CN113643199A - 基于扩散信息的在有雾条件下的图像去雾方法及系统 - Google Patents

基于扩散信息的在有雾条件下的图像去雾方法及系统 Download PDF

Info

Publication number
CN113643199A
CN113643199A CN202110848036.5A CN202110848036A CN113643199A CN 113643199 A CN113643199 A CN 113643199A CN 202110848036 A CN202110848036 A CN 202110848036A CN 113643199 A CN113643199 A CN 113643199A
Authority
CN
China
Prior art keywords
image
channel
defogging
module
foggy
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
Application number
CN202110848036.5A
Other languages
English (en)
Other versions
CN113643199B (zh
Inventor
贺越生
杨明
孙玉山
曹炳全
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110848036.5A priority Critical patent/CN113643199B/zh
Publication of CN113643199A publication Critical patent/CN113643199A/zh
Application granted granted Critical
Publication of CN113643199B publication Critical patent/CN113643199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/73Deblurring; Sharpening
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于扩散信息的在有雾条件下的图像去雾方法及系统,该方法包括:采集待检测区域的有雾图像;利用图像扩散对采集的有雾图像进行图像信息增强;将经过处理后的图像输出。该系统包括:图像采集模块、去雾处理模块以及图像输出模块。通过本发明,基于图像扩散的形成机理来实现图像去雾,可以获得更好的去雾效果,成本低、操作简单、计算复杂度低。

Description

基于扩散信息的在有雾条件下的图像去雾方法及系统
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种基于扩散信息的在有雾条件下的图像去雾方法及系统。
背景技术
视觉感知一直是海上各类无人系统在执行任务时的主要感知手段之一,利用视觉图像我们可以在较为隐蔽的情况下得到丰富的外界信息,在系统的正常运行中发挥着不可替代的作用。然而在使用视觉技术手段时,海上起雾现象会对感知的效果产生较为严重的挑战。近年来,对有雾情形下的图像处理任务一直是图像领域的重要技术方向,具有较为广泛的应用前景。
对图像去雾的技术探索最早可追溯到20世纪50年代,最初主要是为了解决针对遥感图像中由于云雾影响而造成的图像不清晰的问题,而后对普通成像的去雾霾技术也逐渐得到了发展。近些年来,由于香港中文大学何恺明博士等中国学者在这一领域的研究,使得中国在这方面处于领先的地位,与世界水平不存在差距。
当前与单幅图像去雾相关的技术路线大致可分为以下三类:一是基于图像增强的去雾方法,二是基于图像复原的去雾方法,三是基于深度学习的去雾算法。但是现有去雾处理去雾效果不理想。
发明内容
本发明针对上述现有技术中存在的问题,提出一种基于扩散信息的在有雾条件下的图像去雾方法及系统,基于图像扩散的形成机理来实现图像去雾,可以获得更好的去雾效果,成本低、操作简单、计算复杂度低。
为解决上述技术问题,本发明是通过如下技术方案实现的:
根据本发明的第一方面,提供一种基于扩散信息的在有雾条件下的图像去雾方法,其包括:
S11:图像采集;
采集待检测区域的有雾图像;
S12:去雾处理;
利用图像扩散对所述S11采集的有雾图像进行图像信息增强;
S13:图像输出;
将经过所述S13处理后的图像输出。
较佳地,所述S12包括:
S121:对所述S11采集的有雾图像I(x,y)进行傅里叶变换,得到傅里叶谱:Ifft(x,y);
其中,(x,y)为图像中的像素点的坐标;
S122:计算每个坐标(x,y)处用于提取特征的参数值,公式如下:
Figure BDA0003181430690000021
其中,xmax为图像高度;ymax为图像宽度;α、β、λ、k均为算法参数,且均为正数;
S123:将所述S122得到的用于提取特征的参数值叠加至原傅里叶谱中,得到处理后的傅里叶谱:
Ifft_new(x,y)=Ifft(x,y)*[T(x,y)+1];
S124:对所述S123得到的处理后的傅里叶谱进行傅里叶逆变换,得到图像信息增强后的图像。
较佳地,所述S122还包括:
令直流分量处的参数值为:
T(0,0)=γ
其中,γ为算法参数。
较佳地,所述S11还包括:采集待检测区域的彩色有雾图像,将采集的彩色有雾图像拆分为R通道、G通道、B通道;
所述S12包括:利用图像扩散对所述R通道、G通道、B通道的有雾图像分别进行图像信息增强;
所述S13包括:将所述S12得到的图像信息增强后的R通道、G通道、B通道的图像进行合并,得到去雾后的彩色图像。
根据本发明的第二方面,还提供一种基于扩散信息的在有雾条件下的图像去雾系统,其包括:图像采集模块、去雾处理模块以及图像输出模块;其中,
所述图像采集模块用于采集待检测区域的有雾图像;
所述去雾处理模块用于利用图像扩散对所述图像采集模块采集的有雾图像进行图像信息增强;
所述图像输出模块用于将经过所述去雾处理模块处理后的图像输出。
较佳地,所述去雾处理模块包括:傅里叶变换模块、特征的参数值提取模块、参数值叠加模块以及傅里叶逆变换模块;其中,
所述傅里叶变换模块用于:对所述图像采集模块采集的有雾图像I(x,y)进行傅里叶变换,得到傅里叶谱:Ifft(x,y);
其中,(x,y)为图像中的像素点的坐标;
所述特征的参数值提取模块用于:计算每个坐标(x,y)处用于提取特征的参数值,公式如下:
Figure BDA0003181430690000041
其中,xmax为图像高度;ymax为图像宽度;α、β、λ、k均为算法参数,且均为正数;
所述参数值叠加模块用于:将所述特征的参数值提取模块得到的用于提取特征的参数值叠加至原傅里叶谱中,得到处理后的傅里叶谱:
Ifft_new(x,y)=Ifft(x,y)*[T(x,y)+1];
所述傅里叶逆变换模块用于:对所述参数值叠加模块得到的处理后的傅里叶谱进行傅里叶逆变换,得到图像信息增强后的图像。
较佳地,所述特征的参数值提取模块还用于:
令直流分量处的参数值为:
T(0,0)=γ
其中,γ为算法参数。
较佳地,所述图像采集模块用于:采集待检测区域的彩色有雾图像,将采集的彩色有雾图像拆分为R通道、G通道、B通道;
所述去雾处理模块用于:利用图像扩散对所述R通道、G通道、B通道的有雾图像分别进行图像信息增强;
所述图像输出模块用于:将所述去雾处理模块得到的图像信息增强后的R通道、G通道、B通道的图像进行合并,得到去雾后的彩色图像。
相较于现有技术,本发明具有以下优点:
(1)本发明提供的基于扩散信息的在有雾条件下的图像去雾方法及系统,通过图像扩散形成机理的方法来实现新型的图像去雾,得到了更好的去雾效果,进而达到了更好的检测结果,可以解决在恶劣条件下船只被动感知效果查的问题,具有较强的应用前景;
(2)本发明提供的基于扩散信息的在有雾条件下的图像去雾方法及系统,通过对图像中所承载特征信息且稳定的物理量来进行计算,利用图像特征信息的扩散量来增强图像的语义信息,充分挖掘了去雾后的图像特征增强信息,进一步提升了去雾效果;
(3)本发明提供的基于扩散信息的在有雾条件下的图像去雾方法及系统,通过图像扩散形成机理的方法来实现新型的图像去雾,可以实现无先验模型获得去雾图像信息,成本低、操作简单、计算复杂度低。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例的基于扩散信息的在有雾条件下的图像去雾方法的流程图;
图2为本发明一较佳实施例的去雾处理的流程图;
图3为本发明一实施例的基于扩散信息的在有雾条件下的图像去雾系统的示意图;
图4a为一待处理有雾图像;
图4b为采用本发明的去雾处理方法对图4a进行处理得到的处理结果;
图5a为另一待处理有雾图像;
图5b为采用本发明的去雾处理方法对图5a进行处理得到的处理结果。
附图标记说明:
1-图像采集模块,
2-去雾处理模块,
3-图像输出模块。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示为本发明一实施例的基于扩散信息的在有雾条件下的图像去雾方法的流程图。
请参考图1,本实施例的基于扩散信息的在有雾条件下的图像去雾方法包括:
S11:图像采集;
使用水面船只专用光电吊舱采集待检测区域的有雾图像数据,并将其读入系统;
S12:去雾处理;
利用图像扩散对S11采集的有雾图像进行图像信息增强;
S13:图像输出;
将经过S13处理后的去雾图像输出。
较佳实施例中,S12中利用扩散理论模型对有雾图像进行处理所采用的核心技术为:在Sobolev空间中计算图像形成过程的Diffusion特点与形成图像特征之间的映射关系,由此推出基于Diffusion的图像处理新算法,即将问题归结到内积空间上,在频率域中解决,请参考图2,具体包括:
S121:对S11采集的有雾图像I(x,y)进行傅里叶变换,得到其二维傅里叶谱:Ifft(x,y),其为图像中所承载特征信息且稳定的物理量;
其中,(x,y)为图像中的像素点的坐标;
S122:对于上述得到的二维傅里叶谱利用扩散理论进行一定的算法处理,对其特征进行增强,具体为:计算每个坐标(x,y)处用于提取特征的参数值,公式如下:
Figure BDA0003181430690000071
其中,xmax为图像高度;ymax为图像宽度;α、β、λ、k均为算法参数,且均为正数;
此外,另令直流分量处的参数值为:
T(0,0)=γ
其中,γ为算法参数;
S123:将S122得到的用于提取特征的参数值叠加至原二维傅里叶谱中,得到处理后的傅里叶谱:
Ifft_new(x,y)=Ifft(x,y)*[T(x,y)+1];
S124:对S123得到的处理后的傅里叶谱进行傅里叶逆变换,得到图像信息增强后的图像。
上述利用扩散理论模型对有雾图像进行处理为利用扩散方程的弱微分解计算扩散特征,实用扩散特征来增强图像信息,进一步提高了去雾效果,而且具有成本低、操作简单、计算复杂度低的优点。
较佳实施例中,将有雾图像分为R通道、G通道、B通道分别进行处理再合并,具体地:
S11还包括:采集待检测区域的彩色有雾图像,将采集的彩色有雾图像拆分为R通道、G通道、B通道;
S12包括:利用图像扩散对所述R通道、G通道、B通道的有雾图像分别进行图像信息增强;
S13包括:将S12得到的图像信息增强后的R通道、G通道、B通道的图像进行合并,得到去雾后的彩色图像。
如图3所示为本发明一实施例的基于扩散信息的在有雾条件下的图像去雾系统的示意图。
请参考图3,本实施例的基于扩散信息的在有雾条件下的图像去雾系统包括:图像采集模块1、去雾处理模块2以及图像输出模块3;其中,
图像采集模块1用于采集待检测区域的有雾图像;
去雾处理模块2用于利用图像扩散对图像采集模块1采集的有雾图像进行图像信息增强;
图像输出模块3用于将经过去雾处理模块2处理后的图像输出。
较佳实施例中,去雾处理模块包括:傅里叶变换模块、特征的参数值提取模块、参数值叠加模块以及傅里叶逆变换模块;其中,
傅里叶变换模块用于:对图像采集模块采集的有雾图像I(x,y)进行傅里叶变换,得到傅里叶谱:Ifft(x,y);
其中,(x,y)为图像中的像素点的坐标;
特征的参数值提取模块用于:计算每个坐标(x,y)处用于提取特征的参数值,公式如下:
Figure BDA0003181430690000081
其中,xmax为图像高度;ymax为图像宽度;α、β、λ、k均为算法参数,且均为正数;
另令直流分量处的参数值为:
T(0,0)=γ
其中,γ为算法参数;
参数值叠加模块用于:将所述特征的参数值提取模块得到的用于提取特征的参数值叠加至原傅里叶谱中,得到处理后的傅里叶谱:
Ifft_new(x,y)=Ifft(x,y)*[T(x,y)+1];
傅里叶逆变换模块用于:对所述参数值叠加模块得到的处理后的傅里叶谱进行傅里叶逆变换,得到图像信息增强后的图像。
较佳实施例中,图像采集模块用于:采集待检测区域的彩色有雾图像,将采集的彩色有雾图像拆分为R通道、G通道、B通道;
去雾处理模块用于:利用图像扩散对R通道、G通道、B通道的有雾图像分别进行图像信息增强;
图像输出模块用于:将去雾处理模块得到的图像信息增强后的R通道、G通道、B通道的图像进行合并,得到去雾后的彩色图像。
一实例中,为了验证本发明的去雾方法的去雾效果,对两幅真实雾天环境下的图像进行去雾处理。如图4a、5a所示为输入的在有雾条件下的图像,如图4b、5b所示为利用本发明的去雾处理方法得到的结果图。通过结果对比可以看出本发明去雾效果明显。
需要说明的是,本发明提供的所述方法中的步骤,可以利用所述系统中对应的模块、装置、单元等予以实现,本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程,即,所述系统中的实施例可理解为实现所述方法的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
在本发明所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分形式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行、另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。前述的存储介质包括:U盘、只读存储器、随机存储器、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
此处公开的仅为本发明的优选实施例,本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化,均应落在本发明所保护的范围内。

Claims (8)

1.一种基于扩散信息的在有雾条件下的图像去雾方法,其特征在于,包括:
S11:图像采集;
采集待检测区域的有雾图像;
S12:去雾处理;
利用图像扩散对所述S11采集的有雾图像进行图像信息增强;
S13:图像输出;
将经过所述S13处理后的图像输出。
2.根据权利要求1所述的基于扩散信息的在有雾条件下的图像去雾方法,其特征在于,所述S12包括:
S121:对所述S11采集的有雾图像I(x,y)进行傅里叶变换,得到傅里叶谱:Ifft(x,y);
其中,(x,y)为图像中的像素点的坐标;
S122:计算每个坐标(x,y)处用于提取特征的参数值,公式如下:
Figure FDA0003181430680000011
其中,xmax为图像高度;ymax为图像宽度;α、β、λ、k均为算法参数,且均为正数;
S123:将所述S122得到的用于提取特征的参数值叠加至原傅里叶谱中,得到处理后的傅里叶谱:
Ifft_new(x,y)=Ifft(x,y)*[T(x,y)+1];
S124:对所述S123得到的处理后的傅里叶谱进行傅里叶逆变换,得到图像信息增强后的图像。
3.根据权利要求2所述的基于扩散信息的在有雾条件下的图像去雾方法,其特征在于,所述S122还包括:
令直流分量处的参数值为:
T(0,0)=γ
其中,γ为算法参数。
4.根据权利要求1至3任一项所述的基于扩散信息的在有雾条件下的图像去雾方法,其特征在于,所述S11还包括:采集待检测区域的彩色有雾图像,将采集的彩色有雾图像拆分为R通道、G通道、B通道;
所述S12包括:利用图像扩散对所述R通道、G通道、B通道的有雾图像分别进行图像信息增强;
所述S13包括:将所述S12得到的图像信息增强后的R通道、G通道、B通道的图像进行合并,得到去雾后的彩色图像。
5.一种基于扩散信息的在有雾条件下的图像去雾系统,其特征在于,包括:图像采集模块、去雾处理模块以及图像输出模块;其中,
所述图像采集模块用于采集待检测区域的有雾图像;
所述去雾处理模块用于利用图像扩散对所述图像采集模块采集的有雾图像进行图像信息增强;
所述图像输出模块用于将经过所述去雾处理模块处理后的图像输出。
6.根据权利要求5所述的基于扩散信息的在有雾条件下的图像去雾系统,其特征在于,所述去雾处理模块包括:傅里叶变换模块、特征的参数值提取模块、参数值叠加模块以及傅里叶逆变换模块;其中,
所述傅里叶变换模块用于:对所述图像采集模块采集的有雾图像I(x,y)进行傅里叶变换,得到傅里叶谱:Ifft(x,y);
其中,(x,y)为图像中的像素点的坐标;
所述特征的参数值提取模块用于:计算每个坐标(x,y)处用于提取特征的参数值,公式如下:
Figure FDA0003181430680000031
其中,xmax为图像高度;ymax为图像宽度;α、β、λ、k均为算法参数,且均为正数;
所述参数值叠加模块用于:将所述特征的参数值提取模块得到的用于提取特征的参数值叠加至原傅里叶谱中,得到处理后的傅里叶谱:
Ifft_new(x,y)=Ifft(x,y)*[T(x,y)+1];
所述傅里叶逆变换模块用于:对所述参数值叠加模块得到的处理后的傅里叶谱进行傅里叶逆变换,得到图像信息增强后的图像。
7.根据权利要求6所述的基于扩散信息的在有雾条件下的图像去雾系统,其特征在于,所述特征的参数值提取模块还用于:
令直流分量处的参数值为:
T(0,0)=γ
其中,γ为算法参数。
8.根据权利要求5至7任一项所述的基于扩散信息的在有雾条件下的图像去雾系统,其特征在于,所述图像采集模块用于:采集待检测区域的彩色有雾图像,将采集的彩色有雾图像拆分为R通道、G通道、B通道;
所述去雾处理模块用于:利用图像扩散对所述R通道、G通道、B通道的有雾图像分别进行图像信息增强;
所述图像输出模块用于:将所述去雾处理模块得到的图像信息增强后的R通道、G通道、B通道的图像进行合并,得到去雾后的彩色图像。
CN202110848036.5A 2021-07-27 2021-07-27 基于扩散信息的在有雾条件下的图像去雾方法及系统 Active CN113643199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110848036.5A CN113643199B (zh) 2021-07-27 2021-07-27 基于扩散信息的在有雾条件下的图像去雾方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110848036.5A CN113643199B (zh) 2021-07-27 2021-07-27 基于扩散信息的在有雾条件下的图像去雾方法及系统

Publications (2)

Publication Number Publication Date
CN113643199A true CN113643199A (zh) 2021-11-12
CN113643199B CN113643199B (zh) 2023-10-27

Family

ID=78418499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110848036.5A Active CN113643199B (zh) 2021-07-27 2021-07-27 基于扩散信息的在有雾条件下的图像去雾方法及系统

Country Status (1)

Country Link
CN (1) CN113643199B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504658A (zh) * 2014-12-15 2015-04-08 中国科学院深圳先进技术研究院 基于bp神经网络的单一图像去雾方法及装置
CN108898562A (zh) * 2018-06-22 2018-11-27 大连海事大学 一种基于深度学习的移动设备图像去雾方法
CN111127340A (zh) * 2019-12-05 2020-05-08 南京工程学院 一种图像去雾方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504658A (zh) * 2014-12-15 2015-04-08 中国科学院深圳先进技术研究院 基于bp神经网络的单一图像去雾方法及装置
CN108898562A (zh) * 2018-06-22 2018-11-27 大连海事大学 一种基于深度学习的移动设备图像去雾方法
CN111127340A (zh) * 2019-12-05 2020-05-08 南京工程学院 一种图像去雾方法

Also Published As

Publication number Publication date
CN113643199B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
US10943145B2 (en) Image processing methods and apparatus, and electronic devices
CN107220997B (zh) 一种立体匹配方法及系统
CN102395037B (zh) 一种格式识别方法及识别装置
Chen et al. Depth image enhancement for Kinect using region growing and bilateral filter
CN109840881B (zh) 一种3d特效图像生成方法、装置及设备
US20110211749A1 (en) System And Method For Processing Video Using Depth Sensor Information
US8718356B2 (en) Method and apparatus for 2D to 3D conversion using scene classification and face detection
CN103455984A (zh) 一种Kinect深度图像获取方法与装置
WO2012177166A1 (en) An efficient approach to estimate disparity map
CN103632153B (zh) 一种基于区域的图像显著图提取方法
CN112270745B (zh) 一种图像生成方法、装置、设备以及存储介质
Xue et al. Boundary-induced and scene-aggregated network for monocular depth prediction
CN114255337A (zh) 文档图像的矫正方法、装置、电子设备及存储介质
CN103826032A (zh) 深度图后期处理方法
CN114677479A (zh) 一种基于深度学习的自然景观多视图三维重建方法
CN113643199A (zh) 基于扩散信息的在有雾条件下的图像去雾方法及系统
Neverova et al. 2 1/2 D scene reconstruction of indoor scenes from single RGB-D images
CN113627287B (zh) 基于扩散信息的在有雾条件下的水面目标检测方法及系统
CN110853116B (zh) 一种显著性增强的线条画自动生成方法
CN111429568B (zh) 点云处理方法和装置、电子设备和存储介质
CN103888749B (zh) 一种双目视频转换多目视频的方法
Fisher 3d plane labeling stereo matching with content aware adaptive windows
Bareja et al. An improved iterative back projection based single image super resolution approach
US9077963B2 (en) Systems and methods for generating a depth map and converting two-dimensional data to stereoscopic data
Yu et al. Region-based euler video amplification algorithm

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