CN114037632A - 基于lab色彩空间的多尺度残差注意力图像去雾方法 - Google Patents

基于lab色彩空间的多尺度残差注意力图像去雾方法 Download PDF

Info

Publication number
CN114037632A
CN114037632A CN202111327387.8A CN202111327387A CN114037632A CN 114037632 A CN114037632 A CN 114037632A CN 202111327387 A CN202111327387 A CN 202111327387A CN 114037632 A CN114037632 A CN 114037632A
Authority
CN
China
Prior art keywords
image
training
scale
network
color space
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
CN202111327387.8A
Other languages
English (en)
Other versions
CN114037632B (zh
Inventor
吕国强
盛杰超
杜刚
诸黎明
冯奇斌
王梓
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Publication of CN114037632A publication Critical patent/CN114037632A/zh
Application granted granted Critical
Publication of CN114037632B publication Critical patent/CN114037632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (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)
  • Color Image Communication Systems (AREA)

Abstract

本发明涉及一种基于LAB色彩空间的多尺度残差注意力图像去雾方法，包括：制作去雾网络训练所需图像集，从真实单幅图像去噪数据集中随机选取2000张室外图像制作训练图像集和验证图像集；搭建基于多尺度残差注意力模块的亮度分量处理卷积神经子网络；搭建基于多尺度残差注意力模块的色度分量处理卷积神经子网络；采用制作的训练图像集和验证图像集进行上述两个卷积神经子网络的训练；将待测试图像输入到训练好的卷积神经子网络中进行去雾处理。本发明在亮度分量上进行去雾处理，在色度分量上进行颜色增强处理，这样能有效去除含雾图像中的雾并能减少去雾后图像的色彩失真；能够更好地保留图像中不同的细节部分，提升图像的显示效果。

Description

基于LAB色彩空间的多尺度残差注意力图像去雾方法
技术领域
本发明涉及图像处理技术领域，尤其是一种基于LAB色彩空间的多尺度残差注意力图像去雾方法。
背景技术
户外摄像头近年来得到了快速的发展，在交通监控、安防和自动驾驶得到大量的应用。户外摄像头可以为用户提供许多有用的场景画面，但是由于户外天气多变，当天气比较恶劣时，例如雾、雨和霾，户外摄像头的性能会受到影响。
目前的图像去雾算法主要是基于RGB色彩空间，RGB色彩空间是一个加性的色彩空间，颜色主要由R、G、B三个通道混合展现。图像去雾后，其R、G、B三个颜色通道的关系会受到影响，从而导致去雾后的图像中出现比较明显的颜色失真。
发明内容
本发明的目的在于提供一种能够有效去除含雾图像中的雾并能减少去雾后图像的色彩失真，更好地保留图像中不同的细节部分，提升图像的显示效果的基于LAB色彩空间的多尺度残差注意力图像去雾方法。
为实现上述目的，本发明采用了以下技术方案：一种基于LAB色彩空间的多尺度残差注意力图像去雾方法，该方法包括下列顺序的步骤：
(1)制作去雾网络训练所需图像集，从RESIDE真实单幅图像去噪数据集中随机选取2000张室外图像制作训练图像集和验证图像集；
(2)搭建基于多尺度残差注意力模块的亮度分量处理卷积神经子网络；
(3)搭建基于多尺度残差注意力模块的色度分量处理卷积神经子网络；
(4)采用制作的训练图像集和验证图像集进行上述两个卷积神经子网络的训练；
(5)将待测试图像输入到训练好的卷积神经子网络中进行去雾处理。
所述步骤(1)具体是指：从RESIDE真实单幅图像去噪数据集中随机选取2000张干净图像，采用公式(1)所示的合成雾图像模型来制作训练图像集和验证图像集：
I(x)＝J(x)t(x)+A(1-t(x)) ⑴
式中，J(x)为干净图像，t(x)为大气光传输函数，A为大气光，I(x)为合成的含雾图像；
其中大气光传输函数t(x)由公式(2)得到：
t(x)＝e-βd(x) ⑵
其中，d(x)为干净图像的深度图，β为大气衰减系数；
随机选择2种不同的A值和6种β来合成含雾图像；每张图像生成12张含有不同程度雾的图像，2000张干净图像总共合成24000张含雾图像；将每张含雾图像与其对应的干净图像组合成图像对；将所有图像对的尺寸大小都裁剪为256×256，并转换到LAB亮度色度色彩空间，其中21600个图像对用作训练图像集，2400个图像对用作验证图像集。
在步骤(2)中，所述多尺度残差注意力模块由4个并行的子层、1个联结层、1个通道注意力模块和1个残差模块组成，每个子层由1个1×1的卷积和1个3×3的膨胀卷积构成；4个子层的膨胀卷积的膨胀系数分别为1、2、5和7；1个联结层将4个并行子层的输出联结在一起；1个通道注意力模块为所有通道的特征赋值不同的权重，用来区分图像中不同的特征；1个残差模块将输入的特征直接按元素加到输出的特征上；
基于多尺度残差注意力模块，搭建亮度分量处理卷积神经子网络，亮度分量处理卷积神经子网络由4个多尺度残差注意力模块和3个3×3的卷积构成，每个多尺度残差注意力模块的4个子层的膨胀卷积的膨胀系数为1、2、5和7。
所述步骤(3)具体是指：所述色度分量处理卷积神经子网络采用粗尺度网络和细尺度网络结构，粗尺度网络由2个3×3的卷积和2个多尺度残差注意力模块构成，细尺度网络由2个3×3的卷积和2个多尺度残差注意力模块构成；粗尺度网络中的多尺度残差模块的4个子层的膨胀卷积的膨胀系数为2、5、7和11；细尺度网络中的多尺度残差模块的4个子层的膨胀卷积的膨胀系数为1、2、5和7。
所述步骤(4)具体是指：将训练图像集输入到搭建好的两个卷积神经子网络中进行训练，训练亮度分量处理卷积神经子网络采用亮度图像，训练色度分量处理卷积神经子网络采用色度图像；共循环训练100次，每1次训练结束后，采用验证图像集进行验证；
训练两个卷积神经子网络时使用pytorch框架中默认的初始化方式进行初始化：learning rate学习率为0.0001，decay衰减率为0.0005，batch size批尺寸为N，两个卷积神经子网络的损失函数为均方误差损失函数；
所述的均方误差损失函数如公式(3)、(4)所示：
Figure BDA0003347390530000031
Figure BDA0003347390530000032
其中，
Figure BDA0003347390530000033
和
Figure BDA0003347390530000034
表示处理后的亮度图像和干净的亮度图像，
Figure BDA0003347390530000035
和
Figure BDA0003347390530000036
表示处理后的色度图像和干净的色度图像。
所述步骤(5)具体是指：将待测试图像从RGB色彩空间转换到LAB亮度色度色彩空间，将亮度图像输入到亮度分量处理卷积神经子网络得到处理后的亮度图像，将色度图像输入到色度分量处理卷积神经子网络得到处理后的色度图像，将处理后的亮度图像和色度图像转换到RGB色彩空间，得到去雾后的图像。
由上述技术方案可知，本发明的有益效果为：第一，本发明在亮度分量上进行去雾处理，在色度分量上进行颜色增强处理，这样能有效去除含雾图像中的雾并能减少去雾后图像的色彩失真；第二，本发明提出的多尺度残差注意力模块，从四个尺度上提出图像特征，注意力模块对不同的图像特征进行不同的权重赋值，能够更好地保留图像中不同的细节部分，提升图像的显示效果；第三，在SOTS室外场景数据集测试中，本发明提出的方法取得最好的PSNR、SSIM和CIE2000，无论在图像细节恢复还是颜色表现，本发明方法都取得了最好的效果；第四，本发明可应用到安防监控、自动驾驶能领域，提高户外摄像头在恶劣天气下的性能。
附图说明
图1是本发明的方法流程示意图；
图2是本发明中多尺度残差注意力模块示意图；
图3是本发明亮度分量处理卷积神经子网络示意图；
图4是本发明色度分量处理卷积神经子网络示意图；
图5是本发明待测试图像去雾流程示意图；
图6是本发明与几个经典去雾算法的去雾效果对比示意图。
具体实施方式
如图1所示，一种基于LAB色彩空间的多尺度残差注意力图像去雾方法，该方法包括下列顺序的步骤：
(1)制作去雾网络训练所需图像集，从RESIDE真实单幅图像去噪数据集中随机选取2000张室外图像制作训练图像集和验证图像集；
(2)搭建基于多尺度残差注意力模块的亮度分量处理卷积神经子网络；
(3)搭建基于多尺度残差注意力模块的色度分量处理卷积神经子网络；
(4)采用制作的训练图像集和验证图像集进行上述两个卷积神经子网络的训练；
(5)将待测试图像输入到训练好的卷积神经子网络中进行去雾处理。
所述步骤(1)具体是指：从RESIDE真实单幅图像去噪数据集中随机选取2000张干净图像，采用公式(1)所示的合成雾图像模型来制作训练图像集和验证图像集：
I(x)＝J(x)t(x)+A(1-t(x)) ⑴
式中，J(x)为干净图像，t(x)为大气光传输函数，A为大气光，I(x)为合成的含雾图像；其中大气光传输函数t(x)由公式(2)得到：
t(x)＝e-βd(x) ⑵
其中，d(x)为干净图像的深度图，β为大气衰减系数；
随机选择2种不同的A值和6种β来合成含雾图像；每张图像生成12张含有不同程度雾的图像，2000张干净图像总共合成24000张含雾图像；将每张含雾图像与其对应的干净图像组合成图像对；将所有图像对的尺寸大小都裁剪为256×256，并转换到LAB亮度色度色彩空间，其中21600个图像对用作训练图像集，2400个图像对用作验证图像集。
在步骤(2)中，如图2所示，所述多尺度残差注意力模块由4个并行的子层、1个联结层、1个通道注意力模块和1个残差模块组成，每个子层由1个1×1的卷积和1个3×3的膨胀卷积构成；4个子层的膨胀卷积的膨胀系数分别为1、2、5和7；1个联结层将4个并行子层的输出联结在一起；1个通道注意力模块为所有通道的特征赋值不同的权重，用来区分图像中不同的特征；1个残差模块将输入的特征直接按元素加到输出的特征上。所述多尺度残差注意力模块的每一个卷积层输出的特征通道数由图2上每一个卷积层下方的数字标出。
基于多尺度残差注意力模块，搭建亮度分量处理卷积神经子网络，如图3所示，亮度分量处理卷积神经子网络由4个多尺度残差注意力模块和3个3×3的卷积构成，每个多尺度残差注意力模块的4个子层的膨胀卷积的膨胀系数为1、2、5和7。所述亮度分量处理卷积神经子网络的每一个卷积层输出的特征通道数由图3上每一个卷积层下方的数字标出。
所述步骤(3)具体是指：如图4所示，所述色度分量处理卷积神经子网络采用粗尺度网络和细尺度网络结构，粗尺度网络由2个3×3的卷积和2个多尺度残差注意力模块构成，细尺度网络由2个3×3的卷积和2个多尺度残差注意力模块构成；粗尺度网络中的多尺度残差模块的4个子层的膨胀卷积的膨胀系数为2、5、7和11；细尺度网络中的多尺度残差模块的4个子层的膨胀卷积的膨胀系数为1、2、5和7。所述色度分量处理卷积神经子网络的每一个卷积层输出的特征通道数由图4上每一个卷积层下方的数字标出。
所述步骤(4)具体是指：将训练图像集输入到搭建好的两个卷积神经子网络中进行训练，训练亮度分量处理卷积神经子网络采用亮度图像，训练色度分量处理卷积神经子网络采用色度图像；共循环训练100次，每1次训练结束后，采用验证图像集进行验证；
训练两个卷积神经子网络时使用pytorch框架中默认的初始化方式进行初始化：learning rate学习率为0.0001，decay衰减率为0.0005，batch size批尺寸为N，两个卷积神经子网络的损失函数为均方误差损失函数；
所述的均方误差损失函数如公式(3)、(4)所示：
Figure BDA0003347390530000051
Figure BDA0003347390530000052
其中，
Figure BDA0003347390530000053
和
Figure BDA0003347390530000054
表示处理后的亮度图像和干净的亮度图像，
Figure BDA0003347390530000055
和
Figure BDA0003347390530000056
表示处理后的色度图像和干净的色度图像。
所述步骤(5)具体是指：如图5所示，将待测试图像从RGB色彩空间转换到LAB亮度色度色彩空间，将亮度图像输入到亮度分量处理卷积神经子网络得到处理后的亮度图像，将色度图像输入到色度分量处理卷积神经子网络得到处理后的色度图像，将处理后的亮度图像和色度图像转换到RGB色彩空间，得到去雾后的图像。
为了验证本发明提出的图像去雾方法，现对本发明进行测试。采用SOTS数据集(室外场景)进行测试。PSNR、SSIM和CIE2000三个指标作为测试评估指标。图6所示为几种经典的图像去雾算法与本发明的视觉对比，本发明得到的去雾图像颜色更加接近于干净图像，图像的对比度更高，去雾的效果也更好，尤其是图中的两栋楼宇显得更加清晰。SOTS数据集测试结果见表1，可以看出，在客观指标对比中，本发明提出的网络也要优于其他几种去雾网络。
所述的SOTS数据集(室外场景)总共包含500张室外图像。
表1 SOTS数据集的平均测试结果
Figure BDA0003347390530000061
综上所述，本发明在亮度分量上进行去雾处理，在色度分量上进行颜色增强处理，这样能有效去除含雾图像中的雾并能减少去雾后图像的色彩失真；本发明提出的多尺度残差注意力模块，从四个尺度上提出图像特征，注意力模块对不同的图像特征进行不同的权重赋值，能够更好地保留图像中不同的细节部分，提升图像的显示效果。

Claims (6)

1.一种基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：该方法包括下列顺序的步骤：
(1)制作去雾网络训练所需图像集，从RESIDE真实单幅图像去噪数据集中随机选取2000张室外图像制作训练图像集和验证图像集；
(2)搭建基于多尺度残差注意力模块的亮度分量处理卷积神经子网络；
(3)搭建基于多尺度残差注意力模块的色度分量处理卷积神经子网络；
(4)采用制作的训练图像集和验证图像集进行上述两个卷积神经子网络的训练；
(5)将待测试图像输入到训练好的卷积神经子网络中进行去雾处理。
2.根据权利要求1所述的基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：所述步骤(1)具体是指：从RESIDE真实单幅图像去噪数据集中随机选取2000张干净图像，采用公式(1)所示的合成雾图像模型来制作训练图像集和验证图像集：
I(x)＝J(x)t(x)+A(1-t(x)) ⑴
式中，J(x)为干净图像，t(x)为大气光传输函数，A为大气光，I(x)为合成的含雾图像；其中大气光传输函数t(x)由公式(2)得到：
t(x)＝e-βd(x) ⑵
其中，d(x)为干净图像的深度图，β为大气衰减系数；
随机选择2种不同的A值和6种β来合成含雾图像；每张图像生成12张含有不同程度雾的图像，2000张干净图像总共合成24000张含雾图像；将每张含雾图像与其对应的干净图像组合成图像对；将所有图像对的尺寸大小都裁剪为256×256，并转换到LAB亮度色度色彩空间，其中21600个图像对用作训练图像集，2400个图像对用作验证图像集。
3.根据权利要求1所述的基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：在步骤(2)中，所述多尺度残差注意力模块由4个并行的子层、1个联结层、1个通道注意力模块和1个残差模块组成，每个子层由1个1×1的卷积和1个3×3的膨胀卷积构成；4个子层的膨胀卷积的膨胀系数分别为1、2、5和7；1个联结层将4个并行子层的输出联结在一起；1个通道注意力模块为所有通道的特征赋值不同的权重，用来区分图像中不同的特征；1个残差模块将输入的特征直接按元素加到输出的特征上；
基于多尺度残差注意力模块，搭建亮度分量处理卷积神经子网络，亮度分量处理卷积神经子网络由4个多尺度残差注意力模块和3个3×3的卷积构成，每个多尺度残差注意力模块的4个子层的膨胀卷积的膨胀系数为1、2、5和7。
4.根据权利要求1所述的基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：所述步骤(3)具体是指：所述色度分量处理卷积神经子网络采用粗尺度网络和细尺度网络结构，粗尺度网络由2个3×3的卷积和2个多尺度残差注意力模块构成，细尺度网络由2个3×3的卷积和2个多尺度残差注意力模块构成；粗尺度网络中的多尺度残差模块的4个子层的膨胀卷积的膨胀系数为2、5、7和11；细尺度网络中的多尺度残差模块的4个子层的膨胀卷积的膨胀系数为1、2、5和7。
5.根据权利要求1所述的基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：所述步骤(4)具体是指：将训练图像集输入到搭建好的两个卷积神经子网络中进行训练，训练亮度分量处理卷积神经子网络采用亮度图像，训练色度分量处理卷积神经子网络采用色度图像；共循环训练100次，每1次训练结束后，采用验证图像集进行验证；
训练两个卷积神经子网络时使用pytorch框架中默认的初始化方式进行初始化：learning rate学习率为0.0001，decay衰减率为0.0005，batch size批尺寸为N，两个卷积神经子网络的损失函数为均方误差损失函数；
所述的均方误差损失函数如公式(3)、(4)所示：
Figure FDA0003347390520000021
Figure FDA0003347390520000022
其中，
Figure FDA0003347390520000023
和
Figure FDA0003347390520000024
表示处理后的亮度图像和干净的亮度图像，
Figure FDA0003347390520000025
和
Figure FDA0003347390520000031
表示处理后的色度图像和干净的色度图像。
6.根据权利要求1所述的基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：所述步骤(5)具体是指：将待测试图像从RGB色彩空间转换到LAB亮度色度色彩空间，将亮度图像输入到亮度分量处理卷积神经子网络得到处理后的亮度图像，将色度图像输入到色度分量处理卷积神经子网络得到处理后的色度图像，将处理后的亮度图像和色度图像转换到RGB色彩空间，得到去雾后的图像。
CN202111327387.8A 2021-07-02 2021-11-10 基于lab色彩空间的多尺度残差注意力图像去雾方法 Active CN114037632B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110752742 2021-07-02
CN202110752742X 2021-07-02

Publications (2)

Publication Number Publication Date
CN114037632A true CN114037632A (zh) 2022-02-11
CN114037632B CN114037632B (zh) 2024-08-02

Family

ID=80137092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111327387.8A Active CN114037632B (zh) 2021-07-02 2021-11-10 基于lab色彩空间的多尺度残差注意力图像去雾方法

Country Status (1)

Country Link
CN (1) CN114037632B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116593408A (zh) * 2023-07-19 2023-08-15 四川亿欣新材料有限公司 一种重质碳酸钙粉体色度检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570371A (zh) * 2019-08-28 2019-12-13 天津大学 一种基于多尺度残差学习的图像去雾方法
CN111667421A (zh) * 2020-05-25 2020-09-15 武汉大学 一种图像去雾方法
WO2021056304A1 (zh) * 2019-09-26 2021-04-01 深圳市大疆创新科技有限公司 图像处理方法、装置、可移动平台及机器可读存储介质
CN113052778A (zh) * 2021-04-16 2021-06-29 哈尔滨理工大学 基于hsv色彩空间分离的图像去雾方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570371A (zh) * 2019-08-28 2019-12-13 天津大学 一种基于多尺度残差学习的图像去雾方法
WO2021056304A1 (zh) * 2019-09-26 2021-04-01 深圳市大疆创新科技有限公司 图像处理方法、装置、可移动平台及机器可读存储介质
CN111667421A (zh) * 2020-05-25 2020-09-15 武汉大学 一种图像去雾方法
CN113052778A (zh) * 2021-04-16 2021-06-29 哈尔滨理工大学 基于hsv色彩空间分离的图像去雾方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王秋云;杨昊亮;李雄伟;陈颖;: "基于Lab色彩空间改进的多尺度Retinex图像增强算法", 中国刑警学院学报, no. 01, 29 February 2020 (2020-02-29) *
雎青青;李朝锋;桑庆兵;: "改进多尺度卷积神经网络的单幅图像去雾方法", 计算机工程与应用, no. 10, 30 November 2018 (2018-11-30) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116593408A (zh) * 2023-07-19 2023-08-15 四川亿欣新材料有限公司 一种重质碳酸钙粉体色度检测方法
CN116593408B (zh) * 2023-07-19 2023-10-17 四川亿欣新材料有限公司 一种重质碳酸钙粉体色度检测方法

Also Published As

Publication number Publication date
CN114037632B (zh) 2024-08-02

Similar Documents

Publication Publication Date Title
CN109712083B (zh) 一种基于卷积神经网络的单幅图像去雾方法
Cao et al. Underwater image restoration using deep networks to estimate background light and scene depth
CN111161360B (zh) 基于Retinex理论的端到端网络的图像去雾方法
CN103093444B (zh) 基于自相似性和结构信息约束的图像超分辨重建方法
CN110517203B (zh) 一种基于参考图像重建的去雾方法
CN108269244B (zh) 一种基于深度学习和先验约束的图像去雾系统
CN111861914B (zh) 基于深度神经网络的低照度彩色偏振图像增强方法
CN110288550B (zh) 基于先验知识引导条件生成对抗网络的单张图像去雾方法
CN112435191B (zh) 一种基于多个神经网络结构融合的低照度图像增强方法
CN106204499A (zh) 基于卷积神经网络的单幅图像去雨方法
CN104504658A (zh) 基于bp神经网络的单一图像去雾方法及装置
CN113284061B (zh) 一种基于梯度网络的水下图像增强方法
CN111553856A (zh) 基于深度估计辅助的图像去雾方法
Zhao et al. A simple and robust deep convolutional approach to blind image denoising
CN110675330A (zh) 基于通道级注意力机制的编码-解码网络的图像去雨方法
CN105894507B (zh) 基于图像信息量自然场景统计特征的图像质量评价方法
CN114037632B (zh) 基于lab色彩空间的多尺度残差注意力图像去雾方法
CN116523875A (zh) 基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法
CN116152107A (zh) 一种基于细节恢复的单幅图像去雾方法
CN112102186A (zh) 一种水下视频图像实时增强方法
CN115861113A (zh) 一种基于融合深度图与特征掩膜的半监督去雾方法
CN106960432B (zh) 一种无参考立体图像质量评价方法
CN117649349A (zh) 基于双重注意力机制生成对抗网络的偏振图像融合方法
CN111968039A (zh) 基于硅传感器相机的昼夜通用图像处理方法、装置及设备
CN116542865A (zh) 一种基于结构重参数化的多尺度实时去雾方法及装置

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
GR01 Patent grant
GR01 Patent grant