为3x3，步长为1，填充值设为1。
步骤三中，所述的5个卷积层分别为第1卷积层，第2卷积层，第3卷积层，第4卷积层，第5卷积层；其中，第1卷积层通道数为48，第2卷积层通道数为96，第3卷积层通道数为192，第4卷积层通道数为384，第5卷积层通道数为1；过滤器大小设置为4x4，步长设为2，填充值设为1。
步骤四中，设置批尺寸大小为64，学习率为10-3，设置损失函数中a和b的大小为1，c为0.005。
本发明的有益效果为：
1)通过实验发现，使用改进的GAN网络结构可以使得生成图像的去雨和去雪效率更高，效果更好且生成的图像清晰度更高。
2)在原始GAN网络中，生成图像容易出现细节过渡平滑的问题。通过使用改进的损失函数，有助于提高生成图像的纹理质量，生成图像的细节质量更好，在一定程度上很好的解决了生成图像过度平滑的问题。
3)在原始GAN网络中，生成图像容易出现的亮度以及对比度与原始图像不一致的问题。通过使用改进的损失函数，在很大程度上解决了生成图像和原始图像之间的亮度和对比度不同的问题；此外，更为重要的是，解决了因恶劣的雨雪天气现象会遮挡图像的重要目标特征，进而导致图像的对比度降低、成像模糊，细节信息丢失的问题，大大提高了图像识别或分类等图像处理结果。
4)在网络结构中，改为采用激活层之前的特征图来计算网络的损失值，相比使用激活层之后的特征图，激活层之前的特征图包含的图像特征更丰富。实验表明使用激活层之后的特征图计算损失值，有助于挖掘更多的细节信息，从而更好的消除图像雨雪痕迹。
附图说明
图1为本发明方法中网络的的构建过程流程图；
图2为本发明中生成器网络结构图；
图3为本发明中判别器网络结构图；
图4为本发明和现有算法对合成下雨图的去雨痕效果对比图；
图5为本发明和现有算法对合成下雪图的去雪花效果对比图；
图6为本发明网络对雨雪痕迹特征捕捉示意图
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
如图1和图2所示，本发明构建的神经网络由生成器网络和判别器网络两部分组成，其中，生成器网络部分包括了5个卷积层和7个转置卷积层。判别器网络部分包括了5个卷积层。首先我们将网上搜索引擎搜索到的图像用Photoshop软件进行处理，为图像添加雨痕和雪花，再将得到的图像和原始图像对应得到网络的训练数据集。然后使用数据集训练判别器，再向生成器中输入随机噪声，将生成器生成的结果与在真实数据分布中随机采样的数据同时输入判别器中，判别器输出判别结果，最后根据判别结果利用反向传播更新模型参数。重复上述训练步骤，得到训练好的生成器模型，再将需要除雨和除雪的图像输入生成器，得到除雨和除雪后的清晰图像。本发明在去除图像雨雪痕迹的同时保留了原始图像的细节纹理质量以及图像亮度和对比度，使得图像清晰度大幅提高。
步骤一、构造生成器模型
如图1所示，在生成器的卷积层中使用了批标准化和PReLu激活函数，相比于ReLu函数，PReLu函数收敛速度更快，在网络中表现更好；卷积层后设置若干转置卷积层，并使用跳跃连接的方式使整个网络易于收敛和训练；最后设置Tanh函数。为保证卷积后的图像大小不变，可以适当地用0填充缺少的像素以保持特征图的尺寸。
在Tensorflow框架下构建由生成器和判别器组成的GAN网络构架，其中：
生成器模型包括了5个卷积层和7个转置卷积层，记为第1卷积层，第2卷积层，第3卷积层，第4卷积层，第12卷积层。其中，卷积层每个卷积单元包括批标准化和PReLu激活函数层，并使用跳跃连接的方式使整个网络易于收敛和训练。在卷积层之后设置转置卷积层，记为第5转置卷积层，第7转置卷积层，第6转置卷积层，第8转置卷积层，第9转置卷积层，第10转置卷积层，第11转置卷积层。卷积层使用了批标准化和PReLu激活函数，相比于ReLu函数，PReLu函数收敛速度更快，在网络中表现更好；并使用跳跃连接的方式使整个网络易于收敛和训练。在最后使用Tanh函数。
在噪声数据分布中随机采样，输入生成器模型，得到一组假数据，记为D(z)，将前两步中某一步产生的数据作为判别网络的输入，判别网络的输出值为该输入属于真实数据的概率。然后根据得到的概率值计算损失函数。最后根据判别模型和生成模型的损失函数，可以利用反向传播算法，更新模型的参数。
步骤二、构造判别器模型
如图2所示，在判别器中首先使用带有PReLU函数的卷积层。再设置一组使用批标准化的卷积层，以及一系列使用批标准化和PReLu函数的卷积层；然后设置一组单通道的卷积层；最后使用Sigmoid函数输出判别结果。
判别器模型包括了5个卷积层，记为第1卷积层，第2卷积层，第3卷积层，第4卷积层，第5卷积层。其中，在第2卷积层，第3卷积层，第4卷积层包括了批标准化和PRelu激活函数层。在第1卷积层中使用了PRelu激活函数层。并在最后设置了Sigmoid函数。
步骤三、构造损失函数
总的损失函数L由三部分L1，L2，L3组成：
L＝aL1+bL2+cL3
其中，：a，b，c为系数；C为通道数；W和H分别为图像的宽和高；w，h和c分别为每层网络中图像的宽，高和通道数；x为输入图像，y为原始数据集图像；i代表第i层网络；yb为对应的正确标注的图像；G为生成器生成结果；V为非线性的卷积变换；N为生成器生成的图像数；D为判别器结果。
步骤四、设计基于GAN的网络参数
如图1所示，设计的生成器网络有卷积层和转置卷积和跳跃连接等组成。采用了4个卷积层充当特征提取器，保留输入图像的中小细节部分且消除雨雪痕迹，卷积核大小设置为3x3，M大小设置为64。
将训练图像数据集按照每64张图像为一个批量的大小将数据集平均分成若干组输入到判别器网络中，由网络的损失函数计算出损失值，再由梯度下降的原理更新网络中的参数大小，以减少网络的损失。在第一批的图像训练完成之后，输入第二批图像，直到所有图像都被输入数据集中，得到完成一次训练的网络。
由于卷积操作将原始图像的细节集中到更小的尺寸中，使得原始图像的细节部分可能有所丢失，原始图像得分辨率有所下降，因此在卷积层后添加了7个转置卷积层，其中卷积核大小为4x4，并在网络的最后使用Tanh激活函数。考虑到由卷积层生成的特征图包含许多图像细节，将这些特征图集成到转置卷积层中可以提高图像还原的细节纹理质量，因此添加了跳跃连接。跳跃连接的引入有助于将梯度向后传播到底层，从而使网络在训练阶段更加稳定。
步骤五、训练策略
本发明使用的测试平台是Ubuntu16.04LTS，Tensorflow1.4.0，Anaconda3-4.2.0，python3.5版本。采集800张晴天条件下的图像，统一裁剪为256×256大小后，使用Photoshop软件批量加入多样性的雨线、雪痕等天气特征，因此每张含有雨线或雪痕的图像都有对应的正确标注图像。将600张处理后的图像用作训练集，另外200张用作测试集。这些训练数据被分批输入网络中进行训练。采用Adam的梯度下降方法。设置训练批尺寸(batchsize)大小为64，训练的迭代次数为20万次，学习率为10-3。
步骤六、生成的去除雨雪痕迹后的清晰图像
如图3和图4所示，展示了带雨雪痕迹码头集装箱图像的恢复实例，并于基于卷积网络和基于先验法的结果进行了对比。由实验结果可以看出，基于卷积网络算法保留了原始图像的清晰度，但是仅去除了少部分雨雪痕迹，除雨雪效果不理想；基于先验法的算法去掉了部分雨线和雪痕，但图像清晰度降低了，出现了较为明显的白色痕迹；基于生成式对抗网络算法去除了图像中大部分的雨线和雪痕，同时也较好地保留了图像背景，效果优于基于卷积网络和基于先验法的算法。图5展示了基于条件生成式对抗网络算法过程中捕捉到的雨线和雪痕特征。如图5所示，实验过程对雨线和雪痕的特征捕捉较为精确，因此能够对图像进行有效处理。同时，基于改进生成式对抗网络算法具有良好的适应性，能在同一框架中实现除雨雪痕迹的功能，应对不同恶劣天气条件的影响。通过观察这些图片，可以看到本发明所提出的方法获得了最好的视觉效果，进一步验证了所提出方法的有效性。
综上，本发明的一种基于条件生成式对抗网络(CGAN)的图像雨雪痕迹去除方法，属于图像处理领域。本方法使用欧几里得感知损失函数来防止图像处理过程中的失真，从而提高生成图像的质量。主要步骤为：1、通过工业摄像机采集无雨雪痕迹的原始图像；2、在原始图像中添加雨雪痕迹的图像样本，得到训练和测试样本图像；3、对样本图像进行裁剪和截取等预处理；4、设计并搭建基于GAN的网络模型；5、将训练数据集输入网络进行训练，得到网络模型参数；6、将测试集中的图像输入到训练好的模型中，生成去除雨雪痕迹后的图像。本发明能在去除图像中的雨雪痕迹的同时保持生成图像的细节纹理质量，可用于有雨有雪图像的清晰化处理。
Claims (4)
1.一种基于GAN网络的图像雨雪痕迹去除方法，其特征在于，包括以下步骤：
步骤一、采集雨雪天气下的雨痕和雪花图片，得到GAN网络的训练数据集；
步骤二、构建GAN网络中基于改进的生成式对抗网络生成器，包括了5个卷积层和7个转置卷积层，每个卷积单元包括批标准化和PReLu激活函数层，并使用跳跃连接的方式使整个网络易于收敛和训练；在卷积层之后设置转置卷积层，同样在其中使用批标准化和PRelu激活函数层；整个网络结构中使用了跳跃连接的方式，在最后设置Tanh函数；
步骤三、构建GAN网络中基于改进的生成式对抗网络判别器，包括了5个卷积层，在第2卷积层，第3卷积层，第4卷积层包括了批标准化和PRelu激活函数层；在第1卷积层中使用了PRelu激活函数层；并在最后设置了Sigmoid函数；
步骤四、构造改进的损失函数L约束网络，将训练图像数据集按照批尺寸数量的图像为一批量的大小将数据集平分为若干组输入到网络中，以训练判别器；再由判别器判别生成器生成的图像并计算出损失值，利用梯度下降的原理更新网络中的参数大小，以减少网络的损失；在第一批的图像训练完成之后，输入第二批图像，直到所有图像都被输入数据集中，得到完成一次训练的网络；
步骤五、重复步骤四，直至每张图片均被输入若干次，网络训练结束，得到完成所有训练的网络以及训练所得的权重以及偏置参数值；
步骤六、将训练所的网络参数加载至网络，将需要去雨或去雪的图像输入网络中，即可生成无雨无雪的清晰图像；
改进的损失函数由改进的感知损失函数和生成器的改进的对抗损失函数组成；感知损失函数计算所使用的特征图以激活层之前的特征图作为计算依据；在生成器的对抗损失函数部分，使用的是相对对抗损失函数，得到生成器的相对对抗损失；使用的损失函数为：
其中，a，b，c为常数；C为通道数；W和H分别为图像的宽和高；w，h和c分别为每层网络中图像的宽，高和通道数；x为输入图像，y为原始数据集图像；i代表第i层网络；yb为对应的正确标注的图像；G(xc,w,h)为生成器生成结果；为非线性的卷积变换；N为生成器生成的图像数；D(yi)为判别器结果；
步骤二中，5个卷积层分别为第1卷积层，第2卷积层，第3卷积层，第4卷积层和第5卷积层；7个转置卷积层分别为第1转置卷积层，第2转置卷积层，第3转置卷积层，第4转置卷积层，第5转置卷积层，第6转置卷积层和第7转置卷积层；其中，第1卷积层，第2卷积层，第3卷积层，第4卷积层的通道数为64；第5转置卷积层，第7转置卷积层的通道数为32；第6转置卷积层的通道数为1；第8转置卷积层，第9转置卷积层，第10转置卷积层，第11转置卷积层的通道数为64；第12卷积层通道数为3；过滤器的大小设置为3x3，步长为1，填充值设为1。
2.根据权利要求1所述的基于GAN网络的图像雨雪痕迹去除方法，其特征在于，步骤三中，所述的5个卷积层分别为第1卷积层，第2卷积层，第3卷积层，第4卷积层，第5卷积层；其中，第1卷积层通道数为48，第2卷积层通道数为96，第3卷积层通道数为192，第4卷积层通道数为384，第5卷积层通道数为1；过滤器大小设置为4x4，步长设为2，填充值设为1。
3.根据权利要求1所述的基于GAN网络的图像雨雪痕迹去除方法，其特征在于，步骤四中，设置批尺寸大小为64，学习率为10-3。
4.根据权利要求1所述的基于GAN网络的图像雨雪痕迹去除方法，其特征在于，设置损失函数中a和b的大小为1，c为0.005。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910638261.9A CN110503610B (zh) | 2019-07-16 | 2019-07-16 | 一种基于gan网络的图像雨雪痕迹去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910638261.9A CN110503610B (zh) | 2019-07-16 | 2019-07-16 | 一种基于gan网络的图像雨雪痕迹去除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110503610A CN110503610A (zh) | 2019-11-26 |
| CN110503610B true CN110503610B (zh) | 2023-07-18 |
Family
ID=68585294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910638261.9A Active CN110503610B (zh) | 2019-07-16 | 2019-07-16 | 一种基于gan网络的图像雨雪痕迹去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110503610B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111179187B (zh) * | 2019-12-09 | 2022-09-27 | 南京理工大学 | 基于循环生成对抗网络的单幅图像去雨方法 |
| CN111489300B (zh) * | 2020-03-11 | 2022-07-08 | 天津大学 | 基于无监督学习的屏幕图像去摩尔纹方法 |
| CN111738932A (zh) * | 2020-05-13 | 2020-10-02 | 合肥师范学院 | 一种车载摄像头拍照图像自动去雨方法 |
| CN111986659B (zh) * | 2020-07-16 | 2024-08-06 | 百度在线网络技术（北京）有限公司 | 建立音频生成模型的方法以及装置 |
| CN114627005B (zh) * | 2022-02-16 | 2024-04-12 | 武汉大学 | 一种雨密度分类引导的双阶段单幅图像去雨方法 |
| US20230368336A1 (en) * | 2022-05-12 | 2023-11-16 | Honeywell International Inc. | Using integrated system to enhance a reference image |
| CN117495938B (zh) * | 2024-01-02 | 2024-04-16 | 山东力乐新材料研究院有限公司 | 一种基于图像处理的可折叠中空板生产数据提取方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109360156B (zh) * | 2018-08-17 | 2020-08-28 | 上海交通大学 | 基于生成对抗网络的图像分块的单张图像去雨方法 |
| CN109360155B (zh) * | 2018-08-17 | 2020-10-13 | 上海交通大学 | 基于多尺度特征融合的单帧图像去雨方法 |
-
2019
- 2019-07-16 CN CN201910638261.9A patent/CN110503610B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110503610A (zh) | 2019-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503610B (zh) | 一种基于gan网络的图像雨雪痕迹去除方法 | |
| CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
| CN108230264B (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
| CN106204467B (zh) | 一种基于级联残差神经网络的图像去噪方法 | |
| CN108961180B (zh) | 红外图像增强方法及系统 | |
| CN111507909A (zh) | 一种有雾图像清晰化的方法、装置及存储介质 | |
| CN113436076B (zh) | 逐步融合特征的图像超分辨率重建方法及电子设备 | |
| CN112233129B (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
| CN111008651B (zh) | 一种基于多特征融合的图像翻拍检测方法 | |
| CN110443775B (zh) | 基于卷积神经网络的离散小波变换域多聚焦图像融合方法 | |
| CN108664839B (zh) | 一种图像处理方法和设备 | |
| CN111179189A (zh) | 基于生成对抗网络gan的图像处理方法、装置以及电子设备、存储介质 | |
| CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
| CN114626445B (zh) | 基于光流网络与高斯背景建模的大坝白蚁视频识别方法 | |
| CN112288632A (zh) | 基于精简esrgan的单图像超分辨率方法及系统 | |
| CN112819705B (zh) | 一种基于网状结构与长距离相关性的真实图像去噪方法 | |
| CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
| CN114283058A (zh) | 基于对抗网络和最大互信息优化的图像超分辨率重建方法 | |
| CN111126185B (zh) | 一种针对道路卡口场景的深度学习车辆目标识别方法 | |
| CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
| KR102466061B1 (ko) | 계층적 생성 적대 네트워크를 이용한 노이즈 제거 장치 및 그 방법 | |
| CN118397367A (zh) | 一种基于卷积视觉Mamba的篡改检测方法 | |
| Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
| CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
| CN110930314B (zh) | 图像条带噪声抑制方法及其装置、电子设备、存储介质 |
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 |
Effective date of registration: 20240805 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd. Country or region after: China Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: JIANGSU University Country or region before: China |
|
| TR01 | Transfer of patent right |