CN117649439B - 一种海草床面积的获取方法、系统、设备和存储介质 - Google Patents
一种海草床面积的获取方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN117649439B CN117649439B CN202410121538.1A CN202410121538A CN117649439B CN 117649439 B CN117649439 B CN 117649439B CN 202410121538 A CN202410121538 A CN 202410121538A CN 117649439 B CN117649439 B CN 117649439B
- Authority
- CN
- China
- Prior art keywords
- defogging
- image
- seaweed bed
- concentration
- map
- 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
- 241001474374 Blennius Species 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims description 125
- 238000010586 diagram Methods 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 23
- 238000013441 quality evaluation Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 239000013307 optical fiber Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 239000003595 mist Substances 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 240000007058 Halophila ovalis Species 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000003672 processing method Methods 0.000 abstract description 3
- 241000544058 Halophila Species 0.000 description 9
- 238000012937 correction Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009901 attention process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 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
- 238000005286 illumination Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体为一种海草床面积的获取方法、系统、设备和存储介质,该获取方法,首先将带雾的初始海草床图像先进行便于快速计算的去雾厚度处理,查看去雾厚度图的质量是否达标;若去雾厚度图质量不达标,使用更细致的去雾浓度处理方法提升初始海草床图像的图像质量,直至去雾浓度图达标后进行特征提取;若去雾厚度图质量达标了,直接进行特征提取;接着,特征提取的过程中,使用语义特征提取和全局特征提取处理等处理去雾厚度图或去雾浓度图,获取特征海草床图;然后,基于特征海草床图的像素差分布情况,确定海草床区域的边缘点和面积;最后,基于海草床图上面积和图像比例尺,获得真实的海草床面积。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种海草床面积的获取方法、系统、设备和存储介质。
背景技术
海草床是海洋生态系统中的关键组成部分,对海洋生物多样性和生态平衡至关重要,为了有效管理和保护海草床,必须对其进行监测和研究,需要不定时获取海草床的面积,以实现对海草床的监测和保护。
人工实地测量海草面积,耗时且成本高。因此,目前会通过过去海草床区域的遥感图像,通过对图像进行分析来提取海草床的面积。但是,有时候受到光照条件、水质和天气等因素的影响,获得的海草床图像上会出现一些雾状纹理,影响海草床面积的提取,如果手动圈定图像中的海草床面积,不仅需要大量的时间和精力,更重要的是易受主观影响,降低获取海草床面积结果的准确度以及稳定性。
发明内容
本发明的目的是提供了一种海草床面积的获取方法、系统、设备和存储介质。
本发明技术方案如下:
一种海草床面积的获取方法,包括如下操作:
S1、获取待测区域的初始海草床图像,去除所述初始海草床图像中的雾厚度,得到去雾厚度图;基于亮度,对所述去雾厚度图进行第一质量评价,得到第一评分,判断所述第一评分是否超过第一评分阈值;若超过,执行S3;若未超过,执行S2;
得到所述第一评分的操作为:将所述去雾厚度图分割成多个块区域,所有的块区域经多滤波处理,得到滤波区域块集;基于所述滤波区域块集中,每个滤波区域块的亮度均值,与所述每个滤波区域块在初始海草床图像中对应初始块的亮度均值,得到每个滤波区域块与对应初始块的亮度相似性;所有亮度相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到亮度质量评分,所述亮度质量评分作为所述第一评分;
S2、去除所述初始海草床图像中的雾浓度,得到去雾浓度图;基于像素标准差,对所述去雾浓度图进行第二质量评分处理,得到第二评分,判断所述第二评分是否超过第二评分阈值;若超过,执行S3;若未超过,执行所述S2;
S3、获取所述去雾厚度图或去雾浓度图的低级语义特征和高级语义特征,经融合后,进行感受野扩大处理,得到第一语义特征图;深度缩放处理所述第一语义特征图后,进行全局特征提取,得到第二语义特征图;将所述第二语义特征图的不同尺度池化图进行融合,得到特征海草床图;
S4、获取所述特征海草床图中,每个位置点相较于前一位置点的像素变化值,得到每个位置点对应的像素差,所有的像素差以及对应的所有位置点,形成了像素差分布图;获取所述像素差分布图中,像素差大于像素差阈值的位置点,作为边缘点;基于所有边缘点,得到海草床区域;
S5、基于所述海草床区域和图像比例尺,得到海草床面积。
所述S1中去除初始海草床图像中的雾厚度的操作为:基于获取的初始海草床图像中每个位置点的雾厚度,得到每个位置点对应的透射率;将所述海草床图像中,每个位置点的初始像素值减去第一大气光值后,除以对应位置点的透射率,得到所述去雾厚度图。
所述S2中去除所述初始海草床图像的雾浓度的操作为:基于获取的初始海草床图像的暗通道最小值,得到每个位置点的衍射率;基于每个位置点的衍射率和像素值,得到每个位置点的雾浓度;将所述初始海草床图像中,每个位置点的像素值与雾浓度相减后,除以对应位置点的衍射率,得到所述去雾浓度图。
所述S1中,若所述第一评分超过第一评分阈值;获取每个滤波区域块与对应初始块的结构相似性,每个滤波区域块与对应初始块的结构相似性与亮度相似性相乘后,得到每个滤波区域块与对应初始块的优化相似性;所有优化相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到优化第一评分;判断所述优化第一评分是否超过第一评分阈值,若超过,执行所述S3,若未超过,执行所述S2。
所述S3中全局特征提取的操作为:所述第一语义特征图经深度缩放处理后,得到的缩放语义特征图,经卷积和下采样处理,得到第一下采样图;所述第一下采样图经卷积和下采样处理,得到第二下采样图;所述第二下采样图经卷积和下采样处理,得到第三下采样图;所述第三下采样图经卷积和上采样处理后,与所述第三下采样图经拼接处理,得到第三融合特征图像;所述第三融合特征图像经卷积和上采样处理后,与所述第二下采样图经拼接处理,得到第二融合特征图像;所述第二融合特征图像经卷积和上采样处理后,与所述第一下采样图经拼接处理,得到所述语义特征图。
所述第三下采样图、和/或第三融合特征图像、和/或第二融合特征图像,在经所述卷积和上采样处理之后,进行注意力处理,得到的第三注意力特征图、和/或第二注意力特征图、和/或第一注意力特征图、分别与所述第三下采样图、和/或第二下采样图、和/或第一下采样图进行拼接处理;所述注意力处理的操作具体为:经所述卷积和上采样处理的特征输入图,依次经通道注意力处理和空间注意力处理,得到的注意力特征图,用于执行所述拼接处理。
所述S2中,得到第二评分的操作为:将所述去雾浓度图分割成多个块区域,所有的块区域经多滤波处理,得到去雾浓度滤波区域块集;基于去雾浓度滤波区域块集中,每个去雾浓度滤波区域块的像素标准差,与每个去雾浓度滤波区域块在初始海草床图像中对应初始块的像素标准差,得到每个去雾浓度滤波区域块与对应初始块对比度相似性;所有对比度相似性,分别与对应的去雾浓度滤波区域块的权重值相乘后,进行求和处理,得到的去雾浓度对比度质量评分,作为所述第二评分。
一种海草床面积的获取系统,包括:
去雾厚度处理和第一质量评价模块,用于获取待测区域的初始海草床图像,去除所述初始海草床图像中的雾厚度,得到去雾厚度图;基于亮度,对所述去雾厚度图进行第一质量评价,得到第一评分,判断所述第一评分是否超过第一评分阈值;若超过,执行特征海草床图生成模块;若未超过,执行去雾浓度处理和第二质量评价模块;得到所述第一评分的操作为:将所述去雾厚度图分割成多个块区域,所有的块区域经多滤波处理,得到滤波区域块集;基于所述滤波区域块集中,每个滤波区域块的亮度均值,与所述每个滤波区域块在初始海草床图像中对应初始块的亮度均值,得到每个滤波区域块与对应初始块的亮度相似性;所有亮度相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到亮度质量评分,所述亮度质量评分作为所述第一评分;
去雾浓度处理和第二质量评价模块,用于去除所述初始海草床图像中的雾浓度,得到去雾浓度图;基于像素标准差,对所述去雾浓度图进行第二质量评分处理,得到第二评分,判断所述第二评分是否超过第二评分阈值;若超过,执行特征海草床图生成模块;若未超过,执行所述去雾浓度处理和第二质量评价模块;
特征海草床图生成模块,用于获取所述去雾厚度图或去雾浓度图的低级语义特征和高级语义特征,经融合后,进行感受野扩大处理,得到第一语义特征图;深度缩放处理所述第一语义特征图后,进行全局特征提取,得到第二语义特征图;将所述第二语义特征图的不同尺度池化图进行融合,得到特征海草床图;
海草床区域生成模块,用于获取所述特征海草床图中,每个位置点相较于前一位置点的像素变化值,得到每个位置点对应的像素差,所有的像素差以及对应的所有位置点,形成了像素差分布图;获取所述像素差分布图中,像素差大于像素差阈值的位置点,作为边缘点;基于所有边缘点,得到海草床区域;
海草床面积生成模块,用于基于所述海草床区域和图像比例尺,得到海草床面积。
一种海草床面积的获取设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现上述的海草床面积的获取方法。
一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现上述的海草床面积的获取方法。
本发明的有益效果在于:
本发明提供的一种海草床面积的获取方法,首先将带雾的初始海草床图像先进行便于快速计算的去雾厚度处理,查看去雾厚度图的质量是否达标;若去雾厚度图质量不达标,使用更细致的去雾浓度处理方法提升初始海草床图像的图像质量,直至去雾浓度图达标后进行特征提取;若去雾厚度图质量达标了,直接进行特征提取;接着,特征提取的过程中,使用语义特征提取和全局特征提取处理等处理去雾厚度图或去雾浓度图,获取信息表达能力强,便于其他海草特征的特征海草床图;然后,基于特征海草床图的像素差分布情况,确定海草床区域的边缘点和面积;最后,基于海草床图上面积和图像比例尺,获得真实的海草床面积;该获取方法不仅省时省力,还能提高海草床面积获取的准确度以及稳定性。
具体实施方式
本实施例提供了一种海草床面积的获取方法,包括如下操作:
S1、获取待测区域的初始海草床图像,去除所述初始海草床图像中的雾厚度,得到去雾厚度图;基于亮度,对所述去雾厚度图进行第一质量评价,得到第一评分,判断所述第一评分是否超过第一评分阈值;若超过,执行S3;若未超过,执行S2;得到所述第一评分的操作为:将所述去雾厚度图分割成多个块区域,所有的块区域经多滤波处理,得到滤波区域块集;基于所述滤波区域块集中,每个滤波区域块的亮度均值,与所述每个滤波区域块在初始海草床图像中对应初始块的亮度均值,得到每个滤波区域块与对应初始块的亮度相似性;所有亮度相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到亮度质量评分,所述亮度质量评分作为所述第一评分;
S2、去除所述初始海草床图像中的雾浓度,得到去雾浓度图;基于像素标准差,对所述去雾浓度图进行第二质量评分处理,得到第二评分,判断所述第二评分是否超过第二评分阈值;若超过,执行S3;若未超过,执行所述S2;
S3、获取所述去雾厚度图或去雾浓度图的低级语义特征和高级语义特征,经融合后,进行感受野扩大处理,得到第一语义特征图;深度缩放处理所述第一语义特征图后,进行全局特征提取,得到第二语义特征图;将所述第二语义特征图的不同尺度池化图进行融合,得到特征海草床图;
S4、获取所述特征海草床图中,每个位置点相较于前一位置点的像素变化值,得到每个位置点对应的像素差,所有的像素差以及对应的所有位置点,形成了像素差分布图;获取所述像素差分布图中,像素差大于像素差阈值的位置点,作为边缘点;基于所有边缘点,得到海草床区域;
S5、基于所述海草床区域和图像比例尺,得到海草床面积。
S1、获取待测区域的初始海草床图像,去除初始海草床图像中的雾厚度,得到去雾厚度图;基于亮度,对去雾厚度图进行第一质量评价,得到第一评分,判断第一评分是否超过第一评分阈值;若超过,执行S3;若未超过,执行S2;得到所述第一评分的操作为:将所述去雾厚度图分割成多个块区域,所有的块区域经多滤波处理,得到滤波区域块集;基于所述滤波区域块集中,每个滤波区域块的亮度均值,与所述每个滤波区域块在初始海草床图像中对应初始块的亮度均值,得到每个滤波区域块与对应初始块的亮度相似性;所有亮度相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到亮度质量评分,所述亮度质量评分作为所述第一评分。
获取待测区域的海草床遥感图像,作为初始海草床图像,受天气或水质等其他因素的影响,初始海草床图像上存在的雾,遮挡其下方的海草信息,造成海草床区域的能见度下降,影响海草床图像的质量。
为解决上述技术问题,首先对初始海草床图像进行去雾厚度处理,这样能在较短时间内进行去雾处理,接着对去雾厚度图进行质量评价,判断图像质量是否达标,若达标,可直接进行后续的图像特征提取操作,即执行S3,若不达标,即去雾厚度图当中有可能出现有些区域过度虚化(去雾厚度过度造成的),纹理特征不清楚,图像质量低,不利于后续特征提取,因此需对初始海草床图像进行更细致更全面的去雾浓度处理,即执行S2。
去除初始海草床图像中的雾厚度的操作为:基于获取的初始海草床图像中每个位置点的雾厚度,得到每个位置点对应的透射率;将初始海草床图像中,每个位置点的初始像素值减去第一大气光值后,除以对应位置点的透射率,得到去雾厚度图。
去雾厚度图中某一位置点的去雾厚度可通过如下公式得到:p 1j =(p 0j -c 1 )/t j ,p 1j 为位置点j的去雾厚度后的像素值,p 0j 为位置点j的初始像素值,c 1 为第一大气光值,t j 为位置点j的透射率,t j =e -βhj ,β为雾参数,h j 为位置点j的雾厚度,h j =-log(1-(1-α)/c 1 ),α为相机调节参数。第一大气光值为灰度化的初始海草床图像中,像素值最低的位置点,在初始海草床图像中对应的像素值。
为减少初始海草床图像中的颜色偏差,提高去雾厚度处理的计算效率,去除初始海草床图像中的雾厚度的操作之前,还包括对初始海草床图像进行直方图均衡化和颜色空间转换。
得到第一评分的操作为:将去雾厚度图分割成多个块区域,所有的块区域经多滤波处理,得到滤波区域块集;基于所述滤波区域块集中,每个滤波区域块的亮度均值,与每个滤波区域块在初始海草床图像中对应初始块的亮度均值,得到每个滤波区域块与对应初始块的亮度相似性;所有亮度相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到的亮度质量评分,作为第一评分。
首先,将去雾厚度图与初始海草床图像的大小调至相同,接着将去雾厚度图与初始海草床图像分别分割成多个块区域,去雾厚度图的块区域与初始海草床图像的初始块的位置是对应的。
接着,将去雾厚度图的所有块区域进行多滤波处理,多滤波处理为对所有的块区域,分别依次进行不同滤波尺度的滤波处理,前一次的滤波尺度小于后一次的滤波尺寸,所有块区域经多滤波处理后,得到滤波区域块集。上述的滤波处理可通过高斯滤波实现。
随后,将每个滤波区域块的亮度均值,与每个滤波区域块在初始海草床图像中对应初始块的亮度均值结合,得到每个去雾厚度图的滤波区域块,与对应初始块的亮度相似性。某个滤波区域块与对应初始块的亮度相似性可通过如下计算公式得到:L 1i =(2μ xi μ yi + C 1 )/(μ xi 2 +μ yi 2 +C 1 ),L 1i 为第i个滤波区域块与对应初始块的亮度相似性,μ xi 为第i个初始块的亮度值均值,μ yi 为第i个滤波区域块的亮度值均值,C 1 为第一动态常数。
最后,将每个滤波区域块与对应初始块的亮度相似性,与对应滤波区域块的权重值相乘后,进行求和处理,得到的亮度质量评分,作为第一评分。
另外,为确保去雾厚度图能被很好的提取特征,若第一评分超过第一评分阈值;获取每个滤波区域块与对应初始块的结构相似性,每个滤波区域块与对应初始块的结构相似性与亮度相似性相乘后,得到每个滤波区域块与对应初始块的优化相似性;所有优化相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到优化第一评分;判断优化第一评分是否超过第一评分阈值,若超过,执行所述S3,若未超过,执行所述S2。
获取每个滤波区域块与对应初始块的结构相似性的操作为:基于滤波区域块集中,每个滤波区域块的像素标准差,每个滤波区域块在初始海草床图像中对应初始块的像素标准差,以及每个滤波区域块在初始海草床图像中对应初始块的像素协方差,得到每个滤波区域块与对应初始块的结构相似性。
某个滤波区域块与对应初始块的结构相似性可通过如下计算公式得到:L 2i =(2σ xyi +C 2 )/(σ xi +σ yi +C 2 ),L 2i 为第i个滤波区域块与对应初始块的结构相似性,σ xyi 为第i个滤波区域块与第i个初始块的像素协方差,σ xi 为第i个初始块的像素标准差,σ yi 为第i个滤波区域块的像素标准差,C 1 为第二动态常数。
为进一步确保去雾厚度图能被很好的提取特征,若优化第一评分超过第一评分阈值;获取每个滤波区域块与对应初始块的对比度相似性,每个滤波区域块与对应初始块的对比度相似性,与结构相似性和亮度相似性相乘后,得到每个滤波区域块的最优相似性;所有最优相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到最优第一评分,判断最优第一评分是否超过第一评分阈值,若超过,执行S3,若未超过,执行S2。
获取每个滤波区域块与对应初始块的对比度相似性的操作为:基于滤波区域块集中,每个滤波区域块的像素标准差,每个滤波区域块在初始海草床图像中对应初始块的像素标准差,得到每个滤波区域块对应的对比度相似性。
某个滤波区域块与对应初始块的对比度相似性可通过如下计算公式得到:L 3i =(2 σ xi σ yi +C 3 )/(σ xi 2 +σ yi 2 +C 3 ),L 3i 为第i个滤波区域块与对应初始块的对比度相似性,σ xi 为第i个初始块的像素标准差,σ yi 为第i个滤波区域块的像素标准差,C 3 为第三动态常数。
判断亮度质量评分或优化第一评分或最优第一评分,是否超过预设的第一评分阈值,如果超过,说明此时去雾厚度图的质量较好,可直接用于S3中的特征提取,如果没有超过,说明此时去雾厚度图的去雾效果不好,去雾厚度处理不适用当前的初始海草图像,需执行S2中更细致的去雾处理。
若去雾厚度图能用于执行S3的操作,在获取去雾厚度图的低级语义特征和高级语义特征之前,包括对去雾厚度图进行颜色校正和细节增强处理。
颜色校正能够消除去雾厚度图中的色调偏差,使去雾厚度图更符合真实光照条件下的颜色。颜色校正的操作为:获取去雾厚度图的色温与标准色温的色温差,基于色温差,获取去雾厚度图中每个位置点不同颜色通道的通道增益,得到每个每个位置点的红色增益、绿色增益和蓝色增益;基于每个位置点的红色增益、绿色增益和蓝色增益,得到每个位置点的白平衡系数;将每个位置点在去雾厚度图中的像素值,除以对应的白平衡系数,得到每个位置点的更新像素值,实现颜色校正的处理,得到颜色校正去雾厚度图。
细节增强可以突出去雾厚度图中纹理细节,有利于特征提取。细节增强的操作为:去雾厚度图经高斯模糊处理,得到平滑图像;将去雾厚度图与平滑图像进行相减处理(对应位置点的像素差进行相减),得到细节图像;将细节图像与去雾厚度图进行叠加处理,实现细节增强,得到细节增强去雾厚度图。
S2、去除初始海草床图像中的雾浓度,得到去雾浓度图;基于像素标准差,对去雾浓度图进行第二评分处理,得到第二评分,判断第二评分是否超过第二评分阈值;若超过,执行S3;若未超过,执行所述S2。
当初始海草床图像不适合进行去雾厚度处理时,需要对初始海草床图像做细致的去雾浓度处理,并基于去雾浓度图的像素标准差进行质量评估,若评估分数达标,直接执行S3中的图像特征提取,若评估分数不达标,继续执行去雾浓度处理,直至达标后执行S3。
去除初始海草床图像的雾浓度的操作为:基于获取的初始海草床图像的暗通道最小值,得到每个位置点的衍射率;基于每个位置点的衍射率和像素值,得到每个位置点的雾浓度;将初始海草床图像中,每个位置点的像素值与雾浓度相减后,除以对应位置点的衍射率,得到去雾浓度图。
首先,将初始海草床图像进行灰度化处理,得到初始海草床灰度图;获取初始海草床灰度图中灰度值的最小值,作为暗通道最小值,基于暗通道最小值,得到每个位置点的衍射率。每个位置点的衍射率可通过如下公式得到:T j =1-w j ·a,T j 为位置点j的衍射率,w j 为位置点j的权重,a为暗通道最小值。
接着,暗通道最小值对应的位置点,在初始海草床灰度图中相应的像素值,为第二大气光值。基于第二大气光值,和每个位置点的衍射率和像素值,得到每个位置点对应的雾浓度。每个位置点对应的雾浓度可通过如下公式得到:A j =p 0j /T j +b,A j 为位置点j的雾浓度,p 0j 为位置点j的初始像素值(在初始海草床灰度图中的像素值),a为暗通道最小值,T j 为位置点j的衍射率,b为第二大气光值。
最后,将初始海草床图像中,每个位置点的像素值与对应雾浓度相减后,除以该位置点的衍射率,得到去雾浓度图,可通过如下公式实现:p 2j =(p 0j -A j )/T j 。p 2j 为位置点j的去雾浓度后的像素值。
得到第二评分的操作为:将去雾浓度图分割成多个块区域,所有的块区域经多滤波处理,得到去雾浓度滤波区域块集;基于去雾浓度滤波区域块集中,每个去雾浓度滤波区域块的像素标准差,与每个去雾浓度滤波区域块在初始海草床图像中对应初始块的像素标准差,得到每个去雾浓度滤波区域块与对应初始块对比度相似性;所有对比度相似性,分别与对应的去雾浓度滤波区域块的权重值相乘后,进行求和处理,得到的去雾浓度对比度质量评分,作为第二评分。
某个去雾浓度滤波区域块与对应初始块的对比度相似性可通过如下计算公式得到:L 4i =(2σ xi λ yi +C 3 )/(σ xi 2 +λ yi 2 +C 3 ),L 4i 为第i个去雾浓度滤波区域块与对应初始块的对比度相似性,σ xi 为第i个初始块的像素标准差,λ yi 为第i个去雾浓度滤波区域块的像素标准差,C 3 为第三动态常数。
判断第二评分是否超过预设的第二评分阈值,如果超过,说明此时去雾浓度图的质量较好,可直接用于S3中的特征提取,如果没有超过,说明此时去雾浓度图的去雾效果不好,质量较低,需继续执行去雾浓度处理,直至达标后执行S3。
S3、获取去雾厚度图或去雾浓度图的低级语义特征和高级语义特征,经融合后,进行感受野扩大处理,得到第一语义特征图;深度缩放处理第一语义特征图后,进行全局特征提取,得到第二语义特征图;将第二语义特征图的不同尺度池化图进行融合,得到特征海草床图。
首先,将去雾厚度图或去雾浓度图进行深度可分离卷积,得到去雾厚度图或去雾浓度图的低级语义特征,将去雾厚度图或去雾浓度图进行扩张卷积,得到去雾厚度图或去雾浓度图的高级语义特征,将低级语义特征与高级语义特征进行特征融合,通过空洞卷积实现感受野扩大处理,得到第一语义特征图。在获取去雾厚度图或去雾浓度图的低级语义特征和高级语义特征的操作之前,可将去雾厚度图或去雾浓度图进行普通卷积处理。
接着,对第一语义特征图进行深度缩放处理后,进行全局特征提取,提取海草图的全局信息。
深度缩放处理的操作为:获取大量的标准海草床深度图像,组成训练集;利用训练集训练卷积神经网络(Convolutional Neural Network,CNN),得到训练网络,利用训练网络处理第一语义特征图,得到缩放语义特征图。
全局特征提取的操作为:第一语义特征图经深度缩放处理后,得到的缩放语义特征图,经卷积和下采样处理,得到第一下采样图;第一下采样图经卷积和下采样处理,得到第二下采样图;第二下采样图经卷积和下采样处理,得到第三下采样图;第三下采样图经卷积和上采样处理后,与第三下采样图经拼接处理,得到第三融合特征图像;第三融合特征图像经卷积和上采样处理后,与第二下采样图经拼接处理,得到第二融合特征图像;第二融合特征图像经卷积和上采样处理后,与第一下采样图经拼接处理,得到第二语义特征图。
为进一步提高第二语义特征图的全局特征,第三下采样图、和/或第三融合特征图像、和/或第二融合特征图像,在经卷积和上采样处理之后,进行注意力处理,得到的第三注意力特征图、和/或第二注意力特征图、和/或第一注意力特征图、分别与第三下采样图、和/或第二下采样图、和/或第一下采样图进行拼接处理。
注意力处理的操作具体为:经卷积和上采样处理的特征输入图,依次经通道注意力处理和空间注意力处理,得到的注意力特征图,用于执行拼接处理。
通道注意力处理的操作为:特征输入图分别经全局最大池化处理和全局平均池化处理,得到第一最大池化图和第一平均池化图;第一最大池化图和第一平均池化图经多层感知机处理后,得到第一通道权重和第二通道权重;基于第一通道权重和第二通道权重,对第一最大池化图和第一平均池化图进行加权处理,得到的池化融合图与特征输入图进行逐元素相乘处理,得到通道注意力图。
空间注意力处理的操作为:通道注意力图分别经全局最大池化处理和全局平均池化处理,得到的第一最大池化通道图和第一平均池化通道图经拼接处理后,进行卷积操作,得到空间卷积图;空间卷积图与通道注意力图进行逐元素相乘处理,得到注意力特征图。
最后,将第二语义特征图进行不同尺度的池化处理,得到不同尺度的池化特征图,将不同尺度的池化特征图通过拼接实现融合,得到特征海草床图。
S4、获取特征海草床图中,每个位置点相较于前一位置点的像素变化值,得到每个位置点对应的像素差,所有的像素差以及对应的所有位置点,形成了像素差分布图;获取像素差分布图中,像素差大于像素差阈值的位置点,作为边缘点;基于所有边缘点,得到海草床区域。
首先,将特征海草床图的某一边界行或某一边界列作为像素扫描的起始行或起始行,获取特征海草床图每个位置点的像素值,并将当前位置点相较于前一位置点的像素变化值,作为当前位置点的像素差,所有位置点的像素差,形成像素差分布图;然后,根据海草像素和海水像素的不同,将像素差分布图中,像素差大于像素差阈值的位置点,作为海草床区域的边缘点。
接着,基于所有边缘点,得到海草床区域,具体为:将所有的边缘点用曲线连接起来形成的封闭区域;或所有的边缘点用曲线连接起来,与图像边界形成的封闭区域,作为海草床区域,特征海草床图中的其他区域,为非海草床区域。
S5、基于海草床区域和图像比例尺、得到海草床面积。
将特征海草床图中的海草床区域与非海草床区域进行反色处理,海草床区域显示为白色,非海草床区域显示为黑色,获取白色对应区域的面积,得到海草床图上面积。根据海草床图上面积和图像比例尺,进行计算,能够得到海草床面积。
本实施例还提供了一种海草床面积的获取系统,包括:
去雾厚度处理和第一质量评价模块,用于获取待测区域的初始海草床图像,去除初始海草床图像中的雾厚度,得到去雾厚度图;基于亮度,对去雾厚度图进行第一质量评价,得到第一评分,判断第一评分是否超过第一评分阈值;若超过,执行特征海草床图生成模块;若未超过,执行去雾浓度处理和第二质量评价模块;得到第一评分的操作为:将去雾厚度图分割成多个块区域,所有的块区域经多滤波处理,得到滤波区域块集;基于滤波区域块集中,每个滤波区域块的亮度均值,与每个滤波区域块在初始海草床图像中对应初始块的亮度均值,得到每个滤波区域块与对应初始块的亮度相似性;所有亮度相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到亮度质量评分,亮度质量评分作为第一评分;
去雾浓度处理和第二质量评价模块,用于去除初始海草床图像中的雾浓度,得到去雾浓度图;基于像素标准差,对去雾浓度图进行第二质量评分处理,得到第二评分,判断第二评分是否超过第二评分阈值;若超过,执行特征海草床图生成模块;若未超过,执行去雾浓度处理和第二质量评价模块;
特征海草床图生成模块,用于获取去雾厚度图或去雾浓度图的低级语义特征和高级语义特征,经融合后,进行感受野扩大处理,得到第一语义特征图;深度缩放处理第一语义特征图后,进行全局特征提取,得到第二语义特征图;将第二语义特征图的不同尺度池化图进行融合,得到特征海草床图;
海草床区域生成模块,用于获取特征海草床图中,每个位置点相较于前一位置点的像素变化值,得到每个位置点对应的像素差,所有的像素差以及对应的所有位置点,形成了像素差分布图;获取像素差分布图中,像素差大于像素差阈值的位置点,作为边缘点;基于所有边缘点,得到海草床区域;
海草床面积生成模块,用于基于海草床区域和图像比例尺,得到海草床面积。
本实施例还提供了一种海草床面积的获取设备,包括处理器和存储器,其中,处理器执行存储器中保存的计算机程序时实现上述的海草床面积的获取方法。
本实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,计算机程序被处理器执行时实现上述的海草床面积的获取方法。
本实施例提供的一种海草床面积的获取方法,首先将带雾的初始海草床图像先进行便于快速计算的去雾厚度处理,查看去雾厚度图的质量是否达标;若去雾厚度图质量不达标,使用更细致的去雾浓度处理方法提升初始海草床图像的图像质量,直至去雾浓度图达标后进行特征提取;若去雾厚度图质量达标了,直接进行特征提取;接着,特征提取的过程中,使用语义特征提取和全局特征提取处理等处理去雾厚度图或去雾浓度图,获取信息表达能力强,便于其他海草特征的特征海草床图;然后,基于特征海草床图的像素差分布情况,确定海草床区域的边缘点和面积;最后,基于海草床图上面积和图像比例尺,获得真实的海草床面积;该获取方法不仅省时省力,还能提高海草床面积获取的准确度以及稳定性。
Claims (7)
1.一种海草床面积的获取方法,其特征在于,包括如下操作:
S1、获取待测区域的初始海草床图像,去除所述初始海草床图像中的雾厚度,得到去雾厚度图;基于亮度,对所述去雾厚度图进行第一质量评价,得到第一评分,判断所述第一评分是否超过第一评分阈值;若超过,执行S3;若未超过,执行S2;
去除所述初始海草床图像中的雾厚度的操作为:基于获取的初始海草床图像中每个位置点的雾厚度,得到每个位置点对应的透射率;将所述海草床图像中,每个位置点的初始像素值减去第一大气光值后,除以对应位置点的透射率,得到所述去雾厚度图;
得到所述第一评分的操作为:将所述去雾厚度图分割成多个块区域,所有的块区域经多滤波处理,得到滤波区域块集;基于所述滤波区域块集中,每个滤波区域块的亮度均值,与所述每个滤波区域块在初始海草床图像中对应初始块的亮度均值,得到每个滤波区域块与对应初始块的亮度相似性;所有亮度相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到亮度质量评分,所述亮度质量评分作为所述第一评分;
S2、去除所述初始海草床图像中的雾浓度,得到去雾浓度图;基于像素标准差,对所述去雾浓度图进行第二质量评分处理,得到第二评分,判断所述第二评分是否超过第二评分阈值;若超过,执行S3;若未超过,执行所述S2;
去除所述初始海草床图像的雾浓度的操作为:基于获取的初始海草床图像的暗通道最小值,得到每个位置点的衍射率;每个位置点的衍射率可通过如下公式得到:T j =1-w j ·a,T j 为位置点j的衍射率,w j 为位置点j的权重,a为暗通道最小值;基于每个位置点的衍射率和像素值,得到每个位置点的雾浓度;每个位置点对应的雾浓度可通过如下公式得到:A j =p 0j / T j +b,A j 为位置点j的雾浓度,p 0j 为位置点j的初始像素值,b为第二大气光值;将所述初始海草床图像中,每个位置点的像素值与雾浓度相减后,除以对应位置点的衍射率,得到所述去雾浓度图;
得到所述第二评分的操作为:将所述去雾浓度图分割成多个块区域,所有的块区域经多滤波处理,得到去雾浓度滤波区域块集;基于去雾浓度滤波区域块集中,每个去雾浓度滤波区域块的像素标准差,与每个去雾浓度滤波区域块在初始海草床图像中对应初始块的像素标准差,得到每个去雾浓度滤波区域块与对应初始块对比度相似性;所有对比度相似性,分别与对应的去雾浓度滤波区域块的权重值相乘后,进行求和处理,得到的去雾浓度对比度质量评分,作为所述第二评分;
S3、获取所述去雾厚度图或去雾浓度图的低级语义特征和高级语义特征,经融合后,进行感受野扩大处理,得到第一语义特征图;深度缩放处理所述第一语义特征图后,进行全局特征提取,得到第二语义特征图;将所述第二语义特征图的不同尺度池化图进行融合,得到特征海草床图;
S4、获取所述特征海草床图中,每个位置点相较于前一位置点的像素变化值,得到每个位置点对应的像素差,所有的像素差以及对应的所有位置点,形成了像素差分布图;获取所述像素差分布图中,像素差大于像素差阈值的位置点,作为边缘点;基于所有边缘点,得到海草床区域;
S5、基于所述海草床区域和图像比例尺,得到海草床面积。
2.根据权利要求1所述的海草床面积的获取方法,其特征在于,所述S1中,若所述第一评分超过第一评分阈值;
获取每个滤波区域块与对应初始块的结构相似性,每个滤波区域块与对应初始块的结构相似性与亮度相似性相乘后,得到每个滤波区域块与对应初始块的优化相似性;
所有优化相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到优化第一评分;
判断所述优化第一评分是否超过第一评分阈值,若超过,执行所述S3,若未超过,执行所述S2。
3.根据权利要求1所述的海草床面积的获取方法,其特征在于,所述S3中全局特征提取的操作为:
所述第一语义特征图经深度缩放处理后,得到的缩放语义特征图,经卷积和下采样处理,得到第一下采样图;所述第一下采样图经卷积和下采样处理,得到第二下采样图;所述第二下采样图经卷积和下采样处理,得到第三下采样图;
所述第三下采样图经卷积和上采样处理后,与所述第三下采样图经拼接处理,得到第三融合特征图像;所述第三融合特征图像经卷积和上采样处理后,与所述第二下采样图经拼接处理,得到第二融合特征图像;所述第二融合特征图像经卷积和上采样处理后,与所述第一下采样图经拼接处理,得到所述语义特征图。
4.根据权利要求3所述的海草床面积的获取方法,其特征在于,
所述第三下采样图、和/或第三融合特征图像、和/或第二融合特征图像,在经所述卷积和上采样处理之后,进行注意力处理,得到的第三注意力特征图、和/或第二注意力特征图、和/或第一注意力特征图、分别与所述第三下采样图、和/或第二下采样图、和/或第一下采样图进行拼接处理;
所述注意力处理的操作具体为:经所述卷积和上采样处理的特征输入图,依次经通道注意力处理和空间注意力处理,得到的注意力特征图,用于执行所述拼接处理。
5.一种海草床面积的获取系统,其特征在于,包括:
去雾厚度处理和第一质量评价模块,用于获取待测区域的初始海草床图像,去除所述初始海草床图像中的雾厚度,得到去雾厚度图;基于亮度,对所述去雾厚度图进行第一质量评价,得到第一评分,判断所述第一评分是否超过第一评分阈值;若超过,执行特征海草床图生成模块;若未超过,执行去雾浓度处理和第二质量评价模块;去除所述初始海草床图像中的雾厚度的操作为:基于获取的初始海草床图像中每个位置点的雾厚度,得到每个位置点对应的透射率;将所述海草床图像中,每个位置点的初始像素值减去第一大气光值后,除以对应位置点的透射率,得到所述去雾厚度图;得到所述第一评分的操作为:将所述去雾厚度图分割成多个块区域,所有的块区域经多滤波处理,得到滤波区域块集;基于所述滤波区域块集中,每个滤波区域块的亮度均值,与所述每个滤波区域块在初始海草床图像中对应初始块的亮度均值,得到每个滤波区域块与对应初始块的亮度相似性;所有亮度相似性,分别与对应的滤波区域块的权重值相乘后,进行求和处理,得到亮度质量评分,所述亮度质量评分作为所述第一评分;
去雾浓度处理和第二质量评价模块,用于去除所述初始海草床图像中的雾浓度,得到去雾浓度图;基于像素标准差,对所述去雾浓度图进行第二质量评分处理,得到第二评分,判断所述第二评分是否超过第二评分阈值;若超过,执行特征海草床图生成模块;若未超过,执行所述去雾浓度处理和第二质量评价模块;去除所述初始海草床图像的雾浓度的操作为:基于获取的初始海草床图像的暗通道最小值,得到每个位置点的衍射率;每个位置点的衍射率可通过如下公式得到:T j =1-w j ·a,T j 为位置点j的衍射率,w j 为位置点j的权重,a为暗通道最小值;基于每个位置点的衍射率和像素值,得到每个位置点的雾浓度;每个位置点对应的雾浓度可通过如下公式得到:A j =p 0j /T j +b,A j 为位置点j的雾浓度,p 0j 为位置点j的初始像素值,b为第二大气光值;将所述初始海草床图像中,每个位置点的像素值与雾浓度相减后,除以对应位置点的衍射率,得到所述去雾浓度图;得到所述第二评分的操作为:将所述去雾浓度图分割成多个块区域,所有的块区域经多滤波处理,得到去雾浓度滤波区域块集;基于去雾浓度滤波区域块集中,每个去雾浓度滤波区域块的像素标准差,与每个去雾浓度滤波区域块在初始海草床图像中对应初始块的像素标准差,得到每个去雾浓度滤波区域块与对应初始块对比度相似性;所有对比度相似性,分别与对应的去雾浓度滤波区域块的权重值相乘后,进行求和处理,得到的去雾浓度对比度质量评分,作为所述第二评分;
特征海草床图生成模块,用于获取所述去雾厚度图或去雾浓度图的低级语义特征和高级语义特征,经融合后,进行感受野扩大处理,得到第一语义特征图;深度缩放处理所述第一语义特征图后,进行全局特征提取,得到第二语义特征图;将所述第二语义特征图的不同尺度池化图进行融合,得到特征海草床图;
海草床区域生成模块,用于获取所述特征海草床图中,每个位置点相较于前一位置点的像素变化值,得到每个位置点对应的像素差,所有的像素差以及对应的所有位置点,形成了像素差分布图;获取所述像素差分布图中,像素差大于像素差阈值的位置点,作为边缘点;基于所有边缘点,得到海草床区域;
海草床面积生成模块,用于基于所述海草床区域和图像比例尺,得到海草床面积。
6.一种海草床面积的获取设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-4任一项所述的海草床面积的获取方法。
7.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的海草床面积的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410121538.1A CN117649439B (zh) | 2024-01-30 | 2024-01-30 | 一种海草床面积的获取方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410121538.1A CN117649439B (zh) | 2024-01-30 | 2024-01-30 | 一种海草床面积的获取方法、系统、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117649439A CN117649439A (zh) | 2024-03-05 |
CN117649439B true CN117649439B (zh) | 2024-04-09 |
Family
ID=90043697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410121538.1A Active CN117649439B (zh) | 2024-01-30 | 2024-01-30 | 一种海草床面积的获取方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649439B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898111A (zh) * | 2016-05-06 | 2016-08-24 | 西安理工大学 | 一种基于谱聚类的视频去雾方法 |
CN105959510A (zh) * | 2016-04-22 | 2016-09-21 | 湖南工学院 | 一种视频快速去雾方法 |
CN111489299A (zh) * | 2020-02-25 | 2020-08-04 | 天津大学 | 一种多光谱遥感卫星影像的去雾方法 |
CN112837233A (zh) * | 2021-01-14 | 2021-05-25 | 昆明理工大学 | 一种基于差分偏振获取透射率的偏振图像去雾方法 |
WO2021126248A1 (en) * | 2019-12-20 | 2021-06-24 | Google Llc | Spatially varying reduction of haze in images |
CN114155198A (zh) * | 2021-11-08 | 2022-03-08 | 深圳大学 | 一种去雾图像的质量评价方法和装置 |
CN114648467A (zh) * | 2022-05-18 | 2022-06-21 | 中山大学深圳研究院 | 图像的去雾方法、装置、终端设备及计算机可读存储介质 |
CN115689932A (zh) * | 2022-11-09 | 2023-02-03 | 重庆邮电大学 | 一种基于深度神经网络的图像去雾方法 |
WO2023040462A1 (zh) * | 2021-09-17 | 2023-03-23 | 南京邮电大学 | 图像去雾方法、装置及设备 |
CN117011181A (zh) * | 2023-08-10 | 2023-11-07 | 郑州轻工业大学 | 一种分类引导的无人机成像浓雾去除方法 |
-
2024
- 2024-01-30 CN CN202410121538.1A patent/CN117649439B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105959510A (zh) * | 2016-04-22 | 2016-09-21 | 湖南工学院 | 一种视频快速去雾方法 |
CN105898111A (zh) * | 2016-05-06 | 2016-08-24 | 西安理工大学 | 一种基于谱聚类的视频去雾方法 |
WO2021126248A1 (en) * | 2019-12-20 | 2021-06-24 | Google Llc | Spatially varying reduction of haze in images |
CN111489299A (zh) * | 2020-02-25 | 2020-08-04 | 天津大学 | 一种多光谱遥感卫星影像的去雾方法 |
CN112837233A (zh) * | 2021-01-14 | 2021-05-25 | 昆明理工大学 | 一种基于差分偏振获取透射率的偏振图像去雾方法 |
WO2023040462A1 (zh) * | 2021-09-17 | 2023-03-23 | 南京邮电大学 | 图像去雾方法、装置及设备 |
CN114155198A (zh) * | 2021-11-08 | 2022-03-08 | 深圳大学 | 一种去雾图像的质量评价方法和装置 |
CN114648467A (zh) * | 2022-05-18 | 2022-06-21 | 中山大学深圳研究院 | 图像的去雾方法、装置、终端设备及计算机可读存储介质 |
CN115689932A (zh) * | 2022-11-09 | 2023-02-03 | 重庆邮电大学 | 一种基于深度神经网络的图像去雾方法 |
CN117011181A (zh) * | 2023-08-10 | 2023-11-07 | 郑州轻工业大学 | 一种分类引导的无人机成像浓雾去除方法 |
Non-Patent Citations (3)
Title |
---|
Hierarchical deconvolution dehazing method based on transmission map segmentation;Xiaotian Shi 等;《Optics Express》;20231231;第31卷(第26期);43234-43249 * |
基于光学厚度代理模型的雾浓度估计及图像去雾;李春明 等;《兵工学报》;20191231;第40卷(第7期);1425-1433 * |
基于模糊集分类的单幅图像去雾算法;范新南 等;《光电子・激光》;20161231;第27卷(第8期);876-885 * |
Also Published As
Publication number | Publication date |
---|---|
CN117649439A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272455B (zh) | 基于弱监督生成对抗网络的图像去雾方法 | |
Hou et al. | An efficient nonlocal variational method with application to underwater image restoration | |
CN112184577B (zh) | 基于多尺度自注意生成对抗网络的单幅图像去雾方法 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN113673590B (zh) | 基于多尺度沙漏密集连接网络的去雨方法、系统和介质 | |
CN112767279B (zh) | 一种基于离散小波集成生成对抗网络的水下图像增强方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN110097522B (zh) | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 | |
CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
CN112614136A (zh) | 一种红外小目标实时实例分割方法及装置 | |
CN113379861B (zh) | 基于色彩恢复块的彩色微光图像重建方法 | |
CN111476739B (zh) | 水下图像增强方法、系统及存储介质 | |
CN117649439B (zh) | 一种海草床面积的获取方法、系统、设备和存储介质 | |
CN112348762A (zh) | 一种基于多尺度融合生成对抗网络的单幅图像去雨方法 | |
Huang et al. | Attention-based for multiscale fusion underwater image enhancement | |
Chen et al. | GADO-Net: an improved AOD-Net single image dehazing algorithm | |
Desiani et al. | A combination of image enhancement and U-Net architecture for segmentation in identifying brain tumors on CT-SCAN Images | |
Yi et al. | Attention-model guided image enhancement for robotic vision applications | |
CN115496694B (zh) | 基于改进图像形成模型对水下图像进行恢复和增强的方法 | |
CN112597906B (zh) | 一种基于退化先验的水下目标检测方法 | |
CN113160073B (zh) | 一种滚动深度学习与Retinex理论结合的遥感图像雾霾去除方法 | |
CN116523767B (zh) | 一种结合雾浓度分类的图像去雾方法及系统 | |
Trana et al. | Single Image Dehazing via Regional Saturation-Value Translation | |
Zheng et al. | Semi-reference utility quality assessment of sonar images | |
Aswathi et al. | Optimizing Visual Clarity: A Data-DrivenAnalysis of Foggy and Sunny Image Enhancement with LeNet Architecture |
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 |