CN113160078B - 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 - Google Patents
雨天交通车辆图像去雨方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113160078B CN113160078B CN202110383945.6A CN202110383945A CN113160078B CN 113160078 B CN113160078 B CN 113160078B CN 202110383945 A CN202110383945 A CN 202110383945A CN 113160078 B CN113160078 B CN 113160078B
- Authority
- CN
- China
- Prior art keywords
- rain
- image
- traffic
- rainy
- stage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/73—
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了雨天交通车辆图像去雨方法、装置、设备及可读存储介质，自然环境光下，雨纹的大小和方向具有多样性，现有的单幅图像去雨算法采用普通卷积提取雨纹特征，特征图的感受野随着卷积层数的增加而呈线性增加，导致提取的细节信息与边缘信息丢失严重，本发明首先采用膨胀卷构造多尺度膨胀卷积融合模块，使不同大小和方向的雨纹特征取得不同的感受野，从而使得提取的特征信息更加丰富且不损失细节信息，其次引入注意力机制构造注意机制残差块，提取的注意特征能较好的实现复原图像的同时，能够将原来偏暗的背景图像中目标边缘特征增强，本发明方法可以有效的去除雨纹，避免丢失细节信息，为后续目标检测等计算机视觉任务奠定良好的基础。
Description
技术领域
本发明属于图像处理技术领域，具体涉及雨天交通车辆图像去雨方法、装置、设备及可读存储介质。
背景技术
雨是最常见的恶劣天气，它极大地降低了背景图像的可见度，进而导致图像质量产生退化现象，这给后续计算机识别任务带来严重的挑战。因此成功消除雨天对图像造成的影响可以极大地提高计算机视觉系统的稳定性与精确度。
目前单幅图像去雨算法主要分为基于先验知识的传统方法和基于深度学习方法两大类。基于先验知识的算法又分为基于像素级先验的去雨算法和基于图像块先验的去雨算法。典型的基于像素级先验的去雨算法有基于引导滤波、双边滤波、非局部均值滤波等算法。这类算法具有较快的运行速度，但易造成图像的过度平滑。另一类是基于图像块先验的去雨算法，其思想是建立基于图像块的字典学习及稀疏表示模型。例如，基于图像块的字典学习模型、低秩模型、采用支持向量机和主成分分析法对雨纹进行判别并分类、利用高斯混合模型和基于块的先验去除雨纹等，但图像的细节信息丢失很严重，并且传统方法提取特征很复杂、效率低下。
随着深度学习技术在计算机视觉领域取得不同程度的成功，越来越多的研究者将深度学习技术应用于图像处理领域。深度学习方法避免了人工设计特征的复杂过程，能够提取丰富的特征。2019年，Ren等人提出渐进递归残差网络(Progressive RecurrentNetwork，PReNet)，采用分阶段思想去除雨纹，但该方法不能有效的复原背景偏暗的有雨图像，尤其是在方向不同的强雨密度图像下，去雨效果差。
发明内容
本发明的目的在于提供雨天交通车辆图像去雨方法、装置、设备及可读存储介质，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种雨天交通车辆图像去雨方法，包括以下步骤：
S1，对雨天交通图像进行预处理，扩充雨天交通图像数据集；
S2，对预处理后的雨天交通图像采用三个不同大小的膨胀卷积获取不同大小和方向的雨纹特征图；
S3，将不同大小和方向的雨纹特征图进行采样成相同大小的尺度后进行融合得到融合后的雨纹特征，利用第一层基于注意机制的循环神经网络提取注意特征得到第一阶段有雨纹的图像；
S4，将第一阶段有雨纹的图像与预处理后的雨天交通图像拼接后依次重复步骤s2-s3实现阶段性去雨，直至得到无雨图像。
进一步的，雨天交通图像数据集依次进行图像反转、对称处理实现扩充数据集；雨天交通图像集采用网上爬取或者交通采集获取，将雨天交通数据集分为训练集、测试集和验证集。
进一步的，采用像素为5×5，7×7，9×9三种尺度分别获取三个不同大小和方向的雨纹特征。
进一步的，将获取的雨纹特征图中最大尺度特征图下采样为中等尺度，将获取的雨纹特征图中最小尺度特征图上采样得到中等尺度，将下采样的中等尺度雨纹特征图、上采样的中等尺度雨纹特征图和步骤s2得到的中等尺度雨纹特征图进行融合。
进一步的，在长短期记忆单元后的第一个残差块中引入SE-BLOCK块构成注意机制残差块，实现不同的通道特征分配不同的权重，然后通过四个标准的递归展开残差块提取注意特征，输出一个阶段的去雨后的带有雨纹的图像。
进一步的，将去雨过程分成T个递归阶段逐渐实现去雨。
进一步的，上一阶段得到的有雨纹的图像与预处理后的雨天交通图像作为下一递归阶段的输入。
一种雨天交通车辆图像去雨装置，包括：
预处理模块，用于对预处理后的雨天交通图像采用三个不同大小的膨胀卷积获取不同大小和方向的雨纹特征图；
多尺度膨胀卷积融合模块(Multi-scale Expansion Convolution FusionModule,MSECFM)，用于将不同大小和方向的雨纹特征图进行采样成相同大小的尺度后进行融合得到融合后的雨纹特征；
构造注意机制残差块(Attention Mechanism Residual Block,AMRB)，用于将第一阶段有雨纹的图像与预处理后的雨天交通图像拼接，重复经过多尺度膨胀卷积融合模块和构造注意机制残差块实现阶段性去雨，直至得到无雨图像。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种雨天交通车辆图像去雨方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种雨天交通车辆图像去雨方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种雨天交通车辆图像去雨方法，通过对雨天交通图像进行预处理，扩充雨天交通图像数据集，然后对预处理后的雨天交通图像采用三个不同大小的膨胀卷积获取不同大小和方向的雨纹特征图；将不同大小和方向的雨纹特征图进行采样成相同大小的尺度后进行融合得到融合后的雨纹特征，利用第一层基于注意机制的循环神经网络提取注意特征得到第一阶段有雨纹的图像；将第一阶段有雨纹的图像与预处理后的雨天交通图像拼接后实现阶段性去雨，直至得到无雨图像，通过采集不同大小和方向的雨纹特征取得不同的感受野，从而使得提取的特征信息更加丰富且不损失细节信息，利用注意机制残为不同的通道特征分配不同的权重，增强重要特征，避免不重要的特征冗余，本发明能够在实现复原图像的同时，将原来偏暗的背景图像中车辆边缘特征提亮，可以提高暗背景车辆目标检测精度。
附图说明
图1为本发明实施例中去雨网络结构示意图。
图2为本发明实施例中T个递归阶段结构示意图。
图3为本发明实施例中去雨结果对比图，图3a为第一组去雨原图，图3b为第一组现有方法去雨效果图，图3c为第一组本发明去雨效果图，图3d为第二组去雨原图，图3e为第二组现有方法去雨效果图，图3f为第二组本发明去雨效果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
一种雨天交通车辆图像去雨方法，包括以下步骤：
S1，对雨天交通图像进行预处理，扩充雨天交通图像数据集；
雨天交通图像集采用网上爬取或者交通采集获取，将雨天交通图像集分为训练、测试集和验证集；
具体的，雨天交通图像数据集依次进行图像反转、对称处理，扩充数据集，增加后续网络训练的鲁棒性。
S2，对预处理后的雨天交通图像采用三个不同大小的膨胀卷积获取不同大小和方向的雨纹特征图；
具体的，采用多尺度膨胀卷积融合模块(Multi-scale Expansion ConvolutionFusion Module,MSECFM)获取三个不同大小和方向的雨纹特征，具体的，采用像素为5×5，7×7，9×9三种尺度。构造多尺度膨胀卷积融合模块使不同大小和方向的雨纹特征取得不同的感受野，从而使得提取的特征信息更加丰富且不损失细节信息。
本发明采用MSECFM获取三个不同大小和方向的雨纹特征，能够有效避免现有方法中感受野随着卷积层数的增加而呈线性增加，导致提取的细节信息与边缘信息丢失的问题。
S3，将不同大小和方向的雨纹特征图进行采样成相同大小的尺度后进行融合得到融合后的雨纹特征，利用第一层基于注意机制的循环神经网络提取注意特征得到第一阶段有雨纹的图像；
具体的，将获取的雨纹特征图中最大尺度特征图下采样为中等尺度，将获取的雨纹特征图中最小尺度特征图上采样得到中等尺度，将下采样的中等尺度雨纹特征图、上采样的中等尺度雨纹特征图和步骤s2得到的中等尺度雨纹特征图进行融合。
具体的，采用长短期记忆单元构成循环单元，若干个残差块组合提取深度特征信息。本发明在长短期记忆单元后的浅层递归展开的第一个残差块中引入SE-BLOCK构成注意机制残差块(Attention Mechanism Residual Block,AMRB)，利用浅层AMRB为不同的通道特征分配不同的权重，增强重要特征，避免不重要的特征冗余，AMRM提取的注意特征在较好的实现复原图像的同时，能够将原来偏暗的背景图像中车辆边缘特征提亮，可以提高暗背景车辆目标检测精度。
长短期记忆单元采用五个递归残差块，在第一个残差块中引入SE-BLOCK构成注意机制残差块，浅层AMRB为不同的通道特征分配不同的权重，增强重要特征，避免不重要的特征冗余，接着通过四个标准的递归展开残差块提取注意特征，输出一个阶段的去雨后的带有雨纹的图像。
S4，将第一阶段有雨纹的图像与预处理后的雨天交通图像拼接后依次重复步骤s2-s3实现阶段性去雨，最终得到无雨图像；如图2所示。
本发明将去雨过程分成T个递归阶段逐渐实现去雨，如图2所示，上一阶段得到的有雨纹的图像(即上一阶段的去雨图像)与预处理后的雨天交通图像作为下一递归阶段的输入。本发明通过多阶段共享网络参数来实现阶段间递归计算，并且结合阶段内递归展开残差块，显著减少了网络参数，提高了本发明方法的去雨性能。
本申请网络模型训练是在Linux环境下使用PyTorch进行的，操作系统为Ubuntu16.04，配置为CPU为Intel Xeon E3-1225 v6，GPU为Nvidia Quadro p4000，显存为8GB。Patch Size设为100×100，Batch Size设置为8，初始学习率为1×10-3，Epochs为100，当迭代次数达到30、50、80的时候，学习率下降为原来的0.2。
本发明实施例中，一种雨天交通车辆图像去雨装置，能够用于实现上述实施例中的雨天交通车辆图像去雨方法，具体包括预处理模块、多尺度膨胀卷积融合模块和多尺度膨胀卷积融合模块；
所述预处理模块，用于对预处理后的雨天交通图像采用三个不同大小的膨胀卷积获取不同大小和方向的雨纹特征图；
所述多尺度膨胀卷积融合模块，用于将不同大小和方向的雨纹特征图进行采样成相同大小的尺度后进行融合得到融合后的雨纹特征；
所述构造注意机制残差块，用于将第一阶段有雨纹的图像与预处理后的雨天交通图像拼接，重复经过多尺度膨胀卷积融合模块和构造注意机制残差块实现阶段性去雨，直至得到无雨图像。
本发明一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器采用中央处理单元(CPU)，或者采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于雨天交通车辆图像去雨方法的操作。
在一个实施例中，本发明还提供了一种存储介质，具体采用计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。计算机可读存储介质包括终端设备中的内置存储介质，提供存储空间，存储了终端的操作系统，也可包括终端设备所支持的扩展存储介质。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关雨天交通车辆图像去雨方法的相应步骤。
为评估本发明对单幅图像去雨的有效性，本发明从定性与定量两方面与原始方法进行对比。选择2个数据集：本文数据集和真实数据集Rain12；本文数据集包含100张测试集，Rain12包含12张真实雨天图片。本文采用PSNR、SSIM定性的分析本发明和现有PReNet方法在2个测试数据集上的去雨效果。表3展示了两个算法的平均PSNR与SSIM，相比现有的PReNet去雨方法，可以看出本发明PSNR提高了10.36％，SSIM提高了0.269。如图3所示定量的对比了在合成数据集的去雨效果，并在真实的雨天车辆图像上进行了泛化性的对比，可以看出，PReNet方法在暴雨天气下，具有似雾效应，图像整体偏暗，目标显得非常模糊，原方法不能有效的去除所有雨纹，只能去除少量雨纹，而本发明不仅能消除似雾效应还能去除雨纹并保留目标特征。在真实雨天的数据集测试结果也可以看出，本发明可以去除真实天气下的雨纹还能提高图像对比度。
表3模型对比
Claims (9)
1.一种雨天交通车辆图像去雨方法，其特征在于，包括以下步骤：
S1，对雨天交通图像进行预处理，扩充雨天交通图像数据集；
S2，对预处理后的雨天交通图像采用三个不同大小的膨胀卷积获取不同大小和方向的雨纹特征图；
S3，将不同大小和方向的雨纹特征图进行采样成相同大小的尺度后进行融合得到融合后的雨纹特征，利用第一层基于注意机制的循环神经网络提取注意特征得到第一阶段有雨纹的图像；所述利用第一层基于注意机制的循环神经网络提取注意特征得到第一阶段有雨纹的图像包括在长短期记忆单元后的第一个残差块中引入SE-BLOCK块构成注意机制残差块，实现不同的通道特征分配不同的权重，然后通过四个标准的递归展开残差块提取注意特征，输出一个阶段的去雨后的带有雨纹的图像；
S4，将第一阶段有雨纹的图像与预处理后的雨天交通图像拼接后依次重复步骤S2-S3实现阶段性去雨，直至得到无雨图像。
2.根据权利要求1所述的一种雨天交通车辆图像去雨方法，其特征在于，雨天交通图像数据集依次进行图像反转、对称处理实现扩充数据集；雨天交通数据集采用网上爬取或者交通采集获取，将雨天交通图像集分为训练集、测试集和验证集。
3.根据权利要求1所述的一种雨天交通车辆图像去雨方法，其特征在于，采用像素为5×5，7×7，9×9三种尺度分别获取三个不同大小和方向的雨纹特征。
4.根据权利要求1所述的一种雨天交通车辆图像去雨方法，其特征在于，将获取的雨纹特征图中最大尺度特征图下采样为中等尺度，将获取的雨纹特征图中最小尺度特征图上采样得到中等尺度，将下采样的中等尺度雨纹特征图、上采样的中等尺度雨纹特征图和步骤S2得到的中等尺度雨纹特征图进行融合。
5.根据权利要求1所述的一种雨天交通车辆图像去雨方法，其特征在于，将去雨过程分成T个递归阶段逐渐实现去雨。
6.根据权利要求5所述的一种雨天交通车辆图像去雨方法，其特征在于，上一阶段得到的有雨纹的图像与预处理后的雨天交通图像作为下一递归阶段的输入。
7.一种雨天交通车辆图像去雨装置，其特征在于，包括：
预处理模块，用于对预处理后的雨天交通图像采用三个不同大小的膨胀卷积获取不同大小和方向的雨纹特征图；
多尺度膨胀卷积融合模块，用于将不同大小和方向的雨纹特征图进行采样成相同大小的尺度后进行融合得到融合后的雨纹特征；
构造注意机制残差块，包括在长短期记忆单元后的第一个残差块中引入SE-BLOCK块构成注意机制残差块，实现不同的通道特征分配不同的权重，然后通过四个标准的递归展开残差块提取注意特征，输出一个阶段的去雨后的带有雨纹的图像；
将第一阶段有雨纹的图像与预处理后的雨天交通图像拼接，重复经过多尺度膨胀卷积融合模块和构造注意机制残差块实现阶段性去雨，直至得到无雨图像。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110383945.6A CN113160078B (zh) | 2021-04-09 | 2021-04-09 | 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110383945.6A CN113160078B (zh) | 2021-04-09 | 2021-04-09 | 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113160078A CN113160078A (zh) | 2021-07-23 |
| CN113160078B true CN113160078B (zh) | 2023-01-24 |
Family
ID=76889805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110383945.6A Active CN113160078B (zh) | 2021-04-09 | 2021-04-09 | 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160078B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862713B (zh) * | 2022-04-29 | 2023-07-25 | 西安理工大学 | 基于注意力平滑膨胀卷积的两阶段图像去雨方法 |
| CN115240413A (zh) * | 2022-07-18 | 2022-10-25 | 杨展霁 | 一种复杂环境下道路交通状态识别装置及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015129250A1 (ja) * | 2014-02-25 | 2015-09-03 | パナソニックＩｐマネジメント株式会社 | 画像処理装置及び画像処理方法 |
| CN110706181A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学技术大学 | 一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统 |
| CN110751612A (zh) * | 2019-11-05 | 2020-02-04 | 哈尔滨理工大学 | 多通道多尺度卷积神经网络的单幅图像去雨方法 |
| CN111861926A (zh) * | 2020-07-24 | 2020-10-30 | 南京信息工程大学滨江学院 | 一种基于空域组增强机制与长短时记忆网络的图像去雨方法 |
| CN111861925A (zh) * | 2020-07-24 | 2020-10-30 | 南京信息工程大学滨江学院 | 一种基于注意力机制与门控循环单元的图像去雨方法 |
| CN112132756A (zh) * | 2019-06-24 | 2020-12-25 | 华北电力大学（保定） | 一种基于注意力机制的单幅雨滴图像增强方法 |
| CN112241939A (zh) * | 2020-10-15 | 2021-01-19 | 天津大学 | 一种基于多尺度和非局部的轻量去雨方法 |
| CN112258402A (zh) * | 2020-09-30 | 2021-01-22 | 北京理工大学 | 一种快速去雨的密集残差生成对抗网络 |
| WO2021035812A1 (zh) * | 2019-08-30 | 2021-03-04 | 深圳市商汤科技有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
-
2021
- 2021-04-09 CN CN202110383945.6A patent/CN113160078B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015129250A1 (ja) * | 2014-02-25 | 2015-09-03 | パナソニックＩｐマネジメント株式会社 | 画像処理装置及び画像処理方法 |
| CN112132756A (zh) * | 2019-06-24 | 2020-12-25 | 华北电力大学（保定） | 一种基于注意力机制的单幅雨滴图像增强方法 |
| WO2021035812A1 (zh) * | 2019-08-30 | 2021-03-04 | 深圳市商汤科技有限公司 | 一种图像处理方法及装置、电子设备和存储介质 |
| CN110706181A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学技术大学 | 一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统 |
| CN110751612A (zh) * | 2019-11-05 | 2020-02-04 | 哈尔滨理工大学 | 多通道多尺度卷积神经网络的单幅图像去雨方法 |
| CN111861926A (zh) * | 2020-07-24 | 2020-10-30 | 南京信息工程大学滨江学院 | 一种基于空域组增强机制与长短时记忆网络的图像去雨方法 |
| CN111861925A (zh) * | 2020-07-24 | 2020-10-30 | 南京信息工程大学滨江学院 | 一种基于注意力机制与门控循环单元的图像去雨方法 |
| CN112258402A (zh) * | 2020-09-30 | 2021-01-22 | 北京理工大学 | 一种快速去雨的密集残差生成对抗网络 |
| CN112241939A (zh) * | 2020-10-15 | 2021-01-19 | 天津大学 | 一种基于多尺度和非局部的轻量去雨方法 |
Non-Patent Citations (3)
| Title |
|---|
| "Progressive Image Deraining Networks: A Better and Simpler Baseline";Dongwei Ren 等;《IEEE》;20200109;3932-3941 * |
| 基于多通道多尺度卷积神经网络的单幅图像去雨方法;柳长源等;《电子与信息学报》;20200915(第09期);224-231 * |
| 基于注意力机制的单幅雨滴图像增强;郑顾平等;《计算机应用与软件》;20200910(第09期);166-170 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113160078A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111028177A (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
| CN112132156A (zh) | 多深度特征融合的图像显著性目标检测方法及系统 | |
| CN113160078B (zh) | 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 | |
| CN110222784B (zh) | 融合短时和长时深度特征的太阳能电池片缺陷检测方法 | |
| WO2021238420A1 (zh) | 图像去雾方法、终端及计算机存储介质 | |
| CN111652812A (zh) | 基于选择性注意力机制的图像去雾和去雨算法 | |
| CN111582093A (zh) | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 | |
| CN110866938B (zh) | 一种全自动视频运动目标分割方法 | |
| CN111582339A (zh) | 一种基于深度学习的车辆检测与识别的方法 | |
| CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
| CN112233129A (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN111914654A (zh) | 一种文本版面分析方法、装置、设备和介质 | |
| CN112700418A (zh) | 一种基于改进编解码网络模型的裂缝检测方法 | |
| CN115063318A (zh) | 自适应频率分解的低光照图像增强方法与相关设备 | |
| CN113591831A (zh) | 一种基于深度学习的字体识别方法、系统及存储介质 | |
| CN113469191A (zh) | 基于多层特征融合注意力机制的sar图像叠掩区提取方法 | |
| CN111461211A (zh) | 一种用于轻量级目标检测的特征提取方法及相应检测方法 | |
| CN114724052A (zh) | 一种基于深度学习网络模型的电力图像天际线分割方法 | |
| CN111914596A (zh) | 车道线检测方法、装置、系统及存储介质 | |
| CN112132867B (zh) | 一种遥感影像变化检测方法及装置 | |
| CN113421210A (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
| CN113177956A (zh) | 一种面向无人机遥感影像的语义分割方法 | |
| CN116128768B (zh) | 一种带有去噪模块的无监督图像低照度增强方法 |
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 |