CN113962901B - 一种基于深度学习网络的矿山图像粉尘去除方法及系统 - Google Patents
一种基于深度学习网络的矿山图像粉尘去除方法及系统 Download PDFInfo
- Publication number
- CN113962901B CN113962901B CN202111352712.6A CN202111352712A CN113962901B CN 113962901 B CN113962901 B CN 113962901B CN 202111352712 A CN202111352712 A CN 202111352712A CN 113962901 B CN113962901 B CN 113962901B
- Authority
- CN
- China
- Prior art keywords
- image
- dust
- module
- features
- mine
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000000903 blocking effect Effects 0.000 claims abstract description 8
- 238000007499 fusion processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 13
- 230000017105 transposition Effects 0.000 claims description 13
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 230000008034 disappearance Effects 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/223—Analysis of motion using block-matching
- G06T7/238—Analysis of motion using block-matching using non-full search, e.g. three-step search
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于深度学习网络的矿山图像粉尘去除方法及系统,步骤包括:S1、对矿山图像进行多尺度特征提取,获取所述矿山图像的高级图像特征、结构特征和低级图像特征;S2、对所述高级图像特征、结构特征和低级图像特征进行修复处理,去除所述矿山图像的粉尘信息;S3、将所述高级图像特征、结构特征和低级图像特征和所述矿山图像的粉尘信息进行融合处理,获取融合特征,将所述融合特征进行图像还原处理,获得去除粉尘图像;S4、将所述去除粉尘图像进行分块区域处理,获得粉尘概率,进行数据处理获得端到端网络的损失值,判断损失值是否符合要求,否则要返回S1;是则获取去除粉尘成功的矿山图像。
Description
技术领域
本发明涉及计算机视觉、图像处理技术和矿山无人驾驶领域,特别是涉及基于深度学习网络的矿山图像粉尘去除方法及系统。
背景技术
现实矿山生产环境中弥漫大量粉尘,导致成像设备所采集的数字图像存在严重失真的问题,譬如:画质不清晰,粉尘遮盖待检测物体目标等,上述问题会造成数字图像中待检测目标有效特征衰减或弱化,严重影响基于计算机视觉技术的目标监控与智能识别。现有研究基于雾与粉尘在数字图像中物理与光学特性相似性,去雾算法对粉尘环境下数字图像恢复具有借鉴意义。然而,粉尘环境下光线具有非均匀分布且局部多散射的特点,不满足使用去雾算法对光线均匀分布且单散射要求的前提条件,因此,现有的去雾算法不可直接应用于矿山粉尘环境下数字图像。
目前,端到端深度学习算法模型广泛应用于数字图像去雾研究,但该模型算法无法直接应用于矿山粉尘图像,主要表现为:其一,粉尘数字图像具有时间不连续特性,现实场景下无法准确地收集“粉尘-无粉尘”的配对标记图像数据,导致制作用于端到端模型训练的粉尘图像训练数据集难度极大;其二,粉尘数字图像具有空间不连续特性,直接使用去雾算法模型中的全局特征估计方法还原粉尘图像,导致还原后的粉尘图像不符合图像噪声特性的问题。
发明内容
本发明的目的是提出一种基于深度学习网络的矿山图像粉尘去除方法及系统,通过将图像粉尘去除的端到端模型与粉尘概率估计模型联合使用,解决了矿山图像粉尘去除问题。
为实现上述目的,本发明提供了如下方案:一种基于深度学习网络的矿山图像粉尘去除方法,步骤包括:
S1、对矿山图像进行多尺度特征提取,获取所述矿山图像的高级图像特征、结构特征和低级图像特征;
S2、对所述高级图像特征、结构特征和低级图像特征进行修复处理,去除所述矿山图像的粉尘信息;
S3、将所述高级图像特征、结构特征和低级图像特征和所述矿山图像的粉尘信息进行融合处理,获取融合特征,将所述融合特征进行图像恢复处理,获得去除粉尘图像;
S4、将所述去除粉尘图像进行分块区域处理,获得粉尘概率,进行数据处理获得端到端网络的损失值,判断损失值是否符合要求,否则要返回S1;是则获取去除粉尘成功的矿山图像。
可选的,S1中对矿山图像进行多尺度特征提取方法包括:采用卷积算子对所述矿山图像进行下采样处理,再进行RCF处理获取矿山图像的高级图像特征、结构特征和低级图像特征。
可选的,S2中修复处理的过程包括:对所述矿山图像的高级图像特征、结构特征和低级图像特征进行特征修复处理,产生6个残差模块,每个残差模块由3个相同残差块组成,通过残差进行修复处理获得去除所述矿山图像的粉尘信息。
可选的,所述S3中获取去除粉尘图像中的图像恢复处理包括:采用转置卷积、残差和特征融合进行图像恢复。
可选的,所述S4中分块区域处理的过程包括:将去粉尘图像进行图像缩放,将缩放后的图像进行粉尘概率估计模型推理,获得8×8的图像分块区域粉尘概率。
可选的,构建粉尘概率估计模型包括:
S61、通过不成对的方式对矿山图像进行训练,判断所述矿山图像中有无粉尘存在的概率,输出为0-1的概率,对矿山图像进行分块标注,获得64个小区域图像的粉尘概率,获得粉尘概率值;
S62、选定损失函数为均方误差损失函数(MSE),将预测的64个图像块的粉尘概率值作为训练过程损失函数的输入,
S63、重复S61-S62,直至loss值收敛到合适范围,此时粉尘概率估计模型训练成功。
可选的,损失值计算过程包括:根据损失粉尘概率值计算端到端网络的损失值,损失函数loss表达式为:
式中G(ŷi)是卷积神经网络的输出值。
一种基于深度学习网络的矿山图像粉尘去除系统,包括:
多尺度特征提取模块,由卷积和RCF模块组成,用于对矿山图像进行多尺度特征提取,获取所述矿山图像的高级图像特征、结构特征和低级图像特征;
修复处理模块,由多个残差模块组成,用于对所述高级图像特征、结构特征和低级图像特征的修复处理,获得去除所述矿山图像的粉尘信息;
融合恢复模块,由TSF模块和卷积组成,用于将所述高级图像特征、结构特征和低级图像特征和所述矿山图像的粉尘信息进行融合处理,获取融合特征,将所述融合特征进行图像恢复处理,获得去除粉尘图像;
输出模块,用于将所述去除粉尘图像进行分块区域处理,获得粉尘概率,进行数据处理获得端到端网络的损失值,判断损失值是否符合要求,若符合要求,则获取去除粉尘成功的矿山图像。
可选的,所述RCF模块包括残差模块、卷积层和特征融合模块,其中:残差模块由3个连续的相同残差块构成,用于解决梯度消失和梯度爆炸问题,4组残差块的通道数依次为16、32、64和128;卷积层用于下采样,减少一半的特征通道数量,其输入通道数与同组RCF模块中残差块通道数相同,输出通道数是输入通道数的2倍,卷积核大小皆为3×3,步长为2;卷积层提取矿山图像在不同尺度下的特征,此特征亦将用于同组RCF模块以及RCF模块的特征融合;特征融合模块则通过组合得到的特征来获取互补信息,卷积核数量与RCF模块中卷积层输出通道数相同。
可选的,所述TSF模块包括转置卷积模块、特征增强模块和特征融合模块,其中:转置卷积用于上采样,将增加一倍的特征通道数量,这4组转置卷积的输入通道数依次为256、128、64和32,输出通道数是输入通道数的一半,卷积核大小皆为3×3,步长为2;特征增强模块仍由3个连续的相同残差块构成,用于解决梯度消失和梯度爆炸问题,残差块的通道数与同TSF模块中转置卷积的输出通道数相同;特征融合模块则通过组合得到的特征来获取互补信息,卷积核数量与同TSF模块中残差模块的通道数相同。
本发明的有益效果为:本发明提供了一种基于深度学习网络的矿山图像粉尘去除方法及系统,能够直接去除矿山图像的粉尘,从而解决了现有技术中去除粉尘方法存在大量噪声的问题,极大的降低了工作难度,提高了工作效率及准确率。
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为本发明实施例的整体方案示意图;
图2为本发明实施例的粉尘概率估计模型训练过程示意图;
图3为本发明实施例的矿山图像去除粉尘模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-3所示,本发明提供了一种基于深度学习网络的矿山图像粉尘去除方法,步骤包括:S1、对矿山图像进行多尺度特征提取,获取所述矿山图像的高级图像特征、结构特征和低级图像特征;S2、对所述高级图像特征、结构特征和低级图像特征进行修复处理,去除所述矿山图像的粉尘信息;S3、将所述高级图像特征、结构特征和低级图像特征和所述矿山图像的粉尘信息进行融合处理,获取融合特征,将所述融合特征进行图像恢复处理,获得去除粉尘图像;S4、将所述去除粉尘图像进行分块区域处理,获得粉尘概率,进行数据处理获得端到端网络的损失值,判断损失值是否符合要求,否则要返回S1;是则获取去除粉尘成功的矿山图像。
可选的,S1中对矿山图像进行多尺度特征提取方法包括:采用卷积算子对所述矿山图像进行下采样处理,再进行RCF处理获取矿山图像的高级图像特征、结构特征和低级图像特征。
可选的,S2中修复处理的过程包括:对所述矿山图像的高级图像特征、结构特征和低级图像特征进行特征修复处理,产生6个残差模块,每个残差模块由3个相同残差块组成,通过残差进行修复处理获得去除所述矿山图像的粉尘信息。
可选的,所述S3中获取去除粉尘图像中的图像恢复处理包括:采用转置卷积、残差和特征融合进行图像恢复。
可选的,所述S4中分块区域处理的过程包括:将去粉尘图像进行图像缩放,将缩放后的图像进行粉尘概率估计模型推理,获得8×8的图像分块区域粉尘概率。
可选的,构建粉尘概率估计模型包括:
S61、通过不成对的方式对矿山图像进行训练,判断所述矿山图像中有无粉尘存在的概率,输出为0-1的概率,对矿山图像进行分块标注,获得64个小区域图像的粉尘概率,获得粉尘概率值;
S62、选定损失函数为均方误差损失函数(MSE),将预测的64个图像块的粉尘概率值作为训练过程损失函数的输入,
S63、重复S61-S62,直至loss值收敛,此时粉尘概率估计模型训练成功。
可选的,损失值计算过程包括:根据损失粉尘概率值计算端到端网络的损失值,损失函数loss表达式为:
式中G(ŷi)是卷积神经网络的输出值。
一种基于深度学习网络的矿山图像粉尘去除系统,包括:
多尺度特征提取模块,由卷积和RCF模块组成,用于对矿山图像进行多尺度特征提取,获取所述矿山图像的高级图像特征、结构特征和低级图像特征;
修复处理模块,由多个残差模块组成,用于对所述高级图像特征、结构特征和低级图像特征进行修复处理,获得去除所述矿山图像的粉尘信息;
融合恢复模块,由TSF模块和卷积组成,用于将所述高级图像特征、结构特征和低级图像特征和所述矿山图像的粉尘信息进行融合处理,获取融合特征,将所述融合特征进行图像恢复处理,获得去除粉尘图像;
输出模块,用于将所述去除粉尘图像进行分块区域处理,获得粉尘概率,进行数据处理获得端到端网络的损失值,判断损失值是否符合要求,若符合要求,则获取去除粉尘成功的矿山图像。
可选的,所述RCF模块包括残差模块、卷积层和特征融合模块,其中:所述残差模块由3个连续的相同残差块构成,用于解决梯度消失和梯度爆炸问题,4组残差块的通道数依次为16、32、64和128;卷积层用于下采样,减少一半的特征通道数量,其输入通道数与同组RCF模块中残差块通道数相同,输出通道数是输入通道数的2倍,卷积核大小皆为3×3,步长为2;卷积层提取矿山图像在不同尺度下的特征,此特征亦将用于同组RCF模块以及RCF模块的特征融合;特征融合模块则通过组合得到的特征来获取互补信息,卷积核数量与RCF模块中卷积层输出通道数相同。
可选的,所述TSF模块包括转置卷积模块、特征增强模块和特征融合模块,其中:转置卷积用于上采样,将增加一倍的特征通道数量,这4组转置卷积的输入通道数依次为256、128、64和32,输出通道数是输入通道数的一半,卷积核大小为3×3,步长为2;特征增强模块由3个连续的相同残差块构成,用于解决梯度消失和梯度爆炸问题,残差块的通道数与同TSF模块中转置卷积的输出通道数相同;特征融合模块则通过组合得到的特征来获取互补信息,卷积核数量与同TSF模块中残差模块的通道数相同。
本发明的有益效果为:本发明提供了一种半监督范式端到端深度学习网络的矿山图像粉尘去除方法,能够直接去除矿山图像的粉尘,从而解决了现有技术中去除粉尘方法存在大量噪声的问题,极大的降低了工作难度,提高了工作效率及准确率。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (2)
1.一种基于深度学习网络的矿山图像粉尘去除方法,其特征在于,步骤包括:
S1、对矿山图像进行多尺度特征提取,获取所述矿山图像的高级图像特征、结构特征和低级图像特征;
S2、对所述高级图像特征、结构特征和低级图像特征进行修复处理,去除所述矿山图像的粉尘信息;所述S2中修复处理的过程包括:对所述矿山图像的高级图像特征、结构特征和低级图像特征进行特征修复处理,产生6个残差模块,每个残差模块由3个相同残差块组成,通过残差进行修复处理获得去除所述矿山图像的粉尘信息;
S3、将所述高级图像特征、结构特征、低级图像特征和所述矿山图像的粉尘信息进行融合处理,获取融合特征,将所述融合特征进行图像恢复处理,获得去除粉尘图像;所述S3中获取去除粉尘图像中的图像恢复处理包括:采用转置卷积、残差和特征融合进行图像恢复;
S4、将所述去除粉尘图像进行分块区域处理,获得粉尘概率,进行数据处理获得端到端网络的损失值,判断损失值是否符合要求,否,则要返回S1;是则获取去除粉尘成功的矿山图像;所述S4中分块区域处理的过程包括:将去粉尘图像进行图像缩放,将缩放后的图像进行粉尘概率估计模型推理,获得8×8的图像分块区域粉尘概率;构建粉尘概率估计模型包括:
S41、通过不成对的方式对矿山图像进行训练,判断所述矿山图像中有无粉尘存在的概率,输出为0-1的概率,对矿山图像进行分块标注,获得64个小区域图像的粉尘概率,获得粉尘概率值;
S42、选定损失函数为均方误差损失函数(MSE),将预测的64个图像块的粉尘概率值作为训练过程损失函数的输入,
S43、重复S41-S42,直至loss值收敛,此时粉尘概率估计模型训练成功。
2.根据权利要求1所述的基于深度学习网络的矿山图像粉尘去除方法的去除系统,其特征在于,包括:
多尺度特征提取模块,由卷积和RCF模块组成,用于对矿山图像进行多尺度特征提取,获取所述矿山图像的高级图像特征、结构特征和低级图像特征;
修复处理模块,由多个残差模块组成,用于对所述高级图像特征、结构特征和低级图像特征进行修复处理,获得去除所述矿山图像的粉尘信息;
融合恢复模块,由TSF模块和卷积组成,用于将所述高级图像特征、结构特征和低级图像特征和所述矿山图像的粉尘信息进行融合处理,获取融合特征,将所述融合特征进行图像恢复处理,获得去除粉尘图像;
输出模块,用于将所述去除粉尘图像进行分块区域处理,获得粉尘概率,进行数据处理获得端到端网络的损失值,判断损失值是否符合要求,若符合要求,则获取去除粉尘成功的矿山图像;
所述RCF模块包括残差模块、卷积层和特征融合模块,其中:所述残差模块由3个连续的相同残差块构成,4组残差块的通道数依次为16、32、64和128;卷积层用于下采样,减少一半的特征通道数量,其输入通道数与同组RCF模块中残差块通道数相同,输出通道数是输入通道数的2倍,卷积核大小为3×3,步长为2;卷积层提取矿山图像在不同尺度下的特征,所述RCF模块将所述不同尺度下的特征进行特征融合;特征融合模块则通过组合得到的特征来获取互补信息,卷积核数量与RCF模块中卷积层输出通道数相同;
所述TSF模块包括转置卷积模块、特征增强模块和特征融合模块,其中:所述转置卷积模块用于上采样,将增加一倍的特征通道数量,4组转置卷积的输入通道数依次为256、128、64和32,输出通道数是输入通道数的一半,卷积核大小为3×3,步长为2;所述特征增强模块由3个连续的相同残差块构成,残差块的通道数与同TSF模块中转置卷积的输出通道数相同;特征融合模块则通过组合得到的特征来获取互补信息,卷积核数量与同TSF模块中残差模块的通道数相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352712.6A CN113962901B (zh) | 2021-11-16 | 2021-11-16 | 一种基于深度学习网络的矿山图像粉尘去除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352712.6A CN113962901B (zh) | 2021-11-16 | 2021-11-16 | 一种基于深度学习网络的矿山图像粉尘去除方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962901A CN113962901A (zh) | 2022-01-21 |
CN113962901B true CN113962901B (zh) | 2022-08-23 |
Family
ID=79470671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111352712.6A Active CN113962901B (zh) | 2021-11-16 | 2021-11-16 | 一种基于深度学习网络的矿山图像粉尘去除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962901B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859120A (zh) * | 2019-01-08 | 2019-06-07 | 北京交通大学 | 基于多尺度残差网络的图像去雾方法 |
CN111915531A (zh) * | 2020-08-06 | 2020-11-10 | 温州大学 | 一种多层次特征融合和注意力引导的神经网络图像去雾方法 |
KR20210067824A (ko) * | 2019-11-29 | 2021-06-08 | 고려대학교 산학협력단 | 딥러닝 기반 영상의 안개 제거 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN112954239A (zh) * | 2021-01-29 | 2021-06-11 | 中国科学院长春光学精密机械与物理研究所 | 星上cmos图像灰尘污染去除与复原系统及复原方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102233402B1 (ko) * | 2019-12-05 | 2021-03-29 | 주식회사 딥비전스 | 미세먼지 농도 추정 방법 및 이를 수행하기 위한 장치 |
CN111242862B (zh) * | 2020-01-09 | 2022-02-22 | 西安理工大学 | 多尺度融合并行稠密残差卷积神经网络图像去噪方法 |
CN112102179B (zh) * | 2020-08-04 | 2023-08-29 | 中国科学院沈阳自动化研究所 | 一种基于Retinex的深度网络单幅图像去雾方法 |
-
2021
- 2021-11-16 CN CN202111352712.6A patent/CN113962901B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859120A (zh) * | 2019-01-08 | 2019-06-07 | 北京交通大学 | 基于多尺度残差网络的图像去雾方法 |
KR20210067824A (ko) * | 2019-11-29 | 2021-06-08 | 고려대학교 산학협력단 | 딥러닝 기반 영상의 안개 제거 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN111915531A (zh) * | 2020-08-06 | 2020-11-10 | 温州大学 | 一种多层次特征融合和注意力引导的神经网络图像去雾方法 |
CN112954239A (zh) * | 2021-01-29 | 2021-06-11 | 中国科学院长春光学精密机械与物理研究所 | 星上cmos图像灰尘污染去除与复原系统及复原方法 |
Non-Patent Citations (4)
Title |
---|
Joint Image Dehazing and Super-Resolution:Closed Shared Source Residual Attention Fusion Network;ZHUOYUAN YANG et al;《IEEE Access》;20210803;第105477-105492页 * |
Multi-Scale Deep Residual Learning-Based Single Image Haze Removal via Image Decomposition;Chia-Hung Yeh et al;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20191211;第29卷;第3153-3167页 * |
基于多尺度卷积网络的快速图像去雾算法;寇大磊等;《计算机工程与应用》;20191207(第20期);第191-198页 * |
基于多特征融合的卷积神经网络图像去雾算法;徐岩等;《激光与光电子学进展》;20180310(第03期);第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113962901A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bayar et al. | Design principles of convolutional neural networks for multimedia forensics | |
CN111062892B (zh) | 一种基于复合残差网络和深层监督的单幅图像去雨方法 | |
CN110570371B (zh) | 一种基于多尺度残差学习的图像去雾方法 | |
WO2022111355A1 (zh) | 车牌识别方法及装置、存储介质、终端 | |
CN108960261B (zh) | 一种基于注意力机制的显著物体检测方法 | |
CN112581409B (zh) | 一种基于端到端的多重信息蒸馏网络的图像去雾方法 | |
CN109410144B (zh) | 一种基于深度学习的端到端图像去雾处理方法 | |
CN110443761A (zh) | 一种基于多尺度聚合特征的单幅图像去雨方法 | |
CN112365414B (zh) | 一种基于双路残差卷积神经网络的图像去雾方法 | |
CN107749048B (zh) | 图像矫正系统及方法、色盲图像矫正系统及方法 | |
CN114511786B (zh) | 融合多时相信息和分通道密集卷积的遥感图像去云方法 | |
CN113313810A (zh) | 一种透明物体的6d姿态参数计算方法 | |
CN112700460B (zh) | 图像分割方法及系统 | |
CN112926485A (zh) | 一种少样本水闸图像分类方法 | |
Kumar et al. | Detection of concrete cracks using dual-channel deep convolutional network | |
CN112862799A (zh) | 基于图像属性恢复的图像异常检测方法和系统 | |
CN111178363A (zh) | 文字识别方法、装置、电子设备以及可读存储介质 | |
Kulkarni et al. | Unified transformer network for multi-weather image restoration | |
CN114202473A (zh) | 一种基于多尺度特征和注意力机制的图像复原方法及装置 | |
CN113962901B (zh) | 一种基于深度学习网络的矿山图像粉尘去除方法及系统 | |
Zhang et al. | A Context-Aware Road Extraction Method for Remote Sensing Imagery based on Transformer Network | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN117036190A (zh) | 图像去噪方法、装置及电子设备 |
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 |