CN116579951A - 浅层特征与深层特征融合的图像去雾网络及方法 - Google Patents
浅层特征与深层特征融合的图像去雾网络及方法 Download PDFInfo
- Publication number
- CN116579951A CN116579951A CN202310663735.1A CN202310663735A CN116579951A CN 116579951 A CN116579951 A CN 116579951A CN 202310663735 A CN202310663735 A CN 202310663735A CN 116579951 A CN116579951 A CN 116579951A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- conv
- size
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000011176 pooling Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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 Analysis (AREA)
Abstract
本发明提出一种浅层特征与深层特征融合的图像去雾网络及方法，相比现有去雾方法具有较强的边缘轮廓信息恢复能力和较高的学习精度。所述网络包括全局特征提取模块、多尺度卷积模块和深层融合模块。所述全局特征提取模块用于提取表述边缘轮廓信息的浅层特征，包括四个依次相连的卷积层和池化层；所述多尺度卷积模块用于提取多尺度的图像特征，包括三个并联的卷积层、一个通道叠加单元和另外一个卷积层；所述深层融合模块用于完成浅层特征与深层特征的融合，包括三个卷积层、两个上采样层和两个通道叠加单元，所述全局特征提取模块中各卷积层的输出与此部分相连。
Description
技术领域
本发明涉及图像处理领域，更具体地，涉及一种浅层特征与深层特征融合的图像去雾网络及方法，相比现有去雾方法具有较强的边缘轮廓信息恢复能力和较高的学习精度。
背景技术
在有雾天气，户外拍摄的图像可见度差、对比度低、目标景物边缘轮廓模糊，严重影响视觉效果和目标物的呈现。因此，图像去雾具有重要意义。目前，基于深度学习的方法在去雾领域取得了较好效果。基于深度学习的方法分为直接端到端的去雾算法和间接端到端的去雾算法。间接端到端的去雾算法均基于大气散射模型，通过输入有雾图像提取图像中的透射率特征，再带入大气散射模型重建无雾图像，但是所提取的透射率特征往往存在误差，容易使去雾后的图像颜色失真。而直接端到端去雾算法不采用大气散射模型，而是直接采用有雾图像和无雾图像对训练深度网络，进而实现去雾，避免了颜色失真问题，因此得到广泛应用。
现有的直接端到端去雾深度神经网络算法性能依赖于网络结构，网络由浅层到深层提取图像的特征，浅层特征为边缘轮廓信息，深层特征为细节信息。一般的深度网络在特征提取过程中随着网络层数的增大，会逐渐丢失浅层特征，导致恢复后的图像边缘轮廓模糊。本发明提出利用通道叠加单元将前层网络结构与后层网络结构相连，实现浅层特征与深层特征的融合，解决了浅层特征在深度网络的深层结构中丢失的问题，进而保留了更多的边缘轮廓信息，能够得到更好的去雾效果。另外，传统去雾深度神经网络的卷积核数是固定的，使得网络只能学习单一尺度的图像特征，其他尺度的图像特征将被忽略，导致网络的学习精度低、鲁棒性差。在图像去雾中，为了能够清晰地学习各个尺度的图像特征，本发明还引入了卷积核数不同的多尺度卷积模块，提高了网络模型的学习精度，增强了去雾效果。
发明内容
本发明的第一方面提供了一种浅层特征与深层特征融合的图像去雾网络，如图1所示，包括全局特征提取模块、多尺度卷积模块和深层融合模块。
所述全局特征提取模块用于提取表述边缘轮廓信息的浅层特征，包括：conv_top卷积层、pool_top池化层、conv_2卷积层和pool_2池化层，四者依次相连。其中，conv_top卷积层的尺寸为3×3，卷积核数为8；pool_top池化层尺寸为2×2；conv_2卷积层的尺寸为3×3，卷积核数为16；pool_2池化层的尺寸为2×2。
所述多尺度卷积模块用于提取多尺度的图像特征，包括：conv_m1卷积层、conv_m2卷积层、conv_m3卷积层、1个通道叠加单元和conv_3卷积层。conv_m1卷积层的尺寸为1×1，
卷积核数为32；conv_m2卷积层的尺寸为3×3，卷积核数为32；conv_m3卷积层的尺寸为5×5，卷积核数为32；conv_3卷积层的尺寸为3×3，卷积核数为32。conv_m1卷积层、conv_m2卷积层和conv_m3卷积层为并联连接，具体为：将全局特征提取模块中的pool_2层输出特征同时送入多尺度卷积模块的conv_m1卷积层、conv_m2卷积层和conv_m3卷积层，再将这三个卷积层的三个输出特征通过通道叠加单元进行融合，然后将融合后的特征送入到conv_3卷积层中。
深层融合模块用于完成浅层特征与深层特征的融合，包括：conv_4卷积层、up_1上采样层、conv_5卷积层、up_2上采样层、conv_end输出卷积层和2个通道叠加单元。其中，conv_4卷积层的尺寸为3×3，卷积核数为16；up_1上采样层尺寸为2×2；conv_5卷积层的尺寸为3×3，卷积核数为8；up_2上采样层尺寸为2×2；conv_end卷积层的尺寸为1×1，卷积核数为3。conv_4卷积层与up_1上采样层直接相连；conv_5卷积层与up_2上采样层直接相连；全局特征提取模块中conv_2卷积层的输出与up_1上采样层的输出通过通道叠加单元进行融合，融合结果输入到conv_5卷积层中；全局特征提取模块中conv_top卷积层的输出与up_2上采样层的输出通过通道叠加单元进行融合，融合结果输入到conv_end卷积层中。
本发明的第二方面提供了一种浅层特征与深层特征融合的图像去雾方法，包括以下步骤：
步骤一：建立图像数据集。
采集清晰图像建立训练样本，通过大气散射模型对清晰图像进行人工加雾得到有雾图，其中大气光值设置为0.6，散射系数设置在[0.04,0.07]之间，并设置输入网络的图像尺寸大小为1440×1080。
步骤二：建立全局特征提取模块。
(1)设置模块中conv_top卷积层的尺寸为3×3，卷积核数为8，步长为1；
(2)设置模块中pool_top池化层尺寸为2×2，步长为2；
(3)设置模块中conv_2卷积层的尺寸为3×3，卷积核数为16，步长为1；
(4)设置模块中pool_2池化层尺寸为2×2，步长为2；
(5)将conv_top卷积层、pool_top池化层、conv_2卷积层和pool_2池化层四者依次相连。
步骤三：建立多尺度卷积模块。
(1)设置模块中conv_m1卷积层的尺寸为1×1，卷积核数为32，步长为1；
(2)设置模块中conv_m2卷积层的尺寸为3×3，卷积核数为32，步长为1；
(3)设置模块中conv_m3卷积层的尺寸为5×5，卷积核数为32，步长为1；
(4)设置模块中conv 3卷积层的尺寸为3×3，卷积核数为32，步长为1；
(5)将conv_m1卷积层、conv_m2卷积层和conv_m3卷积层并联连接，具体为：将全局特征提取模块中的pool_2层输出特征同时送入多尺度卷积模块的conv_m1卷积层、conv_m2卷积层和conv_m3卷积层，再将这三个卷积层的三个输出特征通过通道叠加单元进行融合，然后将融合后的特征送入到conv_3卷积层中。
步骤四：建立深层融合模块。
(1)设置模块中conv_4卷积层的尺寸为3×3，卷积核数为16，步长为1；
(2)设置模块中up_1上采样层的尺寸为2×2；
(3)设置模块中conv_5卷积层的尺寸为3×3，卷积核数为8，步长为1；
(4)设置模块中up_2上采样层的尺寸为2×2；
(5)设置模块中conv_end卷积层的尺寸为1×1，卷积核数为3，步长为1；
(6)将conv_4卷积层与up_1上采样层直接相连；conv_5卷积层与up_2上采样层直接相连；全局特征提取模块中conv_2卷积层的输出与up_1上采样层的输出通过通道叠加单元进行融合，融合结果输入到conv_5卷积层中；全局特征提取模块中conv_top卷积层的输出与up_2上采样层的输出通过通道叠加单元进行融合，融合结果输入到conv_end卷积层中。
至此，通过步骤二、步骤三和步骤四建立了浅层特征与深层特征融合的图像去雾网络。
步骤五：网络训练及图像去雾。
将步骤一得到的数据集清晰图像输入到所建立的图像去雾网络中，对网络进行训练，训练精度满足要求后停止训练，即完成网络训练。将人工加雾的图像输入到训练好的网络中，得到处理后的去雾图像。
本发明与现有技术相比具有如下优点：
(1)利用通道叠加单元将前层网络结构与后层网络结构相连，实现浅层特征与深层特征的融合，解决了浅层特征在深度网络的深层结构中丢失的问题，进而保留了更多的边缘轮廓信息，能够得到更好的去雾效果；
(2)在图像去雾中，为了能够清晰地学习各个尺度的图像特征，引入了卷积核数不同的多尺度卷积模块，提高了网络模型的学习精度，增强了去雾效果。
附图说明
图1为去雾效果对比图；
图2为浅层特征与深层特征融合的图像去雾网络结构图；
图3为传统的深度卷积神经网络结构图。
具体实施方式
为了更好地解释本发明，以便于理解，通过具体执行本发明所提出的图像去雾方法步骤，对本发明作详细描述。
执行步骤一：建立图像数据集。
采集清晰图像建立训练样本，通过大气散射模型对清晰图像进行人工加雾得到有雾图，其中大气光值设置为0.6，散射系数设置在[0.04,0.07]之间，并设置输入网络的图像尺寸大小为1440×1080。
执行步骤二：建立全局特征提取模块。
(1)设置模块中conv_top卷积层的尺寸为3×3，卷积核数为8，步长为1；
(2)设置模块中pool_top池化层尺寸为2×2，步长为2；
(3)设置模块中conv_2卷积层的尺寸为3×3，卷积核数为16，步长为1；
(4)设置模块中pool_2池化层尺寸为2×2，步长为2；
(5)将conv_top卷积层、pool_top池化层、conv_2卷积层和pool_2池化层四者依次相连。
执行步骤三：建立多尺度卷积模块。
(1)设置模块中conv_m1卷积层的尺寸为1×1，卷积核数为32，步长为1；
(2)设置模块中conv_m2卷积层的尺寸为3×3，卷积核数为32，步长为1；
(3)设置模块中conv_m3卷积层的尺寸为5×5，卷积核数为32，步长为1；
(4)设置模块中conv_3卷积层的尺寸为3×3，卷积核数为32，步长为1；
(5)将conv_m1卷积层、conv_m2卷积层和conv_m3卷积层并联连接，具体为：将全局特征提取模块中的pool_2层输出特征同时送入多尺度卷积模块的conv_m1卷积层、conv_m2卷积层和conv_m3卷积层，再将这三个卷积层的三个输出特征通过通道叠加单元进行融合，然后将融合后的特征送入到conv_3卷积层中。
执行步骤四：建立深层融合模块。
(1)设置模块中conv_4卷积层的尺寸为3×3，卷积核数为16，步长为1；
(2)设置模块中up_1上采样层的尺寸为2×2；
(3)设置模块中conv_5卷积层的尺寸为3×3，卷积核数为8，步长为1；
(4)设置模块中up_2上采样层的尺寸为2×2；
(5)设置模块中conv_end卷积层的尺寸为1×1，卷积核数为3，步长为1；
(6)将conv_4卷积层与up_1上采样层直接相连；conv_5卷积层与up_2上采样层直接相连；全局特征提取模块中conv_2卷积层的输出与up_1上采样层的输出通过通道叠加单元进行融合，融合结果输入到conv_5卷积层中；全局特征提取模块中conv_top卷积层的输出与up_2上采样层的输出通过通道叠加单元进行融合，融合结果输入到conv_end卷积层中。
执行步骤五：网络训练及图像去雾。
将步骤一得到的数据集清晰图像输入到所建立的图像去雾网络中，对网络进行训练，训练精度满足要求后停止训练，即完成网络训练。将人工加雾的图像输入到训练好的网络中，得到处理后的去雾图像。
在本实施例中，为与传统的深度神经网络相比验证所提网络的去雾效果，对传统的深度神经网络的结构做如图2所示的设置，并且其余参数的设置均与所提网络的相应参数保持一致。利用相同的数据集清晰图像对两种网络进行训练，并利用相同的人工加雾图像对两种网络进行去雾效果验证。基于此，对传统的深度神经网络和所提网络的去雾结果进行主客观对比分析。
用一张景物图为例进行说明，其去雾效果对比图如图3所示。在主观上，可以看到所提网络去雾后边缘轮廓更加清晰，无论是近景树叶还是远景墙面的轮廓都更有区分度，而且去雾后图像整体对比度明显增强，去雾效果更显著。
在客观对比实验中采用平均梯度AG，均方根误差RMSE两个指标进行验证。平均梯度AG在反映了图像的清晰程度，其值越高，表明图像越清晰；均方根误差RMSE反映了处理后的图像与原无雾图之间的误差，其值越小，表明处理后图像越接近原图。图3中有雾与去雾后图像的相应指标结果由表1给出。
表1图3中有雾与去雾后图像的相应指标结果
由表1可以看出，人工加雾后图像的清晰程度较低，AG为6.9029。通过传统的深度神经网络去雾后，AG值反而下降到5.2001，这与图像的主观观察结果是一致的，图像反而变得更不清晰，体现了此种网络在去雾应用中的局限性。利用所提网络去雾后，AG值升为7.6391，图像清晰度明显增强。人工加雾后图像与原图像之间的均方根误差RMSE为0.0458。通过传统的深度神经网络去雾后，RMSE增至0.0754，说明此种网络丢失了较多的浅层特征——边缘轮廓信息，导致去雾后图像与原图像之间相差较大。利用所提网络去雾后，RMSE值减小到0.0424，说明所提网络起到了去雾的效果，更好地保留了边缘轮廓信息，去雾后图像的质量较高。
应当认识到，本发明中的实施例还可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作-根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (7)
1.浅层特征与深层特征融合的图像去雾网络，其特征在于，包括：
全局特征提取模块、多尺度卷积模块和深层融合模块。
2.根据权利要求1所述的浅层特征与深层特征融合的图像去雾网络，其特征在于，所述的全局特征提取模块包括：
conv_top卷积层、pool_top池化层、conv_2卷积层和pool_2池化层，四者依次相连；其中，所述conv_top卷积层的尺寸为3×3，卷积核数为8；所述pool_top池化层尺寸为2×2；所述conv_2卷积层的尺寸为3×3，卷积核数为16；所述pool_2池化层的尺寸为2×2。
3.根据权利要求1所述的浅层特征与深层特征融合的图像去雾网络，其特征在于，所述多尺度卷积模块包括：
conv_m1卷积层、conv_m2卷积层、conv_m3卷积层、1个通道叠加单元和conv_3卷积层；所述conv_m1卷积层的尺寸为1×1，卷积核数为32；所述conv_m2卷积层的尺寸为3×3，卷积核数为32；所述conv_m3卷积层的尺寸为5×5，卷积核数为32；所述conv_3卷积层的尺寸为3×3，卷积核数为32；
所述conv_m1卷积层、所述conv_m2卷积层和所述conv_m3卷积层为并联连接，具体为：将所述全局特征提取模块中的pool_2层输出特征同时送入所述多尺度卷积模块的conv_m1卷积层、conv_m2卷积层和conv_m3卷积层，再将这三个卷积层的三个输出特征通过通道叠加单元进行融合，然后将融合后的特征送入到conv_3卷积层中。
4.根据权利要求1所述的浅层特征与深层特征融合的图像去雾网络，其特征在于，深层融合模块包括：
conv_4卷积层、up_1上采样层、conv_5卷积层、up_2上采样层、conv_end输出卷积层和2个通道叠加单元；其中，所述conv_4卷积层的尺寸为3×3，卷积核数为16；所述up_1上采样层尺寸为2×2；所述conv_5卷积层的尺寸为3×3，卷积核数为8；所述up_2上采样层尺寸为2×2；所述conv_end卷积层的尺寸为1×1，卷积核数为3；
所述conv_4卷积层与所述up_1上采样层直接相连；所述conv_5卷积层与所述up_2上采样层直接相连；所述全局特征提取模块中conv_2卷积层的输出与up_1上采样层的输出通过通道叠加单元进行融合，融合结果输入到conv_5卷积层中；所述全局特征提取模块中conv_top卷积层的输出与up_2上采样层的输出通过通道叠加单元进行融合，融合结果输入到conv_end卷积层中。
5.浅层特征与深层特征融合的图像去雾方法，其特征在于，包括以下步骤：
步骤一：建立图像数据集；
步骤二：建立全局特征提取模块；
步骤三：建立多尺度卷积模块；
步骤四：建立深层融合模块；
步骤五：网络训练及图像去雾。
6.一种计算机设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求5所述的方法。
7.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求5所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310663735.1A CN116579951A (zh) | 2023-06-05 | 2023-06-05 | 浅层特征与深层特征融合的图像去雾网络及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310663735.1A CN116579951A (zh) | 2023-06-05 | 2023-06-05 | 浅层特征与深层特征融合的图像去雾网络及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116579951A true CN116579951A (zh) | 2023-08-11 |
Family
ID=87541380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310663735.1A Pending CN116579951A (zh) | 2023-06-05 | 2023-06-05 | 浅层特征与深层特征融合的图像去雾网络及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579951A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410144A (zh) * | 2018-10-31 | 2019-03-01 | 聚时科技(上海)有限公司 | 一种基于深度学习的端到端图像去雾处理方法 |
| CN111161360A (zh) * | 2019-12-17 | 2020-05-15 | 天津大学 | 基于Retinex理论的端到端网络的图像去雾方法 |
| CN112164010A (zh) * | 2020-09-30 | 2021-01-01 | 南京信息工程大学 | 一种多尺度融合卷积神经网络图像去雾方法 |
| CN114627002A (zh) * | 2022-02-07 | 2022-06-14 | 华南理工大学 | 一种基于自适应特征融合的图像去雾方法 |
| CN114742719A (zh) * | 2022-03-14 | 2022-07-12 | 西北大学 | 一种基于多特征融合的端到端图像去雾方法 |
-
2023
- 2023-06-05 CN CN202310663735.1A patent/CN116579951A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410144A (zh) * | 2018-10-31 | 2019-03-01 | 聚时科技(上海)有限公司 | 一种基于深度学习的端到端图像去雾处理方法 |
| CN111161360A (zh) * | 2019-12-17 | 2020-05-15 | 天津大学 | 基于Retinex理论的端到端网络的图像去雾方法 |
| CN112164010A (zh) * | 2020-09-30 | 2021-01-01 | 南京信息工程大学 | 一种多尺度融合卷积神经网络图像去雾方法 |
| CN114627002A (zh) * | 2022-02-07 | 2022-06-14 | 华南理工大学 | 一种基于自适应特征融合的图像去雾方法 |
| CN114742719A (zh) * | 2022-03-14 | 2022-07-12 | 西北大学 | 一种基于多特征融合的端到端图像去雾方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈永等: "基于多尺度卷积神经网络的单幅图像去雾方法", 《光学学报》, vol. 39, no. 10, pages 1 - 10 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180285683A1 (en) | Methods and apparatus for image salient object detection | |
| EP3161728B1 (en) | Hierarchical interlinked multi-scale convolutional network for image parsing | |
| CN111738942A (zh) | 一种融合特征金字塔的生成对抗网络图像去雾方法 | |
| CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
| CN105376563B (zh) | 基于双目融合特征相似度的无参考立体图像质量评价方法 | |
| CN111462120A (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
| CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
| CN114419029B (zh) | 表面缺陷检测模型的训练方法、表面缺陷检测方法及装置 | |
| CN112733672B (zh) | 基于单目相机的三维目标检测方法、装置和计算机设备 | |
| CN112785572B (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
| CN111028170A (zh) | 图像处理方法、图像处理装置、电子设备和可读存储介质 | |
| CN111784658B (zh) | 一种用于人脸图像的质量分析方法和系统 | |
| CN110555820A (zh) | 基于卷积神经网络和动态引导滤波的图像融合方法 | |
| CN108573192B (zh) | 匹配人脸的眼镜试戴方法和装置 | |
| CN116757986A (zh) | 一种红外与可见光图像融合方法及装置 | |
| CN113658206B (zh) | 一种植物叶片分割方法 | |
| CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
| US11783454B2 (en) | Saliency map generation method and image processing system using the same | |
| CN117274605A (zh) | 一种从无人机拍摄的照片中提取水域轮廓的方法及装置 | |
| CN116579951A (zh) | 浅层特征与深层特征融合的图像去雾网络及方法 | |
| CN109255794B (zh) | 一种标准件深度全卷积特征边缘检测方法 | |
| CN111178200A (zh) | 一种仪表盘指示灯的识别方法及计算设备 | |
| CN114862713B (zh) | 基于注意力平滑膨胀卷积的两阶段图像去雨方法 | |
| CN115631108A (zh) | 一种基于rgbd的图像去雾方法及相关设备 | |
| CN115482178A (zh) | 基于显著特征差异的多聚焦图像融合方法及系统 |
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 |