CN112102186B - 一种水下视频图像实时增强方法 - Google Patents

一种水下视频图像实时增强方法 Download PDF

Info

Publication number
CN112102186B
CN112102186B CN202010928909.9A CN202010928909A CN112102186B CN 112102186 B CN112102186 B CN 112102186B CN 202010928909 A CN202010928909 A CN 202010928909A CN 112102186 B CN112102186 B CN 112102186B
Authority
CN
China
Prior art keywords
image
real
underwater
discriminator
time
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
Application number
CN202010928909.9A
Other languages
English (en)
Other versions
CN112102186A (zh
Inventor
范新南
杨鑫
史朋飞
辛元雪
韩松
倪建军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010928909.9A priority Critical patent/CN112102186B/zh
Publication of CN112102186A publication Critical patent/CN112102186A/zh
Application granted granted Critical
Publication of CN112102186B publication Critical patent/CN112102186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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)
  • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了图像处理技术领域的一种水下视频图像实时增强方法，无需任何先验知识和参数估计，具有较好的鲁棒性且能够满足实时性要求。包括：a、获取水下图像数据集；b、基于条件生成对抗网络（cGAN）构建多判别器分支的端到端图像实时增强模型（MPGAN）；c、利用获取的水下图像数据集训练MPGAN；d、将水下图像输入训练好的MPGAN，获得增强后的水下图像。将训练好的模型烧录到Jetson nano开发板上，对摄像头获取的水下场景进行实时增强。本发明提供了一种在Jetson nano平台上实现的、基于生成对抗网络的实时增强方法，具有低功耗、体积小且满足实时性要求等优点。

Description

一种水下视频图像实时增强方法
技术领域
本发明属于图像处理技术领域，具体涉及一种水下视频图像实时增强方法。
背景技术
海洋蕴藏着丰富的资源，对海洋环境下的图像的深入研究有助于我国更有效率地对水下资源进行合理的开发，对我国的经济和军事的发展都有很重要的意义。由于悬浮的散射颗粒对光场的吸收和散射作用导致水下图像出现对比度低、颜色偏差和细节模糊等问题，传统水下增强算法依赖于先验知识以及特定场景的估计值，虽然能够获得质量较好的图像，但一旦场景发生变化效果就大大降低，且不能满足实时性要求。
发明内容
为解决现有技术中的不足，本发明提供一种水下视频图像实时增强方法，无需任何先验知识和参数估计，具有较好的鲁棒性且能够满足实时性要求。
为达到上述目的，本发明所采用的技术方案是：一种水下视频图像实时增强方法，包括：a、获取水下图像数据集；b、基于条件生成对抗网络(cGAN)构建多判别器分支的端到端图像实时增强模型(MPGAN)；c、利用获取的水下图像数据集训练MPGAN；d、将水下图像输入训练好的MPGAN，获得增强后的水下图像。
进一步地，所述水下图像数据集中包含若干个设定规格的图像组，每个所述图像组包括一张地面真实图像y和一张与之对应的水下图像x。
进一步地，在所述步骤b中，MPGAN包括一个生成网络和两个判别网络；生成网络采用u-net结构，在所述生成网络中，生成器在第i层和第n-i层的跳层连接加入步长为1、卷积核大小为3的卷积层，其输入是水下图像x；判别网络采用PatchGAN结构，在所述判别网络中，判别器包括判别器分支D1和判别器分支D2，判别器分支D1用作对抗分支，用于判断输入图像是否为水下图像，判别器分支D2用作加权红色通道补偿量判断，进一步提升生成器的增强效果。判别器的输入为生成器的输出G(x)和地面真实图像y。
进一步地，所述判别器分支D1的损失函数为：
其中，Lwgan(D1)表示判别器D1的损失函数，D1()表示判别器D1的输出，Ey[D1(y)]表示判别器D1输入训练真实数据y时的期望，Ex[D1(G(x))]表示判别器D1输入为生成器输出G(x)时的期望，λGP为此梯度惩罚项的权值，表示输入为/>时判别器D1梯度的二范数与常数1差值均方的期望，/>表示判别器输入为/>时的梯度，其中，/>表示生成器输出G(x)和地面真实图像y的成对点之间的样本，表示为：
其中，α是0和1之间的一个随机数。
进一步地，所述判别器分支D2的损失函数为：
LcrD＝Ex[||D2(G(x))-Cr(G(x))||2]+Ey[||D2(y)-Cr(y)||2] (6)
LcrG＝Ex[||D2(G(x))||2] (7)
其中，LcrD表示判别器D2的损失函数，LcrG表示生成器的红色通道补偿损失函数，D2(G(x))表示判别器D2的输入为生成器输出G(x)时的输出，D2(y)表示判别器D2输入为训练真实数据y的输出，Cr(G(x))生成器输出G(x)的红色通道补偿量，Cr(y)表示训练真实数据y的红色通道补偿量。
进一步地，MPGAN的目标函数为：
其中，表示MPGAN网络的目标函数，Lwgan(G,D)表示本文采用的带有梯度惩罚项的Wasserstein GAN的损失函数，LL1为增强像素级的相似度引入的L1损失,ωL1为LL1对应的权值；LVGG为VGG-19非线性映射后的损失，ωVGG为LVGG对应的权值；LcrG为加权红色通道补偿量损失，ωcr为LcrG对应的权值。
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行前述的水下视频图像实时增强方法。
一种水下视频图像实时增强系统，包括图像采集装置、配置有前述计算机可读存储介质的图像处理装置和上位机，所述图像采集装置用于采集水下图像并传输至所述图像处理装置；所述图像处理装置用于实时增强所述图像采集装置采集到的水下图像，并传输至所述上位机；所述上位机用于实时显示增强后的水下图像，并对增强后的水下图像做进一步处理。
与现有技术相比，本发明所达到的有益效果：
(1)本发明基于条件生成对抗网络的图像增强模型，以成对的图像进行训练，由生成网络和判别网络的对抗训练，促使生成器学习产生更逼近真实数据的样本。最终在训练完成之后，仅使用生成网络即可完成端到端图像增强，无需任何先验知识和参数估计，具有较好的鲁棒性且能够满足实时性要求；
(2)本发明基于水下光衰减率的红色通道加权补偿损失，促使生成器输出质量更高的图像；
(3)将本发明中训练好的模型应用在Jetson nano上，具有体积小、功耗低等优点，且能够满足水下图像实时增强，具有良好的应用价值。
附图说明
图1是本发明实施例提供的一种水下视频图像实时增强方法的流程示意图；
图2是本发明实施例构建的多判别器分支的端到端图像实时增强模型(MPGAN)的生成器模型；
图3是本发明实施例构建的多判别器分支的端到端图像实时增强模型(MPGAN)的判别器模型；
图4是本发明实施例提供的一种水下视频图像实时增强系统的系统结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1～图3所示，一种水下视频图像实时增强方法，包括：a、获取水下图像数据集；b、基于条件生成对抗网络(cGAN)构建多判别器分支的端到端图像实时增强模型(MPGAN)；c、利用获取的水下图像数据集训练MPGAN；d、将水下图像输入训练好的MPGAN，获得增强后的水下图像。
(1)获取用于训练的水下图像数据集，并定义算法目标
获取用于训练的水下图像数据集，该水下图像数据集包含3000组256×256×3的图像组，每个图像组包括一张地面真实图像y和一张与之对应的水下图像x，定义的算法目标为：输入水下图像x，要求生成与地面真实图像y相似的图像y′。
(2)基于cGAN构建多判别器分支的端到端图像实时增强模型(MPGAN)
MPGAN包括一个生成网络和两个判别网络；生成网络采用基于u-net思想的结构，在生成网络中，生成器在第i层和第n-i层的跳层连接加入步长为1、卷积核大小为3的卷积层，其输入是水下图像x；判别网络采用PatchGAN结构，在判别网络中，判别器包括判别器分支D1和判别器分支D2，判别器分支D1用作对抗分支，用于判断输入图像是否为水下图像，判别器分支D2用作加权红色通道补偿量判断，进一步提升生成器的增强效果。判别器的输入为生成器的输出G(x)和地面真实图像y。
(3)根据水下失真图像特征为MPGAN设计加权目标函数
判别器分支D1在与生成器G的联合作用下，其对抗损失形式如下：
其中，Lwgan(D1)表示判别器D1的损失函数，D1()表示判别器D1的输出，Ey[D1(y)]表示判别器D1输入训练真实数据y时的期望，Ex[D1(G(x))]表示判别器D1输入为生成器输出G(x)时的期望，λGP为此梯度惩罚项的权值，表示输入为/>时判别器D1梯度的二范数与常数1差值均方的期望，/>表示判别器输入为/>时的梯度，其中，/>表示生成器输出G(x)和地面真实图像y的成对点之间的样本，表示为：
其中，α是0和1之间的一个随机数。
判别器分支D2用作加权红色通道补偿量判断，用于进一步提升生成器的增强效果。加权红色通道补偿中红、绿、蓝三通道的权值ωr，ωg，ωb由红、绿、蓝三种色光在水下的归一化衰减率给出，其形式为：
其中，cb表示蓝色光的衰减系数，cg表示绿色光的衰减系数，cr表示红色光的衰减系数。由于不同波长的光的衰减系数与其背景光成反比，同时不同波长光线的衰减系数又与其散射率成正比，因此不同波长光线的衰减系数的比值可以如下形式给出：
其中，bb表示蓝色光的散射率，bg表示绿色光的散射率，br表示红色光的散射率，Bb表示蓝色通道的背景光，Bg表示绿色通道的背景光，Br表示红色通道的背景光。波长为λ的光线的散射率bλ以如下形式给出：
bλ＝(-0.00113λ+1.62517)b(λr) (4-1)
其中，b(λr)为参考波长λr的散射率，因公式4-1仅考虑比值，无需提前获取。选取RGB三个颜色通道对应的波长分别为620nm(红)，540nm(绿)，450nm(蓝)。蓝色、绿色和红色通道的背景光Bb、Bg、Br选取对应通道的数值最大的0.5％的像素点的强度，最终可得各色光的衰减率比值。
于是加权红色通道补偿量表示为：
Cr＝(ωr-1)×R+ωg×G+ωb×B (5)
其中，ωb为蓝色通道的权值，ωg为绿色通道的权值，ωr为红色通道的权值，B为图像的蓝色颜色通道，G为图像的绿色颜色通道，R为图像的红色颜色通道；
最终，损失函数按如下形式给出：
LcrD＝Ex[||D2(G(x))-Cr(G(x))||2]+Ey[||D2(y)-Cr(y)||2] (6)
LcrG＝Ex[||D2(G(x))||2] (7)
其中，LcrD表示判别器D2的损失函数，LcrG表示生成器的红色通道补偿损失函数，D2(G(x))表示判别器D2的输入为生成器输出G(x)时的输出，D2(y)表示判别器D2输入为训练真实数据y的输出，Cr(G(x))生成器输出G(x)的红色通道补偿量，Cr(y)表示训练真实数据y的红色通道补偿量。
在生成器端同时引入了L1损失和经VGG-19网络的Con4_3层进行非线性映射后的损失，形式如下：
LL1＝Ex,y[||G(x)-y||1] (8)
LVGG＝Ex,y[||V(G(x))-V(y)||2] (9)
其中，LL1为增强像素级的相似度引入的L1损失，LVGG为VGG-19非线性映射后的损失，V(G(x))表示生成器输出G(x)经VGG网络的输出，V(y)表示训练真实数据y经VGG网络的输出，Ex,y[]表示x,y联合分布下的期望。
最终MPGAN网络的目标函数为：
其中，表示MPGAN网络的目标函数，Lwgan(G,D)表示本文采用的带有梯度惩罚项的Wasserstein GAN的损失函数，LL1为增强像素级的相似度引入的L1损失,ωL1为LL1对应的权值；ωVGG为LVGG对应的权值；LcrG为加权红色通道补偿量损失，ωcr为LcrG对应的权值。
(4)利用获取的水下图像数据集训练MPGAN
利用采集的数据集训练MPGAN时权值设置为ωL1＝30，ωcr＝10，ωVGG＝10。同时训练采用了多级损失策略，开始训练时生成器目标函数LG中加权红色通道补偿损失的权值ωcr置0，待所有样本训练了20次，即epoch＝20恢复权值，至epoch＝60结束训练；
(5)将水下图像输入训练好的MPGAN，获得增强后的水下图像。
实施例二：
基于实施例一所述的水下视频图像实时增强方法，本实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行前述的水下视频图像实时增强方法。
实施例三：
基于实施例一和实施例二，本实施例提供一种水下视频图像实时增强系统，包括图像采集装置、配置有实施例二所述计算机可读存储介质的图像处理装置和上位机，所述图像采集装置用于采集水下图像并传输至所述图像处理装置；所述图像处理装置用于实时增强所述图像采集装置采集到的水下图像，并传输至所述上位机；所述上位机用于实时显示增强后的水下图像，并对增强后的水下图像做进一步处理。
本实施例中，图像采集装置为摄像机，图像处理装置为Jetson nano平台，在Jetson nano平台上配置好Pytorch环境，而后将训练好的生成器模型烧录到Jetson nano平台上。以此，Jetson nano可以对摄像头采集的水下图像进行实时增强，进而也可以在增强后的图像上进行其他操作如识别、分割等，如图4所示。本实施例在Jetson nano平台上实现的、基于生成对抗网络的实时增强方法，具有低功耗、体积小且满足实时性要求等优点。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种水下视频图像实时增强方法，其特征是，包括：
a、获取水下图像数据集；
b、基于条件生成对抗网络cGAN构建多判别器分支的端到端图像实时增强模型MPGAN；
c、利用获取的水下图像数据集训练多判别器分支的端到端图像实时增强模型MPGAN；
d、将水下图像输入训练好的多判别器分支的端到端图像实时增强模型MPGAN，获得增强后的水下图像；
在所述步骤b中，多判别器分支的端到端图像实时增强模型MPGAN包括一个生成网络和两个判别网络；
生成网络采用u-net结构，在所述生成网络中，生成器在第i层和第n-i层的跳层连接加入步长为1、卷积核大小为3的卷积层，其输入是水下图像x；
判别网络采用PatchGAN结构，在所述判别网络中，判别器包括判别器分支D1和判别器分支D2；判别器分支D1用作对抗分支，用于判断输入图像是否为水下图像，判别器分支D2用作加权红色通道补偿量判断，进一步提升生成器的增强效果；判别器的输入为生成器的输出G(x)和地面真实图像y；
所述判别器分支D1的损失函数为：
其中，Lwgan(D1)表示判别器D1的损失函数，D1()表示判别器D1的输出，Ey[D1(y)]表示判别器D1输入训练真实数据y时的期望，Ex[D1(G(x))]表示判别器D1输入为生成器输出G(x)时的期望，λGP为此梯度惩罚项的权值，表示输入为/>时判别器D1梯度的二范数与常数1差值均方的期望，/>表示判别器输入为/>时的梯度，其中，/>表示生成器输出G(x)和地面真实图像y的成对点之间的样本，表示为：
其中，α是0和1之间的一个随机数；
所述判别器分支D2的损失函数为：
LcrD＝Ex[||D2(G(x))-Cr(G(x))||2]+Ey[||D2(y)-Cr(y)||2] (6)
LcrG＝Ex[||D2(G(x))||2] (7)
其中，LcrD表示判别器D2的损失函数，LcrG表示生成器的红色通道补偿损失函数，D2(G(x))表示判别器D2的输入为生成器输出G(x)时的输出，D2(y)表示判别器D2输入为训练真实数据y的输出，Cr(G(x))生成器输出G(x)的红色通道补偿量，Cr(y)表示训练真实数据y的红色通道补偿量；
多判别器分支的端到端图像实时增强模型MPGAN的目标函数为：
其中，表示MPGAN网络的目标函数，Lwgan(G,D)表示本文采用的带有梯度惩罚项的Wasserstein GAN的损失函数，LL1为增强像素级的相似度引入的L1损失,ωL1为LL1对应的权值；LVGG为VGG-19非线性映射后的损失，ωVGG为LVGG对应的权值；LcrG为加权红色通道补偿量损失，ωcr为LcrG对应的权值。
2.根据权利要求1所述的水下视频图像实时增强方法，其特征是，所述水下图像数据集中包含若干个设定规格的图像组，每个所述图像组包括一张地面真实图像y和一张与之对应的水下图像x。
3.一种计算机可读存储介质，其特征是，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1至2中任意一项所述的水下视频图像实时增强方法。
4.一种水下视频图像实时增强系统，其特征是，包括图像采集装置、配置有权利要求3所述计算机可读存储介质的图像处理装置和上位机，
所述图像采集装置用于采集水下图像并传输至所述图像处理装置；
所述图像处理装置用于实时增强所述图像采集装置采集到的水下图像，并传输至所述上位机；
所述上位机用于实时显示增强后的水下图像，并对增强后的水下图像做进一步处理。
CN202010928909.9A 2020-09-07 2020-09-07 一种水下视频图像实时增强方法 Active CN112102186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010928909.9A CN112102186B (zh) 2020-09-07 2020-09-07 一种水下视频图像实时增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010928909.9A CN112102186B (zh) 2020-09-07 2020-09-07 一种水下视频图像实时增强方法

Publications (2)

Publication Number Publication Date
CN112102186A CN112102186A (zh) 2020-12-18
CN112102186B true CN112102186B (zh) 2024-04-05

Family

ID=73757568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010928909.9A Active CN112102186B (zh) 2020-09-07 2020-09-07 一种水下视频图像实时增强方法

Country Status (1)

Country Link
CN (1) CN112102186B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781325B (zh) * 2021-08-11 2024-04-26 同济大学 一种基于分层条件生成对抗网络的水下图像复原方法
CN116167941B (zh) * 2023-02-17 2023-11-21 北京科技大学 一种基于rgb通道恢复的水下图像增强方法
CN117976129A (zh) * 2024-04-01 2024-05-03 河海大学 一种基于多深度线索场景的深度知觉训练方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019015466A1 (zh) * 2017-07-17 2019-01-24 广州广电运通金融电子股份有限公司 人证核实的方法及装置
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110827213A (zh) * 2019-10-11 2020-02-21 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
CN111161178A (zh) * 2019-12-25 2020-05-15 湖南大学 基于生成式对抗网络的单幅低光图像增强方法
CN111275647A (zh) * 2020-01-21 2020-06-12 南京信息工程大学 一种基于循环生成对抗网络的水下图像复原方法
CN111524205A (zh) * 2020-04-23 2020-08-11 北京信息科技大学 基于循环生成对抗网络的图像着色处理方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019015466A1 (zh) * 2017-07-17 2019-01-24 广州广电运通金融电子股份有限公司 人证核实的方法及装置
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110827213A (zh) * 2019-10-11 2020-02-21 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
CN111161178A (zh) * 2019-12-25 2020-05-15 湖南大学 基于生成式对抗网络的单幅低光图像增强方法
CN111275647A (zh) * 2020-01-21 2020-06-12 南京信息工程大学 一种基于循环生成对抗网络的水下图像复原方法
CN111524205A (zh) * 2020-04-23 2020-08-11 北京信息科技大学 基于循环生成对抗网络的图像着色处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
极端低光情况下的图像增强方法;杨勇 等;图学学报;20200831;第41卷(第4期);全文 *

Also Published As

Publication number Publication date
CN112102186A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112102186B (zh) 一种水下视频图像实时增强方法
CN112288658A (zh) 一种基于多残差联合学习的水下图像增强方法
CN109829868B (zh) 一种轻量级深度学习模型图像去雾方法、电子设备及介质
Du et al. Recursive deep residual learning for single image dehazing
CN108596853A (zh) 基于背景光统计模型和传输地图优化的水下图像增强方法
CN113284061B (zh) 一种基于梯度网络的水下图像增强方法
CN111402145B (zh) 一种基于深度学习的自监督低照度图像增强方法
CN111681180B (zh) 先验驱动的深度学习图像去雾方法
CN115223004A (zh) 基于改进的多尺度融合生成对抗网络图像增强方法
CN112308803A (zh) 一种基于深度学习的自监督低照度图像增强及去噪方法
CN112991371B (zh) 一种基于着色溢出约束的图像自动着色方法及系统
CN115393225A (zh) 一种基于多层次特征提取融合的低光照图像增强方法
CN111489321A (zh) 基于派生图和Retinex的深度网络图像增强方法和系统
Wang et al. Multiscale supervision-guided context aggregation network for single image dehazing
CN108921887A (zh) 基于水下光线衰减先验性的水下场景深度地图估计方法
CN115272072A (zh) 一种基于多特征图像融合的水下图像超分辨率方法
CN115035010A (zh) 一种由卷积网络引导模型映射的水下图像增强方法
CN111476739B (zh) 水下图像增强方法、系统及存储介质
Liu et al. Learning multiscale pipeline gated fusion for underwater image enhancement
CN116757949A (zh) 一种大气-海洋散射环境退化图像复原方法及系统
CN115908602A (zh) 一种将风景照片转换为中国山水画的风格迁移方法
CN115222609A (zh) 一种基于生成对抗网络模型的水下图像修复方法和生成对抗网络模型训练方法
Lan et al. Physical-model guided self-distillation network for single image dehazing
CN113744166A (zh) 一种用于浑浊水下鱼类图像增强的方法
Li et al. An electrical equipment image enhancement approach based on Zero-DCE model for power IoTs edge service

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