CN111429378A - 基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法 - Google Patents
基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法 Download PDFInfo
- Publication number
- CN111429378A CN111429378A CN202010250050.0A CN202010250050A CN111429378A CN 111429378 A CN111429378 A CN 111429378A CN 202010250050 A CN202010250050 A CN 202010250050A CN 111429378 A CN111429378 A CN 111429378A
- Authority
- CN
- China
- Prior art keywords
- polarization
- neural network
- deep neural
- image
- clear
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003384 imaging method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000011521 glass Substances 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010200 validation analysis 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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 using two or more images, e.g. averaging or subtraction
-
- 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]
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
本发明提供了一种基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法，包括以下步骤：步骤1、搭建水下偏振成像系统，采集清水下的清晰偏振图像和浑浊水下的不清晰偏振图像；步骤2、对采集到的图像数据进行预处理并构建数据集；步骤3、将数据集分为训练集、验证集和测试集；步骤4、构建用于灰度偏振图像复原的深度神经网络；步骤5、设计该深度神经网络的损失函数；步骤6、用训练集训练深度神经网络模型；步骤7、用训练完成的深度神经网络模型进行图像复原。与现有技术相比，本发明能够在较高浓度浑浊水下恢复得到清晰的灰度图像，并且得到的图像质量更高。
Description
技术领域
本发明涉及偏振成像探测技术领域，特别涉及在水下环境中基于深度神经网络的灰度偏振图像的复原方法。
背景技术
偏振成像技术在国防军事、工业生产等领域都有十分广泛的应用。然而，在水下成像的应用中，因为受到水中各种散射介质的影响，采集得到的图像的对比度会降低，图像质量严重下降。在水下环境中影响物体成像质量的最主要因素是介质反射和散射的光强，这部分光强是部分偏振光，因此可以利用偏振成像技术滤除这部分光强实现图像质量的提高。目前偏振成像技术已经被广泛应用于散射介质下图像的复原和增强，特别是实现了水下成像质量的大幅提升。然而，在高浑浊水下，现有偏振成像技术进行图像复原对图像质量提升有限，尤其是在高浑浊度的水下环境中，成像效果不佳，不能够很好地满足实际生产应用的要求。
发明内容
为了克服现有技术的不足，本发明提出了一种在水下环境中基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法，本发明将偏振成像技术与深度学习技术相结合，充分利用偏振图像的偏振信息用于图像复原，在较高浓度浑浊水下仍能显著地提高图像质量。
本发明的技术方案
一种基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法，该方法包括的具体实施步骤如下：
步骤1、搭建水下偏振成像系统，采取主动线偏振光照明的方式，通过分焦平面偏振相机分别采集清水下的清晰偏振图像和浑浊水下的不清晰偏振图像。
步骤2、构建数据集，具体方法为：分别对清水和浑浊水下采集得到的偏振图像拆分成偏振方向分别为0°，45°，90°，135°的四幅偏振子图；将浑浊水下的不清晰偏振图像拆分出的0°，45°，90°三幅偏振子图作为深度神经网络的输入；将清水下的清晰偏振图像拆分出的0°和90°两幅偏振子图相加所得到的清晰光强图作为深度神经网络的标签。
步骤3、将步骤2中所构建的数据集分为训练集，验证集和测试集。
步骤4、构建用于灰度偏振图像复原的深度神经网络，该深度神经网络包括浅层特征提取模块、残差-密集连接模块和特征融合模块，三个模块的具体特征为：
浅层特征提取模块包括两层卷积层，两层卷积层上的卷积核大小均为3×3，卷积核的数量为64，通过卷积核提取输入偏振图像的浅层特征；
残差-密集连接模块包括残差学习和密集连接，在每个残差-密集连接模块中，卷积层和作为激活函数的线性整流函数(Rectified Linear Unit,ReLU)通过密集连接的方式进行特征组合，输出结果依次通过一个级联(concatenation)层和一个1×1卷积层，并通过局部残差连接。
特征融合模块包括一个级联层、一个1×1卷积层和一个3×3卷积层；用于特征融合并输出预测的清晰光强图像。
步骤5、设计该深度神经网络的损失函数l(Θ)，用于优化网络中的所有可训练参数Θ，损失函数如式(1)所示：
其中，N表示每一次训练时所用的不清晰偏振图像和清晰偏振图像组成的训练样本对的总数。(x,y)是图像上各像素点的坐标位置，
是通过可训练参数Θ所得到的第i幅预测图像，
是与预测图像对应的清晰光强图像。
步骤6、将步骤3中的训练集放到步骤4、5构建的深度神经网络中进行训练，并将验证集同步放入深度神经网络中进行效果验证，得到训练完成的深度神经网络训练模型。
步骤7、将步骤3中的测试集放到步骤6中训练好的深度神经网络训练模型进行测试，输出光强的预测值，即最终的清晰图像复原结果。
本发明的优点和有益效果：
本发明公开一种基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法。与现有技术相比，本发明创新性地将深度学习技术应用于偏振水下成像，利用深度神经网络强大的自特征提取和学习能力以及卓越的非线性映射能力，实现基于采集所得的浑浊水下场景偏振信息复原清晰水下的场景图像。该方法的优点在于能够更好、更准确的利用偏振信息实现散射光的抑制和场景信号光的增强，因而能够在浑浊水下，更大幅度的提高图像质量，尤其对于高浑浊度的水下清晰图像复原，具有优越效果。
附图说明
图1为本发明基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法整体流程示意图；
图2为本发明的一种在水下环境中偏振成像系统的实验装置示意图；
附图标记：
1、光源；2、水平偏振片，3、玻璃缸，4、清水或牛奶溶液(浑浊水)，5、实验样本，6、分焦平面偏振相机。
图3为本发明中将采集到的偏振图像分为四幅偏振子图像示例图；
图4为本发明构建的用于偏振图像复原的深度神经网络结构示意图；
图5为本发明在浑浊水下灰度图像复原应用的效果图。
具体实施方式
下面将根据本方法的整体流程示意图及其他附图对本发明的实施方式作进一步的详细描述。
基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法(整体流程见图1)，其详细步骤如下：
步骤1、搭建水下偏振成像系统，采集清水下的清晰偏振图像和浑浊水下的不清晰偏振图像。
如图2所示，通过在光源(1)前加一偏振方向为0°的水平偏振片(2)来提供主动式的线偏振光照明，玻璃缸(3)放置在照明系统和实验样本(5)之间，实验样本(5)紧贴玻璃缸，通过往玻璃缸里面加清水或牛奶溶液(4)分别可以得到清晰的实验样本场景和浑浊散射介质下的实验样本场景，并通过分焦平面偏振相机(6)采集同一样本在清水下的清晰偏振图像和浑浊水下的不清晰偏振图像，在本实施例中共采集140组偏振图像，包括140幅清晰偏振图像和140幅不清晰偏振图像，分辨率均为2048×2448。
步骤2、构建数据集。
对步骤1中采集到的偏振图像进行预处理，将原图像Iorig(x,y)根据像素点的位置(x,y)拆分成四幅偏振方向为别为0°，45°，90°，135°的偏振子图，记为I0(x,y),I45(x,y),I90(x,y),I135(x,y)其中，x,y分别表示像素点的横纵坐标，求取偏振子图公式如式(2)、(3)、(4)、(5)所示：
I0(x,y)＝Iorig(2x,2y) (2)
I45(x,y)＝Iorig(2x,2y-1) (3)
I90(x,y)＝Iorig(2x-1,2y-1) (4)
I135(x,y)＝Iorig(2x-1,2y) (5)
因此偏振子图的横向纵向分辨率都只有原偏振图像的一半，其分辨率均为1024×1224，拆分示例图如图3所示，其中，图3(a)为采集到的偏振图像，图3(b)为0°偏振子图，图3(c)为45°偏振子图，图3(d)为90°偏振子图，图3(e)为135°偏振子图；
将浑浊水下得到的0°，45°，90°三幅不清晰的偏振子图作为网络的输入，分别记为
将清水下得到的0°和90°的两幅偏振子图记为
并相加，得到清晰光强图像Igt(x,y)作为深度神经网络的标签，计算公式如式(6)所示：
步骤3、将步骤2中构建数据集分为训练集、验证集和测试集。本实施例中，将140组数据集中的90组作为深度神经网络的训练集，25组作为验证集，25组作为测试集；并将训练集中的图像裁剪为分辨率为64×64的小图，裁剪步长为32个像素，通过此方法得到103230(1147×90)组训练集。
步骤4、构建用于灰度偏振图像复原的深度神经网络。
如图4(a)所示：深度神经网络包括浅层特征提取模块、残差-密集连接模块和特征融合模块，三个模块的具体结构为：
浅层特征提取模块包括两层卷积层，两层卷积层上的卷积核大小均为3×3，卷积核的数量为64，通过卷积核提取输入偏振图像的浅层特征；
残差-密集连接模块融合了残差学习和密集连接，如图4(b)所示：在每个残差-密集连接模块中，卷积层和作为激活函数的线性整流函数通过密集连接的方式进行特征组合，输出结果依次通过一个级联层和一个1×1卷积层，并通过局部残差连接。在本实施例中，共设置了16个残差-密集连接模块，每个残差-密集连接模块都包含了6个卷积层及其对应的线性整流函数，卷积核的数量均为64。
特征融合模块包括一个级联层、一个1×1卷积层(卷积核数量为64)和一个3×3卷积层(卷积核数量为1)；用于特征融合并输出预测的清晰图像。
步骤5、设计损失函数。
设计该深度神经网络的损失函数l(Θ)，用于优化网络中的所有可训练参数Θ，损失函数如式(1)所示：
其中，N表示每一次训练时所用的不清晰偏振图像和清晰偏振图像组成的训练样本对的总数。在本实施例中N取值为32。(x,y)是图像上各像素点的坐标位置，
是通过可训练参数Θ所得到的第i幅预测图像，
是与预测图像对应的清晰光强图像。
步骤6、训练深度神经网络训练模型。
将训练集放到步骤4、5构建的深度神经网络中进行训练，并把验证集同步放入深度神经网络验证训练效果，并通过训练过程不断调节部分网络参数。在本实施例中，最小批处理样本数为32，学习率初始化为5×10-5，并设置训练轮数为24，每3轮衰减一次，衰减率0.6，最终得到训练好的深度神经网络训练模型。
步骤7、将步骤3中的测试集放到步骤6中训练好的深度神经网络训练模型进行测试，输出光强的预测值，即最终的偏振图像复原结果。
为验证本发明的图像复原效果，对本发明的图像复原效果与现存的两种比较有代表性的散射介质中图像复原方法进行对比，现存的两种比较有代表性的散射介质中图像复原方法分别是梁健的基于偏振角与偏振度去背向散射光的图像复原方法和何凯明的暗通道先验的图像复原方法，结果如图5所示：其中，图5(a)浑浊光强图像，图5(b)为梁健方法复原后的光强图像，图5(c)为暗通道先验方法复原后的光强图像，图5(d)为本发明复原后的光强图像，图5(e)为清水下清晰的光强图像。
从实验结果可以直观地看出，本发明对浑浊水下图像的复原效果要好于其他方法，图像对比度提升明显。为定量地对图像成像质量进行评估，采用EME(the value ofmeasure of enhancement)和峰值信噪比(PSNR)作为评价函数来评价各种复原方法对图像质量的提升效果，EME和PSNR越大，表示图像质量越高。对比结果如下表所示下：
| 标准 | 原始图像 | 梁健 | 何凯明 | 本发明 |
| EME | 0.7136 | 4.8555 | 5.6251 | 9.0986 |
| PSNR | 11.0369 | 12.6247 | 12.1465 | 20.5209 |
从表中可以看出，使用本发明对水下灰度偏振图像进行复原，图像质量提高显著，要优于其他复原方法。利用本发明所述的技术方案，或本领域技术人员在本发明启发下，设计出类似的技术方案，而达到上述技术效果的，均落入本发明的保护范围内。
Claims (1)
1.一种基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法，其特征在于，该方法的步骤如下：
步骤1、搭建水下偏振成像系统，采取主动线偏振光照明的方式，通过分焦平面偏振相机分别采集清水下的清晰偏振图像和浑浊水下的不清晰偏振图像；
步骤2、构建数据集，具体方法为：分别对清水和浑浊水下采集得到的偏振图像拆分成偏振方向分别为0°，45°，90°，135°的四幅偏振子图；将浑浊水下的不清晰偏振图像拆分出的0°，45°，90°三幅偏振子图作为深度神经网络的输入；将清水下的清晰偏振图像拆分出的0°和90°两幅偏振子图相加所得到的清晰光强图作为深度神经网络的标签；
步骤3、将步骤2中所构建的数据集分为训练集、验证集和测试集；
步骤4、构建用于灰度偏振图像复原的深度神经网络，该深度神经网络包括浅层特征提取模块、残差-密集连接模块和特征融合模块，三个模块的具体特征为：
浅层特征提取模块包括两层卷积层，两层卷积层上的卷积核大小均为3×3，卷积核的数量为64，通过卷积核提取输入偏振图像的浅层特征；
残差-密集连接模块包括残差学习和密集连接，在每个残差-密集连接模块中，卷积层和作为激活函数的线性整流函数(RectifiedLinearUnit,ReLU)通过密集连接的方式进行特征组合，输出结果依次通过一个级联(concatenation)层和一个1×1卷积层，并通过局部残差连接；
特征融合模块包括一个级联层、一个1×1卷积层和一个3×3卷积层；用于特征融合并输出预测的清晰光强图像；
步骤5、设计该深度神经网络的损失函数l(Θ)，用于优化网络中的所有可训练参数Θ，损失函数如式(1)所示：
其中，N表示每一次训练时所用的不清晰偏振图像和清晰偏振图像组成的训练样本对的总数，(x,y)是图像上各像素点的坐标位置，
是通过可训练参数Θ所得到的第i幅预测图像，
是与预测图像对应的清晰光强图像；
步骤6、将步骤3中的训练集放到步骤4、5构建的深度神经网络中进行训练，并将验证集同步放入深度神经网络中进行效果验证，得到训练完成的深度神经网络训练模型；
步骤7、将步骤3中的测试集放到步骤6中训练好的深度神经网络训练模型进行测试，输出光强的预测值，即最终的清晰图像复原结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010250050.0A CN111429378A (zh) | 2020-04-01 | 2020-04-01 | 基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010250050.0A CN111429378A (zh) | 2020-04-01 | 2020-04-01 | 基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111429378A true CN111429378A (zh) | 2020-07-17 |
Family
ID=71557364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010250050.0A Pending CN111429378A (zh) | 2020-04-01 | 2020-04-01 | 基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111429378A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164017A (zh) * | 2020-09-27 | 2021-01-01 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于深度学习的偏振彩色化方法 |
| CN113487504A (zh) * | 2021-07-01 | 2021-10-08 | 天津大学 | 基于生成对抗网络的水下灰度偏振图像复原方法 |
| CN114758030A (zh) * | 2022-04-29 | 2022-07-15 | 天津大学 | 融合物理模型和深度学习的水下偏振成像方法 |
| CN117911282A (zh) * | 2024-03-19 | 2024-04-19 | 华中科技大学 | 一种图像去雾模型的构建方法及应用 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584170A (zh) * | 2018-10-29 | 2019-04-05 | 西安电子科技大学 | 基于卷积神经网络的水下图像复原方法 |
| CN109671026A (zh) * | 2018-11-28 | 2019-04-23 | 浙江大学 | 基于空洞卷积及自动编解码神经网络的灰度图像降噪方法 |
| CN110223251A (zh) * | 2019-06-02 | 2019-09-10 | 西安电子科技大学 | 适用于人工与自然光源的卷积神经网络水下图像复原方法 |
| CN110570364A (zh) * | 2019-08-05 | 2019-12-13 | 天津大学 | 基于深度神经网络的分焦平面偏振图像去噪方法 |
| WO2020015330A1 (zh) * | 2018-07-20 | 2020-01-23 | 哈尔滨工业大学（深圳） | 基于增强的神经网络的图像复原方法、存储介质及系统 |
| WO2020015167A1 (zh) * | 2018-07-17 | 2020-01-23 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
-
2020
- 2020-04-01 CN CN202010250050.0A patent/CN111429378A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020015167A1 (zh) * | 2018-07-17 | 2020-01-23 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
| WO2020015330A1 (zh) * | 2018-07-20 | 2020-01-23 | 哈尔滨工业大学（深圳） | 基于增强的神经网络的图像复原方法、存储介质及系统 |
| CN109584170A (zh) * | 2018-10-29 | 2019-04-05 | 西安电子科技大学 | 基于卷积神经网络的水下图像复原方法 |
| CN109671026A (zh) * | 2018-11-28 | 2019-04-23 | 浙江大学 | 基于空洞卷积及自动编解码神经网络的灰度图像降噪方法 |
| CN110223251A (zh) * | 2019-06-02 | 2019-09-10 | 西安电子科技大学 | 适用于人工与自然光源的卷积神经网络水下图像复原方法 |
| CN110570364A (zh) * | 2019-08-05 | 2019-12-13 | 天津大学 | 基于深度神经网络的分焦平面偏振图像去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| （英）克里斯•布鲁克斯（CHRIS BROOKS）著；王鹏译: "《金融计量经济学导论》", 31 May 2019 * |
| 刘雁春: "《海道测量学概论》", 30 November 2006 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164017A (zh) * | 2020-09-27 | 2021-01-01 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于深度学习的偏振彩色化方法 |
| CN112164017B (zh) * | 2020-09-27 | 2023-11-17 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于深度学习的偏振彩色化方法 |
| CN113487504A (zh) * | 2021-07-01 | 2021-10-08 | 天津大学 | 基于生成对抗网络的水下灰度偏振图像复原方法 |
| CN114758030A (zh) * | 2022-04-29 | 2022-07-15 | 天津大学 | 融合物理模型和深度学习的水下偏振成像方法 |
| CN117911282A (zh) * | 2024-03-19 | 2024-04-19 | 华中科技大学 | 一种图像去雾模型的构建方法及应用 |
| CN117911282B (zh) * | 2024-03-19 | 2024-05-28 | 华中科技大学 | 一种图像去雾模型的构建方法及应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111429378A (zh) | 基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法 | |
| CN110570364B (zh) | 基于深度神经网络的分焦平面偏振图像去噪方法 | |
| CN111612763B (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
| CN111861914B (zh) | 基于深度神经网络的低照度彩色偏振图像增强方法 | |
| CN104023230B (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
| CN114429428A (zh) | 基于注意力机制的偏振图像去噪方法 | |
| CN112818969A (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
| CN110969656B (zh) | 一种基于机载设备激光光束光斑大小的检测方法 | |
| CN112668754B (zh) | 一种基于多源特征信息融合的电力设备缺陷诊断方法 | |
| CN105894507B (zh) | 基于图像信息量自然场景统计特征的图像质量评价方法 | |
| CN112767267A (zh) | 基于仿真偏振带雾场景数据集的图像去雾方法 | |
| Hsu et al. | Object detection using structure-preserving wavelet pyramid reflection removal network | |
| CN111563577A (zh) | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 | |
| CN113191962B (zh) | 基于环境背景光的水下图像颜色恢复方法、装置及存储介质 | |
| Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
| CN111127386B (zh) | 一种基于深度学习的图像质量评价方法 | |
| CN114998708B (zh) | 一种基于图谱信号的茶叶种类识别方法和装置 | |
| CN112233193A (zh) | 一种基于多光谱图像处理的变电设备故障诊断方法 | |
| CN117173232A (zh) | 深度图像的获取方法、装置及设备 | |
| CN116579959A (zh) | 用于高光谱图像的融合成像方法及装置 | |
| CN116597016A (zh) | 一种光纤内窥镜图像标定方法 | |
| CN116259087A (zh) | 一种低分辨率人脸识别方法 | |
| CN115753691A (zh) | 一种基于rgb重建高光谱的水质参数检测方法 | |
| CN112818797B (zh) | 一种面向在线考试答卷文档图像的一致性检测方法和存储设备 | |
| CN114565511A (zh) | 基于全局单应性估计的轻量级图像配准方法、系统及装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200717 |