CN112070693B - 一种基于灰度世界自适应网络的单幅沙尘图像恢复方法 - Google Patents
一种基于灰度世界自适应网络的单幅沙尘图像恢复方法 Download PDFInfo
- Publication number
- CN112070693B CN112070693B CN202010879073.8A CN202010879073A CN112070693B CN 112070693 B CN112070693 B CN 112070693B CN 202010879073 A CN202010879073 A CN 202010879073A CN 112070693 B CN112070693 B CN 112070693B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- dust
- loss
- gray world
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 20
- 238000011084 recovery Methods 0.000 title claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000011282 treatment Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 abstract description 17
- 230000006870 function Effects 0.000 abstract description 13
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000004438 eyesight Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts 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
- G06T2207/20—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]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于灰度世界自适应网络的单幅沙尘图像恢复方法,具体按照如下步骤进行:步骤1:获取图像数据集,对图像数据集中的每个图像进行归一化处理,得到训练集;步骤2:构建生成对抗网络模型,生成对抗网络模型包括生成网络和判别网络,生成网络包括:灰度世界的颜色校正子网络和沙尘图像恢复子网络;步骤3:利用训练集对所述生成对抗网络模型进行训练,得到训练后的生成对抗网络模型;步骤4:将沙尘图像输入所述训练后的生成对抗网络模型中,得到的恢复后的图像。本发明通过不同的损失函数对沙尘图像恢复网络参数进行迭代优化,丰富沙尘图像恢复网络的语义信息,得到更加清晰的图像。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于灰度世界自适应网络的单幅沙尘图像恢复方法。
背景技术
在沙尘天气下采集到的图像呈现对比度下降、模糊不清等问题,这是因为在空中悬浮的大量沙尘颗粒和灰尘吸收和散射了光线,使得大气能见度大幅度降低,导致图像采集设备获取的图像不清晰,细节信息减少。对于沙尘天气下采集到的图像还会出现一个很严重的问题,即颜色失真。与红光相比,蓝光和绿光被沙尘颗粒吸收得更快,这导致了一个具有整体黄色色调的颜色偏差图像。这些问题在很大程度上影响和限制了室外计算机视觉系统的应用。因此,研究如何快速的从沙尘图像中恢复出高质量的清晰无沙尘图像具有很高的实用性和现实性,具有广泛的学术价值和行业价值。
在沙尘天气条件下,大气中悬浮微粒的散射作用使户外采集图像对比度降低,图像质量下降,严重影响了道路监控、环境监测、目标识别等户外计算机视觉系统的应用。
随着计算机技术的不断发展,越来越多的计算机视觉系统运用到人们的日常生活中,我们需要它们可以直接、实时、清晰准确的满足我们的需求。但是在沙尘环境中,现有的室外的计算机视觉系统的作用会大打折扣。由于沙尘图像模糊、对比度较低且色偏严重,许多现有的算法并不能表现出良好的去除沙尘的效果。
作为一种改进,近年来提出了许多沙尘图像清晰化方法。这些方法大致分为两类:基于图像增强的方法和基于图像恢复的方法。
基于图像增强的方法,如直方图均衡化和Retinex,使用图像对比度增强或亮度增强。虽然这种方法可以在一定程度上提高退化图像的视觉感知,但由于这些方法没有考虑图像退化的原因和机制,因此无法解决图像的颜色失真和图像噪声放大等问题。
与基于图像增强的方法不同,基于图像恢复的方法如暗通道先验、颜色衰减先验等沙尘图像恢复方法,考虑了图像退化的根本原因,并解决了图像退化的逆过程,得到了增强图像;然而,现有的方法不能很好地解决复杂沙尘环境或不规则光照的图像中的信息,导致传输映射估计不准确,恢复的图像中仍然存在偏色、模糊等问题。
发明内容
本发明的目的是提供一种基于灰度世界自适应网络的单幅沙尘图像恢复方法,解决了现有的方法在解决复杂沙尘环境或不规则光照的图像中的信息效果不够好,从而导致传输映射估计不准确,恢复的图像中仍然存在偏色、模糊的问题。
本发明所采用的技术方案是,
一种基于灰度世界自适应网络的单幅沙尘图像恢复方法,具体按照如下步骤进行:
步骤1:获取图像数据集,对图像数据集中的每个图像进行归一化处理,得到训练集;
步骤2:构建生成对抗网络模型,生成对抗网络模型包括生成网络和判别网络,生成网络包括:灰度世界的颜色校正子网络和沙尘图像恢复子网络;
步骤3:利用训练集对所述生成对抗网络模型进行训练,得到训练后的生成对抗网络模型;
步骤4:将沙尘图像输入所述训练后的生成对抗网络模型中,得到的恢复后的图像。
本发明的特点还在于,
步骤2中,灰度世界的颜色校正子网络的具体操作为:
步骤2.1:将训练集中的图像经过灰度世界算法得到预处理图像;
步骤2.2:将预处理图像经过一个卷积核大小为3、步长为1的卷积层,然后输出特征O1;
步骤2.3:将输出特征O1输入卷积核大小为3、步长为2的卷积层进行下采样处理,输出特征O2;
步骤2.4:然后依次循环步骤2.2和步骤2.3,进行若干次处理,最后将通道数整合为3,得到颜色校正后的结果图S。
步骤2中,卷积层包括卷积操作、实例归一化以及激活函数ReLU。
步骤2中,沙尘图像恢复子网络具体为:沙尘图像进行特征提取,并将颜色校正子网络的颜色校正结果图作为条件输入到自适应归一化残差块中,从而来恢复沙尘图像的结构、纹理,提取语义信息,得到清晰的无沙尘图像。
步骤3中,训练采用了损失函数,所述损失函数包括对抗损失、L1损失和感知损失LossVGG之和,总损失函数为:
其中,Loss(G,D)为对抗损失,为L1损失,LossVGG为感知损失,λ1和λ2分别代表设置的参数。
本发明的有益效果是,一种基于灰度世界自适应网络的单幅沙尘图像恢复方法,生成网络包括颜色校正子网络和沙尘图像恢复子网络,通过颜色校正网络校正沙尘图像的颜色,得到颜色校正图像,能将沙尘图像的色偏恢复到较好的程度,与现有的传统颜色校正方法不同;通过沙尘图像恢复子网络对沙尘图像进行特征提取,并将颜色校正子网络的颜色校正结果图作为条件输入到自适应归一化残差块中,能将沙尘图像的结构、纹理恢复到较好的程度,能够进一步提取语义信息,得到质量较为优良的清晰无沙尘图像;生成对抗网络模型网络结构操作简单,易于实现;通过不同的损失函数对沙尘图像恢复网络参数进行迭代优化,丰富沙尘图像恢复网络的语义信息,得到更加清晰的图像。
附图说明
图1是本发明一种基于灰度世界自适应网络的单幅沙尘图像恢复方法的流程示意图;
图2是本发明一种基于灰度世界自适应网络的单幅沙尘图像恢复方法中基于灰度世界的颜色校正子网络的结构示意图;
图3是本发明一种基于灰度世界自适应网络的单幅沙尘图像恢复方法中自适应归一化模块的结构示意图;
图4是本发明一种基于灰度世界自适应网络的单幅沙尘图像恢复方法中自适应归一化残差模块的结构示意图;
图5是本发明一种基于灰度世界自适应网络的单幅沙尘图像恢复方法中生成对抗网络模型的结构示意图;
图6是本发明一种基于灰度世界自适应网络的单幅沙尘图像恢复方法中的恢复结果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明一种基于灰度世界自适应网络的单幅沙尘图像恢复方法进行详细说明。
如图1所示,一种基于灰度世界自适应网络的单幅沙尘图像恢复方法,具体按照如下步骤进行:
步骤1:获取图像数据集,对图像数据集中的每个图像进行归一化处理,得到训练集;
步骤2:构建生成对抗网络模型,生成对抗网络模型包括生成网络和判别网络,生成网络包括:灰度世界的颜色校正子网络和沙尘图像恢复子网络;
步骤3:利用训练集对所述生成对抗网络模型进行训练,得到训练后的生成对抗网络模型;
步骤4:将沙尘图像输入所述训练后的生成对抗网络模型中,得到的恢复后的图像。
进一步地,步骤2中,灰度世界的颜色校正子网络的具体操作为:
步骤2.1:将训练集中的图像经过灰度世界算法得到预处理图像;
步骤2.2:将预处理图像经过一个卷积核大小为3、步长为1的卷积层,然后输出特征O1;
步骤2.3:将输出特征O1输入卷积核大小为3、步长为2的卷积层进行下采样处理,输出特征O2;
步骤2.4:然后依次循环步骤2.2和步骤2.3,进行若干次处理,最后将通道数整合为3,得到颜色校正后的结果图S。
进一步地,步骤2中,卷积层包括卷积操作、实例归一化以及激活函数ReLU。
进一步地,步骤2中,沙尘图像恢复子网络具体为:沙尘图像进行特征提取,并将颜色校正子网络的颜色校正结果图作为条件输入到自适应归一化残差块中,从而来恢复沙尘图像的结构、纹理,提取语义信息,得到清晰的无沙尘图像。
进一步地,步骤3中,训练采用了损失函数,所述损失函数包括对抗损失、L1损失和感知损失LossVGG之和,总损失函数为:
其中,Loss(G,D)为对抗损失,为L1损失,LossVGG为感知损失,λ1和λ2分别代表设置的参数。
下面通过具体的实施例结合附图对本发明一种基于灰度世界自适应网络的单幅沙尘图像恢复方法进行进一步详细说明:
一种基于灰度世界自适应网络的单幅沙尘图像恢复方法,如图1所示,包括如下步骤:
步骤1、获取图像数据集,对图像数据集中的每个图像的像素值进行归一化为[-1,1],并裁剪为256x256x3,得到训练集;
步骤2、构建生成对抗网络模型,生成对抗网络模型包括生成网络和判别网络,生成网络包括一个基于灰度世界的颜色校正子网络和一个沙尘图像恢复子网络。
基于灰度世界的颜色校正子网络:用于校正沙尘图像的颜色;
沙尘图像恢复子网络:用于去除图像中的沙尘,得到清晰的无沙尘的图像;
如图2所示,基于灰度世界的颜色校正子网络,对输入沙尘图像使用灰度世界算法进行预处理,再将预处理过后的结果经过一个U型编码器/解码器网络得到颜色校正图像;颜色校正子网络再确保沙尘图像恢复子网络的结果达到去除沙尘的同时,能将沙尘图像的色偏恢复到最好。
沙尘图像恢复子网络对沙尘图像进行特征提取,并将颜色校正子网络的颜色校正结果图作为条件输入到自适应归一化残差块中,能将沙尘图像的结构、纹理恢复到最好,能够进一步提取语义信息,得到清晰的无沙尘图像。
如图5所示,生成网络的具体操作如下:
1)将训练集中的图像经过灰度世界算法得到预处理图像g;
g=Gray(x) (2);
2)将预处理g图像经过一个卷积核大小为3、步长为1的卷积层输出特征O1,卷积层包括卷积操作、实例归一化和激活函数ReLU;
F=ReLU(Instance_norm(Conv(x))) (3);
O1=F1(g) (4);
3)将输出特征O1输入卷积核大小为3、步长为2的卷积层进行下采样处理,输出特征O2;
O2=F2(O1) (5);
4)将输出特征O2经过一个卷积核大小为3、步长为1的卷积层输出特征O3;
O3=F3(O2) (6);
5)将输出特征O3输入卷积核大小为3、步长为2的卷积层进行下采样处理,输出特征O4;
O4=F4(O3) (7);
6)将输出特征O4经过一个卷积核大小为3、步长为1的卷积层输出特征O5;
O5=F5(O4) (8);
7)将输出特征O5输入卷积核为3、步长为2的反卷积层进行上采样处理,输出特征O6;
O6=ReLU(Instance_norm(deconv(O5))) (9);
8)将输出特征O6经过一个卷积核大小为3、步长为1的卷积层输出特征O7;
O7=F6(O6) (10);
9)将输出特征O7输入卷积核为3、步长为2的反卷积层进行上采样处理,输出特征O8;
O8=ReLU(Instance_norm(deconv(O7))) (11);
10)将输出特征O8输入卷积核为3、步长为1的卷积层,将通道数整合为3,并输出颜色校正后的结果图S;
S=F7(O8) (12);
11)将训练集中的图像经过一个卷积核大小为3、步长为1的卷积层输出特征O9;
O9=F8(x) (13);
12)将输出特征O9和颜色校正网络的结果图S输入到由两个卷积层和两个自适应归一化模块(AIN模块)组成的自适应归一化残差块AINResBlock1中,输出特征O10;
O10=AINResBlock1(O9,S) (14);
13)将输出特征O10和S输入到AINResBlock2中,输出特征O11;
O11=AINResBlock2(O10,S) (15);
14)将输出特征O11进行平均池化处理,输出特征O12;
O12=AveragePool1(O11) (16);
15)将输出特征O12经过一个卷积核大小为3、步长为1的卷积层输出特征O13;
O13=F9(O12) (17);
16)将输出特征O13和S输入到AINResBlock3中,输出特征O14;
O14=AINResBlock3(O13,S) (18);
17)将输出特征O14和S输入到AINResBlock4中,输出特征O15;
O15=AINResBlock4(O14,S) (19);
18)将输出特征O15进行平均池化处理,输出特征O16;
O16=AveragePool2(O15) (20);
19)将输出特征O16经过一个卷积核大小为3、步长为1的卷积层输出特征O17;
O17=F10(O16) (21);
20)将输出特征O17和S输入到AINResBlock5中,输出特征O18;
O18=AINResBlock5(O17,S) (22);
21)将输出特征O18和S输入到AINResBlock6中,输出特征O19;
O19=AINResBlock6(O18,S) (23);
22)将输出特征O19和S输入到AINResBlock7中,输出特征O20;
O20=AINResBlock7(O19,S) (24);
23)将输出特征O20和S输入到AINResBlock8中,输出特征O21;
O21=AINResBlock8(O20,S) (25);
24)将输出特征O21和S输入到AINResBlock9中,输出特征O22;
O22=AINResBlock9(O21,S) (26);
25)将输出特征O22输入卷积核为3、步长为2的反卷积层进行上采样处理,将上采样后的结果与输出特征O15进行通道连接,输出特征O23;
O23=concat(O15,ReLU(Instance_norm(deconv(O22)))) (27);
26)将输出特征O23和S输入到AINResBlock10中,输出特征O24;
O24=AINResBlock10(O23,S) (28);
27)将输出特征O24和S输入到AINResBlock11中,输出特征O25;
O25=AINResBlock11(O24,S) (29);
28)将输出特征O25输入卷积核为3、步长为2的反卷积层进行上采样处理,将上采样后的结果与输出特征O11进行通道连接,输出特征O26;
O26=concat(O11,ReLU(Instance_norm(deconv(O25)))) (30);
29)将输出特征O26和S输入到AINResBlock12中,输出特征O27;
O27=AINResBlock12(O26,S) (31);
30)将输出特征O27和S输入到AINResBlock13中,输出特征O28;
O28=AINResBlock13(O27,S) (32);
31)将输出特征O28输入卷积核为3,步长为1的卷积层,将通道数整合为3,并输出沙尘图像恢复之后的结果图。
步骤3、利用训练集对生成对抗网络模型进行训练,得到训练后的生成对抗网络模型,训练过程中采用的损失函数包括对抗损失、L1损失和感知损失LossVGG之和,总损失函数为:
上式中,Loss(G,D)为对抗损失,为L1损失,,LossVGG为感知损失,λ1和λ2分别代表设置的参数。
L1损失:利用L1损失优化沙尘图像恢复网络结果的纹理和细节结构,绝对值误差是沙尘图像恢复网络结果偏移真实图像之差的绝对值:
其中,Yi为输入的第i张清晰图像,xi为输入的第i张沙尘图像,f(xi)为处理后的图像;
对抗性损失:在我们的沙尘图像恢复网络中,我们采用了具有梯度惩罚的WGAN(WGAN-GP),损失函数如下:
表示沙尘图像恢复网络去除沙尘后的结果,/>定义为来自真实数据分布和生成器分布的点对之间沿直线的样本,λGP作为权重因子。
感知损失:为了尽量减少沙尘图像恢复网络结果的感知特征与真实图像的感知特征之间的差异,我们引入了预先训练的VGG19网络的感知损失,公式如下:
上式中,l为VGG19网络的第l层,φl()为VGG19网络第l层的激活,为输入的图像,y为输出的图像,ClHlWl为第l层的特征图大小。
步骤4、将沙尘图像输入训练后的生成对抗网络模型中,得到去除沙尘的清晰图像。
对本发明沙尘图像恢复方法的性能进行测试,测试结果如下:
如图6所示,第一列表示输入的沙尘图像,第二列为本发明的恢复结果,第三列为真实的无沙尘图像。
本发明是一种灰度世界自适应的生成对抗网络的单幅沙尘图像恢复方法,生成网络包括颜色校正子网络和沙尘图像恢复子网络。通过颜色校正网络校正沙尘图像的颜色,得到颜色校正图像,能将沙尘图像的色偏恢复到最好,与现有的传统颜色校正方法完全不同;通过沙尘图像恢复子网络对沙尘图像进行特征提取,并将颜色校正子网络的颜色校正结果图作为条件输入到自适应归一化残差块中,能将沙尘图像的结构、纹理恢复到最好,能够进一步提取语义信息,得到质量优良的清晰无沙尘图像;生成对抗网络模型网络结构操作简单,易于实现;本发明通过不同的损失函数对沙尘图像恢复网络参数进行迭代优化,丰富了沙尘图像恢复网络的语义信息,得到的图像较为清晰。
Claims (2)
1.一种基于灰度世界自适应网络的单幅沙尘图像恢复方法,其特征在于,具体按照如下步骤进行:
步骤1:获取图像数据集,对所述图像数据集中的每个图像进行归一化处理,得到训练集;
步骤2:构建生成对抗网络模型,所述生成对抗网络模型包括生成网络和判别网络,所述生成网络包括:灰度世界的颜色校正子网络和沙尘图像恢复子网络;
步骤3:利用训练集对所述生成对抗网络模型进行训练,得到训练后的生成对抗网络模型;
步骤4:将沙尘图像输入所述训练后的生成对抗网络模型中,得到的恢复后的图像;
所属步骤2中,所述灰度世界的颜色校正子网络的具体操作为:
步骤2.1:将训练集中的图像经过灰度世界算法得到预处理图像;
步骤2.2:将预处理图像经过一个卷积核大小为3、步长为1的卷积层,然后输出特征O1;
步骤2.3:将输出特征O1输入卷积核大小为3、步长为2的卷积层进行下采样处理,输出特征O2;
步骤2.4:然后依次循环步骤2.2和步骤2.3,进行若干次处理,最后将通道数整合为3,得到颜色校正后的结果图S;
步骤2中,所述沙尘图像恢复子网络具体为:沙尘图像进行特征提取,并将颜色校正子网络的颜色校正结果图作为条件输入到自适应归一化残差块中,从而来恢复沙尘图像的结构、纹理,提取语义信息,得到清晰的无沙尘图像;
步骤3中,训练采用了损失函数,所述损失函数包括对抗损失、L1损失和感知损失LossVGG之和,总损失函数为:
其中,Loss(G,D)为对抗损失,为L1损失,LossVGG为感知损失,λ1和λ2分别为设置的参数。
2.根据权利要求1所述的一种基于灰度世界自适应网络的单幅沙尘图像恢复方法,其特征在于,步骤2中,所述卷积层包括卷积操作、实例归一化以及激活函数ReLU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879073.8A CN112070693B (zh) | 2020-08-27 | 2020-08-27 | 一种基于灰度世界自适应网络的单幅沙尘图像恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879073.8A CN112070693B (zh) | 2020-08-27 | 2020-08-27 | 一种基于灰度世界自适应网络的单幅沙尘图像恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070693A CN112070693A (zh) | 2020-12-11 |
CN112070693B true CN112070693B (zh) | 2024-03-26 |
Family
ID=73660543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010879073.8A Active CN112070693B (zh) | 2020-08-27 | 2020-08-27 | 一种基于灰度世界自适应网络的单幅沙尘图像恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070693B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132752B (zh) * | 2023-10-24 | 2024-02-02 | 硕橙(厦门)科技有限公司 | 基于多维度加权的沙尘图像增强方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427266A (zh) * | 2016-01-04 | 2016-03-23 | 西安理工大学 | 一种信息损耗约束的沙尘图像清晰化方法 |
CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
WO2020087607A1 (zh) * | 2018-11-02 | 2020-05-07 | 北京大学深圳研究生院 | 一种基于Bi-Skip-Net的图像去模糊方法 |
CN111192219A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 一种基于改进的逆大气散射模型卷积网络的图像去雾方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9305242B2 (en) * | 2014-08-15 | 2016-04-05 | National Taipei University Of Technology | Method and image processing apparatus for image visibility restoration using fisher's linear discriminant based dual dark channel prior |
-
2020
- 2020-08-27 CN CN202010879073.8A patent/CN112070693B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427266A (zh) * | 2016-01-04 | 2016-03-23 | 西安理工大学 | 一种信息损耗约束的沙尘图像清晰化方法 |
CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
WO2020087607A1 (zh) * | 2018-11-02 | 2020-05-07 | 北京大学深圳研究生院 | 一种基于Bi-Skip-Net的图像去模糊方法 |
CN111192219A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 一种基于改进的逆大气散射模型卷积网络的图像去雾方法 |
Non-Patent Citations (2)
Title |
---|
刘扬 ; .基于残差聚集网的恶劣天气环境下图像清晰化处理.指挥控制与仿真.2020,(第02期),全文. * |
林森 ; 刘世本 ; 唐延东 ; .多输入融合对抗网络的水下图像增强.红外与激光工程.2020,(第05期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112070693A (zh) | 2020-12-11 |
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 | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN111292258B (zh) | 一种基于暗通道和亮通道先验的图像去雾方法 | |
CN110517203B (zh) | 一种基于参考图像重建的去雾方法 | |
CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
CN110288550B (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
CN109447917B (zh) | 基于内容和特征及多尺度模型的遥感图像雾霾消除方法 | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
CN112561804A (zh) | 基于多尺度细节增强的低光照水下图像增强方法 | |
CN112070688A (zh) | 一种基于上下文引导生成对抗网络的单幅图像去雾方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN114187203A (zh) | 注意力优化的深度编解码去雾生成对抗网络 | |
CN113284070A (zh) | 基于传递注意力机制的非均匀雾图去雾算法 | |
CN109003238B (zh) | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 | |
CN114331869A (zh) | 一种坝面裂缝语义分割方法 | |
CN112419163B (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
CN114693548B (zh) | 一种基于亮区域检测的暗通道去雾方法 | |
CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN112070693B (zh) | 一种基于灰度世界自适应网络的单幅沙尘图像恢复方法 | |
CN111598814A (zh) | 基于极端散射通道的单图像去雾方法 | |
CN109784357B (zh) | 一种基于统计模型的图像重拍检测方法 | |
CN112132757B (zh) | 一种基于神经网络的通用图像复原方法 | |
CN110349113B (zh) | 一种基于暗原色先验改进的自适应图像去雾方法 | |
CN113379641B (zh) | 一种基于自编码卷积神经网络的单幅图像去雨方法及系统 | |
CN115760640A (zh) | 基于含噪Retinex模型的煤矿低光照图像增强方法 |
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 |