CN110570371A - 一种基于多尺度残差学习的图像去雾方法 - Google Patents
一种基于多尺度残差学习的图像去雾方法 Download PDFInfo
- Publication number
- CN110570371A CN110570371A CN201910804748.XA CN201910804748A CN110570371A CN 110570371 A CN110570371 A CN 110570371A CN 201910804748 A CN201910804748 A CN 201910804748A CN 110570371 A CN110570371 A CN 110570371A
- Authority
- CN
- China
- Prior art keywords
- image
- residual error
- defogging
- scale residual
- error learning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008447 perception Effects 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation 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
Classifications
-
- 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
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度残差学习的图像去雾方法,所述方法包括:基于大气散射模型,通过已知景深,随机选取全局大气光和大气散射系数,由无雾图生成有雾图,建立训练集;基于编码器和解码器构建去雾网络,网络结构采用多尺度残差学习模块搭建,多尺度残差学习模块利用不同尺度的感受野和特征图提取与雾有关的特征;采用L1范数损失函数、感知损失函数和均值损失函数的线性组合训练去雾网络;使用训练好的模型参数,输入一张有雾图即可得到去雾图。本方法不需要复杂的假设和先验,可以直接从一张有雾图像恢复出无雾图像,简单易行。
Description
技术领域
本发明涉及图像处理技术与深度学习技术领域,尤其涉及一种基于多尺度残差学习的图像去雾方法。
背景技术
雾霾是一种常见的大气现象。在雾霾天气下光线会被空气中悬浮的粒子(如烟雾颗粒、灰尘和水滴等)所散射。悬浮粒子会同时散射实际景物的反射光和大气环境光,对成像过程造成许多不良影响,例如低对比度、颜色失真等。雾霾不仅影响图像的视觉效果,同时还会影响计算机视觉系统的理解与分析。随着计算机视觉的发展,计算机视觉应用已经涉及到交通监控、目标识别、目标追踪以及图像分类等许多领域。计算机视觉系统对输入图像的要求很高,如果输入的图像数据是被雾霾所降质的图像,这将会导致灾难性的后果。
图像去雾方法可以分为单图去雾和多图去雾两种方法。多图去雾主要是利用同一场景在不同程度雾霾下拍摄的多张照片来提取特征,然后进行图像去雾。例如,Narasimhan等人[1]提出了一种用于分析降质图像的彩色模型,主要分析了雾霾对光线的散射作用,发现雾霾图片由大气粒子散射的景物反射光和散射的环境光两部分叠加而成,并对两部分进行建模,反演出无雾图像。另外一类方法是利用偏振器的不同角度来获取多张图像[2]。
单图去雾由于更强的实用性获得了更多的关注。单图去雾又可分为先验法和深度学习法。例如,He等人[3]提出了暗通道先验,该先验假设无雾图像中总有某些像素点的一个颜色通道的像素值接近于0,并结合大气散射模型,利用已知的有雾图可以反推出图像传输率,从而可以得到无雾图像。
近年来,深度学习的方法越来越受到重视,因为神经网络可以学习有雾图和无雾图之间的关系,可以取得逼真的去雾效果。例如,Cai等人[4]提出的DehazeNet使用卷积神经网络通过一张有雾图像就可得到对应的传输率,进而根据大气散射模型恢复无雾图像。AOD-Net[5]重新定义了大气散射模型,推导出了一个系数K来代替大气散射模型中的全局大气光和图像传输率,然后使用卷积神经网络学习系数K,由此恢复无雾图像。
现有图像去雾技术一般是通过估计图像传输率和全局大气光,利用大气散射模型恢复无雾图,然而基于物理模型的算法存在不精确性,如果图像传输率和全局大气光的估计有所偏差,就会影响去雾图的质量。因此,提出一种不依赖于物理模型,可直接从单张有雾图恢复无雾图的算法具有更高的实用价值。
发明内容
本发明提供了一种基于多尺度残差学习的图像去雾方法,本发明利用深度神经网络进行图像去雾,去雾网络基于编码器和解码器架构,采用多尺度残差学习模块搭建网络,从不同尺度的感受野和特征图来提取与雾有关的特征,采用L1范数损失函数、感知损失函数和均值损失函数的线性组合训练去雾网络。该方法不需要复杂的假设和先验,可以直接从一张有雾图像恢复出无雾图像,简单易行,详见下文描述:
一种基于多尺度残差学习的图像去雾方法,所述方法包括:
基于大气散射模型,通过已知景深,随机选取全局大气光和大气散射系数,由无雾图生成有雾图,建立训练集;
基于编码器和解码器构建去雾网络,网络结构采用多尺度残差学习模块搭建,多尺度残差学习模块利用不同尺度的感受野和特征图提取与雾有关的特征;
采用L1范数损失函数、感知损失函数和均值损失函数的线性组合训练去雾网络;
使用训练好的模型参数,输入一张有雾图即可得到去雾图。
其中,所述去雾网络具体为:
在编码器和解码器的相同尺寸特征图中采用跳跃连接传递信息;
将一个卷积和两个多尺度残差学习模块作为一个卷积单元,将一个反卷积和两个多尺度残差学习模块作为一个反卷积单元;
编码器由n个CBlk组成,解码器由n个DBlk组成;
多尺度残差学习模块基于最大值池化、卷积、反卷积、残差学习和PReLU函数搭建。
进一步地,所述L1范数损失函数具体为:
L1=||J-G(I)||1
式中,J为无雾图像,G(I)为去雾图像。
进一步地,所述感知损失函数具体为:
式中,φ(·)指输入特征图经过VGG16网络的ReLU2_2层的输出,i,j和k分别为特征图的宽、高和通道数的序号,W,H和C分别为特征图的宽、高和通道数。
进一步地,所述均值损失函数具体为:
式中,P(·)表示均值矩阵运算,M为该特征图的像素个数。
本发明提供的技术方案的有益效果是:
1、本发明不依赖任何物理模型或先验信息,通过神经网络学习有雾图和无雾图的变换关系,实现比较逼真的图像去雾;
2、本发明只需要一张有雾图即可得到无雾图,不需要额外信息,便于实现;
3、本发明的去雾效果好,效率高,方法简单易行。
附图说明
图1为一种基于多尺度残差学习的图像去雾方法的流程图;
图2为去雾方法的网络整体结构示意图;
图3为去雾网络中多尺度残差学习模块的结构示意图;
图4为实验结果中室外场景有雾图及去雾图;
图5为实验结果中另一室外场景有雾图及去雾图;
图6为实验结果中另一室外场景有雾图及去雾图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
为了实现逼真的图像去雾,本发明实施例提出了一种基于多尺度残差学习的图像去雾方法,参见图1,详见下文描述:
101:基于大气散射模型,使用已知景深,随机选取全局大气光和大气散射系数,由无雾图生成有雾图,建立训练集;
102:基于编码器和解码器构建去雾网络,网络结构采用多尺度残差学习模块搭建,多尺度残差学习模块利用不同尺度的感受野和特征图来提取与雾有关的特征;
103:采用L1范数损失函数、感知损失函数和均值损失函数的线性组合训练去雾网络;
104:使用训练好的模型参数,输入一张有雾图即可得到去雾图。
其中,步骤101中的建立训练集的具体步骤为:
1)基于大气散射模型,即公式(1),使用已知的景深信息d(x),随机选取全局大气光A和大气散射系数β,由无雾图J(x)得到有雾图I(x);
I(x)=J(x)e-βd(x)+A(1-e-βd(x)) (1)
式中,x为图像中的像素点的位置。
2)将无雾图J(x)和有雾图I(x)组成训练集。
其中,在步骤101之后,步骤102之前,该方法还包括:图像预处理步骤,具体为:
1)训练集的图片大小全部缩放到N×N,适用于网络输入;
2)将训练集中图像的RGB像素值全部规范化到[-1,1],适用于网络训练。
其中,步骤102中基于编码器和解码器构建去雾网络的具体步骤为:
1)去雾网络结构主要采用多尺度残差学习模块(Multi-scale ResidualLearning Block,MRSB)搭建[6],整体结构基于编码器和解码器架构,在编码器和解码器的相同尺寸特征图中采用跳跃连接的方式传递信息,去雾网络的结构如图2所示;
2)将一个卷积和两个多尺度残差学习模块作为一个卷积单元(ConvolutionalBlock,CBlk),将一个反卷积和两个多尺度残差学习模块作为一个反卷积单元(Deconvolutional Block,DBlk)。去雾网络的编码器由n个CBlk组成,解码器由n个DBlk组成。其中,编码器CBlk中的卷积的步幅为2,用来缩小图像尺寸,解码器DBlk中反卷积步幅为用于扩大图像尺寸。除最后一层反卷积的激活函数使用Tanh函数外,其余激活函数均为PReLU函数;
3)去雾网络中使用的多尺度残差模块结构均相同,如图3所示。下面以任一模块为例说明对输入特征图的处理流程。多尺度残差学习模块的输入特征图尺寸为N×N,记为F∈RN×N。
使用最大值池化(max-pooling)将输入特征图F的尺寸变成记为如图3中所示,约定卷积操作1:卷积的感受野先小后大(即卷积核尺寸分别为3×3和5×5),约定卷积操作2:卷积的感受野先大后小(即卷积核尺寸分别为5×5和3×3)。输入特征图F分别经过卷积操作1和卷积操作2,得到两个尺寸为N×N的特征图F1和F2,并在通道上拼接起来,记为Fc=[F1;F2]。利用同样的操作,将池化后的特征图FP分别经过卷积操作1和卷积操作2,得到两个尺寸为的特征图和在通道上拼接起来,得到将得到的特征图经过一个反卷积将尺寸变为N×N,结果记为将两个结果Fc和在通道上拼接起来,经过一个1×1的卷积,得到的特征图记为F1×1。采用残差学习的思想,将F和F1×1对应元素加和,得到多尺度残差学习模块的输出。
其中,多尺度残差学习模块不改变输入特征图的尺寸,该模块中,1×1卷积后没有激活函数,其余激活函数均为PReLU函数,对多尺度残差学习模块的结构不做限制。
其中,步骤103中构建去雾网络的损失函数的具体步骤为:
1)去雾网络的损失函数分别采用L1范数损失函数、感知损失函数和均值损失函数,具体如下所述;
2)L1范数损失函数如式(2)所示:
L1=||J-G(I)||1 (2)
式中,J为无雾图像,G(I)为去雾图像。
3)感知损失函数[7]如式(3)所示:
式中,φ(·)指输入特征图经过VGG16网络的ReLU2_2层的输出,i,j和k分别为特征图的宽、高和通道数的序号,W,H和C分别为特征图的宽、高和通道数。
4)均值损失函数如式(4)所示:
式中,P(·)表示均值矩阵运算,具体方法为选择大小为11×11的邻域和步幅为1的方式来计算图像像素值的平均值,M为该特征图的像素个数。
5)训练去雾网络的总体损失函数为上述四种损失函数的线性组合,如式(5)所示:
Ltotal=λL1+βLP+αLM (5)
式中,λ、β和α分别为L1、LP和LM的权重。
其中,步骤104的具体步骤为:使用训练好的模型参数,将一张有雾图送进去雾网络,即可得到一张去雾图。
实施例2
下面结合具体的附图以及计算公式对实施例1中的方案进行详细介绍,详见下文描述:
201:基于大气散射模型,使用已知景深,随机选取全局大气光和大气散射系数,由无雾图生成有雾图,建立训练集;
202:基于编码器和解码器构建去雾网络,网络结构主要采用多尺度残差学习模块搭建,多尺度残差学习模块利用不同尺度的感受野和特征图来提取与雾有关的特征;
203:采用L1范数损失函数、感知损失函数和均值损失函数的线性组合训练去雾网络;
204:使用训练好的模型参数,输入一张有雾图即可得到去雾图。
其中,步骤201中的建立训练集的具体步骤为:
1)基于大气散射模型,即公式(1),选择已知的景深信息d(x)的图像数据集,随机选取全局大气光A为[0.7,1.0]之间某个值,随机选取大气散射系数β为[0.6,1.8]之间的某个值,由无雾图J(x)得到有雾图I(x);
2)从已知的图像数据集中选取出1399张图片,即为无雾图,每张无雾图根据上述过程随机生成10张不同雾浓度的有雾图,得到13990张有雾图,将这13990对有雾图和无雾图的组合构成训练集。
其中,在步骤201之后,步骤202之前,该方法还包括:图像预处理步骤,具体为:
1)训练集的图片大小全部缩放到256×256,适用于网络输入;
2)将训练集中图像的RGB像素值全部规范化到[-1,1],适用于网络训练。
其中,步骤202中构建去雾网络的具体步骤为:
1)去雾网络结构主要采用多尺度残差学习模块搭建,整体结构基于编码器和解码器架构,在编码器和解码器的相同尺寸特征图中采用跳跃连接的方式传递信息,去雾网络的结构如图2所示;
2)将一个卷积和两个多尺度残差学习模块作为一个卷积单元,将一个反卷积和两个多尺度残差学习模块作为一个反卷积单元。去雾网络的编码器由3个CBlk组成,解码器由3个DBlk组成。
3)去雾网络中使用的多尺度残差模块结构均相同,如图3所示。下面以任一模块为例说明对输入特征图的处理流程。
该模块的输入输出特征图的尺寸是不变的,本方法中该模块输入一共有三种尺寸,即N=128,64,32,结合具体图说明。使图3中输入尺寸为N×N的特征图中的N=128,记为F∈R128×128。
使用最大值池化(max-pooling)将输入特征图F的尺寸变成64×64,记为FP∈R64 ×64。如图3中所示,约定卷积操作1:卷积的感受野先小后大(即卷积核尺寸分别为3×3和5×5),约定卷积操作2:卷积的感受野先大后小(即卷积核尺寸分别为5×5和3×3)。输入特征图F分别经过卷积操作1和卷积操作2,得到两个尺寸为128×128的特征图F1和F2,并在通道上拼接起来,记为Fc=[F1;F2]。利用同样的操作,将池化后的特征图FP分别经过卷积操作1和卷积操作2,得到两个尺寸为64×64的特征图和在通道上拼接起来,得到将得到的特征图经过一个反卷积将尺寸变为128×128,结果记为将两个结果Fc和在通道上拼接起来,经过一个1×1的卷积,得到的特征图记为F1×1。采用残差学习的思想,将F和F1×1对应元素加和,得到多尺度残差学习模块的输出。多尺度残差学习模块不改变输入特征图的尺寸,该模块中,1×1卷积后没有激活函数,其余激活函数均PReLU函数,对多尺度残差学习模块的结构不做限制。
其中,步骤203中构建去雾网络的损失函数的具体步骤为:
1)去雾网络的损失函数分别采用L1范数损失函数、感知损失函数和均值损失函数,具体如下所述:L1范数损失函数如式(2)所示,感知损失函数如式(3)所示,均值损失函数如式(4)所示。
2)训练去雾网络的总体损失函数为上述四种损失函数的线性组合,如式(5)所示,式中,λ、β和α分别为L1、LP和LM的权重,L1=10.0,LP=0.5,LM=5.0。
其中,步骤204的具体步骤为:使用训练好的模型参数,将一张有雾图送进去雾网络,即可得到一张去雾图。
实施例3
下面通过实验数据对实施例1和2中的方案进行可行性验证,详见下文描述:
从网络上选取2张室外无雾图,使用实例2中201步骤进行加雾,得到2张有雾图,再选取1张室外真实场景的有雾图。将上述3张图片使用本发明的去雾方法进行去雾,图4、图5和图6分别为有雾图及去雾图。由此可见,本方法可以有效地进行图像去雾。
参考文献
[1]Narasimhan S G,Nayar S K.:Chromatic framework for vision in badweather[C],IEEE International Conference on Computer Vision and PatternRecognition,2000:598-605.
[2]Schechner Y Y,Narasimhan S G,Nayar S K.:Instant dehazing of imagesusing polarization[C],IEEE International Conference on Computer Vision andPattern Recognition,2001:325-332.
[3]Berman D,Treibitz T,Avidan S,et al.:Non-Local Image Dehazing[C],IEEE International Conference on Computer Vision and Pattern Recognition,2016:1674-1682.
[4]Cai B,Xu X,Jia K,et al.:DehazeNet:An End-to-End System for SingleImage Haze Removal[J].IEEE Transactions on Image Processing,2016,25(11):5187-5198.
[5]Li B,Peng X,Wang Z,et al.:AOD-Net:All-in-One Dehazing Network[C],IEEE International Conference on Computer Vision,2017:4780-4788.
[6]Engin D,Anil,Ekenel,Hazim Kemal.Cycle-Dehaze:EnhancedCycleGAN for Single Image Dehazing[C].IEEE International Conference onComputer Vision and Pattern Recognition Workshops,2018:825-833.
[7]Justin Johnson,Alexandre Alahi,Li Fei-Fei.Perceptual Losses forReal-Time Style Transfer and Super-Resolution[C].European Conference onComputer Vision,2016:694-711
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于多尺度残差学习的图像去雾方法,其特征在于,所述方法包括:
基于大气散射模型,通过已知景深,随机选取全局大气光和大气散射系数,由无雾图生成有雾图,建立训练集;
基于编码器和解码器构建去雾网络,网络结构采用多尺度残差学习模块搭建,多尺度残差学习模块利用不同尺度的感受野和特征图提取与雾有关的特征;
采用L1范数损失函数、感知损失函数和均值损失函数的线性组合训练去雾网络;
使用训练好的模型参数,输入一张有雾图即可得到去雾图。
2.根据权利要求1所述的一种基于多尺度残差学习的图像去雾方法,其特征在于,所述去雾网络具体为:
在编码器和解码器的相同尺寸特征图中采用跳跃连接传递信息;
将一个卷积和两个多尺度残差学习模块作为一个卷积单元,将一个反卷积和两个多尺度残差学习模块作为一个反卷积单元;
编码器由n个CBlk组成,解码器由n个DBlk组成;
多尺度残差学习模块基于最大值池化、卷积、反卷积、残差学习和PReLU函数搭建。
3.根据权利要求1所述的一种基于多尺度残差学习的图像去雾方法,其特征在于,所述L1范数损失函数具体为:
L1=||J-G(I)||1
式中,J为无雾图像,G(I)为去雾图像。
4.根据权利要求3所述的一种基于多尺度残差学习的图像去雾方法,其特征在于,所述感知损失函数具体为:
式中,φ(·)指输入特征图经过VGG16网络的ReLU2_2层的输出,i,j和k分别为特征图的宽、高和通道数的序号,W,H和C分别为特征图的宽、高和通道数。
5.根据权利要求4所述的一种基于多尺度残差学习的图像去雾方法,其特征在于,所述均值损失函数具体为:
式中,P(·)表示均值矩阵运算,M为该特征图的像素个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910804748.XA CN110570371B (zh) | 2019-08-28 | 2019-08-28 | 一种基于多尺度残差学习的图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910804748.XA CN110570371B (zh) | 2019-08-28 | 2019-08-28 | 一种基于多尺度残差学习的图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570371A true CN110570371A (zh) | 2019-12-13 |
CN110570371B CN110570371B (zh) | 2023-08-29 |
Family
ID=68776625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910804748.XA Active CN110570371B (zh) | 2019-08-28 | 2019-08-28 | 一种基于多尺度残差学习的图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570371B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383192A (zh) * | 2020-02-18 | 2020-07-07 | 清华大学 | 一种融合sar的可见光遥感图像去雾方法 |
CN111539886A (zh) * | 2020-04-21 | 2020-08-14 | 西安交通大学 | 一种基于多尺度特征融合的去雾方法 |
CN111539885A (zh) * | 2020-04-21 | 2020-08-14 | 西安交通大学 | 一种基于多尺度网络的图像增强去雾方法 |
CN111667421A (zh) * | 2020-05-25 | 2020-09-15 | 武汉大学 | 一种图像去雾方法 |
CN111681178A (zh) * | 2020-05-22 | 2020-09-18 | 厦门大学 | 一种基于知识蒸馏的图像去雾方法 |
CN111695514A (zh) * | 2020-06-12 | 2020-09-22 | 长安大学 | 一种基于深度学习的雾天下车辆检测方法 |
CN111833277A (zh) * | 2020-07-27 | 2020-10-27 | 大连海事大学 | 一种具有非配对多尺度混合编解码结构的海上图像去雾方法 |
CN111861939A (zh) * | 2020-07-30 | 2020-10-30 | 四川大学 | 一种基于无监督学习的单张图像去雾方法 |
CN111915530A (zh) * | 2020-08-06 | 2020-11-10 | 温州大学 | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 |
CN111932466A (zh) * | 2020-07-10 | 2020-11-13 | 北京邮电大学 | 一种图像去雾方法、电子设备及存储介质 |
CN112070691A (zh) * | 2020-08-26 | 2020-12-11 | 闽江学院 | 一种基于U-Net的图像去雾方法 |
CN112150395A (zh) * | 2020-10-15 | 2020-12-29 | 山东工商学院 | 结合残差块和密集块的编码器-解码器网络图像去雾方法 |
CN112365414A (zh) * | 2020-11-04 | 2021-02-12 | 天津大学 | 一种基于双路残差卷积神经网络的图像去雾方法 |
CN112508814A (zh) * | 2020-12-07 | 2021-03-16 | 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 |
CN112767275A (zh) * | 2021-01-25 | 2021-05-07 | 中国人民解放军火箭军工程大学 | 一种基于人工稀疏标注信息引导的单张图像去雾方法 |
CN113240589A (zh) * | 2021-04-01 | 2021-08-10 | 重庆兆光科技股份有限公司 | 一种多尺度特征融合的图像去雾方法及系统 |
CN113379618A (zh) * | 2021-05-06 | 2021-09-10 | 航天东方红卫星有限公司 | 一种基于残差密集连接和特征融合的光学遥感图像去云方法 |
CN113450273A (zh) * | 2021-06-18 | 2021-09-28 | 暨南大学 | 一种基于多尺度多阶段神经网络的图像去雾方法及系统 |
CN113487528A (zh) * | 2021-06-30 | 2021-10-08 | 展讯通信(上海)有限公司 | 图像处理方法及装置、计算机可读存储介质、终端 |
CN113808039A (zh) * | 2021-09-09 | 2021-12-17 | 中山大学 | 基于高斯过程映射的迁移学习去雾方法与系统 |
CN114764752A (zh) * | 2021-01-15 | 2022-07-19 | 西北大学 | 一种基于深度学习的夜晚影像去雾算法 |
CN114862719A (zh) * | 2022-05-17 | 2022-08-05 | 东南大学 | 基于编解码结构的深度分层去雾网络 |
CN115205135A (zh) * | 2022-05-20 | 2022-10-18 | 中国人民解放军火箭军工程大学 | 一种基于透射图引导的单幅图像多解码器去雾方法 |
CN115293992A (zh) * | 2022-09-28 | 2022-11-04 | 泉州装备制造研究所 | 基于无监督权重深度模型的偏振图像去雾方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018132961A1 (en) * | 2017-01-18 | 2018-07-26 | Nokia Technologies Oy | Apparatus, method and computer program product for object detection |
CN109272455A (zh) * | 2018-05-17 | 2019-01-25 | 西安电子科技大学 | 基于弱监督生成对抗网络的图像去雾方法 |
CN109472818A (zh) * | 2018-10-17 | 2019-03-15 | 天津大学 | 一种基于深度神经网络的图像去雾方法 |
CN110097522A (zh) * | 2019-05-14 | 2019-08-06 | 燕山大学 | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 |
-
2019
- 2019-08-28 CN CN201910804748.XA patent/CN110570371B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018132961A1 (en) * | 2017-01-18 | 2018-07-26 | Nokia Technologies Oy | Apparatus, method and computer program product for object detection |
CN109272455A (zh) * | 2018-05-17 | 2019-01-25 | 西安电子科技大学 | 基于弱监督生成对抗网络的图像去雾方法 |
CN109472818A (zh) * | 2018-10-17 | 2019-03-15 | 天津大学 | 一种基于深度神经网络的图像去雾方法 |
CN110097522A (zh) * | 2019-05-14 | 2019-08-06 | 燕山大学 | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 |
Non-Patent Citations (2)
Title |
---|
JUNCHENG LI ET AL.: ""Multi-scale Residual Network for Image Super-Resolution"", 《EUROPEAN CONFERENCE ON COMPUTER VISION 2018》 * |
TAO XIN ET AL.: ""Scale-recurrent Network for Deep Image Deblurring"", 《ARXIV》 * |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383192B (zh) * | 2020-02-18 | 2022-10-18 | 清华大学 | 一种融合sar的可见光遥感图像去雾方法 |
CN111383192A (zh) * | 2020-02-18 | 2020-07-07 | 清华大学 | 一种融合sar的可见光遥感图像去雾方法 |
CN111539885B (zh) * | 2020-04-21 | 2023-09-19 | 西安交通大学 | 一种基于多尺度网络的图像增强去雾方法 |
CN111539886A (zh) * | 2020-04-21 | 2020-08-14 | 西安交通大学 | 一种基于多尺度特征融合的去雾方法 |
CN111539885A (zh) * | 2020-04-21 | 2020-08-14 | 西安交通大学 | 一种基于多尺度网络的图像增强去雾方法 |
CN111539886B (zh) * | 2020-04-21 | 2023-01-03 | 西安交通大学 | 一种基于多尺度特征融合的去雾方法 |
CN111681178A (zh) * | 2020-05-22 | 2020-09-18 | 厦门大学 | 一种基于知识蒸馏的图像去雾方法 |
CN111681178B (zh) * | 2020-05-22 | 2022-04-26 | 厦门大学 | 一种基于知识蒸馏的图像去雾方法 |
CN111667421A (zh) * | 2020-05-25 | 2020-09-15 | 武汉大学 | 一种图像去雾方法 |
CN111667421B (zh) * | 2020-05-25 | 2022-07-19 | 武汉大学 | 一种图像去雾方法 |
CN111695514B (zh) * | 2020-06-12 | 2023-04-18 | 长安大学 | 一种基于深度学习的雾天下车辆检测方法 |
CN111695514A (zh) * | 2020-06-12 | 2020-09-22 | 长安大学 | 一种基于深度学习的雾天下车辆检测方法 |
CN111932466A (zh) * | 2020-07-10 | 2020-11-13 | 北京邮电大学 | 一种图像去雾方法、电子设备及存储介质 |
CN111833277B (zh) * | 2020-07-27 | 2023-08-15 | 大连海事大学 | 一种具有非配对多尺度混合编解码结构的海上图像去雾方法 |
CN111833277A (zh) * | 2020-07-27 | 2020-10-27 | 大连海事大学 | 一种具有非配对多尺度混合编解码结构的海上图像去雾方法 |
CN111861939A (zh) * | 2020-07-30 | 2020-10-30 | 四川大学 | 一种基于无监督学习的单张图像去雾方法 |
CN111915530A (zh) * | 2020-08-06 | 2020-11-10 | 温州大学 | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 |
CN112070691B (zh) * | 2020-08-26 | 2024-02-06 | 闽江学院 | 一种基于U-Net的图像去雾方法 |
CN112070691A (zh) * | 2020-08-26 | 2020-12-11 | 闽江学院 | 一种基于U-Net的图像去雾方法 |
CN112150395A (zh) * | 2020-10-15 | 2020-12-29 | 山东工商学院 | 结合残差块和密集块的编码器-解码器网络图像去雾方法 |
CN112365414B (zh) * | 2020-11-04 | 2022-11-08 | 天津大学 | 一种基于双路残差卷积神经网络的图像去雾方法 |
CN112365414A (zh) * | 2020-11-04 | 2021-02-12 | 天津大学 | 一种基于双路残差卷积神经网络的图像去雾方法 |
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 |
CN112508814A (zh) * | 2020-12-07 | 2021-03-16 | 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 |
CN114764752A (zh) * | 2021-01-15 | 2022-07-19 | 西北大学 | 一种基于深度学习的夜晚影像去雾算法 |
CN114764752B (zh) * | 2021-01-15 | 2024-02-27 | 西北大学 | 一种基于深度学习的夜晚影像去雾算法 |
CN112767275B (zh) * | 2021-01-25 | 2021-10-22 | 中国人民解放军火箭军工程大学 | 一种基于人工稀疏标注信息引导的单张图像去雾方法 |
CN112767275A (zh) * | 2021-01-25 | 2021-05-07 | 中国人民解放军火箭军工程大学 | 一种基于人工稀疏标注信息引导的单张图像去雾方法 |
CN113240589A (zh) * | 2021-04-01 | 2021-08-10 | 重庆兆光科技股份有限公司 | 一种多尺度特征融合的图像去雾方法及系统 |
CN113379618A (zh) * | 2021-05-06 | 2021-09-10 | 航天东方红卫星有限公司 | 一种基于残差密集连接和特征融合的光学遥感图像去云方法 |
CN113379618B (zh) * | 2021-05-06 | 2024-04-12 | 航天东方红卫星有限公司 | 基于残差密集连接和特征融合的光学遥感图像去云方法 |
CN113450273B (zh) * | 2021-06-18 | 2022-10-14 | 暨南大学 | 一种基于多尺度多阶段神经网络的图像去雾方法及系统 |
CN113450273A (zh) * | 2021-06-18 | 2021-09-28 | 暨南大学 | 一种基于多尺度多阶段神经网络的图像去雾方法及系统 |
CN113487528B (zh) * | 2021-06-30 | 2022-11-29 | 展讯通信(上海)有限公司 | 图像处理方法及装置、计算机可读存储介质、终端 |
CN113487528A (zh) * | 2021-06-30 | 2021-10-08 | 展讯通信(上海)有限公司 | 图像处理方法及装置、计算机可读存储介质、终端 |
CN113808039B (zh) * | 2021-09-09 | 2023-06-27 | 中山大学 | 基于高斯过程映射的迁移学习去雾方法与系统 |
CN113808039A (zh) * | 2021-09-09 | 2021-12-17 | 中山大学 | 基于高斯过程映射的迁移学习去雾方法与系统 |
CN114862719A (zh) * | 2022-05-17 | 2022-08-05 | 东南大学 | 基于编解码结构的深度分层去雾网络 |
CN115205135B (zh) * | 2022-05-20 | 2023-03-17 | 中国人民解放军火箭军工程大学 | 一种基于透射图引导的单幅图像多解码器去雾方法 |
CN115205135A (zh) * | 2022-05-20 | 2022-10-18 | 中国人民解放军火箭军工程大学 | 一种基于透射图引导的单幅图像多解码器去雾方法 |
CN115293992B (zh) * | 2022-09-28 | 2022-12-30 | 泉州装备制造研究所 | 基于无监督权重深度模型的偏振图像去雾方法及装置 |
CN115293992A (zh) * | 2022-09-28 | 2022-11-04 | 泉州装备制造研究所 | 基于无监督权重深度模型的偏振图像去雾方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110570371B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570371B (zh) | 一种基于多尺度残差学习的图像去雾方法 | |
CN108665496B (zh) | 一种基于深度学习的端到端的语义即时定位与建图方法 | |
CN110544213B (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
CN112365414B (zh) | 一种基于双路残差卷积神经网络的图像去雾方法 | |
CN108269244B (zh) | 一种基于深度学习和先验约束的图像去雾系统 | |
CN110443761B (zh) | 一种基于多尺度聚合特征的单幅图像去雨方法 | |
CN110930320B (zh) | 一种基于轻量化卷积神经网络的图像去雾方法 | |
CN113344806A (zh) | 一种基于全局特征融合注意力网络的图像去雾方法与系统 | |
CN109493300B (zh) | 基于fpga卷积神经网络的航拍图像实时去雾方法及无人机 | |
CN109509156B (zh) | 一种基于生成对抗模型的图像去雾处理方法 | |
CN110097522B (zh) | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 | |
CN111950477A (zh) | 一种基于视频监督的单图像三维人脸重建方法 | |
CN113313732A (zh) | 一种基于自监督学习的前视场景深度估计方法 | |
CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
CN111654621B (zh) | 一种基于卷积神经网络模型的双焦相机连续数字变焦方法 | |
Jia et al. | Effective meta-attention dehazing networks for vision-based outdoor industrial systems | |
CN110782458A (zh) | 一种非对称编码网络的物体图像3d语义预测分割方法 | |
Hong et al. | USOD10K: a new benchmark dataset for underwater salient object detection | |
CN110503609A (zh) | 一种基于混合感知模型的图像去雨方法 | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
CN112215766A (zh) | 一种图像复原与图像增强相融合的图像去雾方法及其卷积网络 | |
Osuna-Coutiño et al. | Structure extraction in urbanized aerial images from a single view using a CNN-based approach | |
CN112927304B (zh) | 一种基于卷积神经网络的鱼眼镜头标定方法 | |
CN115578256A (zh) | 一种无人机航拍绝缘子红外视频全景拼接方法及系统 | |
CN114821239A (zh) | 一种有雾环境下的病虫害检测方法 |
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 |