CN114862713A - 基于注意力平滑膨胀卷积的两阶段图像去雨方法 - Google Patents
基于注意力平滑膨胀卷积的两阶段图像去雨方法 Download PDFInfo
- Publication number
- CN114862713A CN114862713A CN202210475542.9A CN202210475542A CN114862713A CN 114862713 A CN114862713 A CN 114862713A CN 202210475542 A CN202210475542 A CN 202210475542A CN 114862713 A CN114862713 A CN 114862713A
- Authority
- CN
- China
- Prior art keywords
- image
- attention
- rain
- convolution
- rainprint
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000015556 catabolic process Effects 0.000 claims abstract description 11
- 238000006731 degradation reaction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims 12
- 230000009748 deglutition Effects 0.000 claims 3
- 239000000203 mixture Substances 0.000 claims 1
- 230000017105 transposition Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 201000001718 Roberts syndrome Diseases 0.000 description 1
- 208000012474 Roberts-SC phocomelia syndrome Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005001 rutherford backscattering spectroscopy Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06T2207/20—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
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于注意力平滑膨胀卷积的两阶段图像去雨方法，由以下步骤组成：步骤S1：通过引导滤波器将原始雨天图像进行边缘移除并不断迭代直到得到完整的雨纹信息图，步骤S2：在雨纹信息图的引导下，对原始雨天图像中的雨纹信息进行提取，生成雨纹注意力图，步骤S3：将原始雨天图像和雨纹注意力图输入第一平滑膨胀卷积网络中，提取不同感受野的特征获得残差图，通过原始雨天图像减去残差图获得去雨纹图像；步骤S4：将去雨纹图像输入第二平滑膨胀卷积网络，将去雨纹图像内的类雾降质进行去除得到去雨去雾图像；本发明考虑了雨纹和雨雾混合降质，在真实雨天图像的处理上表现出优越性，在提高图像质量的同时，很好保持了细小边缘纹理。
Description
技术领域
本发明属于数字图像处理方法领域，尤其涉及基于注意力平滑膨胀卷积的两阶段图像去雨方法。
背景技术
雨是一种典型的大气现象，雨天获取的图像具有对比度低，雨纹遮挡等降质问题，严重时影响物体识别、场景判断等户外视觉系统。现有去雨方法主要是面向雨纹形成的降质，然而真实雨天拍摄的图像中，不仅存在雨点雨纹，还存在由于降雨积累形成的类雾降质。现存技术方法中仅考虑雨纹噪声而忽略了雨汽累积形成的类雾降质问题的问题。
发明内容
本发明的目的是提供基于注意力平滑膨胀卷积的两阶段图像去雨方法，以解决现有图像去雨技术中无法处理雨纹和雨雾混合降质的问题。
本发明采用以下技术方案：基于注意力平滑膨胀卷积的两阶段图像去雨方法，由以下步骤组成：
步骤S1：通过引导滤波器将原始雨天图像进行边缘移除得到第一图像，再以第一图像作为引导图像利用引导滤波器对原始雨天图像进行滤波得到第二图像，再以第二图像作为引导图像利用引导滤波器对原始雨天图像进行滤波得到第三图像，不断迭代直到得到完整的雨纹信息图，
步骤S2：在雨纹信息图的引导下，利用循环注意力网络对原始雨天图像中的雨纹信息进行提取，生成雨纹注意力图，
步骤S3：将原始雨天图像和雨纹注意力图输入第一平滑膨胀卷积网络中，提取不同感受野的特征获得残差图，通过原始雨天图像减去残差图获得去雨纹图像，
步骤S4：将去雨纹图像输入第二平滑膨胀卷积网络，将去雨纹图像内的类雾降质进行去除得到去雨去雾图像。
进一步地，循环注意力网络设置有六个阶段，每个阶段由依次连接的五个残差块、1个长短记忆网络以及1个卷积层构成；
在雨纹信息图的引导下，利用残差块对原始雨天图像中的雨纹信息进行提取，将雨纹信息输入长短记忆网络，通过遗忘门控仅保留雨纹信息，将雨纹信息作为下一个阶段的指导，利用卷积层生成该阶段的雨纹注意力图，经过六个阶段的处理，得到最终的雨纹注意力图。
进一步地，第一平滑膨胀卷积网络由依次连接的三个卷积层、7个平滑膨胀的残差块、1个融合层、三个转置卷积层组成，每个残差块由依次连接的分离共享卷积层和膨胀卷积层组成，分离共享卷积层用于增加特征图之间的依赖性。
进一步地，七个残差块的膨胀率分别设为2、2、2、4、4、4、1。
进一步地，融合层将第1，第4和第7个残差块输出的特征图进行融合。
进一步地，在训练基于注意力的平滑膨胀卷积网络时，总损失函数Ltotal由四部分组成：注意力损失Latt，感知损失Lp、多尺度损失Lm以及对抗网络自身的损失Lg。
进一步地，第二平滑膨胀卷积网络由依次连接的三个卷积层、7个平滑膨胀的残差块、1个融合层、三个转置卷积层组成，每个残差块由依次连接的分离共享卷积层和膨胀卷积层组成。
进一步地，在训练第二平滑膨胀卷积网络时，其输入图像为公开的REISDE去雾数据集；在测试第二平滑膨胀卷积网络时，其输入图像为步骤S3获得的去雨纹图像。
本发明的有益效果是：本发明考虑了雨纹和雨雾混合降质，在真实雨天图像的处理上表现出优越性，在提高图像质量的同时，很好保持了细小边缘纹理，本发明利用循环注意力网络获取原始雨天图像的雨纹注意力图，该注意力图可以帮助第一平滑膨胀卷积网络准确定位雨纹像素点，此外，本发明通过两阶段的策略处理雨纹与雨雾混合降质的问题，两个阶段单独训练，更灵活。
附图说明
图1是本发明的整体结构示意图；
图2是本发明中的引导滤波器示意图；
图3是本发明中的循环注意力网络示意图；
图4是本发明中的平滑膨胀卷积网络示意图；
图5是本发明中的判别器网络示意图；
图6是本发明的实施例的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明公开了基于注意力平滑膨胀卷积的两阶段图像去雨方法，如图1和图4所示，由以下步骤组成：
步骤S1：通过引导滤波器将原始雨天图像进行边缘移除得到第一图像，再以第一图像作为引导图像利用引导滤波器对原始雨天图像进行滤波得到第二图像，再以第二图像作为引导图像利用引导滤波器对原始雨天图像进行滤波得到第三图像，不断迭代直到得到完整的雨纹信息图。
在选取原始雨天图像的图像数据集，使用四个数据集作为训练集和测试集Rain12，Rain100H，Rain100L和DIDMDN-data，将输入的原始雨天图像进行归一化处理后，再输入引导滤波器。
选取原始雨天图像的图像数据集时，为了保证数据分布的一致性，采用分层采样的方式来对数据进行采样，其中划分训练集、验证集和测试集的比例为：60％训练集，20％验证集，20％测试集。在划分数据集之后，及数据预处理之前，使用Python内置的resize函数将图像大小批量统一为256×256。
如图2所示，引导滤波的基本流程如下：首先输入一张原始雨天图像，通过引导滤波器进行边缘移除得到第一图像；将第一图像作为引导图像利用引导滤波器对原始雨天图像进行滤波得到第二图像；再以第二图像作为引导图像利用引导滤波器对原始雨天图像进行滤波得到第三图像，不断迭代直到得到完整的雨纹信息图。通过这种不断迭代的方式，雨纹信息会越来越清晰的同时，边缘纹理信息也会逐步移除，优选的迭代次数为5次。
如图3所示，步骤S2：在雨纹信息图的引导下，利用循环注意力网络对原始雨天图像中的雨纹信息进行提取，生成雨纹注意力图，循环注意力网络设置有六个阶段，每个阶段由依次连接的五个残差块(RBS)、1个长短记忆网络(LSTM)以及1个卷积层(Conv)构成。
在雨纹信息图的引导下，利用残差块对原始雨天图像中的雨纹信息进行提取，将雨纹信息输入长短记忆网络(LSTM)，通过遗忘门控仅保留雨纹信息，将雨纹信息作为下一个阶段的指导，利用卷积层生成该阶段的雨纹注意力图，经过六个阶段的处理，得到最终的雨纹注意力图。
步骤S3：将原始雨天图像和雨纹注意力图输入第一平滑膨胀卷积网络中，提取不同感受野的特征获得残差图，通过原始雨天图像减去残差图获得去雨纹图像，
第一平滑膨胀卷积网络由依次连接的三个卷积层、7个平滑膨胀的残差块、1个融合层、三个转置卷积层组成，每个残差块由依次连接的分离共享卷积层和膨胀卷积层组成，为了消除网格伪影，每个残差块中加入了一个额外的分离共享卷积层来增加特征图之间的依赖性。
七个平滑膨胀的残差块的膨胀率分别设为2、2、2、4、4、4、1，通过七个残差块提取原始雨天图像的不同感受野的特征，融合层将不同残差块输出的特征进行加权融合，然后使用一个含有步长为1/2的转置卷积层将公式(2)中获取的特征图向上采样到解码器部分的原始分辨率，然后再通过两个卷积层将特征图转换回图像空间，得到最终目标的残差图，通过原始雨天图像减去残差图获得去雨纹图像。
将第1，第4和第7个残差块输出的特征图用如下方法融合：
(W1,W4,W7)＝C(F1,F4,F7) (1)
F＝W1×F1+W4×F4+W7×F7 (2)
其中F1,F4,F7是第1,第4和第7残差块输出的特征图，C为卷积操作，W1,W4,W7代表特征图F1,F4,F7对应的权重，F是特征融合后的输出。
在训练第一平滑膨胀卷积网络时，考虑了如下损失函数：
(1)注意力损失：
用于衡量步骤S2中生成的雨纹注意力图Ai，i＝1,2,...6与雨纹掩膜M＝I-G之间的差异，I是原始雨天图像，G表示与I对应的真值无雨图像，则注意力损失Latt的定义如下：
其中，μ＝0.8，N＝6，Lmse()表示均方误差损失。
(2)多尺度均方误差损失Lm：
从不同解码器层提取的特征形成不同尺寸的输出，代表不同尺度的上下文信息，据此，Lm定义如下:
其中i表示第i个尺度，k表示总的尺度个数，令k＝3，Lmse()表示均方误差损失，Si表示从解码器中提取的第i个输出，Gi表示将G经下采样后与Si大小相同的真值无雨图像，Si,i＝1,2,3的大小是原始输入图像的1/4、1/2及1倍，λi，i＝1,2,3表示不同尺度的权重，分别取值为λ1＝0.6，λ2＝0.8，λ3＝1。
(3)感知损失：
为了使生成的图像更加逼真，引入VGG16损失来衡量真值无雨图像G与去雨图像B之间的全局差异。将感知损失定义为Lp，具体计算如下
Lp＝Lmse(VGG(B),VGG(G)) (5)
其中VGG是在ImageNet数据集上的预训练模型。
(4)对抗网络自身的损失Lg，
Lg＝log(1-D(B))，D(B)表示判别器网络D将B判别为真实无雨图像的概率。
因此，生成器的总损失函数Ltotal由四部分组成：注意力损失Latt，感知损失Lp、多尺度损失Lm以及对抗网络自身的损失Lg，则总损失可以表示为：
Ltotal＝Lm+Lp+Latt+Lg (6)
针对本发明的生成器网络，判别器网络由六个卷积层(图5中的CONV
+RELU)和两个全连接层(图5中的FC)组成，其作用是区分真正的无雨图像和生成的无雨图像。
判别器网络损失函数Ldisc为：
Ldisc＝-log(D(G))-log(1-D(B))+γLmap (7)
其中D(G)表示判别器网络D将G判别为真实无雨图像的概率，γ设置为0.05，Lmap的定义如下：
Lmap＝Lmse(Dm(B),AN)+Lmse(Dm(G),0) (8)
其中Dm表示鉴别器生成的二维图像的过程，AN表示步骤S2中循环注意力网络第N个阶段(即第6个阶段)生成的注意力图，0代表元素全为0的图。
步骤S4：将去雨纹图像输入第二平滑膨胀卷积网络，将去雨纹图像内的类雾降质进行去除得到去雨去雾图像。
第二平滑膨胀卷积网络由依次连接的三个卷积层、7个平滑膨胀的残差块、1个融合层、三个转置卷积层组成，每个残差块由依次连接的分离共享卷积层和膨胀卷积层组成。
第二平滑膨胀卷积网络与第一平滑膨胀卷积网络结构相同，只是对于输入的图像不同，在训练所述第二平滑膨胀卷积网络时，其输入图像为公开的REISDE去雾数据集，该数据集含有从1399张清晰图像生成的13990张合成雾天图像；在测试所述第二平滑膨胀卷积网络时，其输入图像为步骤S3获得的去雨纹图像。
如图6所示，展示了在Rain100H和Rain100L合成数据集上的结果，通过主观效果可以得出，本发明不仅能够完整的保存背景信息，而且对于雨纹去除的较彻底，特别是在暴雨场景下，本发明的去雨结果更接近于干净图像。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，由以下步骤组成：
步骤S1：通过引导滤波器将原始雨天图像进行边缘移除得到第一图像，再以第一图像作为引导图像利用引导滤波器对原始雨天图像进行滤波得到第二图像，再以第二图像作为引导图像利用引导滤波器对原始雨天图像进行滤波得到第三图像，不断迭代直到得到完整的雨纹信息图，
步骤S2：在雨纹信息图的引导下，利用循环注意力网络对原始雨天图像中的雨纹信息进行提取，生成雨纹注意力图，
步骤S3：将原始雨天图像和雨纹注意力图输入第一平滑膨胀卷积网络中，提取不同感受野的特征获得残差图，通过原始雨天图像减去残差图获得去雨纹图像，
步骤S4：将去雨纹图像输入第二平滑膨胀卷积网络，将去雨纹图像内的类雾降质进行去除得到去雨去雾图像。
2.根据权利要求1所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，所述循环注意力网络设置有六个阶段，每个阶段由依次连接的五个残差块、1个长短记忆网络以及1个卷积层构成；
在雨纹信息图的引导下，利用残差块对原始雨天图像中的雨纹信息进行提取，将雨纹信息输入长短记忆网络，通过遗忘门控仅保留雨纹信息，将雨纹信息作为下一个阶段的指导，利用卷积层生成该阶段的雨纹注意力图，经过六个阶段的处理，得到最终的雨纹注意力图。
3.根据权利要求2所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，所述第一平滑膨胀卷积网络由依次连接的三个卷积层、7个平滑膨胀的残差块、1个融合层、三个转置卷积层组成，每个所述残差块由依次连接的分离共享卷积层和膨胀卷积层组成，所述分离共享卷积层用于增加特征图之间的依赖性。
4.根据权利要求3所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，七个所述残差块的膨胀率分别设为2、2、2、4、4、4、1。
5.根据权利要求4所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，所述融合层将第1，第4和第7个残差块输出的特征图进行融合。
6.根据权利要求1-5任一所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，在训练基于注意力的平滑膨胀卷积网络时，总损失函数Ltotal由四部分组成：注意力损失Latt，感知损失Lp、多尺度损失Lm以及对抗网络自身的损失Lg。
7.根据权利要求1所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，所述第二平滑膨胀卷积网络由依次连接的三个卷积层、7个平滑膨胀的残差块、1个融合层、三个转置卷积层组成，每个残差块由依次连接的分离共享卷积层和膨胀卷积层组成。
8.根据权利要求7所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，在训练所述第二平滑膨胀卷积网络时，其输入图像为公开的REISDE去雾数据集；在测试所述第二平滑膨胀卷积网络时，其输入图像为步骤S3获得的去雨纹图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210475542.9A CN114862713B (zh) | 2022-04-29 | 2022-04-29 | 基于注意力平滑膨胀卷积的两阶段图像去雨方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210475542.9A CN114862713B (zh) | 2022-04-29 | 2022-04-29 | 基于注意力平滑膨胀卷积的两阶段图像去雨方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114862713A true CN114862713A (zh) | 2022-08-05 |
| CN114862713B CN114862713B (zh) | 2023-07-25 |
Family
ID=82636338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210475542.9A Active CN114862713B (zh) | 2022-04-29 | 2022-04-29 | 基于注意力平滑膨胀卷积的两阶段图像去雨方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862713B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151990A (zh) * | 2023-06-28 | 2023-12-01 | 西南石油大学 | 一种基于自注意力编码解码的图像去雾方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108900841A (zh) * | 2018-07-10 | 2018-11-27 | 中国科学技术大学 | 基于图像去雨算法的视频编码方法 |
| CN110310238A (zh) * | 2019-06-18 | 2019-10-08 | 华南农业大学 | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 |
| CN111062892A (zh) * | 2019-12-26 | 2020-04-24 | 华南理工大学 | 一种基于复合残差网络和深层监督的单幅图像去雨方法 |
| CN111815526A (zh) * | 2020-06-16 | 2020-10-23 | 中国地质大学（武汉） | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 |
| US20200342360A1 (en) * | 2018-06-08 | 2020-10-29 | Tencent Technology (Shenzhen) Company Limited | Image processing method and apparatus, and computer-readable medium, and electronic device |
| CN113160078A (zh) * | 2021-04-09 | 2021-07-23 | 长安大学 | 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 |
| CN113313644A (zh) * | 2021-05-26 | 2021-08-27 | 西安理工大学 | 一种基于残差双注意力网络的水下图像增强方法 |
| CN114219740A (zh) * | 2021-12-20 | 2022-03-22 | 重庆理工大学 | 一种融合超像素与窗口偏移的边缘感知引导滤波方法 |
-
2022
- 2022-04-29 CN CN202210475542.9A patent/CN114862713B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200342360A1 (en) * | 2018-06-08 | 2020-10-29 | Tencent Technology (Shenzhen) Company Limited | Image processing method and apparatus, and computer-readable medium, and electronic device |
| CN108900841A (zh) * | 2018-07-10 | 2018-11-27 | 中国科学技术大学 | 基于图像去雨算法的视频编码方法 |
| CN110310238A (zh) * | 2019-06-18 | 2019-10-08 | 华南农业大学 | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 |
| CN111062892A (zh) * | 2019-12-26 | 2020-04-24 | 华南理工大学 | 一种基于复合残差网络和深层监督的单幅图像去雨方法 |
| CN111815526A (zh) * | 2020-06-16 | 2020-10-23 | 中国地质大学（武汉） | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 |
| CN113160078A (zh) * | 2021-04-09 | 2021-07-23 | 长安大学 | 雨天交通车辆图像去雨方法、装置、设备及可读存储介质 |
| CN113313644A (zh) * | 2021-05-26 | 2021-08-27 | 西安理工大学 | 一种基于残差双注意力网络的水下图像增强方法 |
| CN114219740A (zh) * | 2021-12-20 | 2022-03-22 | 重庆理工大学 | 一种融合超像素与窗口偏移的边缘感知引导滤波方法 |
Non-Patent Citations (1)
| Title |
|---|
| RUI QIAN等: "Attentive Generative Adversarial Network for Raindrop Removal from A Single Image", 《ARXIV》, pages 145 - 150 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151990A (zh) * | 2023-06-28 | 2023-12-01 | 西南石油大学 | 一种基于自注意力编码解码的图像去雾方法 |
| CN117151990B (zh) * | 2023-06-28 | 2024-03-22 | 西南石油大学 | 一种基于自注意力编码解码的图像去雾方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114862713B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111242841B (zh) | 一种基于语义分割和深度学习的图片背景风格迁移方法 | |
| CN112861729B (zh) | 一种基于伪深度图引导的实时深度补全方法 | |
| Starck et al. | Structure detection in low intensity X-ray images | |
| CN110599537A (zh) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及系统 | |
| CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
| CN110889852A (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
| CN111967464B (zh) | 一种基于深度学习的弱监督目标定位方法 | |
| CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
| CN111414923A (zh) | 基于单幅rgb图像的室内场景三维重建方法及系统 | |
| CN111640116B (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
| CN107679539B (zh) | 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法 | |
| CN111738954A (zh) | 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法 | |
| CN114332070B (zh) | 一种基于智能学习网络模型压缩的陨坑检测方法 | |
| CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
| CN111598786A (zh) | 一种基于深度去噪自编码网络的高光谱图像解混方法 | |
| CN111815526B (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
| CN114862713A (zh) | 基于注意力平滑膨胀卷积的两阶段图像去雨方法 | |
| CN111814693A (zh) | 一种基于深度学习的海上船舶识别方法 | |
| CN117974444A (zh) | 基于扩散模型的海面高度超分辨率重建方法 | |
| CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
| CN116862252B (zh) | 一种基于复合卷积算子的城市建筑物损失应急评估方法 | |
| CN111091580B (zh) | 一种基于改进ResNet-UNet网络的立木图像分割方法 | |
| CN113361407A (zh) | 基于PCANet的空谱特征联合高光谱海冰图像分类方法 | |
| CN105160666A (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
| CN114821192A (zh) | 一种结合语义信息的遥感影像高程预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |