CN111860640A - 一种基于gan的特定海域数据集增广方法 - Google Patents
一种基于gan的特定海域数据集增广方法 Download PDFInfo
- Publication number
- CN111860640A CN111860640A CN202010694006.9A CN202010694006A CN111860640A CN 111860640 A CN111860640 A CN 111860640A CN 202010694006 A CN202010694006 A CN 202010694006A CN 111860640 A CN111860640 A CN 111860640A
- Authority
- CN
- China
- Prior art keywords
- data set
- image
- real
- generator
- underwater image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003416 augmentation Effects 0.000 title claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 21
- 230000015556 catabolic process Effects 0.000 claims abstract description 15
- 238000006731 degradation reaction Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000004907 flux Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000007850 degeneration Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000003786 synthesis reaction Methods 0.000 abstract 1
- 239000002131 composite material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于GAN的特定海域数据集增广方法，属于计算机视觉领域，包括以下步骤：采集特定海域的水下图像，构成真实水下图像数据集；构建生成对抗网络；生成器对真实的水下图像的退化特性和以及渐晕效果进行学习，得到学习后生成器，并在生成器中得到真实水下图像数据集的衰减、散射、渐晕模型参数，公开数据集在学习后生成器上进行图像合成，得到真实水下图像的合成图像数据集，将真实水下图像的合成图像数据集和真实水下图像数据集一起输入到判别器中进行判别，实现真实水下图像的增广，该方法在数据集上训练识别网络避免过拟合现象，解决海洋公开数据集样本数较小、真实样本获取困难的问题。
Description
技术领域
本发明涉及计算机视觉领域，尤其涉及一种基于GAN的特定海域数据集增广方法。
背景技术
深度学习目前已广泛应用于水下物体的检测识别，取得了较好的效果，具体而言这些识别网络的出色性能归因于其功能强大的特征提取器，但深度学习网络的训练需要大量标记的样本，否则会出现过拟合现象；水下的各类物体数据集很难获取，公开的数据集也存在样本数量小的问题；因此，水下数据集的增广工作被广泛关注，例如翻转、裁切、偏色、模糊等；Zhang等人采用了平移、缩放、锐化、旋转的增广方法来减少过拟合的程度；Charalamous和Bharath引入了一种基于模拟的方法和特定主题的数据集，可用于生成合成视频帧和序列以进行数据增强。
目前，针对于水下数据集的增广工作将重心放在图片的处理上，例如对图片通过单应性变换来模拟不同的拍摄角度、对主动照射形成的不均匀光照进行刻画模拟、对海洋湍流通过图片复原的逆过程模拟不同程度的退化等，而水下环境特有的图像退化在增广工作中没有被考虑，因此本发明对水下退化进行描述且通过生成对抗网络进行特定水域的图像生成，从而实现水下数据集的增广工作。
发明内容
根据现有技术存在的问题，本发明公开了一种基于GAN的特定海域数据集增广方法，包括以下步骤：
S1:采集特定海域的水下图像，构成真实水下图像数据集；
S2:构建生成对抗网络，所述生成对抗网络包括：生成器和判别器；
S3:所述生成器对真实的水下图像的退化特性和以及相机造成的渐晕效果进行学习，得到学习该特定海域特征后的生成器，在生成器中经过训练得到真实水下图像数据集的衰减、散射、渐晕模型参数；
S4:公开数据集在学习后的生成器上进行图像合成，得到真实水下图像的合成图像数据集；
S5:将真实水下图像的合成图像数据集和真实水下图像数据集一起输入到判别器中进行判别，返回的真实水下图像和真实水下图像的合成图像均带有分类标签，当返回分类标签中真实水下图像和真实水下图像的合成图像达到特定的比例，即判别器不能准确判别出输入的图像为真实的或合成的，表示生成器中的模型参数符合真实水下图像数据集，实现真实水下图像的增广。
进一步地，所述水下退化特性包括光束衰减特性和光束散射特性。
进一步地，所述生成器包括衰减模块、散射模块和渐晕效果模块；
所述判别器采用URGAN中的判别器；
所述衰减模块和所述散射模块将输入的真实的水下图像经过衰减处理和散射处理之再合成并传送给所述渐晕效果模块进行渐晕效果处理得到真实水下图像的合成图像；
所述URGAN判别器接收所述生成器传送的真实水下图像的合成图像和真实水下图像进行图像真实性判别。
进一步地，所述光束衰减特性的判定模型如下：
其中，G1是衰减过程的输出，Iλ(x)是潜在的清晰水下图像，即在水中传播之前的初始辐照度，
为直接照射分量下的光束衰减系数，z是相机到物体的距离，vD＝{z,ρ,E,Sλ,β}是水下衰减的影响系数，ρ代表反射率，E代表辐射通量密度，Sλ代表相机的光谱响应。
进一步地，所述光束散射特性的判定模型如下：
其中，N是对光束散射特性描述的模型，
为与波长有关的杂散光标量参数，
为后向散射分量下的光束衰减系数，vB＝{E,Sλ,b,β}是水下散射的影响系数，E代表辐射通量密度，Sλ在这里代表相机的光谱响应，b是光束散射系数。
进一步地：所述渐晕效果的判定模型如下：
V＝1+ar2+br4+cr6 (7)
其中，r是从图像中心到每个像素的归一化半径，即r＝0表示图像的中心位置，r＝1表示图像的边界位置；a，b，c为常数，由网络估算得出的模型参数，约束条件为(c≥0)∩(4b2-12ac<0)。
由于采用了上述技术方案，本发明提供的一种基于GAN的特定海域数据集增广方法，在此数据集上训练识别网络避免过拟合现象，解决海洋公开数据集样本数较小、真实样本获取困难的问题；GAN在搭建过程中采用修正后的水下退化模型，实现对衰减、散射造成的效果的刻画；将水下退化模型与生成对抗网络相结合，模拟真实特定海域下的图像退化情况，使得增广后的数据集分布变化极小。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，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为本发明合成数据集构成示意图；
图2为本发明水下成像原理图；
图3为本发明生成对抗网络结构示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
一种基于GAN的特定海域数据集增广方法，包括以下步骤：
S1:采集特定海域的水下图像，构成真实水下图像数据集；
S2:构建生成对抗网络，所述生成对抗网络包括：生成器和判别器；
S3:所述生成器对真实的水下图像的退化特性和以及渐晕效果进行学习，得到学习该特定海域特征后的生成器，在生成器中经过训练得到真实水下图像数据集的衰减、散射、渐晕模型参数；
S4:公开数据集在学习后的生成器上进行图像合成，得到真实水下图像的合成图像数据集；图1为本发明合成数据集构成示意图；
S5:将真实水下图像的合成后图像数据集和真实图像数据集输入到判别器里，当返回的分类的标签中真实水下图像和真实水下图像的合成后图像达到特定的比例(如1:1)，即判别器不能准确判别出输入的图像为真实的或合成的，完成真实水下图像的合成后图像的判别，实现真实水下图像的增广。
进一步地：水下退化特性包括光束衰减特性和光束散射特性。
首先，图2为本发明水下成像原理图；对水下真实图像的退化物理模型进行介绍，此模型是训练数据及生成对抗网络的设计基础，对于在散射介质中捕获的图像，由于吸收和散射效应，只有一部分来自物体的反射光会到达摄像头，因此传统上使用大气散射模型来描述水下图像的退化，大气散射模型如下式：
U(x)＝I(x)T(x)+B(1-T(x)) (1)
其中，x表示像素的坐标；U(x)为相机拍摄到的图像，I(x)为无任何退化的图像，B指环境光强度，T(x)∈[0,1]，代表该场景的辐射率，当这种雾化均匀时T(x)用指数衰减项进一步表示为
T(x)＝e-βd(x) (2)
其中，β是大气衰减系数，d(x)是物体到相机的距离。
在上述的传统大气模型中，散射是非选择性的，并且衰减与波长的关系并没有表示出来；但由于水中选择性衰减的光学特性，用于后向散射的衰减系数在很大程度上取决于杂散光，此外在水中的吸收也不同于在大气中的吸收，直接照射与散射的衰减系数同样是不同的，基于上述我们可以使用如下式的退化模型：
其中，
代表杂散光，βλ是光束衰减系数，D是直接透射光，B是后向散射光，vd(x)和vb(x)依赖于系数，具体来说vd(x)＝{z,ρ,E,Sλ,β}，vb(x)＝{E,Sλ,b,β}，其中z是视线的范围，ρ代表反射率，E代表辐射通量密度，Sλ在这里代表相机的光谱响应，b是光束散射系数。
接下来基于上述退化模型搭建生成对抗网络(GAN)，如图3所示，将特定海域采集的真实未标记的水下图像和公开数据集作为输入，以对抗性地训练生成网络，其中通过真实的水下图像学习该特定水域的退化特性表示，假设水下特性在此特定海域是均匀的，则GAN的训练过程将公开数据集的图像转换生成为该水域退化特性的图像，以此实现特定水域的数据集增广工作。
标准GAN中，生成器的输入是噪声矢量z，该噪声矢量通过一系列卷积层和反卷积层输出合成图像G(z)。
将合成图像G(z)和真实的水下图像的单独数据集作为判别器的输入，并将每个样本分类为真实(1)和合成(0)。
生成器的目标是输出判别器分类为真实的合成图像，因此在优化G时我们寻求最大化log(D(G(z))。
判别器的目的是实现分类的高精度，目标是最小化log(D(G(z))，并使总值函数log(D(x))+log(1-D(G(z)))最大化。
针对特定海域数据集增广搭建的GAN分为三个部分：衰减过程、散射过程、渐晕效果生成，其中每个阶段根据水下图像形成的过程建模，此结构可以确保生成的图像与输入对齐，每个阶段都不会改变图像的本身结构，只改变其相对颜色和强度。
生成器的第一级刻画了衰减过程，G1是第一级的最终输出，表示在此水域下采集的图像受到衰减的最终辐照度。
其中，Iλ(x)是潜在的清晰水下图像，即在水中传播之前的初始辐照度，
为直接照射分量下的光束衰减系数，z是相机到物体的距离，生成网络对
和vD在三个颜色通道(三个颜色通道，即R、G、B通道)上进行估计，它们取决于环境及水质，为了确保第一级衰减光而不是增加光，使系数保持在物理范围内，将
约束为大于0。此外，输入的深度图归一化处理，同时在此阶段保证全分辨率生成数据。
生成器的第二级刻画了散射过程，G2是第二级的最终输出，当光的粒子照射到水下时，除了直接照射分量，它也会通过散射射入相机，在水下图像中创建了一个特征性的“薄雾”效果。
其中，
为与波长有关的杂散光标量参数，
为后向散射分量下的光束衰减系数，散射分量中的前向散射分量可以忽略，第二级通过浅层卷积网络刻画散射效果，为获得上式中参数与z之间的关系，同时输入深度图和一个噪声矢量，噪声矢量作为单个通道掩膜，进行变换后连接到深度图。
为获得与波长相关的散射效应，在三个颜色通道上形成卷积层，将输出作批量归一化并通过Leaky ReLU单元处理，再将三个输出连接在一起创建蒙版，由于第二级是将后向散射造成的效果添加到图像上，并为了确保图像的本身结构不会因深度图输入而失真，因此将此掩膜M2添加到G1的基础上。
G2＝G1+M2 (6)
生成器的第三级刻画了相机自身形成的渐晕，G3是第三级的最终输出。在成像过程中，远离光轴的物点由于光阑的存在，使能够到达像面上的光束逐渐变得窄小起来，结果使离轴的像点逐渐变暗，会在图像的边界周围产生阴影；第三级采用下式作为渐晕模型：
V＝1+ar2+br4+cr6 (7)
其中，r是从图像中心到每个像素的归一化半径，即r＝0表示图像的中心位置，r＝1表示图像的边界位置。a，b，c为常数由网络估算得出的模型参数，约束条件为(c≥0)∩(4b2-12ac<0)，得到渐晕效果添加到第二级的输出上为：
此外，假设相机存在一个比例为k的线性响应函数，便可得到生成网络的最终输出Gout：
Gout＝kG3 (9)
判别器部分即使用URGAN的鉴别器，输入真实的或合成图像，图像通过内核大小为5*5的四个卷积层传播，图像尺寸下采样两倍，通道尺寸增加一倍，每个卷积层后面都有Leaky ReLU，最后一层是S型函数，鉴别器返回的分类标签为合成0或真实1。
构建的用于特定海域数据集增广的生成对抗网络在训练过程中，每训练k次的判别器D后，训练一次生成器G，这样保证了G的变化足够慢，使D总能够保持在最佳解附近。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于GAN的特定海域数据集增广方法，其特征在于：包括以下步骤：
S1:采集特定海域的水下图像，构成真实水下图像数据集；
S2:构建生成对抗网络，所述生成对抗网络包括：生成器和判别器；
S3:所述生成器对真实的水下图像的退化特性和以及渐晕效果进行学习，得到学习该特定海域特征后的生成器，在生成器中经过训练得到真实水下图像数据集的衰减、散射、渐晕模型参数；
S4:公开数据集在学习后的生成器上进行图像合成，得到真实水下图像的合成图像数据集；
S5:将真实水下图像的合成图像数据集和真实水下图像数据集一起输入到判别器中进行判别，返回的真实水下图像和真实水下图像的合成图像均带有分类标签，当返回分类标签中真实水下图像和真实水下图像的合成图像达到特定的比例，表示生成器中的模型参数符合真实水下图像数据集，实现真实水下图像的增广。
2.根据权利要求1所述一种基于GAN的特定海域数据集增广方法，其特征在于：所述水下退化特性包括光束衰减特性和光束散射特性。
3.根据权利要求1所述一种基于GAN的特定海域数据集增广方法，其特征在于：所述生成器包括衰减模块、散射模块和渐晕效果模块；
所述判别器采用URGAN中的判别器；
所述衰减模块和所述散射模块将输入的真实的水下图像经过衰减处理和散射处理之后再合成并传送给所述渐晕效果模块进行渐晕效果处理得到真实水下图像的合成图像；
所述URGAN判别器接收所述生成器传送的真实水下图像的合成图像和真实水下图像进行图像真实性判别。
4.根据权利要求2所述一种基于GAN的特定海域数据集增广方法，其特征在于：所述光束衰减特性的判定模型如下：
其中，G1是衰减过程的输出，Iλ(x)是潜在的清晰水下图像，即在水中传播之前的初始辐照度，
为直接照射分量下的光束衰减系数，z是相机到物体的距离，vD＝{z,ρ,E,Sλ,β}是水下衰减的影响系数，ρ代表反射率，E代表辐射通量密度，Sλ代表相机的光谱响应。
5.根据权利要求2所述一种基于GAN的特定海域数据集增广方法，其特征在于：所述光束散射特性的判定模型如下：
其中，N是对光束散射特性描述的模型，
为与波长有关的杂散光标量参数，
为后向散射分量下的光束衰减系数，vB＝{E,Sλ,b,β}是水下散射的影响系数，E代表辐射通量密度，Sλ在这里代表相机的光谱响应，b是光束散射系数。
6.根据权利要求1所述一种基于GAN的特定海域数据集增广方法，其特征在于：所述渐晕效果的判定模型如下：
V＝1+ar2+br4+cr6 (7)
其中，r是从图像中心到每个像素的归一化半径，即r＝0表示图像的中心位置，r＝1表示图像的边界位置；a，b，c为常数由网络估算得出的模型参数，约束条件为(c≥0)∩(4b2-12ac<0)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694006.9A CN111860640A (zh) | 2020-07-17 | 2020-07-17 | 一种基于gan的特定海域数据集增广方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694006.9A CN111860640A (zh) | 2020-07-17 | 2020-07-17 | 一种基于gan的特定海域数据集增广方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111860640A true CN111860640A (zh) | 2020-10-30 |
Family
ID=73002002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010694006.9A Pending CN111860640A (zh) | 2020-07-17 | 2020-07-17 | 一种基于gan的特定海域数据集增广方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860640A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177264A (zh) * | 2021-05-11 | 2021-07-27 | 北京邮电大学 | 基于生成对抗网络的海域目标物多维数据仿真方法及系统 |
| CN114332269A (zh) * | 2021-12-01 | 2022-04-12 | 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） | 一种模拟水下可见光成像的生成对抗学习方法 |
| CN114460013A (zh) * | 2022-01-28 | 2022-05-10 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
| CN114821229A (zh) * | 2022-04-14 | 2022-07-29 | 江苏集萃清联智控科技有限公司 | 基于条件生成对抗网络的水下声学数据集增广方法及系统 |
| WO2023070958A1 (zh) * | 2021-10-28 | 2023-05-04 | 中国科学院沈阳自动化研究所 | 一种基于物理散射模型的图像恢复方法 |
| CN117893450A (zh) * | 2024-03-15 | 2024-04-16 | 西南石油大学 | 一种数字病理图像增强的方法、装置和设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038832A (zh) * | 2017-12-25 | 2018-05-15 | 中国科学院深圳先进技术研究院 | 一种水下图像增强方法及系统 |
| CN110021037A (zh) * | 2019-04-17 | 2019-07-16 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
| CN110070517A (zh) * | 2019-03-14 | 2019-07-30 | 安徽艾睿思智能科技有限公司 | 基于退化成像机理和生成对抗机制的模糊图像合成方法 |
| CN110392252A (zh) * | 2018-04-18 | 2019-10-29 | B和R工业自动化有限公司 | 用于生成相机的校正模型以校正像差的方法 |
| CN110533578A (zh) * | 2019-06-05 | 2019-12-03 | 广东世纪晟科技有限公司 | 一种基于条件对抗神经网络的图像翻译方法 |
| CN110543859A (zh) * | 2019-09-05 | 2019-12-06 | 大连海事大学 | 一种基于深度学习和双目定位的海参自主识别和抓取方法 |
| CN110796678A (zh) * | 2019-10-29 | 2020-02-14 | 中山大学 | 一种基于IoU的水下多目标跟踪方法 |
| CN110851965A (zh) * | 2019-10-29 | 2020-02-28 | 中国海洋大学 | 一种基于物理模型的光源优化方法及优化系统 |
| WO2020049567A1 (en) * | 2018-09-06 | 2020-03-12 | Carmel Haifa University Economic Corporation Ltd. | Model-free physics-based reconstruction of images acquired in scattering media |
| CN111260584A (zh) * | 2020-01-17 | 2020-06-09 | 北京工业大学 | 基于gan网络的水下退化图像增强的方法 |
-
2020
- 2020-07-17 CN CN202010694006.9A patent/CN111860640A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038832A (zh) * | 2017-12-25 | 2018-05-15 | 中国科学院深圳先进技术研究院 | 一种水下图像增强方法及系统 |
| CN110392252A (zh) * | 2018-04-18 | 2019-10-29 | B和R工业自动化有限公司 | 用于生成相机的校正模型以校正像差的方法 |
| WO2020049567A1 (en) * | 2018-09-06 | 2020-03-12 | Carmel Haifa University Economic Corporation Ltd. | Model-free physics-based reconstruction of images acquired in scattering media |
| CN110070517A (zh) * | 2019-03-14 | 2019-07-30 | 安徽艾睿思智能科技有限公司 | 基于退化成像机理和生成对抗机制的模糊图像合成方法 |
| CN110021037A (zh) * | 2019-04-17 | 2019-07-16 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
| CN110533578A (zh) * | 2019-06-05 | 2019-12-03 | 广东世纪晟科技有限公司 | 一种基于条件对抗神经网络的图像翻译方法 |
| CN110543859A (zh) * | 2019-09-05 | 2019-12-06 | 大连海事大学 | 一种基于深度学习和双目定位的海参自主识别和抓取方法 |
| CN110796678A (zh) * | 2019-10-29 | 2020-02-14 | 中山大学 | 一种基于IoU的水下多目标跟踪方法 |
| CN110851965A (zh) * | 2019-10-29 | 2020-02-28 | 中国海洋大学 | 一种基于物理模型的光源优化方法及优化系统 |
| CN111260584A (zh) * | 2020-01-17 | 2020-06-09 | 北京工业大学 | 基于gan网络的水下退化图像增强的方法 |
Non-Patent Citations (2)
| Title |
|---|
| DERYA AKKAYNAK ET AL: "A Revised Underwater Image Formation Model", CVPR2018, pages 6727 * |
| 刘嫚玉: "水下光学图像风格迁移与颜色校正算法研究", 中国优秀硕士学位论文全文数据库 基础科学辑, pages 31 - 32 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177264A (zh) * | 2021-05-11 | 2021-07-27 | 北京邮电大学 | 基于生成对抗网络的海域目标物多维数据仿真方法及系统 |
| CN113177264B (zh) * | 2021-05-11 | 2022-06-24 | 北京邮电大学 | 基于生成对抗网络的海域目标物多维数据仿真方法及系统 |
| WO2023070958A1 (zh) * | 2021-10-28 | 2023-05-04 | 中国科学院沈阳自动化研究所 | 一种基于物理散射模型的图像恢复方法 |
| CN114332269A (zh) * | 2021-12-01 | 2022-04-12 | 华中光电技术研究所（中国船舶重工集团公司第七一七研究所） | 一种模拟水下可见光成像的生成对抗学习方法 |
| CN114460013A (zh) * | 2022-01-28 | 2022-05-10 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
| CN114460013B (zh) * | 2022-01-28 | 2023-10-17 | 自然资源部第一海洋研究所 | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 |
| CN114821229A (zh) * | 2022-04-14 | 2022-07-29 | 江苏集萃清联智控科技有限公司 | 基于条件生成对抗网络的水下声学数据集增广方法及系统 |
| CN117893450A (zh) * | 2024-03-15 | 2024-04-16 | 西南石油大学 | 一种数字病理图像增强的方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860640A (zh) | 一种基于gan的特定海域数据集增广方法 | |
| Bianco et al. | A new color correction method for underwater imaging | |
| Chiang et al. | Underwater image enhancement: using wavelength compensation and image dehazing (WCID) | |
| CN110135434A (zh) | 基于颜色线模型的水下图像质量提升算法 | |
| Ouyang et al. | Visualization and image enhancement for multistatic underwater laser line scan system using image-based rendering | |
| Bhandari et al. | Computational Imaging | |
| CN111210396A (zh) | 一种结合天空光偏振模型的多光谱偏振图像去雾方法 | |
| CN112561996A (zh) | 一种自主水下机器人回收对接中目标检测方法 | |
| Lu et al. | Single underwater image descattering and color correction | |
| Bekerman et al. | Unveiling optical properties in underwater images | |
| Zheng et al. | What does plate glass reveal about camera calibration? | |
| Zhuang et al. | A dense stereo matching method based on optimized direction-information images for the real underwater measurement environment | |
| Cui et al. | A novel underwater image restoration method based on decomposition network and physical imaging model | |
| CN116452469B (zh) | 一种基于深度学习的图像去雾处理方法及装置 | |
| CN117011181A (zh) | 一种分类引导的无人机成像浓雾去除方法 | |
| Liu et al. | A systematic approach to synthesize underwater images benchmark dataset and beyond | |
| Jarina Raihan et al. | A simulated water type dataset (SWTD) based on Jerlov water types for underwater image quality analysis | |
| CN113888420A (zh) | 一种基于修正模型的水下图像复原方法、设备及存储介质 | |
| Li et al. | Haze density estimation and dark channel prior based image defogging | |
| Ghate et al. | Recent trends and challenges in Image Enhancement Techniques for Underwater Photography | |
| CN113255562B (zh) | 一种基于光照差异消除的人脸活体检测方法及系统 | |
| Ma et al. | Computational framework for turbid water single-pixel imaging by polynomial regression and feature enhancement | |
| Vyas et al. | Design and Modelling of Underwater Image Enhancement using Improved Computing Techniques | |
| CN113012254B (zh) | 基于像素级自监督训练的水下图像合成方法 | |
| Choudhary et al. | A Study on Underwater Image Processing Techniques |
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 |