CN117636149A - 基于图像增强的水下目标物勘探识别方法及系统 - Google Patents
基于图像增强的水下目标物勘探识别方法及系统 Download PDFInfo
- Publication number
- CN117636149A CN117636149A CN202410107847.3A CN202410107847A CN117636149A CN 117636149 A CN117636149 A CN 117636149A CN 202410107847 A CN202410107847 A CN 202410107847A CN 117636149 A CN117636149 A CN 117636149A
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- pooling
- rgb
- underwater
- 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 32
- 238000011176 pooling Methods 0.000 claims abstract description 114
- 238000012545 processing Methods 0.000 claims abstract description 107
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000003086 colorant Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000034699 Vitreous floaters Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像增强的水下目标物勘探识别方法及系统,属于图像处理技术领域。对获取的RGB水下图像分别进行全局平均池化处理和全局最大池化处理,得到第一池化图像和第二池化图像并逐像素相加,将池化处理后的RGB图像分别转换到HIS空间和LAB空间;对池化处理后的RGB图像、HIS图像和LAB图像分别进行基于注意力机制的卷积处理,将卷积处理后的RGB图像、HIS图像和LAB图像进行逐像素相加,得到增强后的图像;根据增强后的图像以及深度学习网络模型,得到水下目标物的识别结果。本发明有效的避免了色彩偏差的影响,提高了水下目标物勘探识别的精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像增强的水下目标物勘探识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
水下勘探是指水下工种在设计和施工之前进行选址以及了解地貌、地质和海洋环境条件的准备工作。较为复杂的水下环境,给水下目标物(例如水下沉船、水下文物或者水下生物)的勘探带来了较大困难。由于光线在水下会产生选择性衰减,即光在水下的传播存在着波长依赖关系,在水下环境中红色光衰减最快,其次是绿色光,再到蓝色光,因此采集到的水下图像往往呈现出蓝绿色背景,产生了色彩偏差,同时,水中的漂浮物会导致光的散射,从而使图像细节模糊,导致图像质量下降,影响后续检测任务的精度。
发明人发现,目前深度学习技术正在蓬勃发展,基于深度学习的目标检测技术取得了很大的进展,被广泛运用于各种水下目标物识别场景;但是,现有的目标检测技术神经网络难于有效的规避色彩偏差的影响,且结构复杂、参数量较大,不利于实时检测。
发明内容
为了解决现有技术的不足,本发明提供了一种基于图像增强的水下目标物勘探识别方法及系统,采用轻量化的网络结构对水下图像进行了有效增强,有效避免了色彩偏差的影响,提高了水下目标物勘探识别的精度。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供了一种基于图像增强的水下目标物勘探识别方法。
一种基于图像增强的水下目标物勘探识别方法,包括以下过程:
对获取的RGB水下图像分别进行全局平均池化处理和全局最大池化处理,得到第一池化图像和第二池化图像,将第一池化图像和第二池化图像进行逐像素相加,得到池化处理后的RGB图像;
将池化处理后的RGB图像分别转换到HIS空间和LAB空间,得到池化处理后的HIS图像和池化处理后的LAB图像;
对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像分别进行基于注意力机制的卷积处理,分别得到卷积处理后的RGB图像、卷积处理后的HIS图像和卷积处理后的LAB图像,将卷积处理后的RGB图像、卷积处理后的HIS图像和卷积处理后的LAB图像进行逐像素相加,得到增强后的图像;
利用预先训练好的深度学习网络模型对增强后的图像进行处理,得到水下目标物的识别结果。
作为本发明第一方面进一步的限定,对获取的RGB水下图像进行全局平均池化处理,包括:
将RGB水下图像经第一卷积层进行卷积处理,得到卷积处理结果,将RGB水下图像经全局平均池化层处理后与第一卷积层的卷积处理结果逐像素相除,再经第二卷积层进行卷积处理,得到第一池化图像。
作为本发明第一方面进一步的限定,对获取的RGB水下图像进行全局最大池化处理,包括:
将RGB水下图像经第三卷积层进行卷积处理,得到卷积处理结果,将RGB水下图像经全局最大池化层处理后与第三卷积层的卷积处理结果逐像素相除,再经第四卷积层进行卷积处理,得到第二池化图像。
作为本发明第一方面进一步的限定,进行基于注意力机制的卷积处理,包括:
对获取的图像分别输入到注意力模块以及卷积模块中,卷积模块中包括多个卷积层,每一个卷积层的核大小乘以对应的权重,得到该卷积层的核大小的加权和,使用所有卷积层的核大小的加权和对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像进行卷积处理。
第二方面,本发明提供了一种基于图像增强的水下目标物勘探识别系统。
一种基于图像增强的水下目标物勘探识别系统,包括:
池化处理模块,被配置为:对获取的RGB水下图像分别进行全局平均池化处理和全局最大池化处理,得到第一池化图像和第二池化图像,将第一池化图像和第二池化图像进行逐像素相加,得到池化处理后的RGB图像;
图像转换模块,被配置为:将池化处理后的RGB图像分别转换到HIS空间和LAB空间,得到池化处理后的HIS图像和池化处理后的LAB图像;
卷积处理模块,被配置为:对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像分别进行基于注意力机制的卷积处理,将卷积处理后的RGB图像、卷积处理后的HIS图像和卷积处理后的LAB图像进行逐像素相加,得到增强后的图像;
目标物识别模块,被配置为:利用预先训练好的深度学习网络模型对增强后的图像进行处理,得到水下目标物的识别结果。
作为本发明第二方面进一步的限定,池化处理模块中,对获取的RGB水下图像进行全局平均池化处理,包括:
将RGB水下图像经第一卷积层进行卷积处理,得到卷积处理结果,将RGB水下图像经全局平均池化层处理后与第一卷积层的卷积处理结果逐像素相除,再经第二卷积层进行卷积处理,得到第一池化图像。
作为本发明第二方面进一步的限定,池化处理模块中,对获取的RGB水下图像进行全局最大池化处理,包括:
将RGB水下图像经第三卷积层进行卷积处理,得到卷积处理结果,将RGB水下图像经全局最大池化层处理后与第三卷积层的卷积处理结果逐像素相除,再经第四卷积层进行卷积处理,得到第二池化图像。
作为本发明第二方面进一步的限定,卷积处理模块中,进行基于注意力机制的卷积处理,包括:
对获取的图像分别输入到注意力模块以及卷积模块中,卷积模块中包括多个卷积层,每一个卷积层的核大小乘以对应的权重,得到该卷积层的核大小的加权和,使用所有卷积层的核大小的加权和对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像进行卷积处理。
第三方面,本发明提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的基于图像增强的水下目标物勘探识别方法中的步骤。
第四方面,本发明提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的基于图像增强的水下目标物勘探识别方法中的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明创新性的提出了一种基于图像增强的水下目标物勘探识别方案,对获取的RGB水下图像分别进行全局平均池化处理和全局最大池化处理,得到第一池化图像和第二池化图像,将第一池化图像和第二池化图像进行逐像素相加,得到池化处理后的RGB图像,有效的避免了色彩偏差的影响,提高了水下目标物勘探识别的精度。
2、本发明创新性的提出了一种基于图像增强的水下目标物勘探识别方案,对获取的图像分别输入到注意力模块以及卷积模块中,卷积模块中包括多个卷积层,每一个卷积层的核大小乘以对应的权重,得到卷积层的核大小的加权和,使用所有卷积层的核大小的加权和对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像进行卷积处理,提高了对图像的表示能力,进一步的提高了图像增强的效果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1所述的基于图像增强的水下目标物勘探识别方法的流程示意图。
图2为本发明实施例2所述的基于图像增强的水下目标物勘探识别系统的原理示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本发明实施例1提供了一种基于图像增强的水下目标物勘探识别方法,包括以下过程:
步骤S1:对获取的RGB水下图像分别进行全局平均池化处理和全局最大池化处理,得到第一池化图像和第二池化图像,将第一池化图像和第二池化图像进行逐像素相加,得到池化处理后的RGB图像;
步骤S2:将池化处理后的RGB图像分别转换到HIS空间和LAB空间,得到池化处理后的HIS图像和池化处理后的LAB图像;
步骤S3:对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像分别进行基于注意力机制的卷积处理,将卷积处理后的RGB图像、卷积处理后的HIS图像和卷积处理后的LAB图像进行逐像素相加,得到增强后的图像;
步骤S4:利用深度学习网络模型对增强后的图像进行处理,得到水下目标物的识别结果。
具体的,步骤S1中,对获取的RGB水下图像进行全局平均池化处理,包括:
将RGB水下图像经第一卷积层进行卷积处理,得到卷积处理结果,将RGB水下图像经全局平均池化层处理后与第一卷积层的卷积处理结果逐像素相除,再经第二卷积层进行卷积处理,得到第一池化图像。
步骤S1中,对获取的RGB水下图像进行全局最大池化处理,包括:
将RGB水下图像经第三卷积层进行卷积处理,得到卷积处理结果,将RGB水下图像经全局最大池化层处理后第三卷积层的卷积处理结果逐像素相除,再经第四卷积层进行卷积处理,得到第二池化图像。
其中,第一卷积层为3×3卷积层,第二卷积层为3×3卷积层,第三卷积层为3×3卷积层,第四卷积层为3×3卷积层,这里的全局平均池化和全局最大池化能对图像进行初步的平衡,经全局平均池化的图像和经全局最大池化的图像分别与卷积后的图像逐像素相除,两者结合减少了输入图像的无用的特征权重,强化模型对关键特征的关注度。
步骤S2中,RGB颜色空间以R(Red:红)、G(Green:绿)、B(Blue:蓝)三种基本色为基础,进行不同程度的叠加,产生丰富而广泛的颜色,所以俗称三基色模式。HIS全称为Hue-Intensity-Saturation,颜色空间是图像处理中另外一个常用的颜色空间,它从人的视觉系统出发,用色调(Hue)、饱和度(Saturation或Chroma)和亮度(Intensity或Brightness)来描述颜色,其中,H表示色调(Hue)由角度表示,其表示红色,黄色,绿色,蓝色,品红色等,S表示饱和度(Saturation)是HIS彩色空间中轴线到彩色点的半径长度,彩色点离轴线的距离越近,表示颜色的白光越多,I表示强度/亮度(Intensity)用轴线方向上的高度表示强度最小值时为黑色,强度最大值时为白色。Lab色彩空间(Lab color space)是颜色-对立空间,带有维度L表示亮度,a和b表示颜色对立维度,Lab颜色被设计来接近人类视觉,它致力于感知均匀性,它的L分量密切匹配人类亮度感知,因此可以被用来通过修改a和b分量的输出色阶来做精确的颜色平衡,或使用L分量来调整亮度对比。
步骤S2中,三个色彩空间之间的转换采用现有方案实现,这里不再赘述。
具体的,步骤S3中,进行基于注意力机制的卷积处理,包括:
对获取的图像分别输入到注意力模块以及卷积模块中,卷积模块中包括多个卷积层,每一个卷积层的核大小乘对应的权重,得到各自卷积层的核大小的加权和,使用所有卷积层的核大小的加权和对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像进行卷积处理。
更具体的,卷积模块包括依次连接的五个卷积层M1-M5,通过注意力模块来控制各个卷积层的权重大小α1-α5,加权和M为:
M=α1×M1+α2×M2+α3×M3+α4×M4+α5×M5。
通过加权和M对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像进行卷积处理。
本实施例采用峰值信噪比和结构相似性作为评价指标,图像增强的对比效果如下表所示:
可以看到,本发明所述的方法,输出图像和标签图像(即用于对比的清晰图像)的内容更接近,且输出图像与标签图像在结构上更相似。
具体的,步骤S4中,深度学习网络模型采用现有的目标识别模型,例如CNN网络模型或者长短期记忆神经网络模型或者多层感知机MLP全连接回归模型,训练集采用需要特定识别的物体图像集,例如海底沉船图像、海底古董文物图像、海底生物图像等等,这里不再赘述。
本实施例中,以多层感知机MLP全连接回归模型为例,将增强后的图像转换为张量输入多层感知机MLP全连接回归模型,张量是在多层感知机MLP全连接回归模型框架中的一个数据结构,多层感知机MLP全连接回归模型利用Pytorch进行搭建,因此,把数据输入进多层感知机MLP全连接回归模型中需要把数据转换为tensor结构;输入张量经过多层感知机MLP全连接回归模型的隐藏层进行训练,并进行前向传播,训练后的数据传输到输出层进行输出;输出的结果,与真实识别结果进行相似度评估,若相似度不高,则反馈结果到多层感知机MLP全连接回归模型的各个执行模块里,通过调整各执行模块的内参来进一步优化输出结果,直到与真值的相似度达到要求,则完成多层感知机MLP全连接回归模型的训练;采用训练好的多层感知机MLP全连接回归模型进行水下目标物识别。
实施例2
如图2所示,本发明实施例2提供了一种基于图像增强的水下目标物勘探识别系统,包括:
池化处理模块,被配置为:对获取的RGB水下图像分别进行全局平均池化处理和全局最大池化处理,得到第一池化图像和第二池化图像,将第一池化图像和第二池化图像进行逐像素相加,得到池化处理后的RGB图像;
图像转换模块,被配置为:将池化处理后的RGB图像分别转换到HIS空间和LAB空间,得到池化处理后的HIS图像和池化处理后的LAB图像;
卷积处理模块,被配置为:对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像分别进行基于注意力机制的卷积处理,将卷积处理后的RGB图像、卷积处理后的HIS图像和卷积处理后的LAB图像进行逐像素相加,得到增强后的图像;
目标物识别模块,被配置为:利用预先训练好的深度学习网络模型对增强后的图像进行处理,得到水下目标物的识别结果。
具体的,池化处理模块中,对获取的RGB水下图像进行全局平均池化处理,包括:将RGB水下图像经第一卷积层得到卷积处理结果,将RGB水下图像经全局平均池化层处理后与第一卷积层的卷积处理结果逐像素相除,再经第二卷积层,得到第一池化图像,具体的方法见实施例1中的步骤S1所示。
具体的,池化处理模块中,对获取的RGB水下图像进行全局最大池化处理,包括:将RGB水下图像经第三卷积层得到卷积处理结果,将RGB水下图像经全局最大池化层处理后与第三卷积层的卷积处理结果逐像素相除,再经第四卷积层,得到第二池化图像,具体的方法见实施例1中的步骤S1所示。
具体的,卷积处理模块中,进行基于注意力机制的卷积处理,包括:对获取的图像分别输入到注意力模块以及卷积模块中,卷积模块中包括多个卷积层,每一个卷积层的核大小乘对应的权重,得到该卷积层的核大小的加权和,使用所有卷积层的核大小的加权和对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像进行卷积处理,具体方法见实施例1中的步骤S3所示。
实施例3
本发明实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例1所述的基于图像增强的水下目标物勘探识别方法中的步骤。
实施例4
本发明实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例1所述的基于图像增强的水下目标物勘探识别方法中的步骤。
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 (10)
1.一种基于图像增强的水下目标物勘探识别方法,其特征在于,包括以下过程:
对获取的RGB水下图像分别进行全局平均池化处理和全局最大池化处理,得到第一池化图像和第二池化图像,将第一池化图像和第二池化图像进行逐像素相加,得到池化处理后的RGB图像;
将池化处理后的RGB图像分别转换到HIS空间和LAB空间,得到池化处理后的HIS图像和池化处理后的LAB图像;
对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像分别进行基于注意力机制的卷积处理,将卷积处理后的RGB图像、卷积处理后的HIS图像和卷积处理后的LAB图像进行逐像素相加,得到增强后的图像;
利用预先训练好的深度学习网络模型对增强后的图像进行处理,得到水下目标物的识别结果。
2.根据权利要求1所述的基于图像增强的水下目标物勘探识别方法,其特征在于,对获取的RGB水下图像进行全局平均池化处理,包括:将RGB水下图像经第一卷积层进行卷积处理,得到卷积处理结果,将RGB水下图像经全局平均池化层处理后与第一卷积层的卷积处理结果逐像素相除,再经第二卷积层进行卷积处理,得到第一池化图像。
3.根据权利要求1所述的基于图像增强的水下目标物勘探识别方法,其特征在于,对获取的RGB水下图像进行全局最大池化处理,包括:将RGB水下图像经第三卷积层进行卷积处理,得到卷积处理结果,将RGB水下图像经全局最大池化层处理后与经第三卷积层的卷积处理结果逐像素相除,再经第四卷积层进行卷积处理,得到第二池化图像。
4.根据权利要求1所述的基于图像增强的水下目标物勘探识别方法,其特征在于,进行基于注意力机制的卷积处理,包括:对获取的图像分别输入到注意力模块以及卷积模块中,卷积模块中包括多个卷积层,每一个卷积层的核大小乘以对应的权重,得到该层卷积层的核大小的加权和,使用所有卷积层的核大小的加权和对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像进行卷积处理。
5.一种基于图像增强的水下目标物勘探识别系统,其特征在于,包括:
池化处理模块,被配置为:对获取的RGB水下图像分别进行全局平均池化处理和全局最大池化处理,得到第一池化图像和第二池化图像,将第一池化图像和第二池化图像进行逐像素相加,得到池化处理后的RGB图像;
图像转换模块,被配置为:将池化处理后的RGB图像分别转换到HIS空间和LAB空间,得到池化处理后的HIS图像和池化处理后的LAB图像;
卷积处理模块,被配置为:对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像分别进行基于注意力机制的卷积处理,将卷积处理后的RGB图像、卷积处理后的HIS图像和卷积处理后的LAB图像进行逐像素相加,得到增强后的图像;
目标物识别模块,被配置为:利用预先训练好的深度学习网络模型对增强后的图像进行处理,得到水下目标物的识别结果。
6.根据权利要求5所述的基于图像增强的水下目标物勘探识别系统,其特征在于,池化处理模块中,对获取的RGB水下图像进行全局平均池化处理,包括:将RGB水下图像经第一卷积层进行卷积处理,得到卷积处理结果,将RGB水下图像经全局平均池化层处理后与第一卷积层的卷积处理结果逐像素相除,再经第二卷积层进行卷积处理,得到第一池化图像。
7.根据权利要求5所述的基于图像增强的水下目标物勘探识别系统,其特征在于,池化处理模块中,对获取的RGB水下图像进行全局最大池化处理,包括:将RGB水下图像经第三卷积层进行卷积处理,得到卷积处理结果,将RGB水下图像经全局最大池化层处理后与经第三卷积层的卷积处理结果逐像素相除,再经第四卷积层进行卷积处理,得到第二池化图像。
8.根据权利要求5所述的基于图像增强的水下目标物勘探识别系统,其特征在于,卷积处理模块中,进行基于注意力机制的卷积处理,包括:对获取的图像分别输入到注意力模块以及卷积模块中,卷积模块中包括多个卷积层,每一个卷积层的核大小乘以对应的权重,得到该层卷积层的核大小的加权和使用所有卷积层的核大小的加权和对池化处理后的RGB图像、池化处理后的HIS图像和池化处理后的LAB图像进行卷积处理。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现根据权利要求1-4任一项所述的基于图像增强的水下目标物勘探识别方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现根据权利要求1-4任一项所述的基于图像增强的水下目标物勘探识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107847.3A CN117636149B (zh) | 2024-01-26 | 2024-01-26 | 基于图像增强的水下目标物勘探识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107847.3A CN117636149B (zh) | 2024-01-26 | 2024-01-26 | 基于图像增强的水下目标物勘探识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117636149A true CN117636149A (zh) | 2024-03-01 |
CN117636149B CN117636149B (zh) | 2024-04-26 |
Family
ID=90020294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410107847.3A Active CN117636149B (zh) | 2024-01-26 | 2024-01-26 | 基于图像增强的水下目标物勘探识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117636149B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190377930A1 (en) * | 2018-06-11 | 2019-12-12 | Zkteco Usa, Llc | Method and System for Face Recognition Via Deep Learning |
US20210102197A1 (en) * | 2019-10-07 | 2021-04-08 | The Broad Institute, Inc. | Designing sensitive, specific, and optimally active binding molecules for diagnostics and therapeutics |
CN114842240A (zh) * | 2022-04-06 | 2022-08-02 | 盐城工学院 | 融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法 |
CN115170944A (zh) * | 2022-08-23 | 2022-10-11 | 宁波大学科学技术学院 | 一种基于cnn的nr水下增强图像质量评价方法 |
CN115546506A (zh) * | 2022-09-26 | 2022-12-30 | 中国科学院合肥物质科学研究院 | 基于双池化通道注意力和空洞卷积的图像识别方法及系统 |
CN117115632A (zh) * | 2023-08-09 | 2023-11-24 | 宿迁学院 | 一种水下目标检测方法、装置、设备及介质 |
CN117351340A (zh) * | 2023-09-25 | 2024-01-05 | 河南大学 | 基于双颜色空间的水下图像增强算法 |
-
2024
- 2024-01-26 CN CN202410107847.3A patent/CN117636149B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190377930A1 (en) * | 2018-06-11 | 2019-12-12 | Zkteco Usa, Llc | Method and System for Face Recognition Via Deep Learning |
US20210102197A1 (en) * | 2019-10-07 | 2021-04-08 | The Broad Institute, Inc. | Designing sensitive, specific, and optimally active binding molecules for diagnostics and therapeutics |
CN114842240A (zh) * | 2022-04-06 | 2022-08-02 | 盐城工学院 | 融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法 |
CN115170944A (zh) * | 2022-08-23 | 2022-10-11 | 宁波大学科学技术学院 | 一种基于cnn的nr水下增强图像质量评价方法 |
CN115546506A (zh) * | 2022-09-26 | 2022-12-30 | 中国科学院合肥物质科学研究院 | 基于双池化通道注意力和空洞卷积的图像识别方法及系统 |
CN117115632A (zh) * | 2023-08-09 | 2023-11-24 | 宿迁学院 | 一种水下目标检测方法、装置、设备及介质 |
CN117351340A (zh) * | 2023-09-25 | 2024-01-05 | 河南大学 | 基于双颜色空间的水下图像增强算法 |
Non-Patent Citations (2)
Title |
---|
张清博;张晓晖;韩宏伟;: "一种基于深度卷积神经网络的水下光电图像质量优化方法", 光学学报, no. 11, 27 June 2018 (2018-06-27) * |
高丹;陈建英;谢盈;: "A-PSPNet:一种融合注意力机制的PSPNet图像语义分割模型", 中国电子科学研究院学报, no. 06, 20 June 2020 (2020-06-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117636149B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | UIEC^ 2-Net: CNN-based underwater image enhancement using two color space | |
Bianco et al. | A new color correction method for underwater imaging | |
CN107730568B (zh) | 基于权重学习的着色方法和装置 | |
CN115170427A (zh) | 基于弱监督学习的图像镜面高光去除方法 | |
CN113284061A (zh) | 一种基于梯度网络的水下图像增强方法 | |
CN112102186A (zh) | 一种水下视频图像实时增强方法 | |
Han et al. | UIEGAN: Adversarial learning-based photorealistic image enhancement for intelligent underwater environment perception | |
CN114881879A (zh) | 一种基于亮度补偿残差网络的水下图像增强方法 | |
Bianco et al. | A fast enhancing method for non-uniformly illuminated underwater images | |
CN117636149B (zh) | 基于图像增强的水下目标物勘探识别方法及系统 | |
CN114187515A (zh) | 图像分割方法和图像分割装置 | |
Liu et al. | Learning multiscale pipeline gated fusion for underwater image enhancement | |
Chang et al. | Attention-based color consistency underwater image enhancement network | |
Jolly et al. | Bringing monochrome to life: A GAN-based approach to colorizing black and white images | |
CN114926359B (zh) | 联合双颜色空间恢复和多级解码结构的水下图像增强方法 | |
Liu et al. | Parameter-adaptive compensation (PAC) for processing underwater selective absorption | |
CN116630188A (zh) | 一种水下图像增强方法、系统、电子设备及存储介质 | |
Liu et al. | Generating underwater images by GANs and similarity measurement | |
CN116452965A (zh) | 一种基于声光融合的水下目标检测识别方法 | |
Ji et al. | A deep retinex network for underwater low-light image enhancement | |
Huang et al. | An underwater image color correction algorithm based on underwater scene prior and residual network | |
Zhong et al. | SCAUIE-Net: underwater image enhancement method based on spatial and channel attention | |
CN117974509B (zh) | 基于目标检测感知特征融合的两阶段水下图像增强方法 | |
CN117788330A (zh) | 一种基于通道-空间注意力的水下图像渐进式生成对抗增强模块 | |
CN117291837A (zh) | 一种基于去水模型和自然度细节融合的水下图像增强方法 |
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 |