CN110751612A - 多通道多尺度卷积神经网络的单幅图像去雨方法 - Google Patents
多通道多尺度卷积神经网络的单幅图像去雨方法 Download PDFInfo
- Publication number
- CN110751612A CN110751612A CN201911069082.4A CN201911069082A CN110751612A CN 110751612 A CN110751612 A CN 110751612A CN 201911069082 A CN201911069082 A CN 201911069082A CN 110751612 A CN110751612 A CN 110751612A
- Authority
- CN
- China
- Prior art keywords
- image
- rain
- frequency
- low
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000010790 dilution Methods 0.000 claims description 2
- 239000012895 dilution Substances 0.000 claims description 2
- 239000011800 void material Substances 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 9
- 239000002131 composite material Substances 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G06T5/77—
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
Abstract
该发明涉及一种多通道多尺度卷积神经网络的单幅图像去雨方法。建立了多通道多尺度卷积神经网络用于提取有雨图像的特征信息并向无雨图像方向映射。首先利用引导滤波将有雨图像进行分解，得到低频背景图像和更高频雨线图像。然后将低频背景图像和更高频雨线图像一起送入卷积神经网络进行特征学习,得到去除雨线的低频图像和更高频图像，最后将其相融合得到去雨图像。卷积神经网络中对低频背景图像和更高频雨线图像提取的是多尺度特征图。同时，在构造网络模型时利用空洞卷积代替普通来提取图像的多尺度特征信息，得到更丰富的图像特征，提高算法的去雨性能。通过实验验证本发明可以有效去除图像中的雨线，且去雨之后的图像清晰，细节保持度高。
Description
技术领域
本发明涉及计算机视觉领域，涉及一种多通道多尺度卷积神经网络的单幅图像去雨方法。
背景技术
雨天会对图像的成像质量造成影响，使图像模糊，形变，可视性差等等。这就会使户外计算机视觉系统的工作受到影响。 因此，图像去雨算法的研究越来越受到各国研究人员的重视。图像去雨是目标识别和目标跟踪等领域算法的前期工作，其对于提高这类算法的性能具有很大的帮助，图像去雨在机器视觉领域具有很大的应用前景。
近年来，图像去雨算法得到越来越多研究人员的关注，目前去雨算法主要分为两类，第一类是具有时间冗余性的视频图像去雨算法，第二类是雨线分布缺少时空动态相关特性的单幅图像去雨算法，相比于视频图像的去雨，单幅图像只包含某一时刻的雨线分布,所以基于单幅图像去雨算法是当前研究工作中的难点。将有雨图像分解为高频和低频部分的去雨算法不需要进行预处理，应用范围较广。基于深度学习来处理单幅图像去雨问题，充分地利用了图像中的特征信息，得到的去雨效果比较好，受到广泛认可。
发明内容
本发明在于提供一种多通道多尺度卷积神经网络的单幅图像去雨方法，该方法可以有效去除图像上的雨线，去雨之后的图像清晰，细节保持度较高，可应用于目标识别和目标跟踪等计算机视觉领域。
为实现上述目的，本发明的技术方案为：
建立了多通道多尺度卷积神经网络用于提取有雨图像的特征信息并向无雨图像方向映射。首先利用引导滤波将有雨图像进行分解，得到高频雨线图像和低频背景图像。然后将低频背景图像和更高频雨线图像一起送入多通道多尺度卷积神经网络进行特征学习,并向无雨的低频图像与更高频图像映射，最后将网络输出的去雨的低频图像与更高频图像相融合得到雨线去除更彻底的复原图像。其中卷积神经网络中对低频背景图像和高频雨线图像提取的是多尺度特征图。同时，在构造网络模型时利用空洞卷积代替普通来提取图像的多尺度特征信息，得到更丰富的图像特征，提高算法的去雨性能。
有雨图像的分解步骤如下：
步骤一、将有雨图像I通过引导滤波后得到高频雨线图像
和有雨痕残留的低频背景图像
：
步骤二、将步骤一所得到的高频雨线图像再次通过引导滤波得到更高频雨线图像:
多通道卷积神经网络的实现方式：
将低频背景图像和更高频雨线图像一起送入卷积神经网络进行特征学习。通道1表示提取低频背景图像特征信息的卷积神经网络；通道2表示提取高频雨线图像特征信息的卷积神经网络，由于低频背景图像中残留大量雨线，将其与高频雨线图像一起送入卷积神经网络进行特征学习后向无雨的更高频图像和低频图像映射，将得到去雨的更高频图像和低频图像相融合得到去雨效果好的复原图像。网络最终输出的去雨图像K为卷积神经网络输出的去雨的低频图像
与更高频图像
的加和，表示为
多尺度卷积神经网络的实现方式：
卷积神经网络的第一层是特征提取层，分别用空洞卷积Covn11、Covn12和Covn21、Covn22提取不同尺度的图像特征。每个卷积层的kernel大小为
，卷积层后均接有ReLU激活函数，特征图维度为256。提取的不同尺度的特征图像组成一个特征图像集合后通过第二层卷积层来估计有雨图像与去雨图像之间特征图的映射关系，这层卷积的卷积核选择
，最后通过一层输出层输出去雨的低频背景图像与去雨的更高频图像，融合去雨的低频背景图像与去雨的更高频图像得到清晰的去雨图像。通过改变第一层特征提取层中的空洞卷积率，得到的特征图像的感受野大小不同，通道1和通道2中第一层卷积中Covn11、Covn12两个空洞卷积层的空洞卷积率(Dilition rate)均设为1，得到感受野大小为
的特征图;Covn21、Covn22两个空洞卷积层的(Dilition rate)分别设为 1、2，得到的感受野大小为的特征图，然后通过一个连接层将两个尺度的特征图组成一个集合。连续使用空洞卷积可以使感受野变大，从而使每个卷积输出都包含较大范围的信息，提取的特征信息相比于普通卷积更为丰富而且不损失特征信息。空洞卷积的感受野大小
可以表示为：
其中d表示空洞卷积率（Dilition rate），k为卷积核大小(Kernel)。
对于通道1和通道2网络结构是一样的，所以下面每层卷积的计算公式以通道1的特征提取网络结构为例：
其中
表示输入图像，即低频图像与更高频图像，*表示卷积操作，
表示激活函数，
和
为第一层特征提取层的2个网络参数，
和
为偏置值。
表示2个尺度的特征图组成的集合，里面包含512张有雨特征图，即维度为512；
为第二层卷积层的网络参数，
为偏置值。
为输出层的网络参数，
为偏置值。由于结合2个不同尺度的特征图像比只利用单一尺度的特征图像具有更丰富的特征信息，进而有雨图像到无雨图像的映射的准确性得到了提高。
本发明将网络的损失函数定义为去雨低频图像与去雨更高频图像的加和与原始无雨图像之间的均方误差，计算公式为
式中表示第i张有雨图像的更高频图像，
表示第i张有雨图像的低频图像，
为卷积神经网络向前传播，
表示去雨图像，
表示对应的原始无雨图像，n为批量训练样本数量。通过最小化损失函数，得到各个参数的最优值。
本发明的有益效果：使用本发明的基于多通道多尺度卷积神经网络的去雨算法对图像中的雨线进行去除，得到的复原图像清晰，细节保持度较高，极大地改善了图像的视觉效果，且得到的复原图像相比其他算法处理后得到的复原图像具有更高的PSNR值和SSIM值。
附图说明
图1是无雨图像的低频背景图像和合成雨天图像的低频背景图像，在图1中，(a)是无雨图像的低频背景图像，(b)是合成雨天图像的低频背景图像。
图2是高频雨线图像与更高频雨线图像的对比图，在图2中，(a)是高频雨线图像，(b)是更高频雨线图像。
图3是多通道多尺度卷积神经网络结构。
图4是不同算法去雨效果的PSNR对比结果。
图5是不同算法去雨效果的SSIM对比结果。
图6是合成雨天图像上不同去雨算法的去雨结果，在图6中，(a)是合成雨天图像，(b)是ID算法的效果，(c)是DerainNet的效果，(d)是本发明的效果。
图7是真实雨天图像上不同去雨算法的去雨结果，在图7中，(a)是合成雨天图像，(b)是ID算法的效果，(c)是DerainNet的效果，(d)是本发明的效果。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实例，对本发明做进一步详细说明。这些实例仅仅是说明性的，而并非对本发明的限制。
本发明提出了一种多通道多尺度卷积神经网络的去雨算法，该方法的具体实施步骤是：用于网络训练与测试的数据集来自公开的合成雨天图像数据集Rainy_image_dataest，该数据集包含1000张真实的无雨图像和在这些无雨图像上添加了不同方向、大小的雨线组成的合成雨天图像14000张。训练结束后分别在合成雨天图像和真实雨天图像上进行测试，并与其他算法的去雨效果做对比。训练时，选取数据集中的 9000张雨线不同方向，不同大小的图像作为网络的训练集，在剩余的图片里随机抽取300张做测试。
实验环境是Intel(R)Core(TM)i9-9900k-CPU，64bit，Windows10。训练网络时，随机选取有雨图像的低频图像与更高频图像和对应的无雨图像的低频图像与更高频图像上
像素大小的图像块，将其作为一对样本送入到卷积神经网络中提取特征。采用随机梯度下降方式训练网络模型，初始学习率大小设定为0.001，批量训练样本个数为20，最大迭代次数为10000。实验过程中训练模型迭代到8710次时损失函数的值不再减小，这时模型中的参数取得了最优值，得到的最小损失函数的值是0.0019。
(1) 合成雨天图像去雨的定量比较
本发明方法与现有的2种主流图像去雨算法进行了定量比较，即ID(HUANG D A, KANGL W, WANG Y C F, et al. Self-learning based image decomposition withapplications to single image denoising[J]. IEEE Transactions on Multimedia,2014, 16(1): 83-93.)和DerainNet(FU Xueyang, HUANG Jiabin, DING Xinghao, et al. Clearing the skies: a deep network architecture for single-image rainremoval [J]. IEEE Transactions on Image Processing, 2017, 26 (6): 2944-2956.)。所有方法均在相同的数据集上进行训练和测试，图4、图5中数据为在测试集中随机选取的4张图像的峰值信噪比(PSNR)和结构相似性(SSIM)的结果值以及随机选取的300张图片的平均结果值。如图4、图5所示，可以看出本发明方法的PSNR和SSIM结果值均明显高于其他算法，表明其去雨效果明显好于其他算法。
(2) 合成雨天图像去雨的定性比较
合成雨天图像去雨的定性比较的结果见图6，如图6所示，图6(b)为ID算法的结果，可以看出不仅雨线没有去除干净，而且使去雨图像变得模糊； 图6(c)DerainNet的去雨结果，可以看出去雨效果有明显改善，但还是在图像上残留了雨痕。图6(d)为本发明提出的基于多通道多尺度的卷积神经网络的去雨效果，可以看出采用本发明所提方法后的雨线去除效果更好，去雨后的图像清晰而且图像的纹理和细节的保持度较高，取得了良好的视觉效果。
(3) 真实雨天图像去雨的定性比较
真实雨天图像去雨的定性比较见图7，可以看出本发明所提算法相比于其他算法处理后的图像依然具有较好的视觉效果。
以上是本发明的实施例，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种多通道多尺度卷积神经网络的单幅图像去雨方法，其特征在于建立了多通道多尺度卷积神经网络结构来提取有雨图像的特征信息并向无雨图像方向映射；首先利用引导滤波将有雨图像进行分解，得到低频背景图像和更高频雨线图像，然后将低频背景图像和更高频雨线图像一起送入多通道多尺度卷积神经网络进行特征学习,并向无雨的低频图像与更高频图像映射，最后将网络输出的去雨的低频图像与更高频图像相融合得到雨线去除更彻底的复原图像；其中卷积神经网络中对低频背景图像和更高频雨线图像提取的是多尺度特征图；同时，在构造网络模型时利用空洞卷积代替普通来提取图像的多尺度特征信息。
2.根据权利要求1所述的基于多通道多尺度卷积神经网络的单幅图像去雨方法，其特征在于，所述利用引导滤波将有雨图像进行分解，得到低频背景图像和更高频雨线图像，其具体步骤如下：
步骤一、将有雨图像I通过引导滤波后得到高频雨线图像
和有雨痕残留的低频背景图像
：
步骤二、将步骤一所得到的高频雨线图像
再次通过引导滤波得到更高频雨线图像
:
所得的更高频雨线图像
增强了雨线信息的同时削弱了背景结构信息，可以减少网络学习中的背景误判。
3.根据权利要求1所述的基于多通道多尺度卷积神经网络的单幅图像去雨方法，其特征在于，多通道是指将低频背景图像和更高频雨线图像一起送入卷积神经网络进行特征学习；通道1表示提取低频背景图像特征信息的卷积神经网络；通道2表示提取更高频雨线图像特征信息的卷积神经网络；
网络最终输出的去雨图像K为卷积神经网络输出的去雨的低频图像
与更高频图像
的加和，表示为
多尺度卷积是指对低频背景图像和更高频雨线图像分别利用空洞卷积提取两种尺度的特征图， 卷积神经网络的第一层是特征提取层，分别用空洞卷积Covn11、Covn12和Covn21、Covn22提取不同尺度的图像特征；提取的不同尺度的特征图像组成一个特征图像集合后通过第二层卷积层来估计有雨图像与去雨图像之间特征图的映射关系，最后通过一层输出层输出去雨的低频背景图像与去雨的更高频图像，融合去雨的低频背景图像与去雨的更高频图像得到清晰的去雨图像；通过改变第一层特征提取层中的空洞卷积率，得到的特征图像的感受野大小不同，通道1和通道2中第一层卷积中Covn11、Covn12两个空洞卷积层的空洞卷积率(Dilition rate)均设为1，得到感受野大小为
的特征图;Covn21、Covn22两个空洞卷积层的(Dilition rate)分别设为 1、2，得到的感受野大小为
的特征图；然后通过一个连接层将两个尺度的特征图组成一个集合；对于通道1和通道2网络结构是一样的，所以下面每层卷积的计算公式以通道1的特征提取网络结构为例：
其中
表示输入图像，即低频图像与更高频图像，*表示卷积操作，表示激活函数，
和
为第一层特征提取层的2个网络参数，
和为偏置值，
表示2个尺度的特征图组成的集合，里面包含512张有雨特征图，即维度为512；为第二层卷积层的网络参数，
为偏置值，
为输出层的网络参数，为偏置值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911069082.4A CN110751612A (zh) | 2019-11-05 | 2019-11-05 | 多通道多尺度卷积神经网络的单幅图像去雨方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911069082.4A CN110751612A (zh) | 2019-11-05 | 2019-11-05 | 多通道多尺度卷积神经网络的单幅图像去雨方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110751612A true CN110751612A (zh) | 2020-02-04 |
Family
ID=69282138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911069082.4A Pending CN110751612A (zh) | 2019-11-05 | 2019-11-05 | 多通道多尺度卷积神经网络的单幅图像去雨方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751612A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462013A (zh) * | 2020-04-03 | 2020-07-28 | 西安交通大学 | 一种基于结构化残差学习的单图去雨方法 |
| CN111553851A (zh) * | 2020-04-08 | 2020-08-18 | 大连理工大学 | 一种基于时间域的雨线分解和空间结构引导的视频去雨方法 |
| CN111681176A (zh) * | 2020-05-14 | 2020-09-18 | 华南农业大学 | 自适应卷积的残差修正单幅图像去雨方法 |
| CN112541880A (zh) * | 2020-12-07 | 2021-03-23 | 南昌航空大学 | 基于深度学习分支图像去雨系统及控制方法 |
| CN112686815A (zh) * | 2020-12-24 | 2021-04-20 | 湖南大学 | 一种基于卷积神经网络的无人机单幅图像去雨方法 |
| CN112862733A (zh) * | 2021-01-21 | 2021-05-28 | 北京达佳互联信息技术有限公司 | 一种图像生成方法、装置、电子设备和存储介质 |
| TWI734598B (zh) * | 2020-08-26 | 2021-07-21 | 元智大學 | 影像雨紋去除方法 |
| CN113160078A (zh) * | 2021-04-09 | 2021-07-23 | 长安大学 | 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 |
| CN113962905A (zh) * | 2021-12-03 | 2022-01-21 | 四川大学 | 基于多阶段特征互补网络的单幅图像去雨方法 |
| CN114063169A (zh) * | 2021-11-10 | 2022-02-18 | 中国石油大学(北京) | 一种波阻抗反演方法、系统、设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337061A (zh) * | 2013-07-18 | 2013-10-02 | 厦门大学 | 一种基于多次引导滤波的图像去雨雪方法 |
| US20160026865A1 (en) * | 2014-07-24 | 2016-01-28 | EXELlS, INC. | Vision-based system for dynamic weather detection |
| CN107909556A (zh) * | 2017-11-27 | 2018-04-13 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
| CN108765327A (zh) * | 2018-05-18 | 2018-11-06 | 百年金海科技有限公司 | 一种基于景深和稀疏编码的图像去雨方法 |
| CN108765344A (zh) * | 2018-05-30 | 2018-11-06 | 南京信息工程大学 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
| CN109360155A (zh) * | 2018-08-17 | 2019-02-19 | 上海交通大学 | 基于多尺度特征融合的单帧图像去雨方法 |
| CN109583343A (zh) * | 2018-11-21 | 2019-04-05 | 荆门博谦信息科技有限公司 | 一种鱼类图像处理系统和方法 |
-
2019
- 2019-11-05 CN CN201911069082.4A patent/CN110751612A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337061A (zh) * | 2013-07-18 | 2013-10-02 | 厦门大学 | 一种基于多次引导滤波的图像去雨雪方法 |
| US20160026865A1 (en) * | 2014-07-24 | 2016-01-28 | EXELlS, INC. | Vision-based system for dynamic weather detection |
| CN107909556A (zh) * | 2017-11-27 | 2018-04-13 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
| CN108765327A (zh) * | 2018-05-18 | 2018-11-06 | 百年金海科技有限公司 | 一种基于景深和稀疏编码的图像去雨方法 |
| CN108765344A (zh) * | 2018-05-30 | 2018-11-06 | 南京信息工程大学 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
| CN109360155A (zh) * | 2018-08-17 | 2019-02-19 | 上海交通大学 | 基于多尺度特征融合的单帧图像去雨方法 |
| CN109583343A (zh) * | 2018-11-21 | 2019-04-05 | 荆门博谦信息科技有限公司 | 一种鱼类图像处理系统和方法 |
Non-Patent Citations (1)
| Title |
|---|
| LI-WEI KANG ET AL: "Automatic Single-Image-Based Rain Streaks Removal via Image Decomposition", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462013B (zh) * | 2020-04-03 | 2022-03-22 | 西安交通大学 | 一种基于结构化残差学习的单图去雨方法 |
| CN111462013A (zh) * | 2020-04-03 | 2020-07-28 | 西安交通大学 | 一种基于结构化残差学习的单图去雨方法 |
| CN111553851A (zh) * | 2020-04-08 | 2020-08-18 | 大连理工大学 | 一种基于时间域的雨线分解和空间结构引导的视频去雨方法 |
| CN111553851B (zh) * | 2020-04-08 | 2022-09-23 | 大连理工大学 | 一种基于时间域的雨线分解和空间结构引导的视频去雨方法 |
| CN111681176A (zh) * | 2020-05-14 | 2020-09-18 | 华南农业大学 | 自适应卷积的残差修正单幅图像去雨方法 |
| CN111681176B (zh) * | 2020-05-14 | 2023-04-07 | 华南农业大学 | 自适应卷积的残差修正单幅图像去雨方法 |
| TWI734598B (zh) * | 2020-08-26 | 2021-07-21 | 元智大學 | 影像雨紋去除方法 |
| CN112541880A (zh) * | 2020-12-07 | 2021-03-23 | 南昌航空大学 | 基于深度学习分支图像去雨系统及控制方法 |
| CN112686815A (zh) * | 2020-12-24 | 2021-04-20 | 湖南大学 | 一种基于卷积神经网络的无人机单幅图像去雨方法 |
| CN112862733A (zh) * | 2021-01-21 | 2021-05-28 | 北京达佳互联信息技术有限公司 | 一种图像生成方法、装置、电子设备和存储介质 |
| CN113160078A (zh) * | 2021-04-09 | 2021-07-23 | 长安大学 | 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 |
| CN113160078B (zh) * | 2021-04-09 | 2023-01-24 | 长安大学 | 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 |
| CN114063169A (zh) * | 2021-11-10 | 2022-02-18 | 中国石油大学(北京) | 一种波阻抗反演方法、系统、设备和存储介质 |
| CN113962905A (zh) * | 2021-12-03 | 2022-01-21 | 四川大学 | 基于多阶段特征互补网络的单幅图像去雨方法 |
| CN113962905B (zh) * | 2021-12-03 | 2023-05-05 | 四川大学 | 基于多阶段特征互补网络的单幅图像去雨方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
| CN112200750B (zh) | 一种超声图像去噪模型建立方法及超声图像去噪方法 | |
| CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
| CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
| CN109859147B (zh) | 一种基于生成对抗网络噪声建模的真实图像去噪方法 | |
| CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
| CN110677639B (zh) | 一种基于特征融合和循环神经网络的无参考视频质量评价方法 | |
| CN110503613B (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
| CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
| CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
| CN110070574B (zh) | 一种基于改进PSMNet的双目视觉立体匹配方法 | |
| CN109671029A (zh) | 基于伽马范数最小化的图像去噪算法 | |
| CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
| CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
| CN104657951A (zh) | 图像乘性噪声移除方法 | |
| CN112149526B (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
| CN112419163B (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
| CN114881861A (zh) | 基于双采样纹理感知蒸馏学习的不均衡图像超分方法 | |
| CN109871790B (zh) | 一种基于混合神经网络模型的视频去色方法 | |
| CN113962905B (zh) | 基于多阶段特征互补网络的单幅图像去雨方法 | |
| CN111626380A (zh) | 一种基于超像素和卷积网络的极化sar图像分类方法 | |
| CN109003247B (zh) | 彩色图像混合噪声的去除方法 | |
| CN111461976A (zh) | 基于高效轻量级坐标神经网络的图像超分辨率方法 | |
| CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
| Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200204 |
|
| WD01 | Invention patent application deemed withdrawn after publication |