CN112465736A - 一种用于港口船舶监控的红外视频图像增强方法 - Google Patents
一种用于港口船舶监控的红外视频图像增强方法 Download PDFInfo
- Publication number
- CN112465736A CN112465736A CN202011293819.3A CN202011293819A CN112465736A CN 112465736 A CN112465736 A CN 112465736A CN 202011293819 A CN202011293819 A CN 202011293819A CN 112465736 A CN112465736 A CN 112465736A
- Authority
- CN
- China
- Prior art keywords
- infrared
- quality
- image
- infrared image
- video
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000003331 infrared imaging Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/30—Transforming light or analogous information into electric information
- H04N5/33—Transforming infrared radiation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
-
- 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
- G06T2207/10048—Infrared image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于港口船舶监控的红外视频图像增强方法，包括：1)采集大量的高质量与低质量的港口红外视频；2)利用高质量红外视频中的红外图像合成低质量红外图像并构建匹配对训练集，将真实的低质量红外图像作为测试集；3)构建生成式对抗网络模型，利用训练集训练该网络，学习低质量红外图像到清晰的高质量红外图像之间的函数映射关系；4)实时获取红外视频数据，将红外视频分割成帧图像，输入到训练好的生成网络G，由生成网络G对红外视频中的红外图像进行增强处理，并整合成完整的视频流。本发明主要针对港口船舶红外监控由于恶劣天气条件等对红外成像造成的对比度低、结构模糊的问题，实现港口红外视频增强处理，无需人工干预。
Description
技术领域
本发明涉及海事视频图像处理技术领域，具体地指一种用于港口船舶监控的红外视频图像增强方法。
背景技术
近年来，现代港口物流产业飞速发展，港口货运吞吐量大规模增长，船舶进出港频率更高，使得港口航运安全监管压力逐步增大，对用于保障船舶安全的港口视频监控提出了更高的要求。
传统的可见光监控设备易受雾霾和低照度等天气因素的影响，难以满足港口全天候地实行大面积航运安全管理的应用需求。红外热像仪仅依靠物体自身辐射的热能即可成像，不仅受光照影响小，而且可实现几倍或几十倍于传统可见光监控设备的夜视能力，已被广泛应用于港口航道水运安全监管。然而，受目标辐射特性和探测器制造工艺等因素的影响，红外热像仪所接收的热辐射信号在大气传输过程中容易被吸收、散射或被水汽反射，使得所获取的红外图像不仅对比度较低而且缺乏重要的结构信息，不利于监管人员对进出港船舶的观测，因此对红外视频图像进行对比度及细节增强可以帮助港口监管人员更加直观地观察视频内容，及时做出决策和判断。
目前，国内外的红外视频图像增强研究主要有基于模型的方法和基于判别式学习的方法。尽管基于判别式学习的方法已取得了较好的视觉效果，但是由于存储空间和算力资源的限制，导致仅采用普通卷积方式实现红外视频图像增强的网络模型在移动设备和嵌入式设备上的存储与运行面临巨大挑战，难以应用在对实时性要求更高的港口航道水运安全监管领域。
发明内容
针对上述现有技术的不足之处，本发明提出一种用于港口船舶监控的红外视频图像增强方法，目的在于解决港口红外监控由于受恶劣天气条件、目标辐射特性、探测器制造工艺等因素的影响而产生的对比度低、结构模糊等成像问题，为港口安全防范提供技术支持。
为实现上述目的，本发明所设计的一种用于港口船舶监控的红外视频图像增强方法，其特殊之处在于，所述方法包括如下步骤：
步骤1：采集高质量的港口红外视频和低质量的港口红外视频；
步骤2：将采集到的高质量、低质量红外视频逐帧切割分别得到高质量红外图像和低质量的红外图像，采用高质量红外图像人工合成低质量红外图像，形成匹配对，构建训练数据集，同时以真实的低质量红外图像作为测试数据集；
步骤3：构建生成式对抗网络模型，利用步骤2构建的训练数据集训练所述生成式对抗网络模型，学习低质量红外图像到高质量红外图像之间的函数映射关系，并用所述测试数据集对网络模型进行测试；所述生成式对抗网络模型包括两个子网络，即生成网络G和判别网络D，其中，生成网络G将低质量的红外图像生成为高质量的红外图像，判别网络D判断输入图像是否符合真实的高质量红外图像的概率；
步骤4：港口监控实时获取红外视频并传送视频数据，将红外视频中每一帧的红外图像输入所述步骤3训练完成后的生成网络G，由生成网络G对视频中的红外图像序列进行增强处理，并整合成完整的视频流。
优选地，所述步骤2中构建训练数据集的具体步骤如下：
步骤2.1：首先对高质量红外图像进行gamma调整，降低图像对比度：I′＝A×Iγ
其中，I为高质量红外图像，I′为对比度降低后的红外图像，A为常数，决定了图像中最大光照强度，γ为gamma校正参数，当γ＜1时，图像对比度降低；
步骤2.2：对步骤2.1中对比度降低的红外图像I′进行高斯滤波处理，生成不同模糊程度的红外图像；
步骤2.3：以高质量红外图像作为标签红外图像、步骤2.2中合成的对比度降低、结构模糊的红外图像作为待增强的低质量红外图像，形成匹配对，构建训练数据集。
优选地，所述生成网络G采用深度可分离卷积结构，该结构将标准卷积分为深度卷积和逐点卷积，分开映射图像通道和空间的相关性，在不损失网络性能的同时，显著降低模型参数量和计算量，快速实现红外图像的增强效果。
优选地，所述生成网络G是一个多尺度生成网络，每个尺度均由三个增强单元组成，每个单元又由三个深度可分离卷积结构组成，并使用在float16/int8嵌入式设备中具有良好效果的ReLU6作为激活函数。
优选地，所述判别网络D由多个标准卷积构成，除了第一个和最后一个卷积外，每个卷积层均带有批处理归一化和Leaky ReLU激活函数，用于对输入图像进行4次卷积操作，并输出一张特征图，然后通过Sigmoid激活函数计算输入地红外图像是否符合清晰地高质量红外图像的分布。
优选地，所述步骤2.1中，A和γ分别服从(0.5，0.95)和(0.05，0.9)的均匀分布。
优选地，所述步骤2.2中，高斯模糊核在3×3、5×5、7×7之间随机变化，以生成不同模糊程度的红外图像。
通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明针对港口船舶红外监控由于恶劣天气环境等造成的对比度低、结构模糊等成像问题，找到低质量红外图像与高质量红外图像的函数映射关系，实现港口红外视频的增强处理。
2、本发明通过构建红外图像训练集和测试集，解决现存相关方法缺乏数据集的问题，便于网络模型的训练和测试。
3、本发明提出的生成式对抗网络模型无需消耗大量人工进行特征提取，即可自主学习低质量红外图像到高质量红外图像的函数映射关系。
4、本发明提出的网络模型采用深度可分离卷积替代标准卷积可大大减少网络参数和计算量，降低内存占用，提高单帧红外图像的处理速度，从而实现红外视频的增强处理。
5、本发明提高了港口红外图像对比度，增强了目标结构信息，降低了恶劣天气环境对红外成像的影响，为港口安全防范提供重要的视觉感知支持，提高港口的监控效能。
附图说明
图1为本发明的流程图。
图2为本发明的生成式对抗网络结构图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示，本发明所提出的一种用于港口船舶监控的红外视频图像增强方法，包括如下步骤：
步骤1：分别采集大量高质量的港口红外视频和低质量的港口红外视频。
步骤2：将采集到的红外视频逐帧切割分别得到大量的高质量红外图像和低质量的红外图像，采用高质量红外图像人工合成低质量红外图像，形成匹配对，构建训练数据集，同时以真实的低质量红外图像作为测试数据集。
步骤3：构建生成式对抗网络模型，利用步骤2构建的训练数据集训练该生成式对抗网络，学习低质量红外图像到高质量红外图像之间的函数映射关系，并用真实的低质量红外图像对网络模型进行测试。生成式对抗网络模型包括两个子网络，即生成网络G和判别网络D，其中，生成网络G将低质量的红外图像生成为高质量的红外图像，判别网络D判断输入图像是否符合真实的高质量红外图像的概率。
本实施方式中，如图2所示，生成网络G是一个多尺度结构，用于提取红外图像不同尺度的特征，具体地，首先对输入的红外图像进行卷积操作，分别得到3个不同尺度的原始特征图，大小分别为原始输入图像的：1、1/2和1/4。每个尺度的原始特征图均通过3个增强单元进行特征提取，每个增强单元均包含有相同的结构，均由3个连续的深度可分离卷积串联组成，在每个深度可分离卷积中均使用在float16/int8嵌入式设备中具有良好效果的ReLU6作为激活函数，然后将3个深度可分离卷积的输出进行拼接作为下一个增强单元的输入。除第一个增强单元的输入为原始低质量红外图像，后续增强单元的输入均为前一个增强单元的输出。每个增强单元的模型计算过程如下：
zn,1＝dConv(zn-1)
zn,2＝dConv(zn,1)
zn,3＝dConv(zn,2)
zn＝Concat(zn,1,zn,2,zn,3)
其中，zn表示第n(n＝3)个增强单元的输出，z0则表示原始红外图像，zn,l表示第n个增强单元中第l(l＝3)个深度可分离卷积块的输出，dConv(·)表示深度可分离卷积。最后，通过反卷积层将每个尺度的输出特征图上采样至同一大小并进行拼接，再通过1个卷积层将拼接的特征图进行融合，生成一张结构清晰的红外图像。
所述的判别网络D由多个标准卷积构成，除了第一个和最后一个卷积外，每个卷积层均带有批处理归一化和Leaky ReLU激活函数，用于对输入图像进行4次卷积操作，并输出一张特征图，然后通过Sigmoid激活函数计算输入的红外图像是否符合清晰地高质量红外图像的概率。
步骤4：港口监控实时获取红外视频并传送视频数据，将红外视频中每一帧的红外图像输入所述步骤3训练完成后的生成网络G，由生成网络G对视频中的红外图像序列进行增强处理，并整合成完整的视频流。
下面通过一个具体的实例来对本发明进行进一步的说明，具体实施如下：
步骤1：采集港口红外视频，视频数据集由两部分组成：1.低质量红外视频；2.高质量红外视频。
步骤2：对采集到的红外视频逐帧切割分别得到大量的高质量红外图像和低质量红外图像，并利用高质量红外图像人工合成低质量红外图像，具体步骤如下：
步骤2.1：首先对高质量红外图像进行gamma调整，降低图像对比度：
I′＝A×Iγ
其中，I为高质量红外图像，I′为对比度降低后的红外图像，A为常数，决定了图像中最大光照强度，γ为gamma校正参数，当γ＜1时，图像对比度减小。A和γ分别服从(0.5，0.95)和(0.05，0.9)的均匀分布，从而不同程度降低红外图像的对比度。
步骤2.2：将步骤2.1中得到的对比度降低的红外图像进行高斯滤波处理，高斯模糊核在3×3、5×5、7×7之间随机变化，以生成不同模糊程度的红外图像。
步骤2.3：以高质量红外图像作为标签图像，步骤2.2中合成的低对比度、结构模糊的红外图像作为待增强的低质量红外图像，形成匹配对，构建训练数据集，并以真实的低质量红外图像作为测试集。
步骤3：构建生成式对抗网络，利用步骤2得到的训练数据集训练该生成式对抗网络，具体训练步骤如下：
步骤3.1：将训练数据集中低质量的红外图像X输入到生成网络G中，生成一张对应的增强红外图像Y′。
步骤3.2：将增强的红外图像Y′与其对应的真实高质量红外图像Y输入判别网络D中，得到D(Y′)和D(Y)。根据损失函数LG和LD计算生成网络G和判别网络D的损失值，网络则根据反馈回的损失值调整参数，使清晰化的红外图像Y′与真实的红外图像Y相似。生成网络G和判别网络D的损失函数如下：
LD＝-log D(Y)-log(1-D(G(Y′))) (2)
其中，λ是值为0.01的权重参数。
步骤3.3：将测试集中真实的低质量红外图像输入生成网络G，生成网络G将视频中的图像进行增强处理，测试网络的增强效果。
步骤4：将训练完成的生成网络G移植到港口调度监控中心，港口红外监控实时获取红外视频数据并传送到监控中心，假设红外视频中每一帧红外图像的大小为1920×1080，则首先将每一帧的红外图像下采样至大小为640×540并输入生成网络G中，由生成网络G对视频中的红外图像序列进行增强处理后，上采样至1920×1080，输出并整合成完整的视频流进行展示。
本发明提出了一种用于港口船舶监控的红外视频图像增强方法，主要针对港口船舶红外监控由于恶劣天气环境等造成的对比度低、结构模糊等成像问题，无需手工特征提取，即可找到低质量红外图像与高质量红外图像的函数映射关系，实现港口红外视频的增强处理，提高红外视频中场景的辨识度，便于人工观测和判别，提高港口船舶监控的效能。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于港口船舶监控的红外视频图像增强方法，其特征在于：所述方法包括如下步骤：
步骤1：采集高质量的港口红外视频和低质量的港口红外视频；
步骤2：将采集到的高质量、低质量红外视频逐帧切割分别得到高质量红外图像和低质量的红外图像，采用高质量红外图像人工合成低质量红外图像，形成匹配对，构建训练数据集，同时以真实的低质量红外图像作为测试数据集；
步骤3：构建生成式对抗网络模型，利用步骤2构建的训练数据集训练所述生成式对抗网络模型，学习低质量红外图像到高质量红外图像之间的函数映射关系，并用所述测试数据集对网络模型进行测试；所述生成式对抗网络模型包括两个子网络，即生成网络G和判别网络D，其中，生成网络G将低质量的红外图像生成为高质量的红外图像，判别网络D判断输入图像是否符合真实的高质量红外图像的概率；
步骤4：港口监控实时获取红外视频并传送视频数据，将红外视频中每一帧的红外图像输入所述步骤3训练完成后的生成网络G，由生成网络G对视频中的红外图像序列进行增强处理，并整合成完整的视频流。
2.根据权利要求1所述的一种用于港口船舶监控的红外视频图像增强方法，其特征在于：所述步骤2中构建训练数据集的具体步骤如下：
步骤2.1：首先对高质量红外图像进行gamma调整，降低图像对比度：I′＝A×Iγ
其中，I为高质量红外图像，I′为对比度降低后的红外图像，A为常数，决定了图像中最大光照强度，γ为gamma校正参数，当γ＜1时，图像对比度降低；
步骤2.2：对步骤2.1中对比度降低的红外图像I′进行高斯滤波处理，生成不同模糊程度的红外图像；
步骤2.3：以高质量红外图像作为标签红外图像、步骤2.2中合成的对比度降低、结构模糊的红外图像作为待增强的低质量红外图像，形成匹配对，构建训练数据集。
3.根据权利要求1所述的一种用于港口船舶监控的红外视频图像增强方法，其特征在于：所述生成网络G采用深度可分离卷积结构。
4.根据权利要求3所述的一种用于港口船舶监控的红外视频图像增强方法，其特征在于：所述生成网络G是一个多尺度生成网络，每个尺度均由三个增强单元组成，每个单元又由三个深度可分离卷积结构组成，并使用在float16/int8嵌入式设备中具有良好效果的ReLU6作为激活函数。
5.根据权利要求1所述的一种用于港口船舶监控的红外视频图像增强方法，其特征在于：所述判别网络D由多个标准卷积构成，除了第一个和最后一个卷积外，每个卷积层均带有批处理归一化和Leaky ReLU激活函数，用于对输入图像进行4次卷积操作，并输出一张特征图，然后通过Sigmoid激活函数计算输入地红外图像是否符合清晰地高质量红外图像的分布。
6.根据权利要求2所述的一种用于港口船舶监控的红外视频图像增强方法，其特征在于：所述步骤2.1中，A和γ分别服从(0.5，0.95)和(0.05，0.9)的均匀分布。
7.根据权利要求2所述的一种用于港口船舶监控的红外视频图像增强方法，其特征在于：所述步骤2.2中，高斯模糊核在3×3、5×5、7×7之间随机变化，以生成不同模糊程度的红外图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011293819.3A CN112465736B (zh) | 2020-11-18 | 2020-11-18 | 一种用于港口船舶监控的红外视频图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011293819.3A CN112465736B (zh) | 2020-11-18 | 2020-11-18 | 一种用于港口船舶监控的红外视频图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112465736A true CN112465736A (zh) | 2021-03-09 |
| CN112465736B CN112465736B (zh) | 2023-03-24 |
Family
ID=74836900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011293819.3A Active CN112465736B (zh) | 2020-11-18 | 2020-11-18 | 一种用于港口船舶监控的红外视频图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465736B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222953A (zh) * | 2021-05-21 | 2021-08-06 | 西安电子科技大学 | 基于深度伽马变换的自然图像增强方法 |
Citations (11)
| 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 |
| US20190095795A1 (en) * | 2017-03-15 | 2019-03-28 | Samsung Electronics Co., Ltd. | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
| CN109801215A (zh) * | 2018-12-12 | 2019-05-24 | 天津津航技术物理研究所 | 基于对抗生成网络的红外超分辨率成像方法 |
| CN110084757A (zh) * | 2019-04-15 | 2019-08-02 | 南京信息工程大学 | 一种基于生成对抗网络的红外深度图像增强方法 |
| CN110163818A (zh) * | 2019-04-28 | 2019-08-23 | 武汉理工大学 | 一种用于海事无人机的低照度视频图像增强方法 |
| CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学（保定） | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
| CN110909800A (zh) * | 2019-11-26 | 2020-03-24 | 浙江理工大学 | 一种基于Faster R-CNN改进算法的车辆检测方法 |
| CN111105352A (zh) * | 2019-12-16 | 2020-05-05 | 佛山科学技术学院 | 超分辨率图像重构方法、系统、计算机设备及存储介质 |
| CN111814875A (zh) * | 2020-07-08 | 2020-10-23 | 西安电子科技大学 | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 |
| CN111915525A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 基于改进深度可分离生成对抗网络的低照度图像增强方法 |
| CN111931857A (zh) * | 2020-08-14 | 2020-11-13 | 桂林电子科技大学 | 一种基于mscff的低照度目标检测方法 |
-
2020
- 2020-11-18 CN CN202011293819.3A patent/CN112465736B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190095795A1 (en) * | 2017-03-15 | 2019-03-28 | Samsung Electronics Co., Ltd. | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
| 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 |
| CN109801215A (zh) * | 2018-12-12 | 2019-05-24 | 天津津航技术物理研究所 | 基于对抗生成网络的红外超分辨率成像方法 |
| CN110084757A (zh) * | 2019-04-15 | 2019-08-02 | 南京信息工程大学 | 一种基于生成对抗网络的红外深度图像增强方法 |
| CN110163818A (zh) * | 2019-04-28 | 2019-08-23 | 武汉理工大学 | 一种用于海事无人机的低照度视频图像增强方法 |
| CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学（保定） | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
| CN110909800A (zh) * | 2019-11-26 | 2020-03-24 | 浙江理工大学 | 一种基于Faster R-CNN改进算法的车辆检测方法 |
| CN111105352A (zh) * | 2019-12-16 | 2020-05-05 | 佛山科学技术学院 | 超分辨率图像重构方法、系统、计算机设备及存储介质 |
| CN111814875A (zh) * | 2020-07-08 | 2020-10-23 | 西安电子科技大学 | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 |
| CN111915525A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 基于改进深度可分离生成对抗网络的低照度图像增强方法 |
| CN111931857A (zh) * | 2020-08-14 | 2020-11-13 | 桂林电子科技大学 | 一种基于mscff的低照度目标检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| YECAI GUO等: "Underwater Image Enhancement Using a Multiscale Dense Generative Adversarial Network", 《IEEE JOURNAL OF OCEANIC ENGINEERING》 * |
| YU GUO等: "Low-Light Image Enhancement With Regularized Illumination Optimization and Deep Noise Suppression", 《DIGITAL OBJECT IDENTIFIER》 * |
| 曹辉等: "基于U-Net卷积神经网络的管道漏磁异常检测", 《沈阳大学学报（自然科学版）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222953A (zh) * | 2021-05-21 | 2021-08-06 | 西安电子科技大学 | 基于深度伽马变换的自然图像增强方法 |
| CN113222953B (zh) * | 2021-05-21 | 2023-10-20 | 西安电子科技大学 | 基于深度伽马变换的自然图像增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112465736B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753903B (zh) | 一种基于深度学习的无人机检测方法 | |
| EP4075374A1 (en) | Image processing method and apparatus, and image processing system | |
| CN110108704A (zh) | 一种蓝藻自动监测预警方法及其自动监测预警系统 | |
| CN113627504B (zh) | 基于生成对抗网络的多模态多尺度特征融合目标检测方法 | |
| CN113408423A (zh) | 适用于tx2嵌入式平台的水产品目标实时检测方法 | |
| CN112465727A (zh) | 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法 | |
| CN114998757B (zh) | 用于无人机航摄图像分析的目标检测方法 | |
| CN110136162B (zh) | 无人机视角遥感目标跟踪方法及装置 | |
| CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
| CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
| CN114092793B (zh) | 适用于复杂水下环境的端到端生物目标检测方法 | |
| CN115861799A (zh) | 基于注意力梯度的轻量化空对地目标检测方法 | |
| CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
| CN114373104A (zh) | 一种基于动态聚合的三维点云语义分割方法及系统 | |
| CN115719457A (zh) | 一种基于深度学习的无人机场景下小目标检测的方法 | |
| CN116580184A (zh) | 一种基于YOLOv7的轻量化模型 | |
| CN112465736B (zh) | 一种用于港口船舶监控的红外视频图像增强方法 | |
| CN112215199A (zh) | 基于多感受野与密集特征聚合网络的sar图像舰船检测方法 | |
| CN116468625A (zh) | 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统 | |
| CN115034997A (zh) | 图像处理方法及装置 | |
| CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
| CN112508863B (zh) | 一种基于rgb图像和msr图像双通道的目标检测方法 | |
| CN114627044A (zh) | 一种基于深度学习的太阳能光伏组件热斑检测方法 | |
| CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
| CN112102214A (zh) | 一种基于直方图与神经网络的图像去雾方法 |
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 |