CN112257766B - 一种基于频域滤波处理的自然场景下阴影识别检测方法 - Google Patents

一种基于频域滤波处理的自然场景下阴影识别检测方法 Download PDF

Info

Publication number
CN112257766B
CN112257766B CN202011109331.0A CN202011109331A CN112257766B CN 112257766 B CN112257766 B CN 112257766B CN 202011109331 A CN202011109331 A CN 202011109331A CN 112257766 B CN112257766 B CN 112257766B
Authority
CN
China
Prior art keywords
shadow
picture
frequency domain
layer
frequency
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
CN202011109331.0A
Other languages
English (en)
Other versions
CN112257766A (zh
Inventor
吕飞霄
王蕊
操晓春
邹聪
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.)
Institute of Information Engineering of CAS
Original Assignee
Institute of Information Engineering of CAS
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 Institute of Information Engineering of CAS filed Critical Institute of Information Engineering of CAS
Priority to CN202011109331.0A priority Critical patent/CN112257766B/zh
Publication of CN112257766A publication Critical patent/CN112257766A/zh
Application granted granted Critical
Publication of CN112257766B publication Critical patent/CN112257766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于频域滤波处理的自然场景下阴影识别检测方法，其步骤包括：1)频域选择模块对数据集中的图片进行处理，为对应图片构造频域范围内的人工特征低频图；所述数据集包含多个图片及其二值掩模图；2)基于UNet网络构造阴影检测网络，所述阴影检测网络的损失函数包含用于计算生成图片与对应二值掩膜图的相似度的Dice损失函数；3)利用各图片及其对应的人工特征低频图、二值掩膜图对所述阴影检测网络进行训练；4)将待检测图片输入训练后的阴影检测网络，检测得到该待检测图片的阴影。本发明大大提高了阴影检测的准确性。

Description

一种基于频域滤波处理的自然场景下阴影识别检测方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于频域滤波处理的自然场景下阴影识别检测的方法，能够在自然场景图片中准确识别阴影。
背景技术
阴影是场景中不可回避的元素，它是由于光源和投射光源的表面之间存在一个遮挡对象而形成的。图像中的阴影之所以重要，有多种原因。一方面，阴影可能会导致图像分析过程的失败，也会导致信息质量的恶化，进而导致许多计算机视觉任务的性能降低，使得诸如分割任务、目标检测和跟踪任务等许多应用的算法出现问题。但是，另一方面，它们在建筑物检测、路径发现等方面可以带来各种信息，阴影可以作为一种用于感知深度和几何形状的视觉线索，知道阴影的位置可以让我们获得照明方向、相机参数和场景中几何体形状等信息。由于阴影有时会对图像产生不良影响，因此阴影消除任务是计算机视觉中的一项重要任务，而阴影检测是实现这一目标的第一步。此外，图像中的阴影还对许多任务起到辅助作用，例如土地监测、遥感、变化检测、图像分割、人脸识别等。
早期的方法通过建立物理模型来检测和消除阴影，分析颜色和照明的统计信息。然而，这些方法建立在物理模型上而提出，在场景中难免遇到不合物理模型假设的情况。为了从真实图像中提取阴影，数据驱动方法通过使用人工制作的特征或通过使用深层神经网络学习特征来学习和理解阴影。目前来看，数据驱动的方法已经能够以87％到90％的精度检测阴影并恢复大多数阴影区域，但这种完全基于统计的方法可能会将黑色物体误解为阴影并产生各种适得其反的效果。
传统的单图像阴影检测方法较多的利用光照和颜色的物理模型。然而，这种方法往往只对宽动态范围的图像产生令人满意的结果。另一类方法使用基于标定阴影图像的手工特征来学习阴影的各种属性。它首先用特征描述部件来描述图像区域中的各种特征，然后利用人工选取的特征将图像区域分为阴影区域和非阴影区域。这些特征一般包括颜色、纹理、边缘和T形连接等。在这之后使用决策树和支持向量机等进行分类。然而，由于手工制作的特征在描述阴影方面的能力有限，这种方法在复杂情况下常常失败。
近年来，随着人工智能技术的高速发展，利用深度学习的方法去学习单张图片的各种特征进而进行阴影的检测和去除的工作渐渐崭露头角。这种方法相信阴影区域与非阴影区域之间存在一定的上下文关联信息，并且在挖掘图像更深层的语义信息上表现得更加出色。比如卷积神经网络(CNN)最近被证明是一个用于检测阴影的非常强大的工具。它用于提取图片的相关特征来识别阴影区域，其结果明显优于以前的方法。这种基于大数据驱动的方法相对于传统方法而言显得更加智能和灵活。但是自然场景的多样性同时也给这种深度学习的方法的泛用性增加了难题。数据量的大小和特性往往对网络的性能产生一定的影响。因此，基于深度学习的方法仍然需要与现有的人工特征相结合，才能更好地作用于阴影的检测任务。
发明内容
针对自然场景中的图像识别检测存在的问题，本发明的目的在于提供一种基于频域滤波处理的自然场景下阴影识别检测方法。
本发明采用了深度神经网络中的UNet结构，基于自然场景图片的纹理特征信息，在不同层次提取图片的阴影区域特征并重建阴影区域的二值化掩膜，进而对图片中阴影的像素进行检测。特别的，由于阴影相对于图片中的高频细节信息，更加侧重于大片色块亮度较暗的区域，因此图像中的低频分量，即图像强度(亮度/灰度)变换平缓的区域更加值得注意。在网络结构中加入了频域范围内的人工特征，加强了图像中的低频信息特征，提高了阴影检测的准确性。
本发明采用的技术方案如下：
一种基于频域滤波处理的自然场景下阴影识别检测方法，其步骤包括：
1)频域选择模块对数据集中的图片进行处理，为对应图片构造频域范围内的人工特征低频图；所述数据集包含多个图片及其二值掩模图；
2)基于UNet网络构造阴影检测网络，所述阴影检测网络的损失函数包含用于计算生成图片与对应二值掩膜图的相似度的Dice损失函数；
3)利用各图片及其对应的人工特征低频图、二值掩膜图对所述阴影检测网络进行训练；
4)将待检测图片输入训练后的阴影检测网络，检测得到该待检测图片的阴影。
进一步的，所述频域选择模块对图片进行二维傅里叶变换，得到该图片的频域图；然后用低通滤波器对该频域图进行滤波，滤除掉该频域图的高频部分，得到该图片的人工特征低频图。
进一步的，滤除掉该频域图的高频部分，得到该图片的人工特征低频图的方法为：将该频域图的原点移动到对应图片中心，然后设置低通滤波器的尺寸与该频域图相同，然后将该低通滤波器与该频域图相乘的结果进行傅里叶反变换，生成低频图，作为图片的人工特征低频图。
进一步的，所述低通滤波器为矩形滤波器。
进一步的，将图片及其对应的人工特征低频图连接作为一个训练样本，输入所述阴影检测网络进行训练；所述阴影检测网络由N层下采样单元与N层上采样单元级联构成，其中第i级下采样单元的输出结果与第N-i级上采样单元的输入进行合并，共同经过卷积重构层处理所得结果作为第N-i+1级上采样单元的输入，第i级下采样单元的输出结果同时作为第i+1级下采样单元的输入，第i级下采样单元的输出结果同时作为第i+1级下采样单元的输入；i＝1～N-1；第N级下采样单元的输出结果作为第1级上采样单元的输入；dice损失函数用于计算第N级上采样单元的上采样结果与对应二值掩膜图的损失值。
进一步的，每一级下采样单元包括依次连接的双层卷积层和最大值池化层；所述双层卷积层的结构为卷积层+批归一化+第一激活层+卷积层+批归一化+第二激活层，该第二激活层的输出结果与所在双层卷积层的输入连接作为该双层卷积层的输出。
进一步的，所述dice损失函数为其中Ygt为二分类真值掩模图，Ypre为预测结果，·表示矩阵逐元素相乘，|·|表示矩阵主元素的和。
进一步的，所述阴影检测网络采用Dice损失函数逐像素进行阴影、非阴影的二分类，并计算分类结果的准确度A、误码率BER及衡量集合相似度的Dice指标。
进一步的，通过公式计算Dice指标；其中TP指被判定为阴影，同时也是阴影像素；TN指被判定为非阴影，同时也是非阴影像素；FP判定为阴影，但事实上是非阴影像素；FN被判定为非阴影，但事实上是阴影像素。
本发明基于频域滤波处理的自然场景下阴影识别检测方法主要包括以下步骤：
1)根据包含阴影/非阴影二分类真值图(即掩模图片)以及原图的自然场景图片的数据集重塑为128*128大小，通过频域选择模块，构造频域范围内的人工特征低频图；
2)基于UNet网络构造阴影检测网络，所述阴影检测网络的损失函数包含用于计算生成图片与掩膜图片的相似度的Dice损失函数；
3)利用原图经过频率选择模块得到低频图与原图和所述二值掩膜图对所述阴影检测网络进行训练；所述阴影检测网络采用Dice损失函数逐像素进行阴影、非阴影的二分类，并计算分类结果的准确度，BER以及DICE参数；
4)将待检测的自然场景图片输入训练完成的阴影区域检测网络，实现阴影的检测。
进一步地，步骤1)首先将现有的待训练图片通过频域选择模块，构造出频域选择处理后的变换图。所述频域选择模块主要流程为：将图片经过二维傅里叶变换，得到图像的频谱(频域图)；之后用理想低通滤波器对频谱进行滤波，滤除图像灰度值变化缓慢的高频细节成分(具体来讲滤波器滤除了半频的细节成分)，从而更多的保留图片大面积色块部分，得到人工特征低频图。
进一步的，所述二维傅里叶变换公式如下：
其中M和N指二维离散图像的尺寸，f(x,y)为原图，F(u,v)为经过傅里叶变换的频域图。
进一步地，将F(u,v)的原点移到频域的中心，以方便频域的处理操作。频域的选择操作为使用低通滤波器滤除掉图片的细节部分，具体经过试验，发现标准高斯低通滤波器(表现在频域范围为圆形掩膜)表现并不是很好，相对的矩形滤波器表现较好，而理想滤波器由于过滤特性过于急峻产生的振铃效应能较好的帮助网络识别阴影区域，因此采用矩形滤波器，滤波器为尺寸与频域图相同的，中间为60*60大小的掩膜，将其与频域图相乘并将相乘结果进行傅里叶反变换，得到处理之后的人工特征低频图。由于原图为128*128大小，因此滤波器的滤除范围为接近半频范围，经过试验发现该范围效果较好。
进一步的，使用傅里叶反变换得到处理后的人工特征低频图。所述傅里叶反变换公式如下：
进一步地，步骤2)使用UNet作为基础神经网络结构，将多个卷积层结果进行级联，并实现多个上采样的卷积重构，构造阴影检测网络。
进一步地，步骤2)所述阴影检测网络中，输入部分由原图和经过频域选择模块之后得到的低频图连接构成，如图1所示，为了提取更深层次的图像特征，网络结构借鉴UNet的思路，并加入ResNet的残差子网络结构，由五层下采样与五层上采样级联构成。残差层结构为在该层的输出中连接该层的输入。下采样由双卷积残差层与最大值池化层完成，上采样为传统的内插值上采样合并对应下采样的输入完成。最后的输出结果与标注的二值掩模图做比较，利用dice损失函数实现共同训练。训练批量大小为8，经过10000次迭代完成训练，迭代学习率前3000次为0.005，经过3000次衰减为0.0005，最后4000次为0.00005。
进一步地，所述dice损失函数的公式如下：
其中Ygt表示标注的二分类真值掩模图，Ypre为预测结果，·表示矩阵逐元素相乘。|·|表示矩阵主元素的和。
进一步的，步骤3)所述三个评价指标为准确度A，误码率BER以及衡量集合相似度的Dice指标。所述指标公式如下：
其中TP指被判定为阴影，同时也是阴影像素；TN指被判定为非阴影，同时也是非阴影像素；FP判定为阴影，但事实上是非阴影像素；FN被判定为非阴影，但事实上是阴影像素。
综上所述，本发明设计了一个基于深度学习的自然场景下阴影检测的方法，具有高准确度的结果。与现有的技术相比，本发明的优点在于：
1、基于UNet网络进行改进，设计了一个阴影检测网络。
2、整合充分利用调整了原始图片的频域信息，更加有益于网络的训练。
3、网络适应性强，可以利用不多的训练样本，在准确度，BER以及Dice三个评价指标上都得到较高的结果。
附图说明
图1为场景阴影检测网络架构图。
具体实施方式
下面通过具体实施例和附图，对本发明做进一步详细说明。
本发明的基于深度学习的自然场景下阴影检测方法流程如图1所示，主要分为训练阶段和测试阶段两个阶段。
训练阶段的步骤如下：
1)训练图片通过频域选择模块处理，构造含有大面积色块的细节较少的低频图像，并将其与原图连接到一起；
该步骤1)的处理过程为：首先将训练图片经过傅里叶变换，生成训练图片的频域图。图片的高频部分往往包含图像的细节信息，而阴影更加侧重于大面积的统一色块。因此为了保留图片的低频信息，将频域图高频部分滤除掉，仅保留图片的低频部分。这里首先将频域图的原点移动到图像中心，之后设定所需低通滤波器的理想范围为图像中心60*60的矩形框，因此设置理想低通滤波器为尺寸与频域图相同，中间为60*60的全1，其余为全0的二值图，该二值图(即所选低通滤波器)与频域图相乘的结果经过傅里叶反变换，生成处理过的低频图，并将其与原图连接到一起。
2)基于UNet(O.Ronneberger,P.Fischer,and T.Brox.U-net:Convolutionalnetworks for biomedical image segmentation.In International Conference onMedical Image Computing and Computer-Assisted Intervention(MICCAI),pages 234–241.Springer,2015.)的网络架构，使用它U型对称的结构，左侧是卷积层，右侧是上采样层，构造阴影检测网络。
该步骤2)借鉴UNet的思想，把场景阴影检测任务视同物体分割任务。网络结构如图1所示，首先，使用了多层卷积作为编码结构，多层卷积重构上采样作为解码结构，总体作为基础网络结构，抽取图像的高层与底层特征融合后的特征。图1中双卷积残差层1、双卷积残差层2、双卷积残差层3、双卷积残差层4、双卷积残差层5组成编码结构，采用34层残差网络(学名resnet34)的结构并加入批归一化层，为双层卷积层以及残差结构构成的子网络，构成一个双卷积残差层。每一个双卷积层都由卷积层加批归一化层加Relu激活层，之后连接该层输入而形成的残差结构(称为残差连接)构成，即每一个双卷积残差层的结构为：卷积层+批归一化+激活层+卷积层+批归一化+激活层最后再连接该层输入。双卷积残差层6、双卷积残差层7、双卷积残差层8、双卷积残差层9、双卷积残差层10作为解码结构，为解码过程中的双卷积残差层，每一个双卷积残差层的结构跟编码过程的双卷积残差层结构相同。在上采样过程中经过上采样层，最终用1*1的卷积层和sigmoid激活函数构造最终的二分类图。为了更好地提取阴影的特征，将双卷积残差层1、双卷积残差层2、双卷积残差层3、双卷积残差层4、双卷积残差层5经过最大值池化后的特征进行融合，构造解码器。具体地，由编码器中每一个双卷积残差层层和最大值池化层的特征上采样，与上一层的特征拼接到一起，得到解码器该层的重构特征。该步骤借鉴UNet的思想，在不同尺度提取图像的特征并重建二分类的阴影识别图，采用双层卷积更好地提取图像在某一尺度的特征，采用残差连接对该层以及上一层的特征进行融合，更好地保留了上一级的特征，并且较好地改善网络退化的问题。
3)最终卷积得到的结果图与标注二值化掩膜图通过Dice损失函数进行训练。考虑到阴影区域一般在整张图片中所占的比例较小，因此使用BER分别对阴影和非阴影区域进行评判，而将二者的和作为评价标准。
测试阶段的步骤如下：
1)将测试图片输入训练好的网络，阴影检测网络最终的输出即为阴影/非阴影区域的分类图。
2)对二分类图挑选得分大于阈值的阴影像素区域置一，其余部分置零，作为最终的二值化阴影检测结果。
下面进一步说明本发明的阴影检测网络。本发明提出的基于深度学习的频域调控自然场景下阴影检测的方法中的阴影检测网络主要由UNet进行改进得来的，如图1所示。该网络的使用Dice作为损失函数，对阴影非阴影区域进行二分类。对于网络部分，本发明输入为原图和低频图的拼接。对于低频图的生成，使用傅里叶变换公式：
对原图进行傅里叶变换，得到频域图之后使用理想低通滤波器，即与频域图尺寸相同，中间设置60*60全1，其余部分全0二值化图，对频域图进行滤波，进一步通过傅里叶反变换公式：
对结果进行傅里叶反变换，得到输入的低频图，与原图一起作为网络的输入。
因此网络的输入为两通道，最终输出为一通道的二分类图，与标注的二分类真值图(即掩模图片)做Dice损失，损失函数如下：
其中后部分为改进的Dice系数，对Dice系数进行分母分子加一操作，为了防止出现分母为零的情况发生。
本发明提出的自然场景阴影检测方法，其测试环境及实验结果为：
(1)测试环境：
系统环境：ubuntu16.04；
硬件环境：内存：16GB，GPU：TITIANXP，硬盘：1TB；
(2)实验数据：
训练数据：
使用ISTD数据集(Jifeng Wang,Xiang Li,and Jian Yang.Stacked conditionalgenerative adversarial networks for jointly learning shadow detection andshadow removal.In CVPR,pages 1788–1797,2018.)包括训练集1330张，训练到模型稳定，效果不再提升。
训练优化方法：ADAM
测试数据：ISTD测试集(540张)
评估方法：在线评估
(3)实验结果：
为说明本发明的效果，使用相同的数据集对是否使用频域选择模块的本发明阴影检测网络进行训练，到模型稳定效果不再提升时停止训练，使用ISTD测试集进行测试。
现有本发明测试对比结果如下面表1所示：
表1.现有方法和本发明的测试结果对比
序号 方法 B Acc D
3 本发明(不使用频域选择模块) 0.1061 0.9398 0.8361
4 本发明(使用频域选择模块) 0.0630 0.9608 0.8591
其中Acc指accuracy准确率，BER指BER，D指Dice。从表中可以清楚的看到，本发明所涉及到的阴影检测网络比在使用频域选择模块之后结果出现较大的提升，并且总体上呈现出较高的水平。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。

Claims (4)

1.一种基于频域滤波处理的自然场景下阴影识别检测方法，其步骤包括：
1)频域选择模块对数据集中的图片进行处理，为对应图片构造频域范围内的人工特征低频图；所述数据集包含多个图片及其二值掩模图；
2)基于UNet网络构造阴影检测网络，所述阴影检测网络的损失函数包含用于计算生成图片与对应二值掩膜图的相似度的Dice损失函数；所述阴影检测网络由N层下采样单元与N层上采样单元级联构成，第i级下采样单元的输出结果与第N-i级上采样单元的输入进行合并，共同经过卷积重构层处理所得结果作为第N-i+1级上采样单元的输入，第i级下采样单元的输出结果同时作为第i+1级下采样单元的输入，i＝1～N-1；第N级下采样单元的输出结果作为第1级上采样单元的输入；dice损失函数用于计算第N级上采样单元的上采样结果与对应二值掩膜图的损失值；每一级下采样单元包括依次连接的双层卷积层和最大值池化层；所述双层卷积层的结构为卷积层+批归一化+第一激活层+卷积层+批归一化+第二激活层，该第二激活层的输出结果与所在双层卷积层的输入连接作为该双层卷积层的输出；
3)利用各图片及其对应的人工特征低频图、二值掩膜图对所述阴影检测网络进行训练；其中，训练方法为：将图片及其对应的人工特征低频图连接作为一个训练样本，输入所述阴影检测网络进行训练；所述dice损失函数为其中Ygt为二分类真值掩模图，Ypre为预测结果，·表示矩阵逐元素相乘，|·|表示矩阵主元素的和；所述阴影检测网络采用Dice损失函数逐像素进行阴影、非阴影的二分类，并计算分类结果的准确度A、误码率BER及衡量集合相似度的Dice指标；Dice指标的计算公式为/>其中TP指被判定为阴影，同时也是阴影像素；TN指被判定为非阴影，同时也是非阴影像素；FP判定为阴影，但事实上是非阴影像素；FN被判定为非阴影，但事实上是阴影像素；
4)将待检测图片输入训练后的阴影检测网络，检测得到该待检测图片的阴影。
2.如权利要求1所述的方法，其特征在于，所述频域选择模块对图片进行二维傅里叶变换，得到该图片的频域图；然后用低通滤波器对该频域图进行滤波，滤除掉该频域图的高频部分，得到该图片的人工特征低频图。
3.如权利要求2所述的方法，其特征在于，滤除掉该频域图的高频部分，得到该图片的人工特征低频图的方法为：将该频域图的原点移动到对应图片中心，然后设置低通滤波器的尺寸与该频域图相同，然后将该低通滤波器与该频域图相乘的结果进行傅里叶反变换，生成低频图，作为图片的人工特征低频图。
4.如权利要求2或3所述的方法，其特征在于，所述低通滤波器为矩形滤波器。
CN202011109331.0A 2020-10-16 2020-10-16 一种基于频域滤波处理的自然场景下阴影识别检测方法 Active CN112257766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011109331.0A CN112257766B (zh) 2020-10-16 2020-10-16 一种基于频域滤波处理的自然场景下阴影识别检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011109331.0A CN112257766B (zh) 2020-10-16 2020-10-16 一种基于频域滤波处理的自然场景下阴影识别检测方法

Publications (2)

Publication Number Publication Date
CN112257766A CN112257766A (zh) 2021-01-22
CN112257766B true CN112257766B (zh) 2023-09-29

Family

ID=74245470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011109331.0A Active CN112257766B (zh) 2020-10-16 2020-10-16 一种基于频域滤波处理的自然场景下阴影识别检测方法

Country Status (1)

Country Link
CN (1) CN112257766B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819969B (zh) * 2021-02-08 2024-08-09 广东三维家信息科技有限公司 虚拟场景路径的生成方法、装置、电子设备及存储介质
CN113052775B (zh) * 2021-03-31 2023-05-23 华南理工大学 一种图像去阴影方法及装置
CN113378897A (zh) * 2021-05-27 2021-09-10 浙江省气候中心 基于神经网络的遥感图像分类方法、计算设备及存储介质
CN113409377B (zh) * 2021-06-23 2022-09-27 四川大学 一种基于跳跃连接式生成对抗网络的相位展开方法
CN113658138B (zh) * 2021-08-17 2023-06-16 天津大学 一种应用于变化检测任务的网络结构及方法
CN115965851A (zh) * 2022-12-21 2023-04-14 上海人工智能创新中心 一种基于低通滤波生成图片掩码学习方法及装置
CN116342417B (zh) * 2023-03-22 2023-10-03 广州市城市规划勘测设计研究院 一种航空遥感影像的辐射校正方法及系统
CN116012382B (zh) * 2023-03-28 2023-06-02 中国电力工程顾问集团有限公司 电力设备渗漏油检测方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978807A (zh) * 2019-04-01 2019-07-05 西北工业大学 一种基于生成式对抗网络的阴影去除方法
CN110059538A (zh) * 2019-02-27 2019-07-26 成都数之联科技有限公司 一种基于深度密集神经网络的水体识别方法
CN111639692A (zh) * 2020-05-25 2020-09-08 南京邮电大学 一种基于注意力机制的阴影检测方法
CN111666842A (zh) * 2020-05-25 2020-09-15 东华大学 一种基于双流空洞卷积神经元网络的阴影检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059538A (zh) * 2019-02-27 2019-07-26 成都数之联科技有限公司 一种基于深度密集神经网络的水体识别方法
CN109978807A (zh) * 2019-04-01 2019-07-05 西北工业大学 一种基于生成式对抗网络的阴影去除方法
CN111639692A (zh) * 2020-05-25 2020-09-08 南京邮电大学 一种基于注意力机制的阴影检测方法
CN111666842A (zh) * 2020-05-25 2020-09-15 东华大学 一种基于双流空洞卷积神经元网络的阴影检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Weighted Focus-Attention Deep Network for Fine-grained Image Classification;Cong Zou 等;《2019 IEEE International Conference on Big Data》;20191231;全文 *
基于特征压缩激活Unet网络的建筑物提取;刘浩 等;《地球信息科学》;20191130;第21卷(第11期);全文 *

Also Published As

Publication number Publication date
CN112257766A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN112257766B (zh) 一种基于频域滤波处理的自然场景下阴影识别检测方法
Tian et al. Deep learning on image denoising: An overview
CN112233038B (zh) 基于多尺度融合及边缘增强的真实图像去噪方法
CN112288658B (zh) 一种基于多残差联合学习的水下图像增强方法
Zhang et al. Image restoration: From sparse and low-rank priors to deep priors [lecture notes]
Xu et al. Structure-texture aware network for low-light image enhancement
US20240062530A1 (en) Deep perceptual image enhancement
CN111028177A (zh) 一种基于边缘的深度学习图像去运动模糊方法
CN111915530A (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
Wang et al. MAGAN: Unsupervised low-light image enhancement guided by mixed-attention
CN113450290B (zh) 基于图像修补技术的低照度图像增强方法及系统
Feng et al. URNet: A U-Net based residual network for image dehazing
CN110136075B (zh) 一种基于边缘锐化循环生成对抗网络的遥感影像去雾方法
CN113870124B (zh) 基于弱监督的双网络互激励学习阴影去除方法
CN116503292B (zh) 一种基于SwinIR的高光谱遥感图像去噪方法
CN114581318B (zh) 一种低照明度图像增强方法及系统
CN118097150B (zh) 一种小样本伪装目标分割方法
CN115049054B (zh) 基于特征图响应的通道自适应分段动态网络剪枝方法
CN116863194A (zh) 一种足溃疡图像分类方法、系统、设备及介质
Wang et al. Effective light field de-occlusion network based on Swin transformer
Wang et al. Image super-resolution via lightweight attention-directed feature aggregation network
Wan et al. Progressive convolutional transformer for image restoration
Luo et al. A fast denoising fusion network using internal and external priors
CN113222016B (zh) 一种基于高层和低层特征交叉增强的变化检测方法及装置
Yapici et al. A review of image denoising with deep learning

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