CN114359103B - 高光谱图像去雾方法、装置、计算机产品及存储介质 - Google Patents
高光谱图像去雾方法、装置、计算机产品及存储介质 Download PDFInfo
- Publication number
- CN114359103B CN114359103B CN202210005799.8A CN202210005799A CN114359103B CN 114359103 B CN114359103 B CN 114359103B CN 202210005799 A CN202210005799 A CN 202210005799A CN 114359103 B CN114359103 B CN 114359103B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- image
- hyperspectral image
- end member
- fog
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 239000003595 mist Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 abstract description 4
- 230000000903 blocking effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高光谱图像去雾方法、装置、计算机产品及存储介质,结合通道融合的方式提取高光谱图像深层信息,从而获取更为准确的混合像元分解模型。使用混合像元分解模型获取高质量的雾端元丰度值,使用雾端元丰度值调整剩余端元丰度,使用剩余端元进行反卷积重建去雾高光谱图像,为了保证重建后的高光谱图像保留原高光谱图像信息,引入重建损失与对抗损失,实现了高光谱图像的快速去雾,消除了图像块效应、像素过度饱、图像失真的现象,降低了对先验知识的依赖性、提高了模型的鲁棒性。
Description
技术领域
本发明涉及高光谱图像处理领域,特别是一种高光谱图像去雾方法、装置、计算机产品及存储介质。
背景技术
高光谱影像是感知水体动态演变与水质参数浓度的重要数据来源。但环境中水雾、蒸汽、云雾会使遥测高光谱图像采集过程中引入大量噪声信息,导致高光谱图像出现边缘模糊、细节信息丢失、对比度下降和色彩失真等问题。
目前传统算法应用在水域高光谱图像去雾中存在以下问题:
1)传统方法仅能在薄雾且雾分布均匀的图片中获得较好的处理效果,应用在水雾浓度高的图像中容易出现像素过度饱和以及图像失真的情况,其算法鲁棒性较差;
2)基于暗通道去雾算法,利用暗原色统计规律识别雾气浓度,所处理图像自然,颜色失真小,清晰度高,但其只适用于RGB图像,而且对于低对比度的天空或者水面背景的去雾效果会产生块效应,难以通过调参进行优化;
3)现有水雾去除算法局限于在RGB三通道图片上的应用,不适用于非线性光谱数据,对于拥有上百个通道的高光谱图像难以实现算法迁移,且目前在高光谱图像领域中尚未有完善的去雾方法;
4)现有机器学习方法均以线型光谱混合模型为基础进行去雾操作,但是由于地面散射的非线性、最小反射率波长明显的非线性变化,像素内水体变化的衰减作用,高光谱数据具有内在非线性特征,且高光谱数据有多个通道,每个通道都会受到雾端元数据的影响,使用多级联通道融合卷积可以有效融合高光谱多个通道特征数据,提取雾端元抽象信息,实现高光谱数据雾端元丰度的有效提取。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种高光谱图像去雾方法,实现高光谱图像的快速去雾。
为解决上述技术问题,本发明所采用的技术方案是:一种高光谱图像去雾方法,包括以下步骤:
一种高光谱图像去雾方法,包括以下步骤:
S1、对水环境区域成像,获取包括高光谱图像像素的全部波段以及高光谱图像像素对应的真实地物丰度值高光谱图像;
S2、将同一区域的高光谱图像分为有水雾数据和无水雾数据,使用无水雾数据训练第一卷积神经网络模型,得到可分类M类高光谱图像的第一解混模型,将所述第一解混模型的拟合函数设为fm(x)=max(softmax(WLaL-1+bL)),其中WL为第一卷积神经网络模型第L层的权重参数,bL为第一卷积神经网络第L层的偏置系数,卷积神经网络第L-1层的输出为aL-1=σ(WL-1aL-2+bL-1),σ为第一卷积神经网络激活函数,xi表示第一卷积神经网络最后一层输出的第i个特征向量;设同一区域有水雾数据为xfog,无水雾数据为x,则得到第i个样本的雾端元丰度值yi=fm(xfog)-fm(x),对n个区域的雾端元丰度值y1,y2…,yn进行核密度估计,拟合得到概率密度函数f(x);利用公式/>得到雾端元丰度值分布函数F(x);
S3、根据雾端元丰度值分布函数F(x)对采集的高光谱数据进行随机加雾,并标注对应雾端元丰度值作为训练标签,完成数据扩增;
S4、将加入雾端元丰度值后的高光谱丰度样本随机划分为训练集和测试集,并对所述训练集人工加雾,在测试集中加入真实有雾高光谱数据;
S5、采用训练集训练第一卷积神经网络模型结构,得到可分类M+1类高光谱图像的第二解混模型;
S6、将有雾高光谱图像作为第二解混模型的输入,得到高光谱数据中包含雾端元的所有地物丰度值;
S7、去除所有地物丰度值中的雾端元丰度值,利用去除雾端元丰度值的剩余地物丰度特征训练第二卷积神经网络模型(见:《基于深度卷积神经网络的图像重建算法》,于波、方业全、刘闽、董君陶,《计算机系统与应用》),得到高光谱图像重建模型。
第一卷积神经网络模型中使用多级联通道融合卷积可以有效融合高光谱多个通道特征数据,提取雾端元抽象信息,实现高光谱数据雾端元的有效剔除,采用第二卷积神经网络对剔除雾端元的剩余地物丰度特征进行图像重建,引入重建损失与对抗损失,确保重建后的高光谱图像保留原高光谱图像信息,实现了高光谱图像的快速去雾。
步骤S5中,所述第一卷积神经网络模型结构包括多个级联的通道融合卷积模块;所述通道融合卷积模块包括:
L个输入通道;
每3个所述输入通道对应与L/3个第一卷积模块进行卷积操作;所述L/3个第一卷积模块输出L/3个特征图;
n个第二卷积模块,对应与L/3个特征图进行卷积操作,输出n个特征图。
第一卷积神经网络模型中使用多级联通道融合卷积可以有效融合高光谱多个通道特征数据,提取雾端元抽象信息,实现高光谱数据雾端元丰度的有效提取。
步骤S7中,所述第二卷积神经网络模型的损失函数设为L=λγLγ+λαLα,λγ和λα表示重建损失和对抗损失对应的权重系数;重建损失Lγ的公式为:Lγ=d(G(Z)-Z)=||G(Z)-Z||2,Z表示原始去雾图像,G(Z)表示将去除雾端元丰度值的剩余地物丰度特征作为第二卷积神经网络模型输入得到重建后的图像;对抗损失Lα的公式为:Lα=max(log10(D(x))+log10(1-D(G(z)))),D表示判别模型,Lα表示在判别模型中重建图像特征与原始去雾图像之间的误差。
对去除雾端元的剩余地物丰度特征使用反卷积进行高光谱图像重建(反卷积是对卷积的逆向操作,通过将卷积的输出信号,经过反卷积还原卷积的输入信号,过程如图4所示);为了保证重建后的高光谱图像与保留原高光谱图像信息,引入重建损失与对抗损失,重建损失采用原高光谱图像与重建高光谱图像矩阵之间的2-范数作为标准,重建损失公式为:Lγ=d(G(Z)-Z)=||G(Z)-Z||2;若只考虑重建损失,会导致模型重建图像丢失过多图像结构等轮廓信息,所以引入对抗损失,利用对抗神经网络重建出图像与真实图像之间的结构信息,对抗损失公式为:Lα=max(log10(D(x))+log10(1-D(G(z))));模型总的损失设计为重建损失和对抗损失的加权和,公式为:L=λγLγ+λαLα,λγ和λα表示重建损失和对抗损失对应的权重系数,本发明分别设置为λγ=0.95和λα=0.05。使用本发明提出的反卷积模型、重建损失和对抗损失进行训练,得到高光谱图像重建模型,使用去雾后各端元地物丰度重建无雾高光谱图像数据。
λγ=0.95;λα=0.05。考虑到尽量使得重建高光谱图像效果较好,因此加大重建损失系数,且重建图像效果好时也能降低重建图像与原始高光谱数据的误差。实验证明,重建系数高于对抗系数的效果好于λγ和λα均为0.5时的效果。
本发明还提供了一种计算机装置,包括存储器、处理器及存储在存储器上的计算机程序;所述处理器执行所述计算机程序,以实现本发明方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序/指令;所述计算机程序/指令被处理器执行时实现本发明方法的步骤。
本发明还提供了一种计算机程序产品,包括计算机程序/指令;该计算机程序/指令被处理器执行时实现本发明方法的步骤。
与现有技术相比,本发明所具有的有益效果为:本发明能够对高光谱图像从通道方向进行卷积操作,结合通道融合的方式提取高光谱图像深层信息,从而获取更为准确的混合像元分解模型。使用混合像元分解模型获取高质量的雾端元丰度值,使用雾端元丰度值调整剩余端元丰度,使用剩余端元进行反卷积重建高光谱去雾图像,为了保证重建后的高光谱图像与保留原高光谱图像信息,引入重建损失与对抗损失,实现了高光谱图像的快速去雾,消除了图像块效应、像素过度饱、图像失真的现象,降低了对先验知识的依赖性、提高了模型的鲁棒性。
附图说明
图1为本发明实施例方法流程图;
图2为本发明实施例第一卷积神经网络结构图;
图3为本发明实施例第一卷积神经网络中的模块结构图;
图4为本发明实施例高光谱图像重建过程;
图5(a)~图5(d)为本发明与其余方法对比实验结果图;图5(a)为原始有雾图片;图5(b)为真实去雾图片(GT);图5(c)为暗通道去雾结果(DCP);图5(d)为本发明去雾结果。
具体实施方式
图1是本发明实例中一种基于深度学习的水环境水质参数高光谱测量水雾噪音智能消除方法流程图,具体包括如下步骤:
S1、使用成像光谱仪对水环境区域成像,获取包括高光谱图像像素的全部波段以及像素对应的真实地物丰度值高光谱图像,将图像存储为数据矩阵。采样数据为n张高光谱图片,图片大小为W×H,并添加各端元丰度样本大小为M;其中W为图像宽度,H为图像高度M为地物类别数。
S2、将采集同一区域的高光谱数据分为有水雾数据和无水雾数据,首先使用本发明第一卷积神经网络模型对无水雾高光谱数据进行训练,得到可分类M类的高光谱图像解混模型,将该模型拟合函数认为fm,同一区域有水雾高光谱数据认为xfog,无雾高光谱数据为x,则可得到该区域雾端元丰度值y=fm(xfog-x),针对n组数据得到的雾端元丰度值y1,y2…,yn进行核密度估计(KernelDensity)拟合概率密度函数f(x)。
对采集的高光谱波段进行数据挖掘,解混出不含雾气条件下各个端元的丰度值,结合含有水雾、蒸汽、云雾的高光谱数据得到雾端元丰度值分布函数
S3、根据S2中得到的雾端元分布函数F(x)对采集的高光谱数据进行随机加雾,并标注对应雾端元丰度值作为训练标签,完成数据扩增。加入雾端元丰度值后,高光谱丰度样本大小为M+1。
S4、将数据按照5∶1划分为训练集和测试集,并在测试集中加入真实有雾高光谱数据;
S5、构建第一卷积神经网络模型结构,并采用训练数据进行高光谱图像解混模型训练;
对于构建第一卷积神经网络模型进行训练具体步骤如下:
a)本发明采用图2结构卷积神经网络结构对高光谱数据进行训练,图3中的block部分为图2结构;
b)对图2结构进行进一步阐述,数据输入层对高光谱数据L个通道使用1个W×H×C的卷积核在通道方向进行卷积操作,得到L/C个特征图像;
c)使用n个C×C的卷积核对b)中得到的L/C个特征图进行卷积操作,融合n个通道特征,最后得到融合后的n个特征图;
d)重复使用多个级联的通道融合卷积模块,可将多维度信息进行融合,得到更加抽象的特征。
S6、使用训练完成的高光谱图像解混模型得到所有地物丰度值;
S7、去除S6所有地物丰度值中的雾端元丰度值,对去除雾端元的剩余地物丰度特征使用第二卷积神经网络模型进行高光谱图像重建,得到去雾的高光谱图像。
图5(a)~图5(d)所示,图片为公开的“River”高光谱影像(该数据集包含两幅用于变化检测的高光谱影像,分别于2013年的5月3号和12月31号采集自中国江苏省的某河流地区,所用传感器为Earth Observing-1(EO-1)Hyperion,其光谱范围为0.4-2.5μm,光谱分辨率为10nm,空间分辨率为30m,共有242个光谱波段。数据集中的影像大小为463*241,去除噪声后有198个波段可用。影像中的主要变化类型是河道缩减),本发明使用该数据做高光谱加雾、去雾测试。图5(a)为在River高光谱数据加雾图片;图5(b)为真实River高光谱图片,将该照片作为去雾效果对比图;图5(c)为使用暗通道去雾算法去雾后的效果图;图5(d)为本发明去雾结果图。可见,本发明去雾效果明显优于暗通道去雾算法结果。
Claims (7)
1.一种高光谱图像去雾方法,其特征在于,包括以下步骤:
S1、对水环境区域成像,获取包括高光谱图像像素的全部波段以及高光谱图像像素对应的真实地物丰度值高光谱图像;
S2、将同一区域的高光谱图像分为有水雾数据和无水雾数据,使用无水雾数据训练第一卷积神经网络模型,得到可分类M类高光谱图像的第一解混模型,将所述第一解混模型的拟合函数设为fm(x)=max(softmax(WLaL-1+bL)),其中WL为第一卷积神经网络模型第L层的权重参数,bL为第一卷积神经网络第L层的偏置系数,aL-1为第一卷积神经网络第L-1层的输出;设同一区域有水雾数据为xfog,无水雾数据为x,则得到第i个高光谱图像的雾端元丰度值yi=fm(xfog)-fm(x),对n个区域的雾端元丰度值y1,y2…,yn进行核密度估计,拟合得到概率密度函数f(x);利用公式得到雾端元丰度值分布函数F(x);
S3、根据雾端元丰度值分布函数F(x)对采集的高光谱数据进行随机加雾,并标注对应雾端元丰度值作为训练标签,完成数据扩增;
S4、从完成数据扩增的高光谱丰度样本中获取训练集,并对所述训练集人工加雾;
S5、采用训练集训练第一卷积神经网络模型结构,得到可分类M+1类高光谱图像的第二解混模型;
S6、将有雾高光谱图像作为第二解混模型的输入,得到高光谱数据中包含雾端元的所有地物丰度值;
S7、去除所有地物丰度值中的雾端元丰度值,利用去除雾端元丰度值的剩余地物丰度特征训练第二卷积神经网络模型,得到高光谱图像重建模型。
2.根据权利要求1所述的高光谱图像去雾方法,其特征在于,步骤S5中,所述第一卷积神经网络模型结构包括多个级联的通道融合卷积模块;所述通道融合卷积模块包括:
L个输入通道;
每3个所述输入通道对应与L/3个第一卷积模块进行卷积操作;所述L/3个第一卷积模块输出L/3个特征图;
n个第二卷积模块,对应与L/3个特征图进行卷积操作,输出n个特征图。
3.根据权利要求1所述的高光谱图像去雾方法,其特征在于,步骤S7中,所述第二卷积神经网络模型的损失函数设为L=λγLγ+λαLα,λγ和λα表示重建损失和对抗损失对应的权重系数;重建损失Lγ的公式为:Lγ=d(G(Z)-Z)=||G(Z)-Z||2,Z表示原始去雾图像,G(Z)表示将去除雾端元丰度值的剩余地物丰度特征作为第二卷积神经网络模型输入得到的重建后的图像;对抗损失Lα的公式为:Lα=max(log10(D(x))+log10(1-D(G(z)))),D表示判别模型,Lα表示在判别模型中重建的图像与原始去雾图像之间的误差。
4.根据权利要求3所述的高光谱图像去雾方法,其特征在于,λγ=0.95;λα=0.05。
5.一种计算机装置,包括存储器、处理器及存储在存储器上的计算机程序;其特征在于,所述处理器执行所述计算机程序,以实现权利要求1~4之一所述方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序/指令;其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1~4之一所述方法的步骤。
7.一种计算机程序产品,包括计算机程序/指令;其特征在于,该计算机程序/指令被处理器执行时实现权利要求1~4之一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210005799.8A CN114359103B (zh) | 2022-01-04 | 2022-01-04 | 高光谱图像去雾方法、装置、计算机产品及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210005799.8A CN114359103B (zh) | 2022-01-04 | 2022-01-04 | 高光谱图像去雾方法、装置、计算机产品及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114359103A CN114359103A (zh) | 2022-04-15 |
CN114359103B true CN114359103B (zh) | 2024-04-12 |
Family
ID=81106519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210005799.8A Active CN114359103B (zh) | 2022-01-04 | 2022-01-04 | 高光谱图像去雾方法、装置、计算机产品及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359103B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327218A (zh) * | 2021-06-10 | 2021-08-31 | 东华大学 | 一种基于级联网络的高光谱与全色图像融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017175231A1 (en) * | 2016-04-07 | 2017-10-12 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
-
2022
- 2022-01-04 CN CN202210005799.8A patent/CN114359103B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327218A (zh) * | 2021-06-10 | 2021-08-31 | 东华大学 | 一种基于级联网络的高光谱与全色图像融合方法 |
Non-Patent Citations (1)
Title |
---|
基于高光谱图像混合像元分解技术的去雾方法;冯维一;陈钱;何伟基;顾国华;庄佳衍;徐双双;;光学学报;20150110(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114359103A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | An experimental-based review of image enhancement and image restoration methods for underwater imaging | |
Bendoumi et al. | Hyperspectral image resolution enhancement using high-resolution multispectral image based on spectral unmixing | |
JP6057881B2 (ja) | ノイズを含む画素からなる入力画像のノイズを除去する方法 | |
CN113673590A (zh) | 基于多尺度沙漏密集连接网络的去雨方法、系统和介质 | |
CN104050642A (zh) | 彩色图像复原方法 | |
CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 | |
CN114758030B (zh) | 融合物理模型和深度学习的水下偏振成像方法 | |
Fu et al. | An anisotropic Gaussian filtering model for image de-hazing | |
CN112419163B (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
Tan et al. | Image haze removal based on superpixels and Markov random field | |
CN113781375B (zh) | 一种基于多曝光融合的车载视觉增强方法 | |
Saleem et al. | A non-reference evaluation of underwater image enhancement methods using a new underwater image dataset | |
CN115187688A (zh) | 基于大气光偏振正交盲分离的雾图重构方法及电子设备 | |
Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
CN114140361A (zh) | 融合多级特征的生成式对抗网络图像去雾方法 | |
Abo El Rejal | An end-to-end CNN approach for enhancing underwater images using spatial and frequency domain techniques | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
Wang et al. | Tuning-free plug-and-play hyperspectral image deconvolution with deep priors | |
CN111476739B (zh) | 水下图像增强方法、系统及存储介质 | |
CN117392036A (zh) | 基于照明幅度的低光图像增强方法 | |
Reddy et al. | Multispectral image denoising methods: A literature review | |
CN117114984A (zh) | 基于生成对抗网络的遥感图像超分辨率重建方法 | |
CN114359103B (zh) | 高光谱图像去雾方法、装置、计算机产品及存储介质 | |
CN114066786A (zh) | 一种基于稀疏和滤波器的红外和可见光图像融合方法 | |
CN111402173A (zh) | 一种混合噪声去除方法、装置、电子设备和存储介质 |
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 |