CN113487504B - 基于生成对抗网络的水下灰度偏振图像复原方法 - Google Patents
基于生成对抗网络的水下灰度偏振图像复原方法 Download PDFInfo
- Publication number
- CN113487504B CN113487504B CN202110749303.3A CN202110749303A CN113487504B CN 113487504 B CN113487504 B CN 113487504B CN 202110749303 A CN202110749303 A CN 202110749303A CN 113487504 B CN113487504 B CN 113487504B
- Authority
- CN
- China
- Prior art keywords
- underwater
- polarization
- generator
- map
- image
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 35
- 238000011176 pooling Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000003042 antagnostic effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation 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
- G06N3/045—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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于生成对抗网络的水下偏振图像复原方法,步骤1、使用黑白偏振相机在清水下采集清晰的水下偏振图像和浑浊的水下偏振图像;步骤2、进行图像数据预处理,构建成图像数据集;步骤3、构建训练集、验证集和测试集;步骤4、构建包括生成器和判别器的深度神经网络;步骤5、对所述深度神经网络进行训练,生成对抗网络训练模型,最终得到训练好的深度神经网络训练模型;步骤6、将步骤3中的测试集放到训练好的深度神经网络训练模型进行测试,输出最终的水下偏振图像复原结果。与现有技术相比,本发明无需复杂地获取成对的水下偏振图像,通过数据集不配对的方式即可无监督地进行训练并获得清晰的水下偏振复原图像。
Description
技术领域
本发明涉及偏振成像探测技术领域,特别涉及在水下浑浊环境中基于生成对抗网络的灰度偏振图像的复原方法。
背景技术
偏振成像技术在工业生产、军事国防等许多领域都有十分广泛的应用。然而,在水下成像的应用中,因为受到水中各种散射介质的影响,采集得到的图像的对比度会降低,图像质量严重下降。在水下环境中影响物体成像质量的最主要因素是介质反射和散射的光强,这部分光强是部分偏振光,因此可以利用偏振成像技术滤除这部分光强实现图像质量的提高。目前偏振成像技术已经被广泛应用于散射介质下图像的复原和增强,特别是实现了水下成像质量的大幅提升。然而,在高浑浊水下,现有偏振成像技术进行图像复原对图像质量提升有限,尤其是在高浑浊度的水下环境中,成像效果不佳,不能够很好地满足实际生产应用的要求。同时,由于水下偏振数据采集难度大,基于深度学习的浑浊水下偏振图像复原方法无法实现大量数据集的训练,从而容易导致过拟合以及鲁棒性的不足。
发明内容
为了克服现有技术的不足,本发明提出了一种基于生成对抗网络的浑浊水下偏振图像复原方法,本发明将偏振成像技术与深度学习技术相结合,充分利用偏振图像的偏振信息用于图像复原,在较高浓度浑浊水下仍能显著地提高图像质量,同时利用生成对抗网络使用不配对数据集的优势,降低了数据集获取的难度,扩大了数据量,进一步提升图像复原质量。
本发明的一种基于生成对抗网络的水下偏振图像复原方法,该方法包括以下步骤:
步骤1、将使用黑白偏振相机在清水下采集到的清晰的水下偏振图像和浑浊的水下偏振图像;
步骤2、进行图像数据预处理,将每张清晰的水下偏振图像和浑浊的水下偏振图像拆分成偏振方向分别为0°、45°、90°的三幅偏振子图,然后合并成一个具有三个通道的三维数组,最后将其裁剪为大小为400×400×3的三维数组块,构建成图像数据集;
步骤3、将步骤2中所构建的图像数据集中按3:1:1的比例分为训练集、验证集和测试集;
步骤4、构建包括生成器和判别器的深度神经网络,其中,所述生成器包括浅层特征提取模块、残差模块和上采样模块,一共配置有6个残差模块;用于依据输入的经过预处理的清晰的水下偏振图像和浑浊的水下偏振图像生成预测的清晰的水下偏振图像和预测的浑浊的水下偏振图像;所述判别器由五层卷积层组成,用于输出判别真实图像和生成图像的判别结果;
步骤5、对所述深度神经网络进行训练,生成对抗网络训练模型,最终得到训练好的深度神经网络训练模型;
步骤6、将步骤3中的测试集放到训练好的深度神经网络训练模型进行测试,输出最终的水下偏振图像复原结果。
与现有技术相比,本发明能够达成以下有益效果:
本发明无需复杂地获取成对的水下偏振图像,通过数据集不配对的方式即可无监督地进行训练并获得清晰的水下偏振复原图像。
附图说明
图1为本发明的基于生成对抗网络的水下偏振图像复原方法整体流程示意图;
图2为生成对抗结构构建流程示意图;
图3为残差模块结构示意图;
图4为本发明和其它方法的复原效果对比图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述。
如图1所示,为基于生成对抗网络的水下灰度偏振图像复原方法整体流程示意图,无需复杂地获取成对的水下偏振图像,通过数据集不配对的方式即可无监督地进行训练并获得清晰的水下偏振复原图像,其详细步骤如下:
步骤1、构建图像数据集,使用黑白偏振相机在清水下采集清晰的水下偏振图像,然后向水中加入牛奶溶液模拟浑浊水下环境,采集浑浊的水下偏振图像;
步骤2、对清水下采集的清晰偏振图和浑水下采集的浑浊偏振图进行数据预处理,将每张图像拆分成偏振方向分别为0°、45°、90°的三幅偏振子图,然后合并成一个具有三个通道的三维数组,最后将其裁剪为大小为400×400×3的三维数组块;
步骤3、将步骤2中所构建的数据集按5:1:1的比例分为训练集、验证集和测试集;
步骤4、图2为构建深度神经网络结构流程示意图,该流程具体步骤如下:
生成器:
构建浅层特征提取模块,浅层特征提取模块包括两层卷积层,卷积核大小均为3×3,卷积核的数量为32和64;
构建残差模块,残差模块包括卷积层、作为激活函数的线性修正单元(ReLU)函数、正则化(Instance Normalization)、特征融合(Concat)层组成。如图3所示,为残差模块的结构示意图。在本实施例中,一共配置了6个残差模块,每个残差模块都包含了2个卷积层及其对应的激活函数;
上采样模块包括两个上采样(Upsampling)层、三个零填充(Zeropadding)层、两个3×3卷积层和一个7×7卷积层,用于将前序残差模块得到的特征上采样,并输出预测的清晰灰度偏振图像;
判别器:
构建判别器,判别器由五层卷积层组成,卷积核大小均为4×4,其中前四层的步长为2,卷积核的数量分别为64、128、256和512,最后一层的步长为2,卷积核的数量为1,用于输出判别真实图像和生成图像的判别结果;
步骤5、设置该深度神经网络的损失函数l(Θ),用于优化网络中的所有可训练参数Θ,损失函数由对抗损失函数、一致性损失函数、感知损失函数、风格损失函数和偏振损失函数组成,五个损失函数的具体表达式为:
计算对抗损失函数,表达式如下:
lGAN(G,DY,X,Y;Θ)=E[logDY(y)]+E[1-logDY(G(x;Θ))]
lGAN(F,DX,X,Y;Θ)=E[logDX(x)]+E[1-logDX(F(y;Θ))]
其中,x表示水下浑浊图,y表示水下清晰图,E为期望,G:X→Y表示生成清晰图的生成器,DY表示判别生成器G生成的图和真实水下清晰图的判别器,G(x;Θ)表示生成器G生成的图像,DY(y)为y经过判别器DY的结果,DY(G(x;Θ))为G(x;Θ)经过判别器DY的结果;F:Y→X表示生成浑浊图的生成器,DX表示判别生成器F生成的图和真实水下浑浊图的判别器:F(y;Θ)表示生成器F生成的图像,DX(x)为x经过判别器DX的结果,DX(F(y;Θ))为F(y;Θ)经过判别器DX的结果;
计算一致性损失函数,表达式如下:
lcyc(G,F;Θ)=E[||F(G(x))-x||1]+E[||G(F(y))-y||1]
其中,x表示水下浑浊图,y表示水下清晰图,E为期望,G(x)表示水下浑浊图经过生成器G:X→Y得到的结果,F(G(x))表示G(x)经生成器F:Y→X得到的重构的浑浊图,F(y)为水下清晰图y经过生成器F:Y→X得到的结果,G(F(y))表示F(y)经生成器G:X→Y得到的重构的清晰图;
计算感知损失函数,表达式如下:
其中,x表示水下浑浊图,y表示水下清晰图,E为期望,φ表示在VGG19网络中的第二和第五池化层提取得到的特征图,G(x)表示水下浑浊图经过生成器G:X→Y得到的结果,F(G(x))表示G(x)经生成器F:Y→X得到的重构的浑浊图,F(y)为水下清晰图y经过生成器F:Y→X得到的结果,G(F(y))表示F(y)经生成器G:X→Y得到的重构的清晰图;
计算风格损失函数,表达式如下:
其中,表示由VGG19网络中提取到的特征图求得的格拉姆矩阵;j为VGG19网络中的第二至第五池化层,Ej为各个池化层计算得到的期望,G(x)表示水下浑浊图经过生成器G:X→Y得到的结果,F(G(x))表示G(x)经生成器F:Y→X得到的重构的浑浊图,F(y)为水下清晰图y经过生成器F:Y→X得到的结果,G(F(y))表示F(y)经生成器G:X→Y得到的重构的清晰图;
计算偏振损失函数,由偏振度损失lDoLP和偏振角损失lAoP组成,表达式如下:
其中,DoLP和AoP表示计算图像的偏振度和偏振角,G(x)表示水下浑浊图经过生成器G:X→Y得到的结果,F(G(x))表示G(x)经生成器F:Y→X得到的重构的浑浊图,F(y)为水下清晰图y经过生成器F:Y→X得到的结果,G(F(y))表示F(y)经生成器G:X→Y得到的重构的清晰图;
最后,总损失函数表达式如下:
L=λadv(lGAN(G,DY,X,Y;Θ)+lGAN(F,DX,X,Y;Θ))+λcyclcyc+λperlper+λstylsty+λDoLPlDoLP+λAoPlAoP
其中,λadv,λcyc,λper,λsty,λDoLP,λAoP分别为对抗损失lGAN、一致性损失lcyc、感知损失lper、风格损失lsty、偏振度损失lDoLP和偏振角损失lAoP的权重系数。
步骤6、训练生成对抗网络训练模型:设置卷积神经网络的训练参数,对所述神经网络进行训练。在本实施例中,最小批处理样本数为1,学习率初始化为0.0002,使用指数衰减学习率方法,设置衰减率为0.5,每10个周期衰减一次,训练周期为1500,使用Adam算法优化损失函数。通过训练过程不断调节部分网络参数,最终得到训练好的生成对抗网络训练模型;
步骤7、将步骤3中的测试集放到步骤6中训练好的深度神经网络训练模型进行测试,输出最终的水下偏振图像复原结果。
上述技术方案具有以下优势:
1、本发明在采集浑浊水下偏振图像数据时,通过分焦平面偏振相机采集清水下的偏振图像和浑浊水下的偏振图像,该方法的优点在于两个数据集无需一一对应,降低了数据集采集的复杂度,同时扩大了数据集;
2、本发明采用的循环生成对抗网络在训练时无需成对的浑浊水下偏振图像和对应的清水图,也不依赖于大气散射模型参数的估计,通过结合循环一致性损失和偏振损失来提升复原图像的纹理信息质量。
3、本发明充分将多维度的偏振参量用于图像复原,提高图像对比度,更好地提升水下浑浊复原图像的成像质量。
为了检验本发明所提出方法的性能,对本发明的图像复原效果与现存的两种比较有代表性的散射介质中图像复原方法进行对比,现存的两种比较有代表性的散射介质中图像复原方法分别是梁健的基于偏振角与偏振度去背向散射光的图像复原方法和何凯明的暗通道先验的图像复原方法,结果如图4所示:其中,(a)为浑浊光强图像,(b)为暗通道先验方法复原后的光强图像,(c)为基于偏振角方法复原后的光强图像,(d)为本发明复原后的光强图像。
本发明对浑浊水下图像的复原效果要优于其他方法,图像对比度提升明显。为定量地对图像成像质量进行评估,采用EME(the value of measure of enhancement)和图像质量评价(NIQE)作为评价函数来评价各种复原方法对图像质量的提升效果,EME越大,NIQE越小,表示图像质量越高。对比结果如下表所示下:
标准 | 原始图像 | 暗通道方法 | 偏振角方法 | 本发明方法 |
EME | 0.7652 | 1.7539 | 9.9954 | 11.2002 |
NIQE | 10.7881 | 9.1889 | 10.7881 | 4.2632 |
从表中可以看出,使用本发明对水下灰度偏振图像进行复原,图像质量提高显著,要优于其他复原方法。利用本发明所述的技术方案,或本领域技术人员在本发明启发下,设计出类似的技术方案,而达到上述技术效果的,均落入本发明的保护范围内。
Claims (3)
1.一种基于生成对抗网络的水下偏振图像复原方法,其特征在于,通过数据集不配对的方式实现无监督地进行训练、并获得清晰的水下偏振复原图像,该方法包括以下步骤:
步骤1、将使用黑白偏振相机在清水下采集到的清晰的水下偏振图像和浑浊的水下偏振图像;
步骤2、进行图像数据预处理,将每张清晰的水下偏振图像和浑浊的水下偏振图像拆分成偏振方向分别为0°、45°、90°的三幅偏振子图,然后合并成一个具有三个通道的三维数组,最后将其裁剪为大小为400×400×3的三维数组块,构建成图像数据集;
步骤3、将步骤2中所构建的图像数据集中按5:1:1的比例分为训练集、验证集和测试集;
步骤4、构建包括生成器和判别器的深度神经网络,其中,所述生成器包括浅层特征提取模块、残差模块和上采样模块,一共配置有6个残差模块;用于依据输入的经过预处理的清晰的水下偏振图像和浑浊的水下偏振图像生成预测的清晰的水下偏振图像和预测的浑浊的水下偏振图像;所述判别器由五层卷积层组成,用于输出判别真实图像和生成图像的判别结果;设置深度神经网络的损失函数l(Θ),用于优化网络中的所有可训练参数Θ,损失函数由对抗损失函数、一致性损失函数、感知损失函数、风格损失函数和偏振损失函数组成:
计算对抗损失函数,表达式如下:
lGAN(G,DY,X,Y;Θ)=E[logDY(y)]+E[1-logDY(G(x;Θ))]
lGAN(F,DX,X,Y;Θ)=E[logDX(x)]+E[1-logDX(F(y;Θ))]
其中,x表示水下浑浊图,y表示水下清晰图,E为期望,G:X→Y表示生成清晰图的生成器,DY表示判别生成器G生成的图和真实水下清晰图的判别器,G(x;Θ)表示生成器G生成的图像,DY(y)为y经过判别器DY的结果,DY(G(x;Θ))为G(x;Θ)经过判别器DY的结果;F:Y→X表示生成浑浊图的生成器,DX表示判别生成器F生成的图和真实水下浑浊图的判别器:F(y;Θ)表示生成器F生成的图像,DX(x)为x经过判别器DX的结果,DX(F(y;Θ))为F(y;Θ)经过判别器DX的结果;
计算一致性损失函数,表达式如下:
lcyc(G,F;Θ)=E[||F(G(x))-x||1]+E[||G(F(y))-y||1]
其中,x表示水下浑浊图,y表示水下清晰图,E为期望,G(x)表示水下浑浊图经过生成器G:X→Y得到的结果,F(G(x))表示G(x)经生成器F:Y→X得到的重构的浑浊图,F(y)为水下清晰图y经过生成器F:Y→X得到的结果,G(F(y))表示F(y)经生成器G:X→Y得到的重构的清晰图;
计算感知损失函数,表达式如下:
其中,x表示水下浑浊图,y表示水下清晰图,E为期望,φ表示在VGG19网络中的第二和第五池化层提取得到的特征图,G(x)表示水下浑浊图经过生成器G:X→Y得到的结果,F(G(x))表示G(x)经生成器F:Y→X得到的重构的浑浊图,F(y)为水下清晰图y经过生成器F:Y→X得到的结果,G(F(y))表示F(y)经生成器G:X→Y得到的重构的清晰图;
计算风格损失函数,表达式如下:
其中,表示由VGG19网络中提取到的特征图求得的格拉姆矩阵;j为VGG19网络中的第二至第五池化层,Ej为各个池化层计算得到的期望,G(x)表示水下浑浊图经过生成器G:X→Y得到的结果,F(G(x))表示G(x)经生成器F:Y→X得到的重构的浑浊图,F(y)为水下清晰图y经过生成器F:Y→X得到的结果,G(F(y))表示F(y)经生成器G:X→Y得到的重构的清晰图;
计算偏振损失函数,由偏振度损失lDoLP和偏振角损失lAoP组成,表达式如下:
其中,DoLP和AoP表示计算图像的偏振度和偏振角,G(x)表示水下浑浊图经过生成器G:X→Y得到的结果,F(G(x))表示G(x)经生成器F:Y→X得到的重构的浑浊图,F(y)为水下清晰图y经过生成器F:Y→X得到的结果,G(F(y))表示F(y)经生成器G:X→Y得到的重构的清晰图;
最后,总损失函数表达式如下:
L=λadv(lGAN(G,DY,X,Y;Θ)+lGAN(F,DX,X,Y;Θ))+λcyclcyc+λperlper+λstylsty+λDoLPlDoLP+λAoPlAoP
其中,λadv,λcyc,λper,λsty,λDoLP,λAoP分别为对抗损失lGAN、一致性损失lcyc、感知损失lper、风格损失lsty、偏振度损失lDoLP和偏振角损失lAoP的权重系数;
步骤5、对所述深度神经网络进行训练,生成对抗网络训练模型,最终得到训练好的深度神经网络训练模型;
步骤6、将步骤3中的测试集放到训练好的深度神经网络训练模型进行测试,输出最终的水下偏振图像复原结果。
2.如权利要求1所述的一种基于生成对抗网络的水下偏振图像复原方法,其特征在于,浅层特征提取模块包括两层卷积层,卷积核大小均为3×3,卷积核的数量为32和64;残差模块包括卷积层、作为激活函数的线性修正单元函数、正则化和特征融合层;上采样模块包括两个上采样层、三个零填充层、两个3×3卷积层和一个7×7卷积层。
3.如权利要求1所述的一种基于生成对抗网络的水下偏振图像复原方法,其特征在于,包括判别器由五层卷积层组成,卷积核大小均为4×4,其中前四层的步长为2,卷积核的数量分别为64、128、256和512,最后一层的步长为2,卷积核的数量为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749303.3A CN113487504B (zh) | 2021-07-01 | 2021-07-01 | 基于生成对抗网络的水下灰度偏振图像复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749303.3A CN113487504B (zh) | 2021-07-01 | 2021-07-01 | 基于生成对抗网络的水下灰度偏振图像复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487504A CN113487504A (zh) | 2021-10-08 |
CN113487504B true CN113487504B (zh) | 2022-12-09 |
Family
ID=77939488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110749303.3A Active CN113487504B (zh) | 2021-07-01 | 2021-07-01 | 基于生成对抗网络的水下灰度偏振图像复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487504B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170107B (zh) * | 2021-12-13 | 2024-06-11 | 浙江理工大学 | 一种基于生成对抗网络的浑浊水下偏振图像复原方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570364A (zh) * | 2019-08-05 | 2019-12-13 | 天津大学 | 基于深度神经网络的分焦平面偏振图像去噪方法 |
CN111080669A (zh) * | 2019-11-04 | 2020-04-28 | 北京大学 | 一种图像反射分离方法及装置 |
CN111854957A (zh) * | 2020-07-21 | 2020-10-30 | 北京航空航天大学 | 一种基于水下光强干扰模型的水下偏振自主定向方法 |
CN112164017A (zh) * | 2020-09-27 | 2021-01-01 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于深度学习的偏振彩色化方法 |
CN112651911A (zh) * | 2020-12-01 | 2021-04-13 | 广东工业大学 | 一种基于偏振图像的高动态范围成像生成方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11232541B2 (en) * | 2018-10-08 | 2022-01-25 | Rensselaer Polytechnic Institute | CT super-resolution GAN constrained by the identical, residual and cycle learning ensemble (GAN-circle) |
CN111260584A (zh) * | 2020-01-17 | 2020-06-09 | 北京工业大学 | 基于gan网络的水下退化图像增强的方法 |
CN111275647B (zh) * | 2020-01-21 | 2023-06-27 | 南京信息工程大学 | 一种基于循环生成对抗网络的水下图像复原方法 |
CN111429378A (zh) * | 2020-04-01 | 2020-07-17 | 天津大学前沿技术研究院有限公司 | 基于深度神经网络和偏振成像的浑浊水下灰度图像复原方法 |
CN111783545A (zh) * | 2020-06-02 | 2020-10-16 | 山西潞安环保能源开发股份有限公司五阳煤矿 | 一种基于生成对抗网络的煤矿无人机图像增强方法 |
CN111861914B (zh) * | 2020-07-07 | 2023-02-03 | 天津大学 | 基于深度神经网络的低照度彩色偏振图像增强方法 |
CN112541865A (zh) * | 2020-10-15 | 2021-03-23 | 天津大学 | 基于生成对抗网络的水下图像增强方法 |
-
2021
- 2021-07-01 CN CN202110749303.3A patent/CN113487504B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570364A (zh) * | 2019-08-05 | 2019-12-13 | 天津大学 | 基于深度神经网络的分焦平面偏振图像去噪方法 |
CN111080669A (zh) * | 2019-11-04 | 2020-04-28 | 北京大学 | 一种图像反射分离方法及装置 |
CN111854957A (zh) * | 2020-07-21 | 2020-10-30 | 北京航空航天大学 | 一种基于水下光强干扰模型的水下偏振自主定向方法 |
CN112164017A (zh) * | 2020-09-27 | 2021-01-01 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于深度学习的偏振彩色化方法 |
CN112651911A (zh) * | 2020-12-01 | 2021-04-13 | 广东工业大学 | 一种基于偏振图像的高动态范围成像生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113487504A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184577B (zh) | 基于多尺度自注意生成对抗网络的单幅图像去雾方法 | |
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 | |
CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN112288645B (zh) | 一种颅骨面貌复原模型构建方法及复原方法与系统 | |
CN112052877B (zh) | 一种基于级联增强网络的图片细粒度分类方法 | |
CN112541865A (zh) | 基于生成对抗网络的水下图像增强方法 | |
CN115565056A (zh) | 基于条件生成对抗网络的水下图像增强方法及系统 | |
CN112489168A (zh) | 一种图像数据集生成制作方法、装置、设备及存储介质 | |
CN113487504B (zh) | 基于生成对抗网络的水下灰度偏振图像复原方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN115661069A (zh) | 一种高光谱异常检测方法及计算机装置 | |
CN115601572A (zh) | 基于半监督CycleGan网络的超声相控阵图像优化重构方法及系统 | |
CN116797461A (zh) | 基于多级强化注意力机制的双目图像超分辨率重建方法 | |
CN117079098A (zh) | 一种基于位置编码的空间小目标检测方法 | |
CN111539434B (zh) | 基于相似度的红外弱小目标检测方法 | |
CN116993639A (zh) | 基于结构重参数化的可见光与红外图像融合方法 | |
CN115346091B (zh) | 一种Mura缺陷图像数据集的生成方法和生成装置 | |
CN117036182A (zh) | 一种单幅图像去雾方法及系统 | |
CN116309221A (zh) | 一种多光谱图像融合模型的构建方法 | |
CN115527253A (zh) | 一种基于注意力机制的轻量级人脸表情识别方法和系统 | |
CN114581963A (zh) | 基于重构差异的oct指纹切面图像真伪检测方法 | |
CN113343865A (zh) | 基于分层伪三维注意力卷积神经网络的人脸图像分类方法 | |
CN113435455B (zh) | 一种基于时空脉冲编码的图像轮廓提取方法 | |
CN114332460B (zh) | 一种半监督单图像去雨处理方法 | |
CN116402812B (zh) | 一种医疗用影像数据的处理方法及系统 |
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 |