CN112819688A - 一种sar图像转类光学图像的转换方法及系统 - Google Patents
一种sar图像转类光学图像的转换方法及系统 Download PDFInfo
- Publication number
- CN112819688A CN112819688A CN202110136342.6A CN202110136342A CN112819688A CN 112819688 A CN112819688 A CN 112819688A CN 202110136342 A CN202110136342 A CN 202110136342A CN 112819688 A CN112819688 A CN 112819688A
- Authority
- CN
- China
- Prior art keywords
- image
- sar
- sar image
- optical image
- color space
- 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.)
- Pending
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 22
- 238000007526 fusion splicing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000004040 coloring Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000003672 processing method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 1
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar 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
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于遥感图像处理技术领域,公开了一种SAR图像转类光学图像的转换方法及系统。利用深度学习的生成对抗网络模型和卷积神经网络可以实现SAR图像的去噪声处理和着色处理,使得SAR图像转换为类光学图像,通过图像的缩放和切片处理使大场景的SAR图像可以快速转换。本发明具有提高SAR图可解译性、能够保持图像边缘纹理、计算速度快的优点。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种SAR图像转类光学图像的转换方法及系统。
背景技术
SAR,即合成孔径雷达,具有全天候全天时的特点,并具有一定的地表穿透能力,因此在某些方面的应用上具有独特的优势,可发挥其他遥感手段难以发挥的作用。由于SAR图像仅为灰度图,不含光谱信息,且因相干斑噪声和信噪比较低、纹理细节不丰富等缺点,其成像质量和可解译性不及光学图像。同时,SAR图像的解译判读需要依靠判图人员的经验与知识,按照应用目的解释图像具有的意义,识别目标并定性定量的提取出目标的相关信息,这对于判图人员来说具有极强专业知识的要求。
发明内容
本发明的目的在于提供一种SAR图像转类光学图像的转换方法及系统,用以解决现有技术中的SAR图像的成像质量和可解译性不强的问题。
为了实现上述任务,本发明采用以下技术方案:
一种SAR图像转类光学图像的转换方法,包括以下步骤:
步骤1:获取待处理的SAR图像,对待处理的SAR图像进行去噪声处理获得去噪声的SAR图像,对去噪声的SAR图像进行缩小和切片,获得切片后的SAR图像块集合;
步骤2:将切片后的SAR图像块集合输入训练好的生成对抗网络,获得切片后的类光学图像块集合;
步骤3:对步骤2中得到的切片后的类光学图像块集合进行加权融合拼接得到融合后的类光学图像,对融合的类光学图像进行放大后变换至HSV颜色空间,得到HSV颜色空间图像的类光学图像,所述放大的尺寸为步骤1中待处理的SAR图像的尺寸;
步骤4:利用步骤1中得到的去噪声的SAR图像替换步骤3中得到的HSV颜色空间的类光学图像中亮度V通道所对应的图像,得到替换后的HSV颜色空间图像;将替换后的HSV颜色空间图像转换至RGB颜色空间,得到最终的类光学图像。
进一步的,步骤2中的生成对抗网络采用cycleGAN生成对抗网络,生成对抗网络的训练过程中采用对抗损失和循环一致损失作为损失函数。
进一步的,步骤1中采用滑窗法对SAR图像进行切片,得到切片后的SAR图像块集合。
进一步的,步骤3中对步骤2中得到的切片类光学图像进行加权融合拼接包括如下子步骤:
步骤a:计算切片类光学图像的重叠区域的权重值;
步骤b:将所有图像块的相邻部分根据步骤a计算出的权重值进行赋值并求和,得到消除拼接缝的类光学图像。
一种SAR图像转类光学图像的转换系统,包括预处理模块、转换模块、融合模块和替换模块;
所述预处理模块用于获取待处理的SAR图像,对待处理的SAR图像进行去噪声处理获得去噪声的SAR图像,对去噪声的SAR图像进行缩小和切片,获得切片后的SAR图像块集合;
所述转换模块用于将切片后的SAR图像块集合输入训练好的生成对抗网络,获得切片后的类光学图像块集合;
所述融合模块用于对切片后的类光学图像块集合进行加权融合拼接得到融合后的类光学图像,对融合的类光学图像进行放大后变换至HSV颜色空间,得到HSV颜色空间图像的类光学图像,所述放大的尺寸为预处理模块中待处理的SAR图像的尺寸;
所述替换模块利用去噪声的SAR图像替换HSV颜色空间的类光学图像中亮度V通道所对应的图像,得到替换后的HSV颜色空间图像;将替换后的HSV颜色空间图像转换至RGB颜色空间,得到最终的类光学图像。
进一步的,生成对抗网络采用cycleGAN生成对抗网络,生成对抗网络的训练过程中采用对抗损失和循环一致损失作为损失函数。
进一步的,采用滑窗法对SAR图像进行切片,得到切片后的SAR图像块集合。
进一步的,对切片类光学图像进行加权融合拼接包括如下子步骤:
步骤a:计算切片类光学图像的重叠区域的权重值;
步骤b:将所有图像块的相邻部分根据步骤a计算出的权重值进行赋值并求和,得到消除拼接缝的类光学图像。
本发明与现有技术相比具有以下技术特点:
(1)使用切片分割和图像缩放加通道替换处理,极大降低了大幅度的SAR图像处理时间;
(2)本发明利用了FPGA平台进行部署,相对于GPU平台部署的方法,成本有所下降且计算速度大大提高。
(3)使用了加权融合的方法,能够解决图像块差异导致的拼接缝问题,提升最终拼接大图的效果。
(4)添加了去噪声处理,能够有效去除SAR图像相干斑噪声,提升生成图像的效果质量。
附图说明
图1是本发明的流程图;
图2是实施例中待处理的SAR原图;
图3是实施例中SAR图去噪声后效果图;
图4是SAR图生成模型处理后效果图(未做拼缝消除);
图5是SAR图生成模型处理后效果图(已做拼缝消除)。
具体实施方式
在本实施例中公开一种SAR图像转类光学图像的转换模型建立方法,包括以下步骤:
步骤1:获取待处理的SAR图像,对待处理的SAR图像进行去噪声处理获得去噪声的SAR图像,对去噪声的SAR图像进行缩小和切片,获得切片后的SAR图像块集合;
步骤2:将切片后的SAR图像块集合输入训练好的生成对抗网络,获得切片后的类光学图像块集合;
步骤3:对步骤2中得到的切片后的类光学图像块集合进行加权融合拼接得到融合后的类光学图像,对融合的类光学图像进行放大后变换至HSV颜色空间,得到HSV颜色空间图像的类光学图像,所述放大的尺寸为步骤1中待处理的SAR图像的尺寸;
步骤4:利用步骤1中得到的去噪声的SAR图像替换步骤3中得到的HSV颜色空间的类光学图像中亮度V通道所对应的图像,得到替换后的HSV颜色空间图像;将替换后的HSV颜色空间图像转换至RGB颜色空间,得到最终的类光学图像。
使用SAR图像和光学图像制作的数据集进行步骤2中的生成对抗网络模型训练,得到生成对抗网络模型参数。生成对抗网络模型可以通过学习两个域之间图像的差异,能够在源图像和目标图像直接建立一种一对一的映射关系,实现图像的转换。生成对抗网络模型训练由两部分组成,一个是生成器G,一个是判别器D,生成器用来学习数据分布来产生实际数据达到欺骗判别器的目的。判别器来判断该生成图像是来自训练数据还是来自生成器。此处我们选用cycleGAN生成对抗网络结构,它的主要思想是一张图片通过生成器由A域转换到B域再由B域转换到A域,得到的最终结果应该和原图相符,所以该模型可用于不成对的数据进行训练。
在本实施例中公开了一种生成对抗网络模型的训练方法,在该方法中输入的数据集为SAR图像集和光学图像集,SAR图像集和光学图像集中的图像不必要求像素级配准,但应尽量选取相同地理位置和环境的图像。其中,SAR图像集中的SAR图像由SAR(合成孔径雷达)系统产生,光学图像集中的光学图像由光学遥感系统产生。在本实例中SAR图像集和光学图像集大约各5000张。该方法的步骤如下:
Step1.首先设置具有相同结构的生成器Gx生成器G和判别器Dx判别器Dy,其中生成器Gx和判别器Dy组成一组生成对抗网络,生成器Gy和判别器Dx组成另一组生成对抗网络,两组成对偶结构;
Step2.随机初始化生成器Gx生成器Gy,判别器Dx判别器Dy的网络参数;
Step3.将去噪声处理后的SAR图像集和光学图像集输入网络;
Step4.使用对抗损失和循环一致损失作为损失函数;
Step5.通过对抗损失与循环一致损失,分别优化生成器和判别器,使用梯度下降法,对模型进行迭代训练,即可得到我们需要的生成对抗网络模型参数。(由于只需要完成SAR图像转类光学图像的任务,所以只需要选取对应的一个生成器模型参数即可,另一生成器模型参数不需使用)。
具体的,步骤1中采用滑窗法对SAR图像进行切片,得到切片后的SAR图像块集合。该方法的具体步骤为:使用固定窗口大小从图像左上角开始,通过增加固定步长从左到右,从上到下进行滑动,遍历整幅图像进行切块,使切块图像具有一定像素的重叠区域(如将大图切分为1024*1024像素的图像,且重叠像素为512)。
具体的,步骤3中对步骤2中得到的切片类光学图像进行加权融合拼接包括如下子步骤:
步骤a:计算切片类光学图像的重叠区域的权重值;
步骤b:将所有图像块的相邻部分根据步骤a计算出的权重值进行赋值并求和,得到消除拼接缝的类光学图像。
步骤a中使用函数对重叠区域计算权重值,其中k为常数用来控制曲线倾斜程度,x为重叠区域矩阵,y为得到的权重系数矩阵,该函数可以使靠近重叠区域中心处的权重值大,远离重叠区域中心的权重值小,该方法可以消除由于颜色差异带来的拼接缝问题。
具体的,步骤4中需要先将拼接后放大至原始SAR图像大小的类光学图像变换至HSV颜色空间,HSV颜色空间包含H(色调),S(饱和度),V(亮度)三个颜色分量。由于SAR图像为灰度图像,使用通道替换处理,将去噪声后的整幅SAR图像替换步骤3中得到的HSV颜色空间图像,得到最终的类光学图像,这样可以保证生成图像的色调信息与直接对整幅大图进行生成对抗模型处理结果保持基本一致并能够保持SAR图像纹理信息。
本实施例中还公开了一种SAR图像转类光学图像的转换模型建立系统,包括预处理模块、转换模块、融合模块和替换模块;
所述预处理模块用于获取待处理的SAR图像,对待处理的SAR图像进行去噪声处理获得去噪声的SAR图像,对去噪声的SAR图像进行缩小和切片,获得切片后的SAR图像块集合;
所述转换模块用于将切片后的SAR图像块集合输入训练好的生成对抗网络,获得切片后的类光学图像块集合;
所述融合模块用于对切片后的类光学图像块集合进行加权融合拼接得到融合后的类光学图像,对融合的类光学图像进行放大后变换至HSV颜色空间,得到HSV颜色空间图像的类光学图像,所述放大的尺寸为预处理模块中待处理的SAR图像的尺寸;
所述替换模块利用去噪声的SAR图像替换HSV颜色空间的类光学图像的亮度V通道,得到替换后的HSV颜色空间图像;将替换后的HSV颜色空间图像转换至RGB颜色空间,得到最终的类光学图像。
具体的,步骤1中去噪声采用模拟噪声的方法,向无噪声图像添加模拟SAR图噪声并使用深度残差网络进行训练,训练得到可以提取出图像噪声的模型。使用该去噪声模型能够有效去除SAR图像噪声,对后续的生成模型处理上色提供帮助,提升生成图的视觉效果。
使用加噪声图像和无噪声图像制作的数据集进行步骤1中深度残差网络模型的训练,得到残差网络模型参数。通过残差学习可学习到噪声图像和无噪声图像的差异,能够提取带噪声图像的噪声并去除。
具体的,生成对抗网络采用cycleGAN生成对抗网络,生成对抗网络的训练过程中采用对抗损失和循环一致损失作为损失函数。
具体的,采用滑窗法对SAR图像进行切片,得到切片后的SAR图像块集合。
具体的,对切片类光学图像进行加权融合拼接包括如下子步骤:
步骤a:计算切片类光学图像的重叠区域的权重值;
步骤b:将所有图像块的相邻部分根据步骤a计算出的权重值进行赋值并求和,得到消除拼接缝的类光学图像。
具体的,所属系统在Xlinx Vitis AI平台上部署,通过Vitis AI软件工具包对已经训练好的网络模型进行相应的裁剪操作并最终部署在FPGA平台。Vitis AI通过将FP32类型的权重参数转换为INT8类型,AI量化器可以在几乎不损失预测精度的情况下降低计算复杂度。定点后的网络模型需要更少的内存带宽,因此比浮点模型提供更快的速度和更高的功率效率。Vitis AI使用AI编译器将AI模型映射为高效的指令集和数据流,它还执行复杂的优化,如层融合,指令调度,并尽可能多地重用芯片存储器。通过量化和编译处理后的模型会提高处理速度。
表1为三个不同平台上部署后对相同像素大小图像(16384*16384)的处理时间对比。
表1本方法与其他平台处理时间对比
图2至图5依次为原始SAR图像、经去噪声模型处理后的SAR图像、经生成对抗模型处理但未做加权融合拼接的图像、经生成对抗模型处理且已做加权融合拼接的图像,对比图2图3可看到通过去噪声模型处理可以降低SAR图像中的相干斑噪声,提高图像质量。对比图4图5可看到通过添加加权融合拼接可解决图像拼接缝问题,提高人眼视觉质量。对比图2图5可看到使用该算法可将SAR图像成功转换为类光学图像。
Claims (8)
1.一种SAR图像转类光学图像的转换方法,其特征在于,包括以下步骤:
步骤1:获取待处理的SAR图像,对待处理的SAR图像进行去噪声处理获得去噪声的SAR图像,对去噪声的SAR图像进行缩小和切片,获得切片后的SAR图像块集合;
步骤2:将切片后的SAR图像块集合输入训练好的生成对抗网络,获得切片后的类光学图像块集合;
步骤3:对步骤2中得到的切片后的类光学图像块集合进行加权融合拼接得到融合后的类光学图像,对融合的类光学图像进行放大后变换至HSV颜色空间,得到HSV颜色空间图像的类光学图像,所述放大的尺寸为步骤1中待处理的SAR图像的尺寸;
步骤4:利用步骤1中得到的去噪声的SAR图像替换步骤3中得到的HSV颜色空间的类光学图像中亮度V通道所对应的图像,得到替换后的HSV颜色空间图像;将替换后的HSV颜色空间图像转换至RGB颜色空间,得到最终的类光学图像。
2.如权利要求1所述的SAR图像转类光学图像的转换方法,其特征在于,步骤2中的生成对抗网络采用cycleGAN生成对抗网络,生成对抗网络的训练过程中采用对抗损失和循环一致损失作为损失函数。
3.如权利要求1所述的SAR图像转类光学图像的转换方法,其特征在于,步骤1中采用滑窗法对SAR图像进行切片,得到切片后的SAR图像块集合。
4.如权利要求1所述的SAR图像转类光学图像的转换方法,其特征在于,步骤3中对步骤2中得到的切片类光学图像进行加权融合拼接包括如下子步骤:
步骤a:计算切片类光学图像的重叠区域的权重值;
步骤b:将所有图像块的相邻部分根据步骤a计算出的权重值进行赋值并求和,得到消除拼接缝的类光学图像。
5.一种SAR图像转类光学图像的转换系统,其特征在于,包括预处理模块、转换模块、融合模块和替换模块;
所述预处理模块用于获取待处理的SAR图像,对待处理的SAR图像进行去噪声处理获得去噪声的SAR图像,对去噪声的SAR图像进行缩小和切片,获得切片后的SAR图像块集合;
所述转换模块用于将切片后的SAR图像块集合输入训练好的生成对抗网络,获得切片后的类光学图像块集合;
所述融合模块用于对切片后的类光学图像块集合进行加权融合拼接得到融合后的类光学图像,对融合的类光学图像进行放大后变换至HSV颜色空间,得到HSV颜色空间图像的类光学图像,所述放大的尺寸为预处理模块中待处理的SAR图像的尺寸;
所述替换模块利用去噪声的SAR图像替换HSV颜色空间的类光学图像中亮度V通道所对应的图像,得到替换后的HSV颜色空间图像;将替换后的HSV颜色空间图像转换至RGB颜色空间,得到最终的类光学图像。
6.如权利要求5所述的SAR图像转类光学图像的转换系统,其特征在于,生成对抗网络采用cycleGAN生成对抗网络,生成对抗网络的训练过程中采用对抗损失和循环一致损失作为损失函数。
7.如权利要求5所述的SAR图像转类光学图像的转换系统,其特征在于,采用滑窗法对SAR图像进行切片,得到切片后的SAR图像块集合。
8.如权利要求5所述的SAR图像转类光学图像的转换系统,其特征在于,对切片类光学图像进行加权融合拼接包括如下子步骤:
步骤a:计算切片类光学图像的重叠区域的权重值;
步骤b:将所有图像块的相邻部分根据步骤a计算出的权重值进行赋值并求和,得到消除拼接缝的类光学图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110136342.6A CN112819688A (zh) | 2021-02-01 | 2021-02-01 | 一种sar图像转类光学图像的转换方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110136342.6A CN112819688A (zh) | 2021-02-01 | 2021-02-01 | 一种sar图像转类光学图像的转换方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819688A true CN112819688A (zh) | 2021-05-18 |
Family
ID=75860953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110136342.6A Pending CN112819688A (zh) | 2021-02-01 | 2021-02-01 | 一种sar图像转类光学图像的转换方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819688A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538536A (zh) * | 2021-07-21 | 2021-10-22 | 中国人民解放军国防科技大学 | 一种sar图像信息辅助的遥感光学图像浓云检测方法及系统 |
CN115082288A (zh) * | 2022-05-16 | 2022-09-20 | 西安电子科技大学 | 基于偏微分方程启发的sar图像到光学图像的转换方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325942A (zh) * | 2018-09-07 | 2019-02-12 | 电子科技大学 | 基于全卷积神经网络的眼底图像结构分割方法 |
CN110363215A (zh) * | 2019-05-31 | 2019-10-22 | 中国矿业大学 | 基于生成式对抗网络的sar图像转化为光学图像的方法 |
CN111598095A (zh) * | 2020-03-09 | 2020-08-28 | 浙江工业大学 | 一种基于深度学习的城市道路场景语义分割方法 |
-
2021
- 2021-02-01 CN CN202110136342.6A patent/CN112819688A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325942A (zh) * | 2018-09-07 | 2019-02-12 | 电子科技大学 | 基于全卷积神经网络的眼底图像结构分割方法 |
CN110363215A (zh) * | 2019-05-31 | 2019-10-22 | 中国矿业大学 | 基于生成式对抗网络的sar图像转化为光学图像的方法 |
CN111598095A (zh) * | 2020-03-09 | 2020-08-28 | 浙江工业大学 | 一种基于深度学习的城市道路场景语义分割方法 |
Non-Patent Citations (1)
Title |
---|
权亚楠等: "改进的阈值加权平均 HSV 与小波变换图像融合", 《辽宁工程技术大学学报(自然科学版)》, vol. 35, no. 1, pages 65 - 69 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538536A (zh) * | 2021-07-21 | 2021-10-22 | 中国人民解放军国防科技大学 | 一种sar图像信息辅助的遥感光学图像浓云检测方法及系统 |
CN113538536B (zh) * | 2021-07-21 | 2022-06-07 | 中国人民解放军国防科技大学 | 一种sar图像信息辅助的遥感光学图像浓云检测方法及系统 |
CN115082288A (zh) * | 2022-05-16 | 2022-09-20 | 西安电子科技大学 | 基于偏微分方程启发的sar图像到光学图像的转换方法 |
CN115082288B (zh) * | 2022-05-16 | 2023-04-07 | 西安电子科技大学 | 基于偏微分方程启发的sar图像到光学图像的转换方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Golts et al. | Unsupervised single image dehazing using dark channel prior loss | |
Zhu et al. | A novel fast single image dehazing algorithm based on artificial multiexposure image fusion | |
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 | |
Park et al. | Fusion of heterogeneous adversarial networks for single image dehazing | |
CN106157267B (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
Shin et al. | Radiance–reflectance combined optimization and structure-guided $\ell _0 $-Norm for single image dehazing | |
CN108875935B (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
US10922860B2 (en) | Line drawing generation | |
US9922443B2 (en) | Texturing a three-dimensional scanned model with localized patch colors | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
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 | |
CN103164855A (zh) | 一种结合反射光照的贝叶斯决策前景提取方法 | |
CN112819688A (zh) | 一种sar图像转类光学图像的转换方法及系统 | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
KR20140035273A (ko) | 화상 처리장치, 화상 처리프로그램을 기록한 컴퓨터-리더블 기록매체, 및 화상 처리방법 | |
CN106846258A (zh) | 一种基于加权最小平方滤波的单幅图像去雾方法 | |
CN110807738A (zh) | 一种基于边缘图块锐化的模糊图像非盲复原方法 | |
Tang et al. | A local flatness based variational approach to retinex | |
Wang et al. | Hazy image decolorization with color contrast restoration | |
Tangsakul et al. | Single image haze removal using deep cellular automata learning | |
Das et al. | A comparative study of single image fog removal methods | |
Goncalves et al. | Guidednet: Single image dehazing using an end-to-end convolutional neural network | |
CN116977190A (zh) | 图像处理方法、装置、设备、存储介质及程序产品 | |
Huang et al. | An efficient single image enhancement approach using luminance perception transformation |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221008 Address after: 710199 West House, 6th Floor, National Science and Technology Northwest Building, No. 532, Shenzhou 3rd Road, Xi'an National Civil Aerospace Industry Base, Shaanxi Province Applicant after: SHAANXI LIANSEN ELECTRONIC TECHNOLOGY CO.,LTD. Address before: Room 501, building 2, 239 Shenzhou 4th Road, Xi'an national civil aerospace industry base, Shaanxi 710100 Applicant before: XI'AN YANSHUO INFORMATION TECHNOLOGY Co.,Ltd. |