CN110838095B - 一种基于循环密集神经网络的单幅图像去雨方法和系统 - Google Patents
一种基于循环密集神经网络的单幅图像去雨方法和系统 Download PDFInfo
- Publication number
- CN110838095B CN110838095B CN201911076892.2A CN201911076892A CN110838095B CN 110838095 B CN110838095 B CN 110838095B CN 201911076892 A CN201911076892 A CN 201911076892A CN 110838095 B CN110838095 B CN 110838095B
- Authority
- CN
- China
- Prior art keywords
- rain
- network model
- dense
- network
- sub
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 24
- 125000004122 cyclic group Chemical group 0.000 title description 10
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 230000001537 neural effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
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循环密集神经网络的单幅图像去雨方法和系统,包括长短记忆网络模块、密集网络模块、子网络模块、循环密集神经模块和去雨网络模块,通过构建密集网络模型,提取雨纹信息,并与长短记忆网络模型串联,得到子网络模型,对雨图进行做差处理,得到清晰雨图,反复循环迭代所述子网络模型,得到循环密集神经网络,将雨图输入到所述循环密集神经网络模型中,利用损失函数计算去所述循环密集神经网络模型的损失,并根据计算出的模型损失,更新网络模型,使网络误差最终收敛至最优范围内,得到最佳去雨网络模型,提高去除单独图像中重度雨的处理效果,得到清晰背景图像。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于循环密集神经网络的单幅图像去雨方法和系统。
背景技术
当进行户外工作时,下雨会使光的强度会变暗,雨丝会降低能见度。尤其是下大雨的时候,天气复杂多变使得背景场景模糊不清,雨丝等噪声分布不均匀,这将严重影响许多计算机视觉系统的准确性,现有的去雨算法大致可以分为基于视频的方法和单幅图像的方法,而单幅图像去雨较困难,一些传统的优化方法提出用分离的方式把雨丝和背景图从雨图中提取出来,从而达到最终去除雨纹的图像,在去除轻度雨纹取得了良好的性能,但在重度雨中由于其雨水密度大且分布不均匀的特点,处理效果不好,导致背景模糊。
发明内容
本发明的目的在于提供一种基于循环密集神经网络的单幅图像去雨方法和系统,提高去除单独图像中重度雨的处理效果,得到清晰背景图像。
为实现上述目的,第一方面,本发明提供了一种基于循环密集神经网络的单幅图像去雨方法,包括:
构建密集网络模型,提取雨纹信息;
构建子网络模型,对雨图进行做差处理,得到清晰雨图;
反复循环迭代所述子网络模型,得到循环密集神经网络;
利用损失函数进行训练,得到最佳去雨网络模型。
其中,所述构建密集网络模型,提取雨纹信息,包括:
利用密集网络,构建一个密集网络模型,提取并融合雨纹信息,将每一层的雨纹信息输入输出联系起来,并进行非线性变换。
其中,所述构建子网络模型,对雨图进行做差处理,得到清晰雨图,包括:
将所述密集网络模型与长短记忆网络模型串联,得到子网络模型,获取雨图,并输入所述子网络模型中进行做差处理,得到清晰雨图。
其中,所述构建子网络模型,对雨图进行做差处理,得到清晰雨图,还包括:
将雨图通过输入层进入所述子网络模型,经过卷积操作输入到长短记忆层,所述长短记忆层输出雨纹信息到密集网络层,所述雨图与所述密集网络层的输出信息在残差输出层做残差处理,得到清晰雨图。
其中,所述反复循环迭代所述子网络模型,得到循环密集神经网络模型,包括:
将所述子网络模型进行多次反复循环迭代,得到循环密集神经网络模型,其中,每次迭代前,都将雨图与上一次迭代后的所述长短记忆层获得的去雨纹信息进行连接,再进行下一次迭代。
其中,所述利用损失函数进行训练,得到最佳去雨网络模型,包括:
将雨图输入到所述循环密集神经网络模型中,获取清晰背景图的参数,利用损失函数计算去所述循环密集神经网络模型的损失,并根据计算出的模型损失,更新网络模型,使网络误差最终收敛至设定范围内,得到最佳去雨网络模型。
第二方面,本发明还提供一种基于循环密集神经网络的单幅图像去雨系统,所述基于循环密集神经网络的单幅图像去雨系统包括长短记忆网络模块、密集网络模块、子网络模块、循环密集神经模块和去雨网络模块,所述长短记忆网络模块、所述密集网络模块、所述子网络模块、所述循环密集神经模块和所述去雨网络模块依次线性连接,
所述长短记忆网络模块,用于传递雨纹信息;
所述密集网络模块,用于加强去雨特征提取和传递;
子网络模块,用于对雨图进行残差处理;
所述循环密集神经模块,用于反复迭代对雨图进行残差处理;
所述去雨网络模块,用于对雨图进行处理,输出清晰背景图像。
本发明的一种基于循环密集神经网络的单幅图像去雨方法和系统,所述基于循环密集神经网络的单幅图像去雨系统包括长短记忆网络模块、密集网络模块、子网络模块、循环密集神经模块和去雨网络模块,所述长短记忆网络模块、所述密集网络模块、所述子网络模块、所述循环密集神经模块和所述去雨网络模块依次线性连接,通过构建密集网络模型,提取雨纹信息,并与长短记忆网络模型串联,得到子网络模型,对雨图进行做差处理,得到清晰雨图,反复循环迭代所述子网络模型,得到循环密集神经网络,将雨图输入到所述循环密集神经网络模型中,利用损失函数计算去所述循环密集神经网络模型的损失,并根据计算出的模型损失,更新网络模型,使网络误差最终收敛至设定范围内,得到最佳去雨网络模型,提高去除单独图像中重度雨的处理效果,得到清晰背景图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于循环密集神经网络的单幅图像去雨方法的步骤示意图。
图2是本发明提供的密集网络模型的结构示意图。
图3是本发明提供的子网络模型的结构示意图。
图4是本发明提供的一种基于循环密集网络的单幅图像去雨模型的整体结构图。
图5是本发明提供的一种基于循环密集神经网络的单幅图像去雨系统的结构示意图。
1-长短记忆网络模块、2-密集网络模块、3-子网络模块、4-循环密集神经模块、5-去雨网络模块。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1至图4,本发明提供基于循环密集神经网络的单幅图像去雨方法,包括:
S101、构建密集网络模型,提取雨纹信息。
具体的,参见图2,利用密集网络,构建一个密集网络模型,提取并融合雨纹信息,将密集网络每一层的特征输入输出联系起来,即每一层的输入来自前面所有层的输出的合并,从而保证层与层之间最大程度的信息传递,并进行非线性变换,其中,所述密集网络模型的特征输出为Xl,表达式为:
Xl=Hl([X0,X1,…,Xl-1])
其中,l表示层,Xl为l层特征的输出,[X0,X1,…,Xl-1]表示将0到l-1层的输出特征进行合并,Hl为非线性变换,包括卷积、ReLU等。
S102、构建子网络模型,对雨图进行做差处理,得到清晰雨图。
具体的,参见图3,将所述密集网络模型与长短记忆网络模型串联,得到子网络模型,获取雨图,将雨图通过输入层(Hin)进入所述子网络模型,经过卷积操作输入到长短记忆(LSTM)层(Hs),所述长短记忆层输出雨纹信息到密集网络层(Hd),所述雨图与所述密集网络层的输出信息在残差输出层(Hout)做残差处理,得到清晰雨图。
S103、反复循环迭代所述子网络模型,得到循环密集神经网络。
具体的,将所述子网络模型进行多次反复循环迭代,得到循环密集神经网络模型,参见图4,其中,每次迭代前,都将雨图与上一次迭代后的所述长短记忆层获得的去雨纹信息进行连接,再进行下一次迭代,实现对雨纹的一步步去除,直至背景清晰。
迭代公式为:
Xt=Hout(Hd(Hs(Hin(Xt-1,inputs),St-1)))
St=Hs(Hin(Xt-1,inputs),St-1)
其中,inputs是雨图,Xt表示第t个子网络输出的去雨纹之后的图片,Xt-1表示第t-1个子网络输出的去雨纹之后的图片,St表示第t次子网络计算的LSTM单元的获得的去雨纹信息,St-1表示第t-1次次子网络计算的LSTM单元的获得的去雨纹信息,对每个子网络都把inputs和Xt-1链接之后才输入,可以进一步的去除单幅图像上的雨纹。
S104、利用损失函数进行训练,得到最佳去雨网络模型。
将雨图输入到所述循环密集神经网络模型中,获取清晰背景图的参数,利用损失函数计算去所述循环密集神经网络模型的损失,并根据计算出的模型损失,更新网络模型,使网络误差最终收敛至设定范围内,得到最佳去雨网络模型。
设R是雨图,B是清晰背景图,S是雨纹图,网络模型是一个函数H(θ),所述网络的损失函数为:
L=α*Lssim+(1-α)*(L2+L1)
其中,α=0.85,Lssim、L1和L2的计算公式如下:
L=α*Lssim+(1-α)*(L1+L2)
其中,μB表示清晰背景图的像素值均值,μH(R)表示网络预测的背景图的像素值均值,*表示乘法,σB,σH(R)分别表示图像B和H(R)的标准差,σBH(R)代表图像B和H(R)协方差。C1和C2为常数,C1=(K1*L)2,C2=(K2*L)2,一般地,K1=0.01,K2=0.03,L=255。
参见图5,本发明提供一种基于循环密集神经网络的单幅图像去雨系统,所述基于循环密集神经网络的单幅图像去雨系统包括长短记忆网络模块1、密集网络模块2、子网络模块3、循环密集神经模块4和去雨网络模块5,所述长短记忆网络模块1、所述密集网络模块2、所述子网络模块3、所述循环密集神经模块4和所述去雨网络模块5依次线性连接,
所述长短记忆网络模块1,用于传递雨纹信息;
所述密集网络模块2,用于加强去雨特征提取和传递;
子网络模块3,用于对雨图进行残差处理;
所述循环密集神经模块4,用于反复迭代对雨图进行残差处理;
所述去雨网络模块5,用于对雨图进行处理,输出清晰背景图像。
在本实施方式中,所述基于循环密集神经网络的单幅图像去雨系统包括长短记忆网络模块1、密集网络模块2、子网络模块3、循环密集神经模块4和去雨网络模块5,所述长短记忆网络模块1、所述密集网络模块2、所述子网络模块3、所述循环密集神经模块4和所述去雨网络模块5依次线性连接,通过所述密集网络模块2对雨纹信息进行提取,所述长短记忆网络模块1将雨纹信息进行传递至至所述密集网络模块2,进行进一步的加强去雨特征提取和传递,在所述子网络模块3中,将雨图进行残差处理,得到去除雨纹信息的背景图,在所述循环密集神经模块4中,重复所述子网络模块3的步骤,反复迭代进行残差处理,直至背景清晰,利用所述所述循环密集神经模块4的参数,在损失函数中进行计算,得到区域去雨网络模块5,利用损失函数计算得到最佳的去雨网络模块5,对单幅图像去除雨纹信息,提高去除单独图像中重度雨的处理效果,得到清晰背景图像。
举例来说,使用合成数据集Rain800和Rain200训练且测试所述基于循环密集神经网络模型的去雨模型,实验设备是cpu i3 8100,16GB RAM和NVIDIA Geforce GTX 2070;对于去雨图像的质量评估采用广泛的指标:峰值信噪比(PSNR)和图像相似度(SSIM)。所述基于循环密集神经网络模型方法(RDLNet)与七种最先进的方法进行比较,包括imagedecomposition(ID),discriminative sparse coding(DSC),layer priors(LP)Removingrain from single images via a deep detail network(DetailsNet),joint raindetection and removal(JORDER),Recurrent Squeeze-and-Excitation ContextAggregation Net(RESCAN)and Self-Refining Deep Symmetry Enhanced Network forRain Removal(S-DSEN);结果如表一所示,所述基于循环密集神经网络模型单幅图像去雨方法超过当前现有的去雨方法。
表1去雨图像的质量评估结果
本发明的一种基于循环密集神经网络的单幅图像去雨方法和系统,所述基于循环密集神经网络的单幅图像去雨系统包括长短记忆网络模块1、密集网络模块2、子网络模块3、循环密集神经模块4和去雨网络模块5,所述长短记忆网络模块1、所述密集网络模块2、所述子网络模块3、所述循环密集神经模块4和所述去雨网络模块5依次线性连接,通过构建密集网络模型,提取雨纹信息,并与长短记忆网络模型串联,得到子网络模型,对雨图进行做差处理,得到清晰雨图,反复循环迭代所述子网络模型,得到循环密集神经网络,将雨图输入到所述循环密集神经网络模型中,利用损失函数计算去所述循环密集神经网络模型的损失,并根据计算出的模型损失,更新网络模型,使网络误差最终收敛至最优范围内,得到最佳去雨网络模型,提高去除单独图像中重度雨的处理效果,得到清晰背景图像。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (4)
1.一种基于循环密集神经网络的单幅图像去雨方法,其特征在于,包括:
构建密集网络模型,提取雨纹信息;
构建子网络模型,对雨图进行做差处理,得到清晰雨图;
反复循环迭代所述子网络模型,得到循环密集神经网络;
利用损失函数进行训练,得到最佳去雨网络模型;
构建子网络模型,对雨图进行做差处理,得到清晰雨图,包括:
将所述密集网络模型与长短记忆网络模型串联,得到子网络模型,获取雨图;
将雨图通过输入层进入所述子网络模型,经过卷积操作输入到长短记忆层,所述长短记忆层输出雨纹信息到密集网络层,所述雨图与所述密集网络层的输出信息在残差输出层做残差处理,得到清晰雨图。
2.如权利要求1所述的一种基于循环密集神经网络的单幅图像去雨方法,其特征在于,所述构建密集网络模型,提取雨纹信息,包括:
利用密集网络,构建一个密集网络模型,提取并融合雨纹信息,将每一层的雨纹信息输入输出联系起来,并进行非线性变换。
3.如权利要求1所述的一种基于循环密集神经网络的单幅图像去雨方法,其特征在于,所述反复循环迭代所述子网络模型,得到循环密集神经网络模型,包括:
将所述子网络模型进行多次反复循环迭代,得到循环密集神经网络模型,其中,每次迭代前,都将雨图与上一次迭代后的所述长短记忆层获得的去雨纹信息进行连接,再进行下一次迭代。
4.如权利要求3所述的一种基于循环密集神经网络的单幅图像去雨方法,其特征在于,在去雨数据集进行训练,得到最佳去雨网络模型,包括:
将雨图输入到所述循环密集神经网络模型中,获取清晰背景图的参数,利用损失函数计算去所述循环密集神经网络模型的损失,并根据计算出的模型损失,更新网络模型,使网络误差最终收敛至设定范围内,得到最佳去雨网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076892.2A CN110838095B (zh) | 2019-11-06 | 2019-11-06 | 一种基于循环密集神经网络的单幅图像去雨方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076892.2A CN110838095B (zh) | 2019-11-06 | 2019-11-06 | 一种基于循环密集神经网络的单幅图像去雨方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110838095A CN110838095A (zh) | 2020-02-25 |
CN110838095B true CN110838095B (zh) | 2022-06-07 |
Family
ID=69576201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911076892.2A Active CN110838095B (zh) | 2019-11-06 | 2019-11-06 | 一种基于循环密集神经网络的单幅图像去雨方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838095B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111860003A (zh) * | 2020-07-21 | 2020-10-30 | 济南大学 | 基于密集连接深度残差网络的图像去雨方法及系统 |
CN111899199B (zh) * | 2020-08-07 | 2024-03-19 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN113344825B (zh) * | 2021-07-02 | 2022-04-26 | 南昌航空大学 | 一种图像去雨方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714518A (zh) * | 2013-12-12 | 2014-04-09 | 中国科学院深圳先进技术研究院 | 视频去雨方法 |
CN109087258A (zh) * | 2018-07-27 | 2018-12-25 | 中山大学 | 一种基于深度学习的图像去雨方法及装置 |
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 |
CN109785249A (zh) * | 2018-12-22 | 2019-05-21 | 昆明理工大学 | 一种基于持续性记忆密集网络的图像高效去噪方法 |
CN110009580A (zh) * | 2019-03-18 | 2019-07-12 | 华东师范大学 | 基于图片块雨滴密集度的单张图片双向去雨方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI480810B (zh) * | 2012-03-08 | 2015-04-11 | Ind Tech Res Inst | 基於單一影像的影像內雨紋去除方法與裝置 |
US10282827B2 (en) * | 2017-08-10 | 2019-05-07 | Wipro Limited | Method and system for removal of rain streak distortion from a video |
-
2019
- 2019-11-06 CN CN201911076892.2A patent/CN110838095B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714518A (zh) * | 2013-12-12 | 2014-04-09 | 中国科学院深圳先进技术研究院 | 视频去雨方法 |
CN109087258A (zh) * | 2018-07-27 | 2018-12-25 | 中山大学 | 一种基于深度学习的图像去雨方法及装置 |
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 |
CN109785249A (zh) * | 2018-12-22 | 2019-05-21 | 昆明理工大学 | 一种基于持续性记忆密集网络的图像高效去噪方法 |
CN110009580A (zh) * | 2019-03-18 | 2019-07-12 | 华东师范大学 | 基于图片块雨滴密集度的单张图片双向去雨方法 |
Non-Patent Citations (6)
Title |
---|
Cong Wang 等.From Coarse to Fine: A Stage-Wise Deraining Net.《IEEE Access》.2019,第7卷 * |
Wenhan Yang 等.Deep Joint Rain Detection and Removal from a Single Image.《2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》.2017, * |
YANG LAN 等.Double Recurrent Dense Network for Single Image Deraining.《IEEE Access》.2020,第(2020)8卷 * |
Youzhao Yang 等.Single Image Deraining using a Recurrent Multi-scale Aggregation and Enhancement Network.《2019 IEEE International Conference on Multimedia and Expo (ICME)》.2019, * |
傅雪阳 等.基于深度邻近连接网络的单幅图像去雨方法.《计算机科学》.2019,(第(2020)02期), * |
诸葛瑞彬.基于卷积神经网络的单幅图像去雨研究.《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》.2019,(第(2019)08期), * |
Also Published As
Publication number | Publication date |
---|---|
CN110838095A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110838095B (zh) | 一种基于循环密集神经网络的单幅图像去雨方法和系统 | |
CN110232394B (zh) | 一种多尺度图像语义分割方法 | |
CN110532859B (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
CN111325165B (zh) | 考虑空间关系信息的城市遥感影像场景分类方法 | |
CN110992366B (zh) | 一种图像语义分割方法、装置及存储介质 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
CN112967210B (zh) | 一种基于全卷积孪生网络的无人机图像去噪方法 | |
CN114494015B (zh) | 基于盲超分辨率网络的图像重建方法 | |
CN111815526B (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
Li et al. | Cross-patch graph convolutional network for image denoising | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN112884758A (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
CN116310095A (zh) | 一种基于深度学习的多视图三维重建方法 | |
Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
CN114897711A (zh) | 一种视频中图像处理方法、装置、设备及存储介质 | |
CN114359167A (zh) | 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法 | |
CN113807237A (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
CN116229406B (zh) | 车道线检测方法、系统、电子设备及存储介质 | |
Chen et al. | Multi‐scale single image dehazing based on the fusion of global and local features | |
CN116205821A (zh) | 基于垂直条纹特征提取十字卷积的单图去雨方法 | |
CN104182931A (zh) | 超分辨率方法和装置 | |
CN114529450B (zh) | 基于改进深度迭代协作网络的人脸图像超分辨方法 | |
CN113205503B (zh) | 一种卫星海岸带影像质量评价方法 | |
CN115331081A (zh) | 图像目标检测方法与装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |