CN111161161B - 一种颜色保持的特征融合去雾方法 - Google Patents

一种颜色保持的特征融合去雾方法 Download PDF

Info

Publication number
CN111161161B
CN111161161B CN201911230405.3A CN201911230405A CN111161161B CN 111161161 B CN111161161 B CN 111161161B CN 201911230405 A CN201911230405 A CN 201911230405A CN 111161161 B CN111161161 B CN 111161161B
Authority
CN
China
Prior art keywords
convolution
training set
feature
residual blocks
extraction module
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
Application number
CN201911230405.3A
Other languages
English (en)
Other versions
CN111161161A (zh
Inventor
杨爱萍
刘瑾
王海新
何宇清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201911230405.3A priority Critical patent/CN111161161B/zh
Publication of CN111161161A publication Critical patent/CN111161161A/zh
Application granted granted Critical
Publication of CN111161161B publication Critical patent/CN111161161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/045—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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • 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
    • G06T2207/20088—Trinocular vision calculations; trifocal tensor

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Color Image Communication Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种颜色保持的特征融合去雾方法，包括以下步骤：(1)获取总训练集和测试集；所述总训练集包括室外训练集和室内训练集，所述室外训练集、室内训练集和测试集内均由清晰图像和有雾图像组成；(2)基于卷积神经网络实现单幅图像去雾；卷积神经网络包括特征提取、特征融合和图像复原三部分；特征提取包括内容信息提取模块和风格信息提取模块，内容信息提取模块和风格信息提取模块分别采用七个级联的残差块RB1～RB7和三个级联的密集残差块RDB1～RDB3作为主体框架；特征融合部分通过残差块输出的特征图进行加权堆叠得到加权的内容特征图；图像复原部分包括一个卷积层，用于得到清晰的无雾图像。

Description

一种颜色保持的特征融合去雾方法
技术领域
本发明属于计算机图像处理领域，特别是涉及一种颜色保持的特征融合去雾方法。
背景技术
在雾霾等天气状况下，由于受大气悬浮颗粒、雾、霾等影响，户外采集到的图像出现对比度下降、颜色失真、细节信息丢失等，严重影响户外视觉系统发挥效用。因此，图像去雾在计算机视觉应用和数字图像处理领域尤为重要。
目前，基于深度学习的方法成为单幅图像去雾的研究热点，该方法主要分为两类，第一类方法通过估计传输图和大气光值或其他之间变量来恢复无雾图像[1-3]，第二类方法通过直接学习有雾图像到无雾图像之间的映射关系来实现图像去雾[4-5]。上述方法虽然取得了较好的去雾效果，但是第一类方法依赖于大气散射模型，通过网络估计的传输图往往包含过多的细节信息，且大多数方法将大气光设置为全局一致常量，去雾后的图像易出现颜色失真现象。第二类端到端网络去雾方法容易造成部分区域去雾过度，导致去雾后图像出现过饱和现象。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种颜色保持的特征融合去雾方法。本发明提出的去雾网络包括特征提取，特征融合和图像重建三部分，其中，特征提取部分包括内容信息提取模块和风格信息提取模块，前者主要学习图像的内容，后者主要学习图像的风格以保持图像原有色彩。另外，本发明引入注意力机制对内容信息提取模块输出的特征图进行通道加权[6]，该加权机制可以通过分配权值来加强对图像主要内容特征的学习，然后将加权的内容特征图与风格特征图融合。该网络在恢复无雾图像的同时保持了图像原有的色彩，从而有效避免了去雾后颜色失真的问题。
本发明的目的是通过以下技术方案实现的：
一种颜色保持的特征融合去雾方法，包括以下步骤：
(1)获取总训练集和测试集；所述总训练集包括室外训练集和室内训练集，所述室外训练集、室内训练集和测试集内均由清晰图像和有雾图像组成；
(2)基于卷积神经网络实现单幅图像去雾；卷积神经网络包括特征提取、特征融合和图像复原三部分；特征提取包括内容信息提取模块和风格信息提取模块，内容信息提取模块和风格信息提取模块分别采用七个级联的残差块RB1～RB7和三个级联的密集残差块RDB1～RDB3作为主体框架；
特征融合部分通过残差块输出的特征图进行加权堆叠得到加权的内容特征图；
图像复原部分包括一个卷积层，用于得到清晰的无雾图像。
进一步的，所述特征提取具体包括以下内容：
所述内容信息提取模块包含三个卷积层和七个残差块；三个卷积层分别为cov1，cov2，cov3，卷积核大小均为3*3，步长分别为1，1，2，padding均设置为1，输出通道数均为64；七个残差块分别是RB1，RB2，RB3，RB4，RB5，RB6，RB7；每个残差块的结构相同，均包含三个卷积层，卷积核的大小均为3*3，步长均为1，padding均设置为1，输出的通道数均为64；
所述风格信息提取模块包含两个卷积层和三个密集残差块；两个卷积层分别为cov4，cov5，卷积核的大小均为3*3，步长均为1，padding均设置为1，输出通道数均为16；三个密集残差块分别为RDB1，RDB2，RDB3；每个密集残差块的结构相同，均包含四个卷积层，前三个卷积层的卷积核的大小均为3*3，步长均为1，padding均设置为1，输出通道数均设置为16；最后一个卷积层的卷积核大小为1*1，步长为1，padding设置为0，输出的通道数为16。
进一步的，每个卷积层后紧跟一个RELU激活函数
进一步的，所述特征融合部分包括以下内容：
(a)通道加权：对残差块RB1，RB5，RB7的输出进行通道加权堆叠得到加权的内容特征图Vc，密集残差块RDB3的输出为风格特征图Vs；
(b)融合：对内容特征图和风格特征图Vc和Vs进行堆叠，然后经过反卷积层和卷积层运算得到融合的特征图Vf。
进一步的，图像复原部分包含一个卷积层，卷积核大小为1*1，步长为1，padding设置为0，输出通道数为3，后接ReLU激活函数；该卷积层的输出即为恢复的无雾图像。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明提出了一种基于颜色保持和特征融合网络的单幅图像去雾方法，该方法设计了一个直接端到端的去雾网络，该去雾网络直接从有雾图像恢复无雾图像，不依赖于大气散射模型。不同于现有的去雾网络，该去雾网络考虑对图像风格特征的提取，并且为了更加有效的获取图像的内容特征和风格特征，该网络采用两个独立的模块分别提取图像的内容特征和风格特征。具体地，利用级联的残差块和密集残差块分别提取图像的内容特征和风格特征，采用注意力机制对内容特征进行通道加权，然后将加权的内容特征和风格特征堆叠融合，最后采用卷积核为1×1的卷积层整合最终的特征信息，同时也实现了特征图到无雾图像之间的非线性映射，从而在去雾的同时较好地保持了图像原有的色彩特性。
为了验证本发明提出方法的有效性，将本发明方法与现有主流去雾方法进行对比，分别为DehazeNet、MSCNN、AOD-Net和EPDN。附图3和附图4的实验结果表明，本发明方法去雾更加彻底，恢复的无雾图像更加清晰自然，色彩保持度高。
为了进一步验证本发明方法的有效性，采用PSNR(dB)/SSIM值进行对比，这两种指标能反映恢复的无雾图像与原清晰图像的相似程度以及结构的相似性。从表1的数据可以看出，本发明方法的PSNR和SSIM值均高于对比方法，表明本发明方法恢复的无雾图像质量更高。
附图说明
图1为本发明流程示意图；
图2为网络整体结构图；
图3为合成图像去雾结果对比图；
图4为真实图像去雾结果对比图；
表1为PSNR/SSIM的比较结果。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明设计了一种颜色保持的特征融合去雾网络，具体步骤如下，如图1所示：
步骤1、获取总训练集、测试集：
本实施例主要使用了公共数据集RESIDE[7]，训练集为ITS(Indoor Training Set)和OTS(outdoor Training Set)，其中，ITS为室内训练集，共包含1399张清晰图像和13990张有雾图像，OTS为室外训练集，共包含8477张清晰图像和296695张有雾图像,选取其中2061张清晰图像以及对应的72135张有雾图像作为室外有雾图像的训练集。测试集为SOTS，包含500张室内有雾图像和500张室外有雾图像。
步骤2、基于卷积神经网络实现单幅图像去雾：
网络结构分为三个部分：特征提取、特征融合和图像复原。特征提取部分包括内容信息提取模块和风格信息提取模块，采用七个级联的残差块[8]和三个级联的密集残差块[9]作为主体框架。特征融合部分，残差块RB1，RB5，RB7输出的特征图进行加权堆叠得到加权的内容特征图。风格信息提取模块上，残差密集块RDB3的输出即为风格特征图。然后将加权的内容特征图和风格特征图进行堆叠，再经卷积层实现特征的融合。图像复原部分包括一个卷积层，用于得到清晰的无雾图像，整体结构如附图2所示。
1)特征提取：
在内容信息提取模块包含三个卷积层和七个残差块。三个卷积层分别为cov1，cov2，cov3，卷积核大小均为3*3，步长分别为1，1，2，padding均设置为1，输出通道数均为64，后面都紧跟一个RELU激活函数。七个残差块分别是RB1，RB2，RB3，RB4，RB5，RB6，RB7。每个残差块的结构相同，均包含三个卷积层，卷积核的大小为3*3，步长为1，padding设置为1，输出的通道数为64，后面也都紧跟一个RELU激活函数。
在风格信息提取模块包含两个卷积层和三个密集残差块。两个卷积层分别为cov4，cov5，卷积核的大小均为3*3，步长均为1，padding均设置为1，输出通道数均为16，后面紧跟一个RELU激活函数。三个密集残差块分别为RDB1，RDB2，RDB3。每个残差密集块的结构相同，均包含四个卷积层，前三个卷积层的卷积核的大小均为3*3，步长均为1，padding均设置为1，输出通道数均设置为16，每个卷积层后紧跟一个RELU激活函数。最后一个卷积层的卷积核大小为1*1，步长为1，padding设置为0，输出的通道数为16。
2)特征融合：
本实施例的提出的特征融合包括两点：
A.通道加权：对残差块RB1，RB5，RB7的输出进行通道加权堆叠得到加权的内容特征图Vc，密集残差块RDB3的输出为风格特征图Vs。
具体的，本实施例对于内容特征图采用注意力机制进行通道加权。每个残差块输出的特征图记为Vl，Vl∈RC×H×W，l表示残差块的个数，C为输出特征图的通道数，H和W分别为特征图的高度和宽度。对于第l个残差块输出的特征图Vl，通道注意权重记为βl∈RC×1×1，加权后的特征图可记为Xl＝βl·Vl，其中，·表示元素相乘。
为了求得通道注意权重βl，首先，将Vl映射为Ul，且
Figure BDA0002303379100000041
其中
Figure BDA0002303379100000042
表示特征图Vl的第i个通道。然后，对每个二维特征图通道进行平均池化操作得到通道的特征Fl：
Figure BDA0002303379100000043
其中，标量fi l是向量
Figure BDA0002303379100000044
的均值，其表示第i个通道的特征。因此，βl可由下式求得：
βl＝σ(W1δ(W0Fl))                 (2)
其中，W0∈RC/r×C和W1∈RC×C/r为转换矩阵，r为衰减率，σ(·)为sigmoid函数，δ(·)为Rule激活函数。
对残差块RB1，RB5，RB7输出的特征图进行通道注意力加权堆叠，得到加权的的内容特征图，记为Vc＝[X1,X5,X7]，其中[·]表示堆叠操作。
B.融合：对内容特征图和风格特征图Vc和Vs进行堆叠，然后经过反卷积层和卷积层运算得到融合的特征图Vf。
具体的，特征融合包含两个卷积层，一个为反卷积层，卷积核大小为3*3，步长为2，padding设置为1，输出通道数为64，后接ReLU激活函数。一个为卷积层，卷积核大小为3*3，步长为1，padding设置为1，输出通道数为64，后接ReLU激活函数。因此，融合后的特征图为Vf＝f([Vc,Vs])，其中f(·)表示融合操作。
3)图像复原：
图像复原部分包含一个卷积层，卷积核大小为1*1，步长为1，padding设置为0，输出通道数为3，后接ReLU激活函数。最后一个卷积层的输出即为恢复的无雾图像。
4)损失函数：
为了训练本发明提出的网络，采用L2损失和感知损失[10]，其中L2损失表示为：
Figure BDA0002303379100000051
其中，
Figure BDA0002303379100000052
表示网络恢复的无雾图像，Ji对应的清晰图像，H和W分别表示
Figure BDA0002303379100000053
的高度和宽度。N表示恢复的无雾图像的个数。
感知损失表示为：
Figure BDA0002303379100000054
其中，
Figure BDA0002303379100000055
为网络恢复的无雾图像，J为对应的清晰图像，
Figure BDA0002303379100000056
和φj(J)分别表示
Figure BDA0002303379100000058
和J对应的VGG16特征图，Cj，Hj和Wj分别表示
Figure BDA0002303379100000057
和φj(J)的通道数，高度和宽度。
因此，总的损失函数可表示为：
L＝L2+λLP                      (5)
其中，λ为权重因子。
为了验证本发明提出算法的有效性，将本发明算法与现有主流去雾算法进行对比。首先与文献[1]、[2]、[3]和[4]算法进行对比，附图3和附图4的实验结果表明，本发明算法去雾更加彻底，恢复的无雾图像更加清晰自然，并且更好的保持了图像的原有色彩。
为客观评价本发明算法，本发明采用PSNR(dB)/SSIM值进行对比，这两种指标能反映恢复的无雾图像与原清晰图像的相似程度以及结构的相似性。表1数据表明，本发明算法的PSNR和SSIM值要优于近期文献[1]、[3]、[4]、[5]、[11]和[12]算法。
表1 PSNR(dB)/SSIM比较结果
Figure BDA0002303379100000061
参考文献：
[1]Kui Jia Chunmei Qing Dacheng Tao Bolun Cai,Xiangmin Xu.Dehazenet:an end-to-end system for single image haze removal.IEEE Transactions on ImageProcessing,25(11):5187–5198,2016.
[2]W.Ren,S.Liu,H.Zhang,J.Pan,X.Cao,and M.-H.Yang.Single imagedehazing via multi-scale convolutional neural networks.In European Conferenceon Computer Vision,pages154–169.Springer,2016.
[3]Boyi Li,Xiulian Peng,Zhangyang Wang,Jizheng Xu,and Dan Feng.Aod-net:All-in-one dehazing network.In IEEE International Conference on ComputerVision,pages 4780–4788,2017.
[4]Qu,Y.,Chen,Y.,Huang,J.,&Xie,Y.(2019).Enhanced Pix2pix DehazingNetwork.In Proceedings of the IEEE Conference on Computer Vision and PatternRecognition(pp.8160-8168).
[5]Chen,Shuxin,et al."Multi-Scale Adaptive Dehazing Network."Proceedings of the IEEE Conference on Computer Vision and Pattern RecognitionWorkshops.2019.
[6]Chen L,Zhang H,Xiao J,et al.Sca-cnn:Spatial and channel-wiseattention in convolutional networks for image captioning[C]//Proceedings ofthe IEEE conference on computer vision and pattern recognition.2017:5659-5667.
[7]Boyi Li,Wenqi Ren,Dengpan Fu,Dacheng Tao,Dan Feng,Wenjun Zeng,andZhang yang Wang.Benchmarking single image dehazing and beyond.IEEETransactions on Image Processing(TIP),28(1):492–505,2019.
[8]K.He,X.Zhang,S.Ren,and J.Sun.Deep residual learning for imagerecognition.In Proceedings of the IEEE conference on computer vision andpattern recognition,pages 770–778,2016.
[9]Zhang Y,Tian Y,Kong Y,et al.Residual dense network for imagesuper-resolution[C]//Proceedings of the IEEE Conference on Computer Visionand Pattern Recognition.2018:2472-2481.
[10]Karen Simonyan and Andrew Zisserman.Very deep convolutionalnetworks for large-scale image recognition.arXiv preprint arXiv:1409.1556,2014.
[11]He K.1.Sun and X.Tang,2009.Single image haze removal using darkchannel prior[C]//Proceedings of the IEEE Conference on Computer Vision andPattern Recognition(CVPR),Iune.2009:20-25.
[12]He Zhang and Vishal M Patel.Densely connected pyramid dehazingnetwork.In The IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2018.
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (3)

1.一种颜色保持的特征融合去雾方法，其特征在于，包括以下步骤：
(1)获取总训练集和测试集；所述总训练集包括室外训练集和室内训练集，所述室外训练集、室内训练集和测试集内均由清晰图像和有雾图像组成；
(2)基于卷积神经网络实现单幅图像去雾；卷积神经网络包括特征提取、特征融合和图像复原三部分；特征提取包括内容信息提取模块和风格信息提取模块，内容信息提取模块采用七个级联的残差块RB1～RB7作为主体框架，风格信息提取模块采用三个级联的密集残差块RDB1～RDB3作为主体框架；
所述内容信息提取模块包含三个卷积层和七个残差块；三个卷积层分别为cov1，cov2，cov3，卷积核大小均为3*3，步长分别为1，1，2，padding均设置为1，输出通道数均为64；七个残差块RB1，RB2，RB3，RB4，RB5，RB6，RB7的结构相同，均包含三个卷积层，卷积核的大小均为3*3，步长均为1，padding均设置为1，输出的通道数均为64；
所述风格信息提取模块包含两个卷积层和三个密集残差块；两个卷积层分别为cov4，cov5，卷积核的大小均为3*3，步长均为1，padding均设置为1，输出通道数均为16；三个密集残差块RDB1，RDB2，RDB3的结构相同，均包含四个卷积层，前三个卷积层的卷积核的大小均为3*3，步长均为1，padding均设置为1，输出通道数均设置为16；最后一个卷积层的卷积核大小为1*1，步长为1，padding设置为0，输出的通道数为16；
特征融合部分包括：
(a)通道加权：对残差块RB1，RB5，RB7的输出进行通道加权堆叠得到加权的内容特征图Vc，密集残差块RDB3的输出为风格特征图Vs；
(b)融合：对内容特征图Vc和风格特征图Vs进行堆叠，然后经过反卷积层和卷积层运算得到融合的特征图Vf；
图像复原部分包括一个卷积层，通过输入特征融合部分得到的融合的特征图Vf，得到清晰的无雾图像。
2.根据权利要求1所述一种颜色保持的特征融合去雾方法，其特征在于，每个卷积层后紧跟一个RELU激活函数。
3.根据权利要求1所述一种颜色保持的特征融合去雾方法，其特征在于，图像复原部分包含一个卷积层，卷积核大小为1*1，步长为1，padding设置为0，输出通道数为3，后接ReLU激活函数；该卷积层的输出即为恢复的无雾图像。
CN201911230405.3A 2019-12-04 2019-12-04 一种颜色保持的特征融合去雾方法 Active CN111161161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911230405.3A CN111161161B (zh) 2019-12-04 2019-12-04 一种颜色保持的特征融合去雾方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911230405.3A CN111161161B (zh) 2019-12-04 2019-12-04 一种颜色保持的特征融合去雾方法

Publications (2)

Publication Number Publication Date
CN111161161A CN111161161A (zh) 2020-05-15
CN111161161B true CN111161161B (zh) 2023-05-16

Family

ID=70556375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911230405.3A Active CN111161161B (zh) 2019-12-04 2019-12-04 一种颜色保持的特征融合去雾方法

Country Status (1)

Country Link
CN (1) CN111161161B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932365B (zh) * 2020-08-11 2021-09-10 上海华瑞银行股份有限公司 一种基于区块链的金融征信系统及方法
CN114998138B (zh) * 2022-06-01 2024-05-28 北京理工大学 一种基于注意力机制的高动态范围图像去伪影方法
CN115205166A (zh) * 2022-09-16 2022-10-18 南京信息工程大学 基于环境光与传输图并行估计网络的水下图像恢复方法
CN115331083B (zh) * 2022-10-13 2023-03-24 齐鲁工业大学 基于逐步密集特征融合去雨网络的图像去雨方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013141210A (ja) * 2011-12-30 2013-07-18 Hitachi Ltd 画像霧除去装置、画像霧除去方法及び画像処理システム
CN108805839A (zh) * 2018-06-08 2018-11-13 西安电子科技大学 基于卷积神经网络的联合估计图像去雾方法
CN109741260A (zh) * 2018-12-29 2019-05-10 天津大学 一种基于深度反投影网络的高效超分辨率方法
CN110110783A (zh) * 2019-04-30 2019-08-09 天津大学 一种基于多层特征图连接的深度学习目标检测方法
CN110378849A (zh) * 2019-07-09 2019-10-25 闽江学院 基于深度残差网络的图像去雾去雨方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102207939B1 (ko) * 2014-03-27 2021-01-26 한화테크윈 주식회사 안개 제거 시스템 및 안개 제거 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013141210A (ja) * 2011-12-30 2013-07-18 Hitachi Ltd 画像霧除去装置、画像霧除去方法及び画像処理システム
CN108805839A (zh) * 2018-06-08 2018-11-13 西安电子科技大学 基于卷积神经网络的联合估计图像去雾方法
CN109741260A (zh) * 2018-12-29 2019-05-10 天津大学 一种基于深度反投影网络的高效超分辨率方法
CN110110783A (zh) * 2019-04-30 2019-08-09 天津大学 一种基于多层特征图连接的深度学习目标检测方法
CN110378849A (zh) * 2019-07-09 2019-10-25 闽江学院 基于深度残差网络的图像去雾去雨方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于二分支卷积单元的深度卷积神经网络;侯聪聪;何宇清;姜晓恒;潘静;;激光与光电子学进展(第02期);全文 *
基于结构-纹理分层的夜间图像去雾算法;杨爱萍;王南;;激光与光电子学进展(第06期);全文 *

Also Published As

Publication number Publication date
CN111161161A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111161161B (zh) 一种颜色保持的特征融合去雾方法
CN111161360B (zh) 基于Retinex理论的端到端网络的图像去雾方法
CN111062892B (zh) 一种基于复合残差网络和深层监督的单幅图像去雨方法
CN110544213B (zh) 一种基于全局和局部特征融合的图像去雾方法
WO2020015330A1 (zh) 基于增强的神经网络的图像复原方法、存储介质及系统
CN110378849B (zh) 基于深度残差网络的图像去雾去雨方法
CN107590779B (zh) 一种基于图像块聚类字典训练的图像去噪去模糊方法
CN111667421B (zh) 一种图像去雾方法
CN102243711A (zh) 一种基于邻域嵌套的图像超分辨率重建方法
CN111553856B (zh) 基于深度估计辅助的图像去雾方法
CN113284070A (zh) 基于传递注意力机制的非均匀雾图去雾算法
CN112215753A (zh) 基于双分支边缘保真网络的图像去马赛克增强方法
Qian et al. CIASM-Net: a novel convolutional neural network for dehazing image
CN112132757B (zh) 一种基于神经网络的通用图像复原方法
CN112712482B (zh) 一种基于线性学习模型的图像去雾方法
CN113628143A (zh) 一种基于多尺度卷积的加权融合图像去雾方法及装置
CN114140361A (zh) 融合多级特征的生成式对抗网络图像去雾方法
CN116137023B (zh) 基于背景建模和细节增强的低照度图像增强方法
CN113610721B (zh) 一种基于部分卷积生成对抗网络的图像修复方法
CN111260589B (zh) 基于Retinex的输电线路监控图像去雾方法
CN115760640A (zh) 基于含噪Retinex模型的煤矿低光照图像增强方法
CN115689918A (zh) 一种基于残差先验注意力机制的并行单幅图像去雨方法
CN114897718A (zh) 一种能同时平衡上下文信息和空间细节的低光图像增强方法
CN113240589A (zh) 一种多尺度特征融合的图像去雾方法及系统
CN115456903B (zh) 一种基于深度学习的全彩夜视增强方法和系统

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