CN111445395B - 一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法 - Google Patents
一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法 Download PDFInfo
- Publication number
- CN111445395B CN111445395B CN202010140389.5A CN202010140389A CN111445395B CN 111445395 B CN111445395 B CN 111445395B CN 202010140389 A CN202010140389 A CN 202010140389A CN 111445395 B CN111445395 B CN 111445395B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- repaired
- sonar
- sonar waterfall
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000007704 transition Effects 0.000 claims abstract description 10
- 238000013519 translation Methods 0.000 claims description 2
- 238000005067 remediation Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 description 16
- 230000008439 repair process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
-
- 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
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，制作样本时，对原始侧扫声呐瀑布图像进行斜距校正后，从瀑布图像的左右两侧不含模糊区域的图像中截取图像并进行缩放来作为真实图像，并制作相同大小的掩模图像，根据掩模图像可以确定待修复图像中需要修复的中间区域。通过深度学习训练得到了深度学习网络的模型参数，对于要修复的声呐瀑布图像，则可以直接输入到该网络模型中，即可得到修复后的声呐瀑布图像，修复后的图像能够消除斜距校正后中间区域的模糊，并实现图像中间不连续区域的平滑过渡，可以提升图像的整体视觉效果，还可以用于后续声呐瀑布图像的进一步处理，对于声呐瀑布图像的实际应用有着重要意义。
Description
技术领域
本发明涉及一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，具体来说就是针对斜距校正后的侧扫声呐瀑布图像中间区域进行修复，采用深度学习的方法去除声呐图像中间的模糊区域并进行修复，并使声呐图像中间不连续区域能够实现平滑过渡，同时尽可能恢复图像中的部分细节信息，属于数字图像处理及深度学习领域。
背景技术
侧扫声呐系统通过向海底发射、接收声波，可以得到相应的海底回波强度数据，而解析得到的侧扫声呐瀑布图像则能够反映海底底质的变化情况，有利于我们对海底地貌的的勘测、对海底目标的搜寻，然而由于原始的侧扫声呐瀑布图像是按照斜距进行采集的，因此其在与航迹垂直方向上会存在一定的形变，从而无法反映真实的海底底质变化情况。因此要对声呐图像进行斜距校正，但是斜距校正后的声呐图像在中间区域会出现模糊和不连续的现象，从而无法反映真实的海底。目前，还没有人针对声呐图像这一问题提出相应的解决方法，而现有的图像修复方法也主要是应用在光学图像上，比较经典的方法包括：
基于全变分模型的图像修复算法：由于图像不平滑以及可能受到噪声的影响，一些模型的实际修复效果可能会受到影响，而本方法将图像看作是一个分段平滑函数，并在有界变分空间上对图像进行建模，而全变分模型能够起到延长图像边缘的作用，在使用本方法时确定局部的待修复区域，且可以根据待修复区域附近的信息来确定修复内容，能够修复断裂的狭窄边缘。
基于样本的图像修复算法：基于样本块的修复每次匹配合成一块区域，效率比较高。而基于样本点的每次匹配只能合成一个像素，效率较低，修复速度较慢。基于样本的图像修复关键技术包括样本块的采样方式、修复顺序、样本块采样范围和最佳匹配块。
基于纹理合成的图像修复算法：常用纹理合成方法修复纹理图像，基本思想是从已知图像中选择合适的块采样，合成或者复制到缺损区域中，要同时保证纹理结构相似性和连续性。由于图像纹理的多样性，在考虑纹理相似性同时，还要保证结构连续性。此时，匹配、搜索和合成过程以及修复优先级的确定最为重要。
发明内容
本发明的目的是为了提供一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，本发明针对经过斜距校正后的侧扫声呐瀑布图像中间模糊区域进行修复，本发明对声呐图像的修复效果比较好，能够较好地消除图像中间区域的模糊，并实现图像中间区域的平滑过渡，增强了声呐图像整体的显示效果。
本发明的目的是这样实现的：步骤如下：
步骤(1)：获取原始侧扫声呐瀑布图像后，在每Ping的基础上根据地形高度信息进行斜距校正处理，校正后，得到能够反映真实海底横向比例的侧扫声呐瀑布图像；
步骤(2)：将经过斜距校正后的侧扫声呐瀑布图像分别截取左右两边不含中间模糊区域部分的图像以及进行适当缩放的图像来作为真实图像，并制作相同大小的掩模图像，掩模图像由0和255组成，0对应着真实图像中待修复的区域，掩模图像和真实图像进行逻辑与可以作为待修复的图像，且待修复区域的横向宽度可变，则与真实图像对应可以生成多个中间修复区域不同尺寸的样本，并通过旋转、平移、缩放、裁剪的方法对数据集进一步扩增；
步骤(3)：训练完后获得网络模型权重。
本发明还包括这样一些结构特征：
1.步骤(2)从斜距校正后的声呐瀑布图像左右两侧分别截取不包含模糊区域的图像，经适当缩放得到的图像作为真实图像，通过这些图像和对应的掩模图像作逻辑与运算可确定待修复图像，从而得到样本集。
2.步骤(3)对于得到的网络模型，将待修复的声呐瀑布图像与掩模图像逻辑与运算后得到的图像输入到网络中，得到修复后的声呐图像，能消除中间模糊区域，使图像中间不连续区域过渡更为平滑。
与现有技术相比，本发明的有益效果是：本发明针对侧扫声呐瀑布图像中间模糊区域，首次提出对中间区域进行修复的方法，该修复方法是基于深度学习来对声呐图像进行修复，该方法在去除中间模糊区域的同时也能够实现中间不连续区域的平滑过渡，能够根据周围像素的情况尽可能恢复出中间区域的像素，从而增强声呐瀑布图像斜距校正后的重建效果，而且该方法的实时性也相对比较高。也即本发明首次提出了使用深度学习的方法针对斜距校正后的侧扫声呐瀑布图像中间区域进行修复，并且可以修改掩模图像中间部分的宽度定义声呐瀑布图像中间区域待修复的范围，通过修改不同的修复范围也增加了训练样本数量。
附图说明
图1为斜距校正示意图；
图2(a)斜距校正前的示意图，图2(b)斜距校正后(中间区域存在模糊和不连续)；
图3为本发明进行图像修复的流程图；
图4(a)-(b)为训练网络时所用的图像，其中图4(a)真实图像,图4(b)掩模图像；
图5为本发明对声呐图像进行修复前后的效果图；
图6(a)-(f)为本发明与其他图像修复方法的对比图，其中：图6(a)真实图像，图6(b)待修复图像，图6(c)基于全变分模型的修复方法，图6(d)基于样本的修复方法，图6(e)基于纹理合成的修复方法，图6(f)本发明的方法。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明原理是：使用基于深度学习的方法来进行声呐瀑布图像的修复，即卷积神经网络，网络的架构是基于U-Net网络架构，网络主要包括编码阶段和解码阶段，在编码阶段使用的是ReLU激活函数，在解码阶段使用LeakyReLU激活函数，并使用最近邻上采样。除了第一和最后的卷积层之外，在每个卷积层和ReLU/LeakyReLU层之间使用批量归一化层。该网络的损失函数主要包括感知损失、风格损失、全变差损失以及掩码遮挡区域和未遮挡区域每个像素的损失。样本为经过截取、缩放后的真实图像和真实图像与对应的掩模图像作逻辑与处理后的待修复图像，通过训练后便可以得到该网络模型参数。本发明主要包括以下步骤：
(1)获取原始侧扫声呐瀑布图像后，在每Ping的基础上根据地形高度信息进行斜距校正处理。校正后，得到能够反映真实海底横向比例的侧扫声呐瀑布图像，此时的声呐图像中间会出现模糊区域，而且左右换能器采集的海底回波强度会存在一定的差异，因此校正后的图像上会存在较为明显的视觉差异(不连续区域)。
(2)将经过斜距校正后的侧扫声呐瀑布图像分别截取左右两边不含中间模糊区域部分的图像以及进行适当缩放的图像来作为真实图像，并制作相同大小的掩模图像，掩模图像由0和255组成，0对应着真实图像中待修复的区域，掩模图像和真实图像进行逻辑与可以作为待修复的图像，且待修复区域的横向宽度可变，则与真实图像对应可以生成多个中间修复区域不同尺寸的样本。并通过旋转、平移、缩放、裁剪等方法对数据集进一步扩增。
(3)训练完后可以获得网络模型权重。对于得到的网络模型，将待修复的声呐瀑布图像与掩模图像逻辑与运算后得到的图像输入到网络中，便可以得到修复后的声呐图像，能够消除中间模糊区域，使图像中间不连续区域过渡更为平滑，不但增强了图像的显示效果，也为后续对图像的进一步处理奠定了基础。
在制作训练集时，由于无法获取待修复图像对应的真实图像，因此步骤(2)从斜距校正后的声呐瀑布图像左右两侧分别截取不包含模糊区域的图像，以及对其进行适当缩放得到的图像作为真实图像，通过这些图像和对应的掩模图像作逻辑与运算可确定待修复图像，从而得到样本集。
本发明提出一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，侧扫声呐系统在左右舷分别安装有两个换能器，在工作时换能器会以固定频率发射声脉冲，声波会以球面波的形式向海底传播，到达海底后声波沿原路线返回到换能器，声呐设备将记录声波发射到声波返回换能器所用时间，就可以得到每个采样点所对应的斜距和回波强度信息。声呐设备每发射接收一次声波，便得到对应的一Ping回波强度数据，反映在声呐图像上就是一行像素点，像素水平位置对应着斜距，像素值对应着回波强度信息，此时得到的声呐图像在与航迹垂直方向上是存在形变的，不能够反映海底真实的横向比例，因此我们要对声呐图像进行斜距校正，从而消除形变，如附图1所示为斜距校正的示意图，R表示采样点对应的斜距，H表示该采样点对应高度，根据
得到斜距校正后的水平距离P，将此值作为该采样点新的位置，通过插值后，即可得到斜距校正后的图像。
因为在斜距校正过程中斜距和平距之间满足一种非线性的关系即
且当平距比较小时，对应的斜距变化也非常小，因此经过插值后，会造成校正后图像中间出现模糊区域，并且由于左右两个换能器可能存在一定的测量误差，会导致左右两边灰度出现一定的差异或不连续，使得校正后左右两边的图像颜色差异更为明显，如附图2所示，因此我们要对经斜距校正后的侧扫声呐瀑布图像中间区域进行修复。而本文也针对声呐图像这一问题，首次提出使用深度学习的方法来消除中间模糊区域，使图像平滑过渡，该方法的整体流程图如附图3所示，主要包括以下步骤：
(1)获取原始侧扫声呐瀑布图像后，在每Ping的基础上根据地形高度信息进行斜距校正处理。校正后，得到能够反映真实海底横向比例的侧扫声呐瀑布图像，此时的声呐图像中间会出现模糊区域，而且左右换能器采集的海底回波强度会存在一定的差异，因此校正后的图像上会存在较为明显的视觉差异(不连续区域)。
(2)将经过斜距校正后的侧扫声呐瀑布图像分别截取左右两边不含中间模糊区域部分的图像以及进行适当缩放的图像来作为真实图像，并制作相同大小的掩模图像，掩模图像由0和255组成，0对应着真实图像中待修复的区域，如附图4所示，掩模图像和真实图像进行逻辑与可以作为待修复的图像，且待修复区域的横向宽度可变，则与真实图像对应可以生成多个中间修复区域不同尺寸的样本。并通过旋转、平移、缩放、裁剪等方法对数据集进一步扩增。
(3)训练完后可以获得网络模型权重。对于得到的网络模型，将待修复的声呐瀑布图像与掩模图像逻辑与运算后得到的图像输入到网络中，便可以得到修复后的声呐图像，能够消除中间模糊区域，使图像中间不连续区域过渡更为平滑，不但增强了图像的显示效果，也为后续对图像的进一步处理奠定了基础。
对三组声呐瀑布图像通过该方法进行修复，得到实验结果，如附图5所示，人眼主观可以看出修复效果比较明显，修复后的声呐图像消除了中间的校正痕迹，而且图像过渡较为平滑，感觉不到明显的视觉差异。而为了定量对实验结果进行分析，现将该方法与其它图像修复方法进行实验对比，由于原始声呐瀑布图像不存在真实图像，因此从样本中选取经过斜距校正的原始图像，截取左侧或右侧一部分图像并进行缩放作为真实图像，使用掩模遮挡中间区域，对该图像中间区域进行修复，比较修复结果，如附图6a-f所示，并引入峰值信噪比(PSNR)、结构相似度(SSIM)、平均绝对误差(MAE)三种评价指标，对各方法进行比较，如表1所示。
表1不同修复方法对比
从表1对比结果可以看出，本文方法要优于其它几个传统方法，其中基于纹理合成的修复方法评价指标与本文方法比较接近，但是通过图像可以看出该方法修复后的图像存在较为明显的模糊现象，能够看出比较明显的修复痕迹。而基于样本的修复方法虽然在视觉上感觉不出明显的修复痕迹，但是其评价指标相对都较低，说明修复的部分与真实图像还存在一定的差异。而本文方法在视觉上与评价指标上都相对比较好，能够较好地对声呐瀑布图像进行修复。
综上，本发明提出了一种基于深度学习的侧扫声呐瀑布图像中间区域的修复方法，在对原始侧扫声呐瀑布图像进行斜距校正后，会导致图像中间出现模糊区域，而且声呐设备左右两侧换能器在采集海底回波时可能会存在一定的误差，从而导致经过斜距校正后的声呐图像在中间区域会存在较明显的视觉差异，而不利于人眼的观察。针对这一问题，本发明提出使用深度学习的方法对经过斜距校正后的声呐瀑布图像中间区域进行修复。由于待修复图像对应的真实图像难以获取，因此制作样本时，对原始侧扫声呐瀑布图像进行斜距校正后，从瀑布图像的左右两侧不含模糊区域的图像中截取图像并进行缩放来作为真实图像，并制作相同大小的掩模图像，根据掩模图像可以确定待修复图像中需要修复的中间区域。通过深度学习训练得到了深度学习网络的模型参数，对于要修复的声呐瀑布图像，则可以直接输入到该网络模型中，即可得到修复后的声呐瀑布图像，修复后的图像能够消除斜距校正后中间区域的模糊，并实现图像中间不连续区域的平滑过渡，可以提升图像的整体视觉效果，还可以用于后续声呐瀑布图像的进一步处理，对于声呐瀑布图像的实际应用有着重要意义。
Claims (1)
1.一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法，其特征在于：步骤如下：
步骤(1)：获取原始侧扫声呐瀑布图像后，在每Ping的基础上根据地形高度信息进行斜距校正处理，校正后，得到能够反映真实海底横向比例的侧扫声呐瀑布图像；
步骤(2)：将经过斜距校正后的侧扫声呐瀑布图像分别截取左右两边不含中间模糊区域部分的图像以及进行适当缩放的图像来作为真实图像，并制作相同大小的掩模图像，掩模图像由0和255组成，0对应着真实图像中待修复的区域，掩模图像和真实图像进行逻辑与可以作为待修复的图像，且待修复区域的横向宽度可变，则与真实图像对应可以生成多个中间修复区域不同尺寸的样本，并通过旋转、平移、缩放、裁剪的方法对数据集进一步扩增；
步骤(3)：训练完后获得网络模型权重；对于得到的网络模型，将待修复的声呐瀑布图像与掩模图像逻辑与运算后得到的图像输入到网络中，得到修复后的声呐图像，能消除中间模糊区域，使图像中间不连续区域过渡更为平滑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010140389.5A CN111445395B (zh) | 2020-03-03 | 2020-03-03 | 一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010140389.5A CN111445395B (zh) | 2020-03-03 | 2020-03-03 | 一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111445395A CN111445395A (zh) | 2020-07-24 |
| CN111445395B true CN111445395B (zh) | 2023-03-21 |
Family
ID=71627256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010140389.5A Active CN111445395B (zh) | 2020-03-03 | 2020-03-03 | 一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445395B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149617A (zh) * | 2020-10-13 | 2020-12-29 | 中国工程物理研究院计算机应用研究所 | 一种基于深度学习的脉冲波形去噪方法 |
| CN112699952B (zh) * | 2021-01-06 | 2021-08-24 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的列车故障图像扩增方法及系统 |
| CN113313651B (zh) * | 2021-06-11 | 2024-03-29 | 中交三航（上海）新能源工程有限公司 | 一种基于周围变化的侧扫声呐图像纹理失真区域修复方法 |
| CN113111867B (zh) * | 2021-06-15 | 2021-08-31 | 北京星天科技有限公司 | 一种声呐图像识别方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110379011A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于改进三次b样条曲线的水下地形点云孔洞修补方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016109592A1 (en) * | 2014-12-29 | 2016-07-07 | Flir Systems, Inc. | Sonar data enhancement systems and methods |
| CN104536005B (zh) * | 2014-11-17 | 2017-04-12 | 哈尔滨工程大学 | 一种基于盲区校正的多波束侧扫声呐斜距失真消除方法 |
| CN107578392B (zh) * | 2017-09-25 | 2021-11-05 | 华北电力大学 | 一种基于残余插值的卷积神经网络去马赛克方法 |
| CN107833186A (zh) * | 2017-10-26 | 2018-03-23 | 长沙全度影像科技有限公司 | 一种基于Encoder‑Decoder深度学习模型的单透镜空间变化图像复原方法 |
| CN109031319A (zh) * | 2018-07-26 | 2018-12-18 | 江苏科技大学 | 一种侧扫声纳图像拼接系统及其方法 |
| CN109615590B (zh) * | 2018-11-14 | 2023-07-25 | 江苏科技大学 | 基于模糊算法与分数阶微分算法的声呐图像增强方法 |
| CN109903236B (zh) * | 2019-01-21 | 2020-12-18 | 南京邮电大学 | 基于vae-gan与相似块搜索的人脸图像修复方法及装置 |
| CN110084234B (zh) * | 2019-03-27 | 2023-04-18 | 东南大学 | 一种基于实例分割的声呐图像目标识别方法 |
| CN110827213B (zh) * | 2019-10-11 | 2023-03-31 | 西安工程大学 | 一种基于生成式对抗网络的超分辨率图像修复方法 |
-
2020
- 2020-03-03 CN CN202010140389.5A patent/CN111445395B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110379011A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于改进三次b样条曲线的水下地形点云孔洞修补方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111445395A (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445395B (zh) | 一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法 | |
| CN110852959B (zh) | 基于新型中值滤波算法的声呐图像滤波方法 | |
| WO2020114107A1 (zh) | 一种侧扫声呐实时二维成像方法及系统 | |
| CN111833261A (zh) | 一种基于注意力的生成对抗网络的图像超分辨率复原方法 | |
| CN110706177A (zh) | 一种侧扫声呐图像灰度均衡化方法及系统 | |
| Long et al. | Underwater forward-looking sonar images target detection via speckle reduction and scene prior | |
| CN113408547B (zh) | 一种多时相多极化sar滑坡提取方法 | |
| Wu et al. | Divide-and-conquer completion network for video inpainting | |
| CN113837924A (zh) | 一种基于无人艇感知系统的水岸线检测方法 | |
| CN117456078A (zh) | 基于多种采样策略的神经辐射场渲染方法、系统和设备 | |
| Han et al. | A novel sonar image denoising algorithm based on block matching | |
| CN116503268B (zh) | 一种用于雷达回波图像的质量改进方法 | |
| CN112836707A (zh) | 一种isar图像空中目标长度特征提取方法 | |
| CN117036182A (zh) | 一种单幅图像去雾方法及系统 | |
| CN111175744A (zh) | 一种雷达图像快速生成与缩放方法 | |
| CN116184376A (zh) | 一种水下三维地形及多波束图像声呐数据仿真系统和方法 | |
| CN113096171B (zh) | 多波束与侧扫声纳图像的多尺度迭代自适应配准方法 | |
| CN113313651B (zh) | 一种基于周围变化的侧扫声呐图像纹理失真区域修复方法 | |
| CN116148347A (zh) | 一种用于材料内部缺陷超声检测的超分辨率成像方法 | |
| CN108460773A (zh) | 一种基于偏移场水平集的声纳图像分割方法 | |
| CN109615590B (zh) | 基于模糊算法与分数阶微分算法的声呐图像增强方法 | |
| Wang et al. | A novel segmentation algorithm for side-scan sonar imagery with multi-object | |
| Ye et al. | A Gray Scale Correction Method for Side-Scan Sonar Images Based on GAN | |
| Khan et al. | Underwater Image Enhancement with an Adaptive Self Supervised Network | |
| TWI736446B (zh) | 可濾橫紋雜訊之海床邊線偵測方法 |
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 |