CN110930320A - 一种基于轻量化卷积神经网络的图像去雾方法 - Google Patents
一种基于轻量化卷积神经网络的图像去雾方法 Download PDFInfo
- Publication number
- CN110930320A CN110930320A CN201911074637.4A CN201911074637A CN110930320A CN 110930320 A CN110930320 A CN 110930320A CN 201911074637 A CN201911074637 A CN 201911074637A CN 110930320 A CN110930320 A CN 110930320A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- neural network
- convolutional neural
- convolutional
- 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 44
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims description 51
- 238000011176 pooling Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 230000005284 excitation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004056 waste incineration Methods 0.000 description 1
Images
Classifications
-
- G06T5/73—
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Abstract
本发明公开了图像处理技术领域的一种基于轻量化卷积神经网络的图像去雾方法,旨在解决现有技术中采用图像增强的去雾方法处理的图像存在信息丢失、采用图像复原的去雾方法处理的图像如果选取参数不当会影响复原后图像的效果、采用基于深度学习的去雾算法影响图像去雾的速度的技术问题。所述方法包括如下步骤:将有雾图像输入预先训练好的轻量化卷积神经网络,获取无雾图像;所述轻量化卷积神经网络包括不少于两个不同尺度的深度可分离卷积层,所述深度可分离卷积层包括彼此串联的深度卷积和逐点卷积。
Description
技术领域
本发明涉及一种基于轻量化卷积神经网络的图像去雾方法,属于图像处理技术领域。
背景技术
由于垃圾焚烧、建筑扬尘、汽车尾气等诸多原因,国内很多城市蒙上了雾霾的阴影。雾霾天气拍摄的图像,由于对比度、色彩饱和度显著下降,导致图片不够清晰,影响了图片的使用效果。比如,交通监控视频模糊,致使图像在识别和处理过程中出现偏差,不利于准确记录交通信息。因而提升雾天图像质量,降低雾霾天气对户外成像的影响,有着十分迫切的理论和实际需求。
随着计算机技术的发展,视频和图像去雾算法广泛应用于民用和军事领域,如遥感、目标检测和交通监控。目前,图像去雾算法主要可以分为三种类型:第一类是图像增强的去雾方法,该方法不考虑导致图像退化的原因,使图像去雾的问题转化为对比度增强的问题,经过增强后的图像具有更高的对比度,但是处理后的图像存在信息丢失,会出现失真现象。第二类是图像复原的去雾方法,该方法是从图像退化的角度出发进行分析,建立雾天成像的模型,推导出图像退化的过程,据此恢复出去雾后的图像,该方法使处理后的图像更加清晰、自然,细节损失较少,但去雾效果与模型参数的选取有关,不精确的参数将直接影响复原后图像的效果。第三类是基于深度学习的去雾算法。近年来,随着深度学习的不断发展,越来越多地被用于图像处理领域,比如图像分类、物体识别、人脸识别等,且获得了较好的效果。现有基于深度学习的图像去雾算法,大多通过普通卷积方式实现图像去雾,这种方式仅实现了图像通道相关性和空间相关性的联合映射,且由于卷积层数较多,往往导致网络模型训练参数过多,影响图像去雾的速度。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于轻量化卷积神经网络的图像去雾方法,以解决现有技术中采用图像增强的去雾方法处理的图像存在信息丢失、采用图像复原的去雾方法处理的图像如果选取参数不当会影响复原后图像的效果、采用基于深度学习的去雾算法影响图像去雾的速度的技术问题。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于轻量化卷积神经网络的图像去雾方法,包括如下步骤:
将有雾图像输入预先训练好的轻量化卷积神经网络,获取无雾图像;
所述轻量化卷积神经网络包括不少于两个不同尺度的深度可分离卷积层,所述深度可分离卷积层包括彼此串联的深度卷积和逐点卷积。
进一步地,所述轻量化卷积神经网络还包括不少于两个第一全连接层,所述第一全连接层与所述深度可分离卷积层串联且彼此间隔分布。
进一步地,所述轻量化卷积神经网络还包括彼此串联的金字塔池化层和第一卷积层,所述金字塔池化层和第一卷积层串联于轻量化卷积神经网络的输出层与最接近所述输出层的深度可分离卷积层之间,所述第一卷积层串联于所述金字塔池化层与所述输出层之间。
进一步地,所述金字塔池化层包括顺序连接的池化层组、第二卷积层组、上采样层、第二全连接层,所述池化层组与最接近所述输出层的深度可分离卷积层连接,所述第二全连接层与所述第一卷积层连接,所述池化层组包括不少于两个不同尺度且彼此并联的池化层,所述第二卷积层组包括不少于两个第二卷积层,所述池化层与第二卷积层对应串联。
进一步地,所述轻量化卷积神经网络的训练,包括:
获取有雾图像和无雾图像并将其转化为相同像素规格的图像块,基于所述图像块构建训练样本;
以预构建的损失函数最小为目标,利用训练样本对轻量化卷积神经网络进行训练。
进一步地,所述深度可分离卷积层设有五个,所述损失函数,其表达式如下:
式中,L为损失函数,n为训练样本的个数,Ji为训练样本i去雾后的图像块,Ji *为训练样本i的实际无雾图像块,λ为衰减参数,Wji为训练样本i的第j个深度可分离卷积层的权重系数矩阵。
进一步地,在利用训练样本对轻量化卷积神经网络进行训练之前,还包括:
用平均值为0和标准偏差为0.001的高斯分布随机初始化Wji中的各项分量;
初始化Bji为0,式中,Bji为训练样本i的第j个深度可分离卷积层的偏差系数矩阵。
进一步地,利用训练样本对轻量化卷积神经网络进行训练,包括:
根据训练结果更新Wji和Bji;
将更新后的Wji和Bji代入损失函数;
重复Wji和Bji的更新和代入过程,直至损失函数最小,获取训练好的轻量化卷积神经网络。
进一步地,将有雾图像输入预先训练好的轻量化卷积神经网络,获取无雾图像,包括:将第一卷积层的输出代入大气散射模型变形公式,由所述输出层输出无雾图像。
与现有技术相比,本发明所达到的有益效果:本发明方法采用轻量化卷积方式-深度可分离卷积代替普通卷积,并增加金字塔池化层提取有雾图像的全局信息,输出为有雾图像透射率和大气光的关系式的值;然后将该关系式的值代入大气散射模型变形公式,输出即为去雾后的清晰图像。由于采用多尺度的深度可分离卷积替代普通卷积,能够显著减少网络模型训练参数,提高单幅图像的去雾速度;网络模型中的金字塔池化层能够充分提取有雾图像的全局信息,使去雾后的图像更加清晰自然。
附图说明
图1是本发明方法实施例的流程示意图;
图2是本发明方法实施例所述轻量化卷积神经网络的结构示意图;
图3是本发明方法实施例所述金字塔池化层的结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
深度可分离卷积是一种轻量化的卷积方式,这种卷积方式将普通卷积分为深度卷积和逐点卷积,不仅可以分开映射图像通道相关性和空间相关性,并且显著降低了网络模型训练参数,能够快速实现图像去雾效果。
鉴于上述分析,本发明具体实施方式提供了一种基于轻量化卷积神经网络的图像去雾方法,如图1所示,是本发明方法实施例的流程示意图,所述方法包括如下步骤:
步骤1,获取PASCAL VOC数据集以及在网上下载的无雾图像作为训练样本中的无雾图像集。
步骤2,利用柏林噪声(Perlin Noise)为步骤1中的无雾图像集添加不同浓度的雾,得到有雾图像集。将有雾图像集和无雾图像集中的图像裁剪成64*64的图像块,再转换成HDF5的数据格式存储。将有雾图像的图像块和无雾图像的图像块各自按比例分成两部分,一部分作为训练样本,另一部分作为测试样本,以用于训练。上述过程中,为能够适应不同天气条件下的雾浓度,学习不同雾浓度下的图像特征,对无雾图像集合成浓度百分比分别为10、20、30、40、50、60、70、80、90、100的雾,得到有雾图像集;挑选有雾图像和无雾图像共计2506对作为训练样本,剩余502对图像作为测试样本。
步骤3,将步骤2中HDF5格式的训练样本作为输入,设计端到端的轻量化卷积神经网络模型。如图2所示,是本发明方法实施例所述轻量化卷积神经网络的结构示意图,所述网络模型包括输入层、多尺度的深度可分离卷积层、激励层、全连接层、金字塔池化层以及输出层。
其中,多尺度的深度可分离卷积层由五个不同尺度的深度可分离卷积层依次拼接而成,该五个深度可分离卷积层由输入层至输出层方向依次为深度可分离卷积层1、深度可分离卷积层2、深度可分离卷积层3、深度可分离卷积层4、深度可分离卷积层5,其对应的尺度分别为3*3*3、3*3*6、5*5*9、7*7*6、3*3*3。每个深度可分离卷积层包括彼此串联的深度卷积和逐点卷积,其中深度卷积作为输入端,逐点卷积作为输出端。以深度可分离卷积层1的运行过程为例,可分为深度卷积过程和逐点卷积过程,具体如下:
式中,Ic为输入图像块R、G、B颜色空间某一颜色通道的像素值矩阵,W1和B1分别为对应的卷积网络的权重系数矩阵和偏差系数矩阵;
F1b=W2*F1a+B2,
激励层采用修正线性单元ReLU激活函数对DS-Conv1的输出结果F1b进行非线性回归,从而获得F1,其表达式如下:
F1=max(0,F1b);
同理,将F1作为深度可分离卷积层2的输入,可以得到F2b,F2b经过激励层后的输出为F2。
全连接层包括三个第一全连接层和一个第二全连接层,三个第一全连接层由输入层至输出层方向依次为全连接层1、全连接层2、全连接层3,三个第一全连接层与深度可分离卷积层串联且彼此间隔分布。其中全连接层1对F1、F2在通道维度进行拼接,并将拼接后的输出作为深度可分离卷积层3的输入,深度可分离卷积层3的输出结果通过激励层可以得到F3。同理,全连接层2对F2、F3在通道维度进行拼接,并将拼接后的输出作为深度可分离卷积层4的输入,深度可分离卷积层4输出结果通过激励层获得F4。全连接层3对全连接层1的输出和全连接层2的输出在通道维度进行拼接,并将全连接层3输出的结果作为深度可分离卷积层5的输入,深度可分离卷积层5的输出结果通过激励层可以得到F5。
如图3所示,是本发明方法实施例所述金字塔池化层的结构示意图,所述金字塔池化层由输入层至输出层方向包括顺序连接的池化层组、第二卷积层组、上采样层、全连接层4,池化层组与深度可分离卷积层5连接,全连接层4即前面定义的第二全连接层,全连接层4通过卷积层5与输出层连接,卷积层5在本实施例中可定义为第一卷积层。池化层组包括相互并联的池化层1、池化层2、池化层3、池化层4。第二卷积层组包括相互并联的卷积层1、卷积层2、卷积层3、卷积层4。金字塔池化层的输入为F5,池化层融合了四种不同级别的金字塔特征,池化核大小分别为4*4、8*8、16*16、32*32。并且为保证全局特征的权重,在每个级别后需增加1*1*1的卷积来降低通道的数量。再通过上采样层恢复未池化前的特征,最终通过全连接层4可以得到F6。
输出层采用3个高斯滤波器对F6进行卷积,其中卷积核大小为3,卷积层输出结果即为输入图像块i的透射率与大气光的关系式的值K。将上述关系式的值K代入AOD-Net中提出的大气散射模型变形公式,即可得到去雾后的清晰图像块J。大气散射模型如下:
I=J×ti+A(1-ti),
式中,I为训练样本i的光强矩阵,J为原始的无雾图像中与训练样本i相对应的图像块的光强矩阵,ti为训练样本i的透射率矩阵,A为训练样本i相对应的有雾图像拍摄时的大气光强度A。对上述大气散射模型公式进行变形,可以得到:
J=KI-K+b,
式中,b为常数。
步骤4,构建损失函数。当只有单个训练样本i时,损失函数为:
当有多个训练样本时,损失函数为:
可以看出,规则项与训练样本i的第j个深度可分离卷积层的偏差系数矩阵Bji无关,仅能控制训练样本i的第j个深度可分离卷积层的权重系数矩阵Wji的大小,因此也称为权重衰减项。权重衰减项中权重的衰减参数λ可以用来决定两项在损失函数中的比重。训练的关键就是通过不断调整Wji和Bji,获得最小的损失函数。
训练时,首先对Wji和Bji进行初始化。网络模型每层的权重均使用平均值为0和标准偏差为0.001的高斯分布随机初始化滤波器权重,即Wji中的各项分量;初始化Bji为0;
初始化完成后,使用随机梯度下降算法来更新Wji和Bji,更新规则服从如下公式:
其中,反向传播算法主要步骤是:首先,将给定样本进行前向传递,得到全部网络神经节点的输出值;然后,计算出总误差,并用总误差对某个节点进行求偏导,可得到该节点对最终输出的影响。
因此,完整的网络模型训练步骤如下:
对网络各层参数进行初始化;
对每个样本i,
b:求出参数Wji和Bji的变化量,其中初始化ΔW和ΔB均为0:
c:完成参数更新:
d:将更新后Wji和Bji代入损失函数,重复执行步骤a至步骤d,直至损失函数最小,更新结束,进入步骤5。在训练过程中使用Nvidia Ge Force GTX 1050 8G GPU进行加速。
步骤5,将新的有雾图像输入训练好的轻量化卷积神经网络模型,得到的输出结果作为该新的有雾图像去雾后的无雾图像。
本发明方法采用轻量化卷积方式-深度可分离卷积代替普通卷积,并增加金字塔池化层提取有雾图像的全局信息,输出为有雾图像透射率和大气光的关系式的值;然后将该关系式的值代入大气散射模型变形公式,输出即为去雾后的清晰图像。由于采用多尺度的深度可分离卷积替代普通卷积,能够显著减少网络模型训练参数,提高单幅图像的去雾速度;网络模型中的金字塔池化层能够充分提取有雾图像的全局信息,使去雾后的图像更加清晰自然。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于轻量化卷积神经网络的图像去雾方法,其特征是,包括如下步骤:
将有雾图像输入预先训练好的轻量化卷积神经网络,获取无雾图像;
所述轻量化卷积神经网络包括不少于两个不同尺度的深度可分离卷积层,所述深度可分离卷积层包括彼此串联的深度卷积和逐点卷积。
2.根据权利要求1所述的基于轻量化卷积神经网络的图像去雾方法,其特征是,所述轻量化卷积神经网络还包括不少于两个第一全连接层,所述第一全连接层与所述深度可分离卷积层串联且彼此间隔分布。
3.根据权利要求2所述的基于轻量化卷积神经网络的图像去雾方法,其特征是,所述轻量化卷积神经网络还包括彼此串联的金字塔池化层和第一卷积层,所述金字塔池化层和第一卷积层串联于轻量化卷积神经网络的输出层与最接近所述输出层的深度可分离卷积层之间,所述第一卷积层串联于所述金字塔池化层与所述输出层之间。
4.根据权利要求3所述的基于轻量化卷积神经网络的图像去雾方法,其特征是,所述金字塔池化层包括顺序连接的池化层组、第二卷积层组、上采样层、第二全连接层,所述池化层组与最接近所述输出层的深度可分离卷积层连接,所述第二全连接层与所述第一卷积层连接,所述池化层组包括不少于两个不同尺度且彼此并联的池化层,所述第二卷积层组包括不少于两个第二卷积层,所述池化层与第二卷积层对应串联。
5.根据权利要求3所述的基于轻量化卷积神经网络的图像去雾方法,其特征是,所述轻量化卷积神经网络的训练,包括:
获取有雾图像和无雾图像并将其转化为相同像素规格的图像块,基于所述图像块构建训练样本;
以预构建的损失函数最小为目标,利用训练样本对轻量化卷积神经网络进行训练。
7.根据权利要求6所述的基于轻量化卷积神经网络的图像去雾方法,其特征是,在利用训练样本对轻量化卷积神经网络进行训练之前,还包括:
用平均值为0和标准偏差为0.001的高斯分布随机初始化Wji中的各项分量;
初始化Bji为0,式中,Bji为训练样本i的第j个深度可分离卷积层的偏差系数矩阵。
8.根据权利要求7所述的基于轻量化卷积神经网络的图像去雾方法,其特征是,利用训练样本对轻量化卷积神经网络进行训练,包括:
根据训练结果更新Wji和Bji;
将更新后的Wji和Bji代入损失函数;
重复Wji和Bji的更新和代入过程,直至损失函数最小,获取训练好的轻量化卷积神经网络。
9.根据权利要求3至8中任一项所述的基于轻量化卷积神经网络的图像去雾方法,其特征是,将有雾图像输入预先训练好的轻量化卷积神经网络,获取无雾图像,包括:将第一卷积层的输出代入大气散射模型变形公式,由所述输出层输出无雾图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911074637.4A CN110930320B (zh) | 2019-11-06 | 2019-11-06 | 一种基于轻量化卷积神经网络的图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911074637.4A CN110930320B (zh) | 2019-11-06 | 2019-11-06 | 一种基于轻量化卷积神经网络的图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930320A true CN110930320A (zh) | 2020-03-27 |
CN110930320B CN110930320B (zh) | 2022-08-16 |
Family
ID=69852428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911074637.4A Active CN110930320B (zh) | 2019-11-06 | 2019-11-06 | 一种基于轻量化卷积神经网络的图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930320B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626960A (zh) * | 2020-05-29 | 2020-09-04 | Oppo广东移动通信有限公司 | 图像去雾方法、终端及计算机存储介质 |
CN112381723A (zh) * | 2020-09-21 | 2021-02-19 | 清华大学 | 一种轻量高效的单幅图像去烟雾方法 |
CN112580660A (zh) * | 2020-11-17 | 2021-03-30 | 上海闻泰信息技术有限公司 | 图像处理方法、装置、计算机设备和可读存储介质 |
CN112614072A (zh) * | 2020-12-29 | 2021-04-06 | 北京航空航天大学合肥创新研究院 | 一种图像复原方法、装置、图像复原设备及存储介质 |
CN113128116A (zh) * | 2021-04-20 | 2021-07-16 | 上海科技大学 | 可用于轻量级神经网络的纯整型量化方法 |
CN114049274A (zh) * | 2021-11-13 | 2022-02-15 | 哈尔滨理工大学 | 一种单幅图像去雾方法 |
CN114862691A (zh) * | 2022-03-23 | 2022-08-05 | 吉林大学 | 一种基于神经网络模型的图像去雾方法、装置和设备 |
CN115063304A (zh) * | 2022-05-19 | 2022-09-16 | 湖南师范大学 | 一种基于端到端的多尺寸融合的金字塔神经网络图像去雾方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685737A (zh) * | 2018-12-24 | 2019-04-26 | 华南农业大学 | 一种图像去雾方法 |
CN109712083A (zh) * | 2018-12-06 | 2019-05-03 | 南京邮电大学 | 一种基于卷积神经网络的单幅图像去雾方法 |
US20190147318A1 (en) * | 2017-11-14 | 2019-05-16 | Google Llc | Highly Efficient Convolutional Neural Networks |
-
2019
- 2019-11-06 CN CN201911074637.4A patent/CN110930320B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190147318A1 (en) * | 2017-11-14 | 2019-05-16 | Google Llc | Highly Efficient Convolutional Neural Networks |
CN109712083A (zh) * | 2018-12-06 | 2019-05-03 | 南京邮电大学 | 一种基于卷积神经网络的单幅图像去雾方法 |
CN109685737A (zh) * | 2018-12-24 | 2019-04-26 | 华南农业大学 | 一种图像去雾方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021238420A1 (zh) * | 2020-05-29 | 2021-12-02 | Oppo广东移动通信有限公司 | 图像去雾方法、终端及计算机存储介质 |
CN111626960A (zh) * | 2020-05-29 | 2020-09-04 | Oppo广东移动通信有限公司 | 图像去雾方法、终端及计算机存储介质 |
CN112381723B (zh) * | 2020-09-21 | 2023-06-30 | 清华大学 | 一种轻量高效的单幅图像去烟雾方法 |
CN112381723A (zh) * | 2020-09-21 | 2021-02-19 | 清华大学 | 一种轻量高效的单幅图像去烟雾方法 |
CN112580660A (zh) * | 2020-11-17 | 2021-03-30 | 上海闻泰信息技术有限公司 | 图像处理方法、装置、计算机设备和可读存储介质 |
CN112614072A (zh) * | 2020-12-29 | 2021-04-06 | 北京航空航天大学合肥创新研究院 | 一种图像复原方法、装置、图像复原设备及存储介质 |
WO2022143812A1 (zh) * | 2020-12-29 | 2022-07-07 | 北京航空航天大学合肥创新研究院 | 一种图像复原方法、装置、图像复原设备及存储介质 |
CN113128116A (zh) * | 2021-04-20 | 2021-07-16 | 上海科技大学 | 可用于轻量级神经网络的纯整型量化方法 |
US11934954B2 (en) | 2021-04-20 | 2024-03-19 | Shanghaitech University | Pure integer quantization method for lightweight neural network (LNN) |
CN113128116B (zh) * | 2021-04-20 | 2023-09-26 | 上海科技大学 | 可用于轻量级神经网络的纯整型量化方法 |
CN114049274A (zh) * | 2021-11-13 | 2022-02-15 | 哈尔滨理工大学 | 一种单幅图像去雾方法 |
CN114862691A (zh) * | 2022-03-23 | 2022-08-05 | 吉林大学 | 一种基于神经网络模型的图像去雾方法、装置和设备 |
CN115063304B (zh) * | 2022-05-19 | 2023-08-25 | 湖南师范大学 | 一种多尺寸融合的金字塔神经网络图像去雾方法及系统 |
CN115063304A (zh) * | 2022-05-19 | 2022-09-16 | 湖南师范大学 | 一种基于端到端的多尺寸融合的金字塔神经网络图像去雾方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110930320B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930320B (zh) | 一种基于轻量化卷积神经网络的图像去雾方法 | |
CN109712083B (zh) | 一种基于卷积神经网络的单幅图像去雾方法 | |
CN111310862B (zh) | 复杂环境下基于图像增强的深度神经网络车牌定位方法 | |
CN110570371B (zh) | 一种基于多尺度残差学习的图像去雾方法 | |
CN108985238B (zh) | 联合深度学习和语义概率的不透水面提取方法及系统 | |
CN111192219B (zh) | 一种基于改进的逆大气散射模型卷积网络的图像去雾方法 | |
CN109101930B (zh) | 一种人群计数方法及系统 | |
CN109685072B (zh) | 一种基于生成对抗网络的复合降质图像高质量重建方法 | |
CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
CN108230278B (zh) | 一种基于生成对抗网络的图像去雨滴方法 | |
CN107862668A (zh) | 一种基于gnn的文物图像复原方法 | |
CN106778590B (zh) | 一种基于卷积神经网络模型的暴恐视频检测方法 | |
CN110197505B (zh) | 基于深度网络及语义信息的遥感图像双目立体匹配方法 | |
CN104217404A (zh) | 雾霾天视频图像清晰化处理方法及其装置 | |
CN110751644B (zh) | 道路表面裂纹检测方法 | |
CN107749048B (zh) | 图像矫正系统及方法、色盲图像矫正系统及方法 | |
CN107423747A (zh) | 一种基于深度卷积网络的显著性目标检测方法 | |
CN112464745B (zh) | 一种基于语义分割的地物识别与分类方法和装置 | |
CN112734739B (zh) | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 | |
CN109509156A (zh) | 一种基于生成对抗模型的图像去雾处理方法 | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
CN114004766A (zh) | 一种水下图像增强方法、系统和设备 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN112767267B (zh) | 基于仿真偏振带雾场景数据集的图像去雾方法 | |
CN112785517A (zh) | 一种基于高分辨率表征的图像去雾方法和装置 |
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 |