CN113392702A - 一种基于自适应图像增强的弱光照环境下目标识别方法 - Google Patents

一种基于自适应图像增强的弱光照环境下目标识别方法 Download PDF

Info

Publication number
CN113392702A
CN113392702A CN202110504839.9A CN202110504839A CN113392702A CN 113392702 A CN113392702 A CN 113392702A CN 202110504839 A CN202110504839 A CN 202110504839A CN 113392702 A CN113392702 A CN 113392702A
Authority
CN
China
Prior art keywords
target
illumination environment
weak illumination
image
image enhancement
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
Application number
CN202110504839.9A
Other languages
English (en)
Inventor
沈世斌
谢非
陆飞
张亮
杨继全
刘益剑
凌旭
张瑞
刘丛昊
章悦
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.)
Nanjing Normal University
Original Assignee
Nanjing Normal University
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 Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN202110504839.9A priority Critical patent/CN113392702A/zh
Publication of CN113392702A publication Critical patent/CN113392702A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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

Abstract

本发明公开了一种基于自适应图像增强的弱光照环境下目标识别方法，包括：搭建自适应图像增强模块；搭建基于自适应图像增强的弱光照环境下目标识别模型；采集弱光照环境下的目标视频并处理生成弱光照环境下目标的数据集，划分测试集图像与训练集图像，对训练图像进行标注，生成标签文件；将训练集的全部图像和标签文件送入基于自适应图像增强的弱光照环境下目标识别模型进行训练；将训练好的基于自适应图像增强的弱光照环境下目标识别模型完成弱光照环境下的目标识别，并输出识别结果。本发明提升了弱光照环境下的目标识别的快速性与准确性，能够有效解决目前目标识别技术在弱光照环境下目标识别准确率不高，识别速度慢等问题，应用前景广泛。

Description

一种基于自适应图像增强的弱光照环境下目标识别方法
技术领域
本发明涉及目标识别及深度学习的技术领域，尤其涉及一种基于自适应图像增强的弱光照环境下目标识别方法。
背景技术
随着计算机视觉的不断发展，深度学习在视觉处理的目标识别领域也不断拓宽。可是目前部分目标识别算法在弱光照环境下由于目标与周围环境的对比度低，所以仍存在目标识别不准确，识别速度慢的问题，为满足视觉领域对弱光照环境下目标识别的要求，研究基于弱光照环境下的快速准确目标识别技术具有重要意义。
目前，弱光照环境下的目标识别主要有两种方法，一是基于车灯特征的夜间车辆识别方法，就是通过梯度滤波进行预处理，完整提取车辆的车灯轮廓，接着通过图像灰度化操作，将车灯从图像中分割出来；然后根据车灯的形态特征对车灯进行识别，根据车灯匹配原则，通过车灯跟踪目标车辆，实现目标车辆的识别，这种方法在城市地区的车灯、街灯、建筑灯、车辆反射光等复杂照明条件，车灯识别容易出现错误。二是通过机器学习的方法，采用基于张量分解和目标区域的夜间车辆识别算法完成弱光照环境下的目标识别任务，但这种算法并不是端到端学习框架，会导致训练过程非常繁琐。
发明内容
发明目的：为解决背景技术中存在的技术问题，本发明提供一种基于自适应图像增强的弱光照环境下目标识别方法，其设计了自适应增强模块，提升了弱光照环境下的目标识别的快速性与准确性。
技术方案：为实现上述目的，本发明提供一种基于自适应图像增强的弱光照环境下目标识别方法，包括以下步骤：
S1：搭建自适应图像增强模块；
S2：搭建基于自适应图像增强的弱光照环境下目标识别模型；
S3：采集弱光照环境下的目标视频并逐帧处理生成弱光照环境下目标的数据集，根据比例划分测试集图像与训练集图像，对训练图像进行标注，生成标签文件；
S4：将训练集的全部图像和标签文件送入基于自适应图像增强的弱光照环境下目标识别模型进行充分训练；
S5：将训练好的基于自适应图像增强的弱光照环境下目标识别模型完成弱光照环境下的目标识别，并输出识别结果。
进一步地，所述步骤S1中自适应图像增强模块的搭建方法为：
A1：将图像的RGB模型转为HIS模型，R,G,B参数转换为H,I,S参数具体公式如下：
Figure BDA0003057961220000021
Figure BDA0003057961220000022
Figure BDA0003057961220000023
Figure BDA0003057961220000024
其中，R为图像的红色通道，G为图像的绿色通道，B为图像的蓝色通道，H为图像的色调，I为图像的亮度，S为图像的色饱和度，θ为转换角度，min为求最小值；
A2：设置图像亮度变换函数，具体函数公式如下所示：
y＝αIγ (5)
γ＝-log3I (6)
其中，α是修正系数，I为图像的亮度，γ是图像亮度控制系数，y是最终输出图像的亮度；
A3：计算修正系数α，具体计算公式如下：
Figure BDA0003057961220000025
λ＝Sγ+(1-Sγ)×Hγ (8)
Figure BDA0003057961220000026
其中，α是修正系数，λ是色度调节系数，H为图像的色调，γ是图像亮度控制系数，S为图像的色饱和度，ε是阶跃函数。
进一步地，所述步骤S2中基于自适应图像增强的弱光照环境下目标识别模型的搭建方法为：
B1：网络的输入图像先经过自适应图像增强模块进行预处理；
B2：然后经过由卷积层和最大池化层构成的主干网络，每个卷积层和最大池化层构成一个卷积块，第一个卷积块的卷积核大小为7×7×32，第二个卷积块的卷积核大小为9×9×64，第三个卷积块的卷积核大小为11×11×128，第四个卷积块的卷积核大小为11×11×256；
B3：将步骤B2中的第三个卷积块的输出特征图与第四个卷积块的输出特征图直接进行拼接，然后送入一个卷积核大小为9×9×512的卷积层，然后经过全连接层，全连接层有N1的神经元，对应N1个目标类别。
进一步地，所述步骤S3中数据集的生成方式为：将采集的视频进行逐帧截取，并且将截取的图像使用双线性插值法得到指定尺寸的图像，生成弱光照环境下目标的数据集。
进一步地，所述步骤S4中采用优化IoU的损失函数对基于自适应图像增强的弱光照环境下目标识别模型进行充分训练。
进一步地，所述优化IoU的损失函数构建方式如下：
Figure BDA0003057961220000031
其中，S1表示预测边界框的面积，S2表示真实边界框的面积；
Figure BDA0003057961220000032
Ltotal＝Lcls+1-NIoU+α (12)
其中，S3是包围S1和S2的面积最小的边界框的面积，α是公式(7)的修正系数，NIoU为优化的IoU，Lcls表示分类损失，采用二值交叉熵损失函数，Ltotal为优化IoU的损失函数。
进一步地，所述步骤S5中基于自适应图像增强的弱光照环境下目标识别模型的识别过程为：
C1：将弱光照环境下的视频或图像输入训练好的基于自适应图像增强的弱光照环境下目标识别模型中进行目标识别；
C2：基于自适应图像增强的弱光照环境下目标识别模型中的自适应图像增强模块对输入图像进行预处理；
C3：基于自适应图像增强的弱光照环境下目标识别模型对目标进行识别，输出目标类别。
本发明提供的基于自适应图像增强的弱光照环境下目标识别方法，充分考虑了弱光照环境目标识别准确度不高的特点，设计了自适应图像增强模块。利用基于自适应图像增强的弱光照环境下目标识别模型来对弱光照环境下目标进行识别。解决了目前目标识别技术在弱光照环境下目标识别准确率不高，识别速度慢等问题，应用前景广泛。
本发明中测试集图像用来测试训练模型的识别精度与速度。
有益效果：本发明与现有技术相比，针对目前目标识别技术在弱光照环境下目标识别精度与速度不高的问题，提出基于自适应图像增强的弱光照环境下目标识别模型，设计了自适应增强模块，提升了弱光照环境下的目标识别的快速性与准确性，能够有效解决目前目标识别技术在弱光照环境下目标识别准确率不高，识别速度慢等问题，应用前景广泛。
附图说明
图1是本发明实施例提供的基于自适应图像增强的弱光照环境下目标识别方法的工作流程示意图；
图2是本发明实施例提供的基于自适应图像增强的弱光照环境下目标识别模型结构图；
图3是实例一提供的弱光照环境下的一张交通监控图像；
图4是实例一提供的通过自适应图像增强模块的效果图。
图5是实例一提供的通过自适应图像增强的弱光照环境下目标识别模型对车辆识别的效果图；
图6是实例二提供的弱光照环境下的一张交通监控图像；
图7是实例二提供的通过自适应图像增强模块的效果图；
图8是实例二提供的通过自适应图像增强的弱光照环境下目标识别模型对车辆识别的效果图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，本发明提供一种基于自适应图像增强的弱光照环境下目标识别方法，包括以下步骤：
S1：搭建自适应图像增强模块；
S2：搭建基于自适应图像增强的弱光照环境下目标识别模型；
S3：采集弱光照环境下的目标视频并逐帧处理生成弱光照环境下目标的数据集，根据4:1比例划分测试集图像与训练集图像，对训练图像进行标注，生成标签文件；
S4：将训练集的全部图像和标签文件送入基于自适应图像增强的弱光照环境下目标识别模型进行充分训练；
S5：根据测试集图像，将训练好的基于自适应图像增强的弱光照环境下目标识别模型完成弱光照环境下的目标识别，并输出识别结果。
本实施例中步骤S1中自适应图像增强模块的搭建方法为：
A1：将图像的RGB模型转为HIS模型，R,G,B参数转换为H,I,S参数具体公式如下：
Figure BDA0003057961220000051
Figure BDA0003057961220000052
Figure BDA0003057961220000053
Figure BDA0003057961220000054
其中，R为图像的红色通道，G为图像的绿色通道，B为图像的蓝色通道，H为图像的色调，I为图像的亮度，S为图像的色饱和度，θ为转换角度，min为求最小值；
A2：设置图像亮度变换函数，具体函数公式如下所示：
y＝αIγ (5)
γ＝-log3I (6)
其中，α是修正系数，I为图像的亮度，γ是图像亮度控制系数，y是最终输出图像的亮度；
A3：计算修正系数α，具体计算公式如下：
Figure BDA0003057961220000055
λ＝Sγ+(1-Sγ)×Hγ (8)
Figure BDA0003057961220000056
其中，α是修正系数，λ是色度调节系数，H为图像的色调，γ是图像亮度控制系数，S为图像的色饱和度，ε是阶跃函数。
本实施例中步骤S2中基于自适应图像增强的弱光照环境下目标识别模型的搭建方法为：
B1：网络的输入图像先经过自适应图像增强模块进行预处理；
B2：然后经过由卷积层和最大池化层构成的主干网络，每个卷积层和最大池化层构成一个卷积块，第一个卷积块的卷积核大小为7×7×32，第二个卷积块的卷积核大小为9×9×64，第三个卷积块的卷积核大小为11×11×128，第四个卷积块的卷积核大小为11×11×256；
B3：将步骤B2中的第三个卷积块的输出特征图与第四个卷积块的输出特征图直接进行拼接，然后送入一个卷积核大小为9×9×512的卷积层，然后经过全连接层，全连接层有3个神经元，对应3个目标车辆类别，分别是Car,Truck,Bus。
如图2所示为本实施例中获取到的基于自适应图像增强的弱光照环境下目标识别模型结构。
本实施例中步骤S3中数据集的生成方式为：将采集的视频进行逐帧截取，并且将截取的图像使用双线性插值法得到尺寸为500×500的图像，生成弱光照环境下目标的数据集。
本实施例中步骤S4中采用优化IoU的损失函数对基于自适应图像增强的弱光照环境下目标识别模型进行充分训练。
优化IoU的损失函数构建方式如下：
Figure BDA0003057961220000061
其中，S1表示预测边界框的面积，S2表示真实边界框的面积；
Figure BDA0003057961220000062
Ltotal＝Lcls+1-NIoU+α (12)
其中，S3是包围S1和S2的面积最小的边界框的面积，α是公式(7)的修正系数，NIoU为优化的IoU，Lcls表示分类损失，采用二值交叉熵损失函数，Ltotal为优化IoU的损失函数。
本实施例中步骤S5中基于自适应图像增强的弱光照环境下目标识别模型的识别过程为：
C1：将弱光照环境下的视频或图像输入训练好的基于自适应图像增强的弱光照环境下目标识别模型中进行目标识别；
C2：基于自适应图像增强的弱光照环境下目标识别模型中的自适应图像增强模块对输入图像进行预处理；
C3：基于自适应图像增强的弱光照环境下目标识别模型对目标进行识别，输出目标类别。
本实施例还提供一种计算机存储介质，该计算机存储介质存储有计算机程序，在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出系统(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作系统、用户应用程序、后台服务、后台应用程序等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
基于上述方案，本实施例中将上述方案进行实例应用，具体如下：
实例一：图3为本实例中获取的弱光照环境下的一张交通监控图像，图4是图3通过自适应图像增强模块的效果图，图5中通过自适应图像增强的弱光照环境下目标识别模型识别车辆的结果。
实例二：图6为本实例中获取的弱光照环境下的一张交通监控图像，图7是图6通过自适应图像增强模块的效果图，图8中通过自适应图像增强的弱光照环境下目标识别模型识别车辆的结果。
实例三：表1为本发明模型与现有模型的精度与速度的对比数据。其中识别精度是每秒中所能识别的图像数量，用fps表示，识别精度为测试集中正确识别目标的个数占所有识别目标个数的百分比。
表1
模型 识别速度 识别精度
Faster R-CNN 8fps 90％
YOLO v3 35fps 85％
SSD 24fps 87％
本发明模型 28fps 94％
可见，本发明模型较其他三个现有模型，在识别速度较快的基础上，明显提高了识别精度，从而验证了本发明模型具备更好的识别效果。

Claims (7)

1.一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，包括以下步骤：
S1：搭建自适应图像增强模块；
S2：搭建基于自适应图像增强的弱光照环境下目标识别模型；
S3：采集弱光照环境下的目标视频并处理生成弱光照环境下目标的数据集，根据比例划分测试集图像与训练集图像，对训练图像进行标注，生成标签文件；
S4：将训练集的全部图像和标签文件送入基于自适应图像增强的弱光照环境下目标识别模型进行训练；
S5：将训练好的基于自适应图像增强的弱光照环境下目标识别模型完成弱光照环境下的目标识别，并输出识别结果。
2.根据权利要求1所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述步骤S1中自适应图像增强模块的搭建方法为：
A1：将图像的RGB模型转为HIS模型，R,G,B参数转换为H,I,S参数具体公式如下：
Figure FDA0003057961210000011
Figure FDA0003057961210000012
Figure FDA0003057961210000013
Figure FDA0003057961210000014
其中，R为图像的红色通道，G为图像的绿色通道，B为图像的蓝色通道，H为图像的色调，I为图像的亮度，S为图像的色饱和度，θ为转换角度，min为求最小值；
A2：设置图像亮度变换函数，具体函数公式如下所示：
y＝αIγ (5)
γ＝-log3I (6)
其中，α是修正系数，I为图像的亮度，γ是图像亮度控制系数，y是最终输出图像的亮度；
A3：计算修正系数α，具体计算公式如下：
Figure FDA0003057961210000021
λ＝Sγ+(1-Sγ)×Hγ (8)
Figure FDA0003057961210000022
其中，α是修正系数，λ是色度调节系数，H为图像的色调，γ是图像亮度控制系数，S为图像的色饱和度，ε是阶跃函数。
3.根据权利要求1所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述步骤S2中基于自适应图像增强的弱光照环境下目标识别模型的搭建方法为：
B1：网络的输入图像先经过自适应图像增强模块进行预处理；
B2：然后经过由卷积层和最大池化层构成的主干网络，每个卷积层和最大池化层构成一个卷积块；
B3：将步骤B2中的第三个卷积块的输出特征图与第四个卷积块的输出特征图直接进行拼接，然后送入卷积层，然后经过全连接层，全连接层有N1的神经元，对应N1个目标类别。
4.根据权利要求1所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述步骤S3中数据集的生成方式为：将采集的视频进行逐帧截取，并且将截取的图像使用双线性插值法得到指定尺寸的图像，生成弱光照环境下目标的数据集。
5.根据权利要求1所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述步骤S4中采用优化IoU的损失函数对基于自适应图像增强的弱光照环境下目标识别模型进行训练。
6.根据权利要求5所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述优化IoU的损失函数构建方式如下：
Figure FDA0003057961210000023
其中，S1表示预测边界框的面积，S2表示真实边界框的面积；
Figure FDA0003057961210000024
Ltotal＝Lcls+1-NIoU+α (12)
其中，S3是包围S1和S2的面积最小的边界框的面积，α是公式(7)的修正系数，NIoU为优化的IoU，Lcls表示分类损失，采用二值交叉熵损失函数，Ltotal为优化IoU的损失函数。
7.根据权利要求1所述的一种基于自适应图像增强的弱光照环境下目标识别方法，其特征在于，所述步骤S5中基于自适应图像增强的弱光照环境下目标识别模型的识别过程为：
C1：将弱光照环境下的视频或图像输入训练好的基于自适应图像增强的弱光照环境下目标识别模型中进行目标识别；
C2：基于自适应图像增强的弱光照环境下目标识别模型中的自适应图像增强模块对输入图像进行预处理；
C3：基于自适应图像增强的弱光照环境下目标识别模型对目标进行识别，输出目标类别。
CN202110504839.9A 2021-05-10 2021-05-10 一种基于自适应图像增强的弱光照环境下目标识别方法 Pending CN113392702A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110504839.9A CN113392702A (zh) 2021-05-10 2021-05-10 一种基于自适应图像增强的弱光照环境下目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110504839.9A CN113392702A (zh) 2021-05-10 2021-05-10 一种基于自适应图像增强的弱光照环境下目标识别方法

Publications (1)

Publication Number Publication Date
CN113392702A true CN113392702A (zh) 2021-09-14

Family

ID=77616850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110504839.9A Pending CN113392702A (zh) 2021-05-10 2021-05-10 一种基于自适应图像增强的弱光照环境下目标识别方法

Country Status (1)

Country Link
CN (1) CN113392702A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023065497A1 (zh) * 2021-10-22 2023-04-27 中国科学院深圳先进技术研究院 一种低光照障碍物检测方法、系统、终端以及存储介质
CN116863252A (zh) * 2023-09-04 2023-10-10 四川泓宝润业工程技术有限公司 动火作业现场易燃物检测方法、装置、设备、存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023065497A1 (zh) * 2021-10-22 2023-04-27 中国科学院深圳先进技术研究院 一种低光照障碍物检测方法、系统、终端以及存储介质
CN116863252A (zh) * 2023-09-04 2023-10-10 四川泓宝润业工程技术有限公司 动火作业现场易燃物检测方法、装置、设备、存储介质
CN116863252B (zh) * 2023-09-04 2023-11-21 四川泓宝润业工程技术有限公司 动火作业现场易燃物检测方法、装置、设备、存储介质

Similar Documents

Publication Publication Date Title
Zheng et al. Image segmentation based on adaptive K-means algorithm
Wang et al. Gladnet: Low-light enhancement network with global awareness
Zhang et al. Single image defogging based on multi-channel convolutional MSRCR
CN108664981B (zh) 显著图像提取方法及装置
CN110705583B (zh) 细胞检测模型训练方法、装置、计算机设备及存储介质
CN109753913B (zh) 计算高效的多模式视频语义分割方法
US10600171B2 (en) Image-blending via alignment or photometric adjustments computed by a neural network
CN112308095A (zh) 图片预处理及模型训练方法、装置、服务器及存储介质
CN110717919A (zh) 图像处理方法、装置、介质和计算设备
CN111489322B (zh) 给静态图片加天空滤镜的方法及装置
CN113392702A (zh) 一种基于自适应图像增强的弱光照环境下目标识别方法
CN109740563B (zh) 一种面向视频监控的运动目标检测方法
CN110969046B (zh) 人脸识别方法、设备及计算机可读存储介质
CN111353505A (zh) 可联合实现语义分割和景深估计的网络模型及训练方法
Wang et al. Enhancement for dust-sand storm images
CN111768415A (zh) 一种无量化池化的图像实例分割方法
CN114298985B (zh) 缺陷检测方法、装置、设备及存储介质
CN115270184A (zh) 视频脱敏、车辆的视频脱敏方法、车载处理系统
CN108898561B (zh) 一种含天空区域雾天图像的去雾方法、服务器及系统
CN111382647A (zh) 一种图片处理方法、装置、设备及存储介质
CN114419078B (zh) 基于卷积神经网络的表面缺陷区域分割方法及装置
CN115861610A (zh) 一种基于改进CondInst的砂石骨料图像的分割处理方法
CN112200226B (zh) 基于强化学习的图像处理方法、图像处理方法及相关装置
CN115049558A (zh) 模型训练、人脸图像处理方法及装置、电子设备及可读存储介质
CN112991236A (zh) 一种基于模板的图像增强方法及装置

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