CN111915530B - 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 - Google Patents
一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 Download PDFInfo
- Publication number
- CN111915530B CN111915530B CN202010781114.XA CN202010781114A CN111915530B CN 111915530 B CN111915530 B CN 111915530B CN 202010781114 A CN202010781114 A CN 202010781114A CN 111915530 B CN111915530 B CN 111915530B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- feature
- features
- images
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 33
- 230000008447 perception Effects 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002834 transmittance 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
Abstract
本发明公开了一种基于端到端的雾霾浓度自适应神经网络图像去雾方法，包括以下步骤：构建图像去雾模型；获取有雾图像数据；利用图像去雾模型中的特征增强模块将特征图级联不同路径恢复的图像，将具有不同浓密雾度的模糊图像整合在一起，帮助网络自适应感知图像雾霾浓度；将功能增强后的特征通过多尺度特征注意力模块重构为清晰的无雾图像；计算恢复图像和对应清晰图像的均方误差和感知损失，更新图像去雾模型；其中均方误差指导图像去雾模型学习清晰图像的内容，感知损失用于量化恢复的图像和对应清晰图像之间的视觉差异，两种损失函数协作优化去雾模型。上述技术方案，对实际拍摄的雾图进行有效地去雾处理，恢复高质量图像，实用性好。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于端到端的雾霾浓度自适应神经网络图像去雾方法。
背景技术
随着技术的发展，一些计算机视觉任务如目标检测、目标跟踪、行为分析、人脸识别等取得了巨大的突破。然而，高级视觉任务例如检测、跟踪依赖于清晰的视频和图像数据，其性能在实际场景，如大雾、大雨等场景往往受到极大的影响。作为一些高级视觉任务的预先任务，图像去雾近几年受到很多研究者关注。
图像去雾是一个典型的图像复原问题，其可以追溯到1924年，McCartney等人首先提出了经典的大气光散射模型，模型如下：
I＝tJ+A(1-t)，
t(x)＝eβd(x)，
其中，I表示有雾图像，t是介质透射率，J为清晰图像，A为全局大气光照，d表示物体成像的深度。上述模型中，I为已知量，图像去雾旨在估计其他参数，从而合成清晰的图像，该问题是一个病态的问题。早期的去雾算法主要分为基于图像增强和基于图像复原的去雾算法，其中，基于图像增强的去雾算法代表有直方图均衡化(HLE)、自适应直方图均衡化(AHE)、限制对比度自适应直方图均衡化(CLAHE)、Retinex算法、小波变换、同态滤波等等，大部分算法立足点是在去除图像噪声，提高图像对比度，很多也已嵌入在OpenCV库中；基于图像复原的图像去雾往往借助于人工设置的先验信息。例如，何凯明等人于2009年通过观察与统计发现在雾图中绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道有很低的像素值。根据这样的观察与统计，何凯明等人提出了暗通道先验(DCP,DarkChannel Prior)的去雾方法。从此，很多先验被研究人员例如颜色衰减先验(CAP,ColorAttenuation Prior)、色差差异先验等提出，提高了模型去雾性能。然而不同的先验依赖于图像某一个特性的估计，在真实场景下这些先验信息往往失效且计算复杂。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种能对实际拍摄的雾图进行有效地去雾处理，并恢复高质量图像的基于端到端的雾霾浓度自适应神经网络图像去雾方法。
为实现上述目的，本发明提供了如下技术方案：一种基于端到端的雾霾浓度自适应神经网络图像去雾方法，包括以下步骤：
S1、构建图像去雾模型，其中，该图像去雾模型包括金字塔特征提取器、特征增强模块和多尺度特征注意力模块；
S2、获取有雾图像数据，利用金字塔特征提取器提取雾图经过卷积神经网络的四个不同层的特征图，将不同尺度信息融合生成有用信息；
S3、特征增强模块级联不同路径恢复的图像，将具有不同浓密雾度的模糊图像拼接在一起，帮助网络自适应感知图像雾霾浓度；
S4、将特征增强模块生成的特征通过多尺度特征注意力模块重构为清晰的无雾图像；
S5、计算恢复图像和对应清晰图像的均方误差和感知损失，更新图像去雾模型；其中，均方误差指导图像去雾模型学习清晰图像的内容，感知损失用于量化恢复的图像和对应清晰图像之间的视觉差异，均方误差损失函数和感知误差损失函数两种损失函数协作优化去雾模型。
作为优选的，步骤S5，具体包括：
对恢复的图像和对应的清晰图像计算所用的均方误差损失函数具体公式为:
其中，N代表每批图像的数量，Y代表模型恢复的图像，X表示对应清晰的图像；
所用的感知误差损失函数具体公式为：
其中，Φk(.),k＝1,2,3是指从上述三个阶段中提取的特征，Ck，Wk和Hk表示Φk(.)的维数，k＝1,2,3；
总的去雾模型损失函数为：
L＝Lmse+λ*Lper,
其中，λ是平衡这两个损失函数的参数。
作为优选的，步骤S2，具体包括：
特征提取部分包括以下六层神经网络，按层顺序对于输入特征进行处理。第一层是7×7卷积，其后是BatchNorm(批量归一化)；第二层是步长为2的3×3Max-pooling(最大池化)；Resblock放置在第3-5层中，Resblock(残差块)的数量分别设置为2、4、5和8；第六层是步长为1的1×1卷积。
经过每一层时，特征的分辨率降低一半，而特征的宽度(通道数)则增加两倍于前一层。然后特征提取模块的融合部分将特征从第6层融合到第3层。在融合之前，对上层的特征进行上采样，然后利用逐元素加法融合来自下层的特征，以获取合并的特征。
最后，在每个拼接的特征图上使用一个3×3卷积来生成宽度为32的最终特征图。融合部分代表输入雾图低层特征；逐元素加法合并的4层5层神经网络生成的特征代表中层特征；6层神经网络输出特征代表高层特征。这些特征表示图像语义越来越强，金字塔特征提取器生成雾图的三种特征。
作为优选的，步骤S3，所述特征增强模块包括三个路径，
第一条路径有5层卷积层构成。具体，1-4层神经网络由四个Conv+BN+ReLU(卷积-批量归一化-激活组合)组成，其过滤器大小为32×3×3×32。第5层是3×3卷积层，用于恢复生成图像。第二条和第三条路径分别为3×3卷积层。
将金字塔特征提取模块生成的高层特征通过第一条路径处理，中层与低层特征分别通过第二第三条路径处理，通过这些操作，特征增强模块可以生成雾度条件不同的三个雾度较浅图像；最后，使用拼接操作融合输入雾度最大图像和三个雾度较浅图像，以增强除雾模型的特征表达能力，同时直到模型自适应不同浓度的雾图。
作为优选的，步骤S4，多尺度特征注意力模块使用全局上下文特征来建模两个不同位置像素之间的关系，以采用图像的内部信息来恢复纹理细节。
为了适应具有不同雾度条件的特征，将全局上下文模块放入多尺度结构中以学习纹理细节。多尺度结构中拥有四个全局上下文模块，相当于四条特征处理路径，其卷积核大小分别为1×1、3×3、5×5和7×7。
多尺度特征注意力模块中使用的是一种注意力机制，指导网络丢弃冗余信息，侧重关注输入雾图中清晰图像重要的特征信息，以优化整个网络模型的训练过程。注意力机制通过注意层来实现，注意层是通过卷积核为1×1的Conv(卷积层)和Tanh激活函数组成。注意力机制使用两个步骤来实现，第一步从多尺度结构(也就是四条处理路径)的输出中采用卷积核大小为1×1的Conv(卷积层)和随后的Tanh激活函数将特征转换为向量作为权重；第二步利用权重乘以输入的特征；注意力机制引导前一阶段恢复纹理细节，最后，使用一个3x3的Conv(卷积层)联合注意力层来恢复最终的清晰图像。
本发明的优点是：与现有技术相比，本发明具有如下有益效果：
1、与现有技术相比，本发明提出了金字塔特征提取器，该提取器能捕获有雾图像不同尺度的浅层小尺度特征(颜色、边缘、纹理等)和深层对象级别的大尺度特征信息；
2、与现有技术相比，本发明实现了雾霾浓度自适应感知有雾图像，提出了上述特征增强模块，该模块集成了具有不同密集雾度条件的模糊图像。它有助于网络自适应地感知具有不同密集雾度的图像，而无需任何其他监督；
3、本发明还提出使用均方差损失和感知损失函数协作指导去雾模型达去雾性能。MSE损失用于测量去雾图像与其对应的地面真实情况之间的重建误差，感知损失用于量化恢复图像和地面真实情况之间的视觉差异，这对于恢复清晰的图像非常有益。
下面结合说明书附图和具体实施例对本发明作进一步说明。
附图说明
图1为本发明实施例的去雾流程图；
图2为本发明实施例的应用场景图；
图3为图2模型中核心组件多尺度特征注意力模块的应用场景图；
图4为图2的图像去雾模型中复原的图像与其他方法对比的效果图。
具体实施方式
参见图1、图2、图3和图4，本发明公开的一种基于端到端的雾霾浓度自适应神经网络图像去雾方法，包括以下步骤：
S1、构建图像去雾模型，其中，该图像去雾模型包括金字塔特征提取器、特征增强模块和多尺度特征注意力模块；
具体过程为，如图2所示，构建图像去雾模型。图像去雾模型包括金字塔特征提取器(如图2所示)、特征增强模块(如图2所示)和多尺度特征注意力模块(如图2所示)；
S2、获取有雾图像数据，利用金字塔特征提取器提取雾图经过卷积神经网络的四个不同层的特征图，将不同尺度信息融合生成有用信息；其中主要有小尺度信息，诸如纹理、边缘等；大尺度信息，属于对象级别的信息。
S3、特征增强模块级联不同路径恢复的图像，将具有不同浓密雾度的模糊图像拼接在一起，帮助网络自适应感知图像雾霾浓度；
S4、将特征增强模块生成的特征通过多尺度特征注意力模块重构为清晰的无雾图像；
S5、计算恢复图像和对应清晰图像的均方误差和感知损失，更新图像去雾模型；其中，均方误差指导图像去雾模型学习清晰图像的内容，感知损失用于量化恢复的图像和对应清晰图像之间的视觉差异，均方误差损失函数和感知误差损失函数两种损失函数协作优化去雾模型。
作为优选的，步骤S5，具体包括：
对恢复的图像和对应的清晰图像计算所用的均方误差损失函数具体公式为:
其中，N代表每批图像的数量，Y代表模型恢复的图像，X表示对应清晰的图像；
所用的感知误差损失函数具体公式为
其中，Φk(.),k＝1,2,3是指从上述三个阶段中提取的特征，Ck，Wk和Hk表示Φk(.)的维数，k＝1,2,3；
总的去雾模型损失函数为：
L＝Lmse+λ*Lper,
其中，λ是平衡这两个损失函数的参数。
作为优选的，步骤S2，具体包括：
特征提取部分包括以下六层神经网络，按层顺序对于输入特征进行处理。第一层是7×7卷积，其后是BatchNorm(批量归一化)；第二层是步长为2的3×3Max-pooling(最大池化)；Resblock(残差块)的数量分别设置为2、4、5和8；第六层是步长为1的1×1卷积。
经过每一层时，特征的分辨率降低一半，而特征的宽度(通道数)则增加两倍于前一层。然后特征提取模块的融合部分将特征从第6层融合到第3层。在融合之前，对上层的特征进行上采样，然后利用逐元素加法融合来自下层的特征，以获取合并的特征。
最后，在每个拼接的特征图上使用一个3×3卷积来生成宽度为32的最终特征图。融合部分代表输入雾图低层特征；逐元素加法合并的4层5层神经网络生成的特征代表中层特征；6层神经网络输出特征代表高层特征。这些特征表示图像语义越来越强，金字塔特征提取器生成雾图的三种特征。
作为优选的，步骤S3，所述特征增强模块包括三个路径，
第一条路径有5层卷积层构成。具体，1-4层神经网络由四个Conv+BN+ReLU(卷积-批量归一化-激活组合)组成，其过滤器大小为32×3×3×32。第5层是3×3卷积层，用于恢复生成图像。第二条和第三条路径分别为3×3卷积层。
将金字塔特征提取模块生成的高层特征通过第一条路径处理，中层与低层特征分别通过第二第三条路径处理，通过这些操作，特征增强模块可以生成雾度条件不同的三个雾度较浅图像；最后，使用拼接操作融合输入雾度最大图像和三个雾度较浅图像，以增强除雾模型的特征表达能力，同时直到模型自适应不同浓度的雾图。
作为优选的，步骤S4，多尺度特征注意力模块使用全局上下文特征来建模两个不同位置像素之间的关系，以采用图像的内部信息来恢复纹理细节。
为了适应具有不同雾度条件的特征，将全局上下文模块放入多尺度结构中以学习纹理细节。多尺度结构中拥有四个全局上下文模块，相当于四条特征处理路径，其卷积核大小分别为1×1、3×3、5×5和7×7。
多尺度特征注意力模块中使用的是一种注意力机制，指导网络丢弃冗余信息，侧重关注输入雾图中清晰图像重要的特征信息，以优化整个网络模型的训练过程。注意力机制通过注意层来实现，注意层是通过卷积核为1×1的Conv(卷积层)和Tanh激活函数组成。注意力机制使用两个步骤来实现，第一步从多尺度结构(也就是四条处理路径)的输出中采用卷积核大小为1×1的Conv(卷积层)和随后的Tanh激活函数将特征转换为向量作为权重；第二步利用权重乘以输入的特征；注意力机制引导前一阶段恢复纹理细节，最后，使用一个3x3的Conv(卷积层)联合注意力层来恢复最终的清晰图像。
实际应用时，首先一张有雾的图像从上述金字塔提取器输入，利用该提取器提取图像有效的低、中、高层面的不同特征；
其次，将金字塔提取的四种特征输入到特征增强模块，该模块级联不同路径恢复的图像，将具有不同浓密雾度的模糊图像整合在一起，帮助网络自适应感知图像雾霾浓度；
然后，利用上述多尺度特征注意力模块将功能增强后的特征重构为清晰的无雾图像；
最后，计算恢复图像和对应清晰图像的均方误差和感知损失，更新图像去雾模型；其中均方误差指导图像去雾模型学习清晰图像的内容，感知损失用于量化恢复的图像和对应清晰图像之间的视觉差异。两种损失函数协作优化去雾模型。
本发明具有如下有益效果：
1、与现有技术相比，本发明提出了金字塔特征提取器，该提取器能捕获有雾图像不同尺度的浅层小尺度特征(颜色、边缘、纹理等)和深层对象级别的大尺度特征信息；
2、与现有技术相比，本发明实现了雾霾浓度自适应感知有雾图像，提出了上述特征增强模块，该模块集成了具有不同雾浓度条件的图像。它有助于网络自适应地感知具有不同雾浓度的图像，而无需任何其他监督；
3、本发明还提出使用均方差损失和感知损失函数协作指导去雾模型达去雾性能。MSE损失用于测量去雾图像与其对应的地面真实情况之间的重建误差，感知损失用于量化恢复图像和地面真实情况之间的视觉差异，这对于恢复清晰的图像非常有益。
上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围之内。
Claims (5)
1.一种基于端到端的雾霾浓度自适应神经网络图像去雾方法，其特征在于：包括以下步骤：
S1、构建图像去雾模型，其中，该图像去雾模型包括金字塔特征提取器、特征增强模块和多尺度特征注意力模块；
S2、获取有雾图像数据，利用金字塔特征提取器提取雾图经过卷积神经网络的四个不同层的特征图，将不同尺度信息融合生成有用信息；
S3、特征增强模块级联不同路径恢复的图像，将具有不同浓密雾度的模糊图像拼接在一起，帮助网络自适应感知图像雾霾浓度；
S4、将特征增强模块生成的特征通过多尺度特征注意力模块重构为清晰的无雾图像；
S5、计算恢复图像和对应清晰图像的均方误差和感知损失，更新图像去雾模型；其中，均方误差指导图像去雾模型学习清晰图像的内容，感知损失用于量化恢复的图像和对应清晰图像之间的视觉差异，均方误差损失函数和感知误差损失函数两种损失函数协作优化去雾模型；
步骤S3，所述特征增强模块包括三个路径，
第一条路径有5层卷积层构成；具体，1-4层神经网络由四个Conv+BN+ReLU组成，其过滤器大小为32×3×3×32，第5层是3×3卷积层，用于恢复生成图像，第二条和第三条路径分别为3×3卷积层；
将金字塔特征提取模块生成的高层特征通过第一条路径处理，中层与低层特征分别通过第二第三条路径处理，通过这些操作，特征增强模块可以生成雾度条件不同的三个雾度较浅图像；最后，使用拼接操作融合输入雾度最大图像和三个雾度较浅图像，以增强除雾模型的特征表达能力，同时直到模型自适应不同浓度的雾图。
2.根据权利要求1所述的一种基于端到端的雾霾浓度自适应神经网络图像去雾方法，其特征在于：步骤S5，具体包括：
对恢复的图像和对应的清晰图像计算所用的均方误差损失函数具体公式为:
其中，N代表每批图像的数量，Y代表模型恢复的图像，X表示对应清晰的图像；
所用的感知误差损失函数具体公式为：
其中，Φk(.),k＝1,2,3是指从上述三个阶段中提取的特征，Ck，Wk和Hk表示Φk(.)的维数，k＝1,2,3；
总的去雾模型损失函数为：
L＝Lmse+λ*Lper,
其中，λ是平衡这两个损失函数的参数。
3.根据权利要求2所述的一种基于端到端的雾霾浓度自适应神经网络图像去雾方法，其特征在于：步骤S2，具体包括：
特征提取部分包括以下六层神经网络，按层顺序对于输入特征进行处理：第一层是7×7卷积，其后是BatchNorm；第二层是步长为2的3×3Max-pooling；Resblock放置在第3-5层中，Resblock的数量分别设置为2、4、5和8；第六层是步长为1的1×1卷积；
经过每一层时，特征的分辨率降低一半，而特征的宽度则增加两倍于前一层；然后特征提取模块的融合部分将特征从第6层融合到第3层；在融合之前，对上层的特征进行上采样，然后利用逐元素加法融合来自下层的特征，以获取合并的特征；
最后，在每个拼接的特征图上使用一个3×3卷积来生成宽度为32的最终特征图，融合部分代表输入雾图低层特征；逐元素加法合并的4层5层神经网络生成的特征代表中层特征；6层神经网络输出特征代表高层特征，这些特征表示图像语义越来越强，金字塔特征提取器生成雾图的三种特征。
4.根据权利要求3所述的一种基于端到端的雾霾浓度自适应神经网络图像去雾方法，其特征在于：步骤S4，多尺度特征注意力模块使用全局上下文特征来建模两个不同位置像素之间的关系，以采用图像的内部信息来恢复纹理细节。
5.根据权利要求4所述的一种基于端到端的雾霾浓度自适应神经网络图像去雾方法，其特征在于：
为了适应具有不同雾度条件的特征，将全局上下文模块放入多尺度结构中以学习纹理细节；多尺度结构中拥有四个全局上下文模块，相当于四条特征处理路径，其卷积核大小分别为1×1、3×3、5×5和7×7；
多尺度特征注意力模块中使用注意力机制指导网络丢弃冗余信息，侧重关注输入雾图中清晰图像重要的特征信息，以优化整个网络模型的训练过程；注意力机制通过注意层来实现，注意层是由卷积核为1×1的Conv和Tanh激活函数组成；注意力机制使用两个步骤来实现，第一步从多尺度结构的输出中采用卷积核大小为1×1的Conv和随后的Tanh激活函数将特征转换为向量作为权重；第二步利用权重乘以输入的特征；注意力机制引导前一阶段恢复纹理细节，最后，使用一个3x3的Conv联合注意力层来恢复最终的清晰图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010781114.XA CN111915530B (zh) | 2020-08-06 | 2020-08-06 | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010781114.XA CN111915530B (zh) | 2020-08-06 | 2020-08-06 | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111915530A CN111915530A (zh) | 2020-11-10 |
| CN111915530B true CN111915530B (zh) | 2022-07-29 |
Family
ID=73288180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010781114.XA Active CN111915530B (zh) | 2020-08-06 | 2020-08-06 | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111915530B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561819A (zh) * | 2020-12-17 | 2021-03-26 | 温州大学 | 一种基于自支持模型的自滤波图像去雾算法 |
| CN112686105B (zh) * | 2020-12-18 | 2021-11-02 | 云南省交通规划设计研究院有限公司 | 一种基于视频图像多特征融合的雾浓度等级识别方法 |
| CN112581409B (zh) * | 2021-01-05 | 2024-05-07 | 戚如嬅耳纹科技(深圳)有限公司 | 一种基于端到端的多重信息蒸馏网络的图像去雾方法 |
| CN112862698B (zh) * | 2021-01-13 | 2022-09-20 | 大连理工大学 | 一种基于结构感知和纹理敏感的物理启发学习的水下图像增强方法 |
| CN114764752B (zh) * | 2021-01-15 | 2024-02-27 | 西北大学 | 一种基于深度学习的夜晚影像去雾算法 |
| CN112767283A (zh) * | 2021-02-03 | 2021-05-07 | 西安理工大学 | 一种基于多图像块划分的非均匀图像去雾方法 |
| CN112991201B (zh) * | 2021-02-18 | 2024-04-05 | 西安理工大学 | 一种基于颜色校正和上下文聚合残差网络的图像去雾方法 |
| CN113034445B (zh) * | 2021-03-08 | 2022-11-11 | 桂林电子科技大学 | 一种基于UNet3+的多尺度连接图像去雾算法 |
| CN112950521B (zh) * | 2021-04-27 | 2024-03-01 | 上海海事大学 | 一种图像去雾方法及生成器网络 |
| CN113139922B (zh) * | 2021-05-31 | 2022-08-02 | 中国科学院长春光学精密机械与物理研究所 | 图像去雾方法及去雾装置 |
| 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 |
| CN116596792B (zh) * | 2023-05-22 | 2023-12-29 | 武汉理工大学 | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101582479B1 (ko) * | 2012-05-15 | 2016-01-19 | 에스케이 텔레콤주식회사 | 동영상에 포함된 헤이즈 제거를 위한 영상 처리 장치 및 그 방법 |
| CN106204491B (zh) * | 2016-07-12 | 2019-02-01 | 中国科学技术大学 | 一种基于暗通道先验的自适应图像去雾方法 |
| CN107767353A (zh) * | 2017-12-04 | 2018-03-06 | 河南工业大学 | 一种基于清晰度评价的自适应图像去雾方法 |
| CN109584188B (zh) * | 2019-01-15 | 2022-11-11 | 东北大学 | 一种基于卷积神经网络的图像去雾方法 |
| CN110570371B (zh) * | 2019-08-28 | 2023-08-29 | 天津大学 | 一种基于多尺度残差学习的图像去雾方法 |
| CN110738622A (zh) * | 2019-10-17 | 2020-01-31 | 温州大学 | 基于多尺度卷积的轻量级神经网络单图像去雾方法 |
| CN111161360B (zh) * | 2019-12-17 | 2023-04-28 | 天津大学 | 基于Retinex理论的端到端网络的图像去雾方法 |
-
2020
- 2020-08-06 CN CN202010781114.XA patent/CN111915530B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111915530A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
| Li et al. | Single image dehazing via conditional generative adversarial network | |
| CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
| CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
| CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
| CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
| CN111709895A (zh) | 基于注意力机制的图像盲去模糊方法及系统 | |
| CN111028177A (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
| CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
| CN110517203B (zh) | 一种基于参考图像重建的去雾方法 | |
| Tang et al. | Single image dehazing via lightweight multi-scale networks | |
| CN112241939B (zh) | 一种基于多尺度和非局部的轻量去雨方法 | |
| CN111539888B (zh) | 一种基于金字塔通道特征注意力的神经网络图像去雾方法 | |
| Wang et al. | MAGAN: Unsupervised low-light image enhancement guided by mixed-attention | |
| CN113673590A (zh) | 基于多尺度沙漏密集连接网络的去雨方法、系统和介质 | |
| CN112164011A (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
| CN114066747A (zh) | 一种基于光照和反射互补性的低照度图像增强方法 | |
| CN115034982A (zh) | 一种基于多尺度注意机制融合的水下图像增强方法 | |
| Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
| CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 | |
| CN111626944B (zh) | 一种基于时空金字塔网络和对抗自然先验的视频去模糊方法 | |
| CN113962878A (zh) | 一种低能见度图像去雾模型方法 | |
| CN110738624B (zh) | 一种区域自适应的图像去雾系统及方法 | |
| CN117078553A (zh) | 一种基于多尺度深度学习的图像去雾方法 | |
| CN117274059A (zh) | 基于图像编码-解码的低分辨率图像重构方法及其系统 |
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 |