CN114742779A - 基于深度学习的高分辨力自适应光学图像质量评价方法 - Google Patents
基于深度学习的高分辨力自适应光学图像质量评价方法 Download PDFInfo
- Publication number
- CN114742779A CN114742779A CN202210338289.2A CN202210338289A CN114742779A CN 114742779 A CN114742779 A CN 114742779A CN 202210338289 A CN202210338289 A CN 202210338289A CN 114742779 A CN114742779 A CN 114742779A
- Authority
- CN
- China
- Prior art keywords
- image
- adaptive optical
- quality
- degraded
- deep learning
- 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.)
- Pending
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000006731 degradation reaction Methods 0.000 claims abstract description 23
- 230000015556 catabolic process Effects 0.000 claims abstract description 22
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 238000003384 imaging method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 230000000593 degrading effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000004075 alteration Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 11
- 238000011960 computer-aided design Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001303 quality assessment method Methods 0.000 description 4
- 238000012634 optical imaging Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013041 optical simulation Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/20—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
- G06T2207/30—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)
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的高分辨力自适应光学图像质量评价方法，由仿真图像生成模块、退化图像生成模块、退化图像质量标签生成模块、深度学习模型训练模块组成。利用观测对象的三维信息生成对应的三维模型，根据三维模型在不同投影面上的投影得到该对象的仿真图像；将仿真图像分别输入到不同程度的运动模糊、湍流像差和噪声强度的退化模型中，得到不同模糊程度的退化图像集；计算仿真图像与其对应的退化图像的相关系数，生成退化图像的质量标签；将具有质量标签的退化图像集输入到质量评价网络中进行训练，得到训练好的神经网络模型；将实际采集的高分辨力自适应光学图像输入到训练好的模型中，输出该图像的预测质量评分。
Description
技术领域
本发明属于自适应光学和计算机视觉领域，具体涉及一种基于深度学习的高分辨力自适应光学图像质量评价方法。
背景技术
由于自适应光学系统对成像过程中的降质校正不完全，因此获取的图像质量参差不齐。目前我国已建立多套自适应光学成像系统，如多波段高分辨力太阳大气成像和高分辨力活体人眼视网膜细胞成像等。具备了获取大批量、多批次高分辨力目标图像的能力。然而成像结果受观测对象的姿态、观测对象的距离、光照、湍流相差、跟踪抖动和噪声等影响，导致成像质量参差不齐。所以从海量的观测数据中找出成像质量好的图像，对于后续的系统优化和信息挖掘具有重要意义。
目前传统的图像质量评价方法主要有基于像素域的方法，基于变换域的方法(Y.Li et al.,"No-reference image quality assessment using shearlet transformand stacked autoencoders,"2015IEEE International Symposium on Circuits andSystems(ISCAS),Lisbon,2015)、基于结构相似度的方法(Wang Z.Image QualityAssessment:From Error Visibility to Structural Similarity[J].IEEETransactions on Image Processing,2004)、基于自然场景统计特征的方法(A.Mittal,A.K.Moorthy and A.C.Bovik,"No-Reference Image Quality Assessment in theSpatial Domain,"in IEEE Transactions on Image Processing,21(12)，2012)、基于保真度的方法(H.R.Sheikh,A.C.Bovik and G.de Veciana,"An information fidelitycriterion for image quality assessment using natural scene statistics,"inIEEE Transactions on Image Processing,14(12),2005)、基于模型的方法(A.K.Moorthyand A.C.Bovik,"A Two-Step Framework for Constructing Blind Image QualityIndices,"in IEEE Signal Processing Letters,17(5),2010)等，但是上述方法不是针对高分辨力自适应光学图像设计，没有考虑高分辨力自适应光学图像的特殊性，例如天文观测对象的深空背景为亮度较暗，色调单一的黑色或灰色背景，这些背景处所带的细节信息极少。其次上述方法在评价图像时所考虑的图像特征单一，比如只考虑了对比度、结构、亮度等部分特征。因此，上述方法评价结果受噪声、湍流相差等因素影响较大，评价结果不稳定，不适用于高分辨力自适应光学图像的评价和挑选。
针对高分辨力自适应光学图像，目前传统的做法是利用有经验的观测人员对海量的观测数据进行评价打分，然后依据人为评价结果挑选成像质量较高的图片用于后期研究和数据挖掘工作。如此做法，一方面完成海量数据的人工挑选会耗费巨大的人力物力，另一方面人为挑选，无法统一质量评价标准，主观性强，挑选结果也受主观性影响较大。因此研究和实现高分辨力自适应光学图像的自动评价和挑选算法对我们进一步利用海量自适应光学图像进行研究和挖掘数据价值具有重要意义。
发明内容
本发明所解决的技术问题是：针对目前已有的各种图像质量评价方法对高分辨力自适应光学图像质量评价不准确的问题，以及人为挑选费时费力且主观性强的不足，首次提出一种基于深度学习的高分辨力自适应光学图像质量评价方法。该方法综合考虑了自适应光学图像成像过程中的多种退化因素，通过训练深度神经网络得到无参考自适应光学图像质量评价模型，可用于评价实际采集的高分辨力自适应光学图像质量，评价精度优于其它传统图像质量评价算法。
本发明采用的技术方案是：一种基于深度学习的高分辨力自适应光学图像质量评价方法，由仿真图像生成模块、退化图像生成模块、退化图像质量标签生成模块、深度学习模型训练模块组成，所述的基于深度学习的高分辨力自适应光学图像质量评价方法：利用CAD、Maya或MeshLab等商业软件，生成观测对象三维模型，利用三维模型在不同投影面上的投影得到观测对象的仿真图像，根据自适应光学高分辨力图像的成像过程，综合考虑观测对象的姿态、光照、望远镜参数、系统抖动残差、大气湍流和噪声等因素，对仿真图像进行退化。
高分辨力自适应光学模拟图像的生成过程采用公式(1)计算，并调整各种退化因素的退化程度，生成海量不同模糊程度的光学退化图像。
g(x,y)＝f(x,y)*h(x,y)*t(x,y)+n(x,y)， (1)
式(1)中f(x,y)是仿真图像，g(x,y)是退化后的图像，h(x,y)是大气湍流点扩散函数，t(x,y)是运动模糊函数，n(x,y)是加性高斯噪声，*表示卷积。通过改变h(x,y)和t(x,y)的弥散程度，控制大气湍流和运动模糊对仿真图像的退化程度。
然后通过计算仿真图像与其对应的退化图像之间的相关系数如公式(2)，生成退化图像的质量标签，
式(2)中Evaluation为相关系数，Blurred为二维模拟退化图像，Simulated为仿真图像生成模块产生的观测对象的三维模型的二维投影图像，m和n分别为图像像素索引。
用上述过程中得到的大量带标签值的退化图像构成训练集，训练深度学习图像质量评价网络模型，如残差网络。训练好的深度学习网络模型就可以用来评价真实采集的高分辨力图像。
进一步地，利用CAD、Maya或MeshLab等商业软件构建观测对象的三维模型，遍历三维模型在不同投影面上的投影得到大量的仿真图像。根据自适应光学图像的成像过程，将仿真图像经过不同程度运动模糊、大气湍流和噪声退化，生成海量的退化图像作为训练集，有效的解决了高分辨力图像训练集不足的问题。
进一步地，完成图像退化工作后，通过计算仿真图像与退化图像之间的相关系数，生成退化图像的质量标签，有效解决了高分辨力自适应光学图像难以生成质量标签和标签主观性强的问题。
进一步地，将带有质量标签的退化图像作为训练集，输入到搭建的深度神经网络当中，使用优化算法迭代更新网络参数，最终训练得到一个能够评价自适应光学图像质量的深度学习模型。
进一步地，将实际采集到的高分辨力自适应光学图像输入到网络当中，计算输入图像的质量评分。有效的解决了之前人工挑选工作量大的不足。
本发明的原理是：
(1)深度学习图像质量评价模型的训练过程包括仿真图像生成模块，退化图像生成模块，退化图像质量标签生成模块，深度学习模型训练模块。仿真图像生成模块是利用CAD、Maya和MeshLab等商业软件生成观测对象的三维模型，根据三维模型在不同投影面上的投影得到观测对象的仿真图像。退化图像生成模块在退化过程中分别对仿真图像施以不同程度的退化，得到不同模糊程度的退化图像集。退化图像质量标签生成模块通过计算仿真图像与其对应的退化图像之间的相关系数作为质量标签。深度学习模型训练模块将大量的带质量标签的退化图像送入深度学习质量评价网络训练得到质量评价模型。将实际采集的高分辨力自适应光学图像输入到训练好的模型中，模型输出该图像的预测质量评分。
(2)利用CAD、Maya或MeshLab等商业软件构建不同观测对象的三维模型，遍历三维模型在不同投影面上的投影得到大量的仿真图像，根据自适应光学图像的成像过程，将仿真图像经过不同程度运动模糊、大气湍流和噪声等退化，生成海量的退化图像作为训练集。
(3)完成图像退化工作后，通过计算仿真图像与退化图像之间的相关系数，生成退化图像的质量标签。
(4)将带有质量标签的退化图像作为训练集，输入到搭建的深度神经网络当中，使用优化算法迭代更新网络参数，最终训练得到一个能够评价自适应光学图像质量的深度学习模型。
(5)将实际采集到的高分辨力自适应光学图像输入到网络当中，计算输入图像的预测质量评分。
本发明与现有技术相比有如下优点：
(1)本发明通过训练用于图像质量评价的深度学习模型实现对高分辨力自适应光学图像进行评价，该方法充分考虑了高分辨力自适应光学图像的特征，相对依靠经验人士挑选更快速客观。
(2)本发明通过观测对象的三维模型在不同角度上的二维投影以及二维投影图像经过运动模糊、湍流相差和噪声等退化模型不同程度的退化，得到了一个丰富多样的训练集，解决了训练数据不足的问题。
(3)本发明通过计算仿真图像与其对应的退化图像之间的相关系数或者其他图像相似度评价函数，作为退化图像质量评价的依据，方法客观有效，解决了依靠人为评价主观性强的不足。
本发明所具有的上述优点，为高分辨力自适应光学图像质量评价提供了一种新型的技术方法，具有显著的实用价值。
附图说明
图1为本发明提出的一种基于深度学习的高分辨力自适应光学图像质量评价方法的模块组成及工作流程图；其中，1为仿真图像生成模块，2为退化图像生成模块，3为退化图像质量标签生成模块，4为深度学习模型训练模块；
图2为本发明通过观测对象的信息生成的三维模型；
图3为本发明由仿真图像生成模块获得的仿真图像；
图4为本发明深度学习图像质量评价网络框架；
图5为本发明评价数据集中的自适应光学图像质量的结果，图5(a)～(d)图像主观质量逐渐变好，子图的预测评分在子图顶部标注；
图6为本发明评价实际采集的高分辨力自适应光学图像质量的结果，图6(a)～(f)主观质量逐渐变好，子图的预测评分在子图顶部标注。
具体实施方式
下面结合附图和具体实施方式对本发明进一步说明。
如图1所示，本发明公开了一种基于深度学习的高分辨力自适应光学图像质量评价方法，由仿真图像生成模块1、退化图像生成模块2、退化图像质量标签生成模块3、深度学习模型训练模块4组成，所述的基于深度学习的高分辨力自适应光学图像质量评价方法：将观测对象三维模型参数输入到MeshLab软件中，生成观测对象的三维模型，如图2所示。根据三维模型在不同投影面上的投影得到观测对象的仿真图像，如图3所示。根据光学成像原理将观测对象的仿真图像分别输入运动模糊、湍流相差、噪声等退化模型中，得到退化图像。根据仿真图像与退化图像的相关系数生成退化图像的质量标签。用上述过程中得到的大量带标签值的退化图像训练深度神经网络模型。训练好的深度神经网络模型就可以用来评价实际采集的高分辨力自适应光学图像的质量。
根据三维模型在不同投影面上的投影得到观测对象的仿真图像的过程已经考虑了观测对象的姿态和光照的影响，通过公式(1)的光学成像模型模拟自适应光学高分辨力图像的成像过程，并通过调整各种退化因素的退化程度，生成海量的不同模糊程度的光学退化图像。
仿真图像在经过上述不同程度的退化之后会生成大量的退化图像，通过公式(2)计算仿真图像与退化图像之间的相关系数，生成退化图像的质量评分。
如图4是本发明的深度学习图像质量评价网络框架，以ResNet为主干的深度神经网络，将标记后的退化图像作为训练集训练网络。可以补充图2的具体说明，
步骤1，首先，搭建图4所示的深度神经网络。图4中的深度神经网络以经典的深度神经网络ResNet系列作为主干网络，以全连接层作为主干网络与预测结果的过渡部分，使用Sigmoid函数将输出归一化到[0,1]之间，网络的输出作为输入图像的质量评分。
步骤2，利用仿真图像生成模块得到观测对象的仿真图像，利用退化图像生成模块得到不同模糊程度的退化图像集，利用退化图像质量标签生成模块输出退化图像的质量标签。由此，获得了能够用于训练图4所示的神经网络的自适应光学图像数据集。
步骤3，将步骤2中生成的数据集送入步骤1中搭建的神经网络中，使用优化算法迭代更新网络参数，训练得到一个能够评价自适应光学图像质量的深度学习模型。
步骤4，将实际采集到的高分辨力自适应光学图像输入到步骤3中训练好的深度学习模型当中，预测输入图像的质量评分。
本发明的实验结果如图5和图6所示，观察图5发现训练好的网络能够合理的评价训练集中的数据，根据图6的实验结果认为训练好的网络模型具有良好的泛化性能，能够评价实际采集的高分辨力自适应光学图像。其中，图5为本发明评价数据集中的自适应光学图像质量的结果，图5(a)～(d)图像主观质量逐渐变好，子图的预测评分在子图顶部标注。本发明对数据集中的自适应光学图像的质量进行评价，预测结果与标签值相近，预测结果能够反映图像的质量。图6为本发明评价实际采集的高分辨力自适应光学图像质量的结果，图6(a)～(f)主观质量逐渐变好，子图的预测评分在子图顶部标注。由于实际采集的自适应光学图像无法获得仿真图像，所以不能通过本发明方法获得图像质量标签。本发明对实际采集的自适应光学图像的质量进行评价，预测结果符合图像的主观评判质量变化规律。
总之，本发明构造了一种基于深度学习的高分辨力自适应光学图像质量评价方法；其结构简单、方法稳定，评价结果客观有效。通过对观测对象的三维模型在不同角度的二维投影图像进行诸如运动模糊，湍流相差和噪声等不同种类的退化，模拟高分辨力自适应光学图像的成像过程，得到的退化图像充分考虑高分辨力自适应光学图像的图像特征。再利用仿真图像与退化图像之间的相关系数，作为退化图像的质量评价标签值，构成训练集，训练深度学习图像质量评价网络，得到的网络模型用来评价高分辨力自适应光学图像的成像质量。解决了传统高分辨力自适应光学图像质量评价方法耗时耗力且主观性强的缺点，对高分辨力自适应光学图像的后续研究乃至自适应光学系统的矫正能力具有重要的指导意义。
本发明未详细阐述部分属于本领域技术人员的公知技术。
Claims (4)
1.一种基于深度学习的高分辨力自适应光学图像质量评价方法，其特征在于：由仿真图像生成模块(1)、退化图像生成模块(2)、退化图像质量标签生成模块(3)、深度学习模型训练模块(4)组成，所述的基于深度学习的高分辨力自适应光学图像质量评价方法流程如下：根据已知观测对象的三维信息，利用CAD、Maya或MeshLab商用软件，生成观测对象的三维模型，利用三维模型在不同投影面的投影得到观测对象的仿真图像；根据自适应光学高分辨力图像的成像过程，综合考虑目标姿态，光照方向，光学参数，系统抖动，大气湍流和噪声强度因素，对仿真图像进行退化，得到海量不同模糊程度的光学退化图像集；然后通过计算仿真图像与其对应的退化图像之间的相关系数生成退化图像的质量标签；将上述过程中得到的大量带标签值的退化图像构成训练集，训练深度学习图像质量评价网络模型，训练好的深度学习网络模型就可以用来评价实际采集的高分辨力图像。
2.根据权利要求1所述的一种基于深度学习的高分辨力自适应光学图像质量评价方法，其特征在于：利用观测对象的信息构建不同观测对象的三维模型，利用三维模型在不同投影面上的投影得到大量的仿真图像，根据自适应光学图像的成像过程，将仿真图像经过不同程度运动模糊、湍流相差和噪声退化，生成海量的退化图像作为训练集，有效的解决了高分辨力自适应光学图像训练集不足的问题。
3.根据权利要求1所述的一种基于深度学习的高分辨力自适应光学图像质量评价方法，其特征在于：完成图像退化工作后，通过计算仿真图像与退化图像之间的相关系数，生成退化图像的质量标签，有效解决了高分辨力自适应光学图像难以生成质量标签和标签主观性强的问题。
4.根据权利要求1所述的一种基于深度学习的高分辨力自适应光学图像质量评价方法，其特征在于：将带有质量标签的退化图像作为训练集，输入到搭建的深度神经网络当中，使用优化算法迭代更新网络参数，最终训练得到一个能够评价自适应光学图像质量的深度学习模型，将实际采集到的高分辨力自适应光学图像输入到网络当中，计算输入图像的质量评分，有效的解决了之前人工挑选工作量大的不足。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210338289.2A CN114742779A (zh) | 2022-04-01 | 2022-04-01 | 基于深度学习的高分辨力自适应光学图像质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210338289.2A CN114742779A (zh) | 2022-04-01 | 2022-04-01 | 基于深度学习的高分辨力自适应光学图像质量评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114742779A true CN114742779A (zh) | 2022-07-12 |
Family
ID=82280607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210338289.2A Pending CN114742779A (zh) | 2022-04-01 | 2022-04-01 | 基于深度学习的高分辨力自适应光学图像质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114742779A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107948635A (zh) * | 2017-11-28 | 2018-04-20 | 厦门大学 | 一种基于退化测量的无参考声纳图像质量测评方法 |
| CN110866471A (zh) * | 2019-10-31 | 2020-03-06 | Oppo广东移动通信有限公司 | 人脸图像质量评价方法及装置、计算机可读介质、通信终端 |
| CN111652854A (zh) * | 2020-05-13 | 2020-09-11 | 中山大学 | 一种基于图像高频信息的无参考图像质量评价方法 |
| CN111754392A (zh) * | 2020-05-30 | 2020-10-09 | 同济大学 | 一种火星轨道器高分辨率光学相机动态成像仿真方法 |
| CN111968047A (zh) * | 2020-07-22 | 2020-11-20 | 中国西安卫星测控中心 | 一种基于生成式对抗网络的自适应光学图像盲复原方法 |
| CN113284068A (zh) * | 2021-06-04 | 2021-08-20 | 中国科学院光电技术研究所 | 一种基于通道共享时空网络的自适应光学图像盲复原方法 |
| CN113505854A (zh) * | 2021-07-29 | 2021-10-15 | 济南博观智能科技有限公司 | 一种人脸图像质量评价模型构建方法、装置、设备及介质 |
| CN114202017A (zh) * | 2021-11-29 | 2022-03-18 | 南京航空航天大学 | 基于条件生成对抗网络的sar光学图像映射模型轻量化方法 |
-
2022
- 2022-04-01 CN CN202210338289.2A patent/CN114742779A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107948635A (zh) * | 2017-11-28 | 2018-04-20 | 厦门大学 | 一种基于退化测量的无参考声纳图像质量测评方法 |
| CN110866471A (zh) * | 2019-10-31 | 2020-03-06 | Oppo广东移动通信有限公司 | 人脸图像质量评价方法及装置、计算机可读介质、通信终端 |
| CN111652854A (zh) * | 2020-05-13 | 2020-09-11 | 中山大学 | 一种基于图像高频信息的无参考图像质量评价方法 |
| CN111754392A (zh) * | 2020-05-30 | 2020-10-09 | 同济大学 | 一种火星轨道器高分辨率光学相机动态成像仿真方法 |
| CN111968047A (zh) * | 2020-07-22 | 2020-11-20 | 中国西安卫星测控中心 | 一种基于生成式对抗网络的自适应光学图像盲复原方法 |
| CN113284068A (zh) * | 2021-06-04 | 2021-08-20 | 中国科学院光电技术研究所 | 一种基于通道共享时空网络的自适应光学图像盲复原方法 |
| CN113505854A (zh) * | 2021-07-29 | 2021-10-15 | 济南博观智能科技有限公司 | 一种人脸图像质量评价模型构建方法、装置、设备及介质 |
| CN114202017A (zh) * | 2021-11-29 | 2022-03-18 | 南京航空航天大学 | 基于条件生成对抗网络的sar光学图像映射模型轻量化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐贵力等: ""一种图像清晰度评价方法"" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108986050B (zh) | 一种基于多分支卷积神经网络的图像和视频增强方法 | |
| CN109859147B (zh) | 一种基于生成对抗网络噪声建模的真实图像去噪方法 | |
| Golts et al. | Unsupervised single image dehazing using dark channel prior loss | |
| CN111062880B (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
| CN108875935B (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
| CN111340738B (zh) | 一种基于多尺度渐进融合的图像去雨方法 | |
| Zhou et al. | FSAD-Net: feedback spatial attention dehazing network | |
| CN110070517B (zh) | 基于退化成像机理和生成对抗机制的模糊图像合成方法 | |
| Sun et al. | Underwater image enhancement with reinforcement learning | |
| CN111462012A (zh) | 一种基于条件生成对抗网络的sar图像仿真方法 | |
| CN113870128B (zh) | 一种基于深度卷积对抗式网络的数字壁画图像修复方法 | |
| CN115424088A (zh) | 图像处理模型训练方法以及装置 | |
| CN112419191A (zh) | 基于卷积神经网络的图像运动模糊去除方法 | |
| Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
| Zhang | Research on remote sensing image de‐haze based on GAN | |
| CN118172283A (zh) | 基于改进gUNet模型的海上目标图像去雾方法 | |
| CN113962905A (zh) | 基于多阶段特征互补网络的单幅图像去雨方法 | |
| Wang et al. | Fully non-homogeneous atmospheric scattering modeling with convolutional neural networks for single image dehazing | |
| CN117834852A (zh) | 基于跨注意力多尺度视觉变压器的时空视频质量评价方法 | |
| Tao et al. | LEGAN: A low-light image enhancement generative adversarial network for industrial internet of smart-cameras | |
| CN114742724B (zh) | 一种基于模型驱动的图像阴影去除方法 | |
| CN116309077A (zh) | 基于空域可变模糊核估计的图像盲超分辨率重建方法 | |
| Luo et al. | LCDA-Net: Efficient Image Dehazing with Contrast-Regularized and Dilated Attention | |
| CN116129417A (zh) | 一种基于低质量图像的数字仪表读数检测方法 | |
| CN114742779A (zh) | 基于深度学习的高分辨力自适应光学图像质量评价方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220712 |
|
| RJ01 | Rejection of invention patent application after publication |