CN109584188A - 一种基于卷积神经网络的图像去雾方法 - Google Patents
一种基于卷积神经网络的图像去雾方法 Download PDFInfo
- Publication number
- CN109584188A CN109584188A CN201910037316.0A CN201910037316A CN109584188A CN 109584188 A CN109584188 A CN 109584188A CN 201910037316 A CN201910037316 A CN 201910037316A CN 109584188 A CN109584188 A CN 109584188A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- defogging
- neural networks
- free images
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 239000003595 mist Substances 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003475 lamination Methods 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 239000011248 coating agent Substances 0.000 claims description 7
- 238000000576 coating method Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract 1
- 235000013350 formula milk Nutrition 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06N3/045—Combinations of networks
-
- 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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卷积神经网络的图像去雾方法;S1、获取多个无雾图像,利用大气散射模型为每一无雾图像合成不同浓度的有雾图像;S2、利用多个无雾图像和不同浓度的有雾图像训练预先构建的包括五个卷积层的卷积神经网络,重复迭代并更新网络权重比,直至迭代次数达到预设值,并利用最后一次更新的网络权重比获取去雾神经网络模型;S3、将待除雾的图像输入至去雾神经网络模型,获取除雾图像;本发明算法避免了传统算法大气散射模型逆推除雾,减小了中间误差,其次采用深度学习的算法,利用去雾卷积神经网络自动特征学习直接恢复出无雾图像,提升了去雾的普适性。
Description
技术领域
本发明涉及图像去雾领域,尤其涉及一种基于卷积神经网络的图像去雾方法。
背景技术
雾霾天气是及其常见的自然现象,在雾霾笼罩的自然场景下严重影响人们的视觉观赏效果,还使得户外成像设备获取的图像质量严重退化,导致图像后期处理异常繁杂,从而最终大大降低了图像的实际应用价值;另外,由于雾霾天气现象而导致退化的监控图像及视频将会使得所拍摄到的车辆的颜色、车牌号、车标以及其它相关物体的关键信息大量丢失,在处理违反交通规则、交通事故等复杂情况时,这些关键细节的丢失对最终的决策产生很大的干扰,可能会导致误判。因此,在使用所拍摄到的图像前,必须利用图像去雾算法进行预处理。
图像去雾技术经过几十年来的发展,目前已经取得了大量客观的研究成果,就目前来看,图像去雾算法种类繁多,从去雾过程上可以分为三大类:第一类是基于图像增强的去雾算法,第二类是基于图像复原的去雾算法,第三类是基于机器学习的去雾算法。针对第一类,有部分学者提出了基于图像增强的图像去雾算法,该图像去雾算法原理简单,但一般只是从主观上对颜色、对比度等特征进行局部的增强,并不是从雾霾形成的原理进行考虑,最终的得到的除雾图像会发生失真;针对第二类,有学者提出基于图像复原的图像去雾算法,该算法基于大气散射物理模型,但由于简化的大气散射模型需要满足大气是单散射且大气中介质必须均匀的条件因此在一些高空区域的遥感图像或其他不均匀雾情况下,不具有普适性。另外,该算法是单独对大气光照强度和场景透射率进行估计,然后进行优化处理,最后根据简化的大气散射模型进行逆推,从而恢复出无雾图像,整个计算过程较复杂,计算量较大。
发明内容
(一)要解决的技术问题
为了解决现基于有雾图像复原时算法复杂、计算量大,且针对有雾图像中明亮区域去雾无效的技术问题,本发明提供一种基于卷积神经网络的图像去雾方法。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
S1、获取多个无雾图像,利用大气散射模型为每一无雾图像合成不同浓度的有雾图像;
S2、利用多个无雾图像和不同浓度的有雾图像训练预先构建的卷积神经网络获取去雾神经网络模型;
S3、将待除雾的图像输入至所述去雾神经网络模型,获取除雾图像;
其中,在步骤S2中所述预先构建的卷积神经网络包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层,且每一卷积层后均设置有一个激活层;
将步骤S1中合成的不同浓度的有雾图像作为预先构建的卷积神经网络的输入图像,所述输入图像通过所述第一卷积层后生成第一特征图,所述第一特征图通过所述第二卷积层后生成第二特征图,将所述第一特征图和所述第二特征图进行拼接获取第一拼接特征图,所述第一拼接特征图通过所述第三卷积层后生成第三特征图,将所述第三特征图和所述第一拼接特征图进行拼接获取第二拼接特征图,所述第二拼接特征图通过所述第四卷积层后生成第四特征图,将所述第一特征图、第二特征图、第三特征图和第四特征图进行拼接得到第三拼接特征图,所述第三拼接特征图通过所述第五卷积层生成第五特征图,将所述第五特征图与输入图像相乘并与第五特征图相加作为预先构建的卷积神经网络的输出图像,重复迭代并更新网络权重比,直至迭代次数达到预设值,并利用最后一次更新的网络权重比获取去雾神经网络模型。
可选地,在步骤S1中合成不同浓度的有雾图包括:
获取每一无雾图像的深度信息d(x),利用公式一获取每一无雾图像的场景透射率t(x),利用公式二合成不同浓度的有雾图像I(x);
公式一:t(x)=eβd(x);
公式二:I(x)=J(x)t(x)+A(1-t(x));
其中,β为大气散射系数,且取值范围为0.4-1.6之间的随机数;A为大气光照强度,且取值范围为0.5-0.9之间的随机数;J(x)为无雾图像。
可选地,所述第一卷积层为三个1×1卷积核,所述第二卷积层为三个3×3卷积核,所述第三卷积层为三个5×5的卷积核,第四卷积层为三个7×7的卷积核,第五卷积层为一个3×3的卷积核,且每一卷核后均设置有一个激活层。
可选地,所述第一特征图的数量为三个,所述第二特征图的数量为三个,所述第一拼接特征图的数量为六个,所述第三特征图的数量为六个,所述第二拼接特征图的数量为九个,所述第四特征图的数量为三个,所述第三拼接特征图的数量为十二个,所述第五特征图的数量为一个,且每一特征图的尺寸均与所述输入图像的尺寸相同。
可选地,在步骤S2中获取去雾神经网络模型包括以下步骤:
S21、初始化预先构建的卷积神经网络的权重比;
S22、将每一不同浓度的有雾图像作为预先构建的卷积神经网络的输入,将与该有雾图像对应的无雾图像作为预先构建的卷积神经网络的输出,并更新当前卷积神经网络的权重比;
S23、重复执行步骤S22直至迭代次数达到预设值,以最后一次迭代后更新的权重比作为去雾神经网络模型的权重比。
可选地,在步骤S1与S2之间还包括,将所述多个无雾图像与对应合成的不同浓度的有雾图像分成训练集和验证集;
在步骤S2中利用所述训练集训练预先构建的卷积神经网络,利用所述验证集验证所述去雾神经网络模型。
可选地,所述训练集中图像数量与所述验证集图像数量比为4:1。
可选地,每一无雾图像与该无雾图像合成的不同浓度的有雾图像的数量比为1:21。
可选地,所述多个无雾图像格式为RGBD图像。
(三)有益效果
本发明的有益效果是:首先,本发明方法避免了使用大气散射模型逆推除雾,将大气光照强度和场景透射率的估计融合到一个神经网络模型中,从而减少了中间的误差,简化了后续处理的流程;此外,本发明方法采用大量的数据进行训练,有效的保证了学习的效率,利用训练后的去雾卷积神经网络自动特征学习直接恢复出无雾图像,具有较佳的去雾普适性。
附图说明
图1为本发明一实施例提供的一种基于卷积神经网络的图像去雾方法整体流程图;
图2为本发明一实施例提供的卷积神经网络结构示意图;
图3a是本发明以一实施例中提供的室内合成有雾图像;
图3b是本发明一实施例提供的将图3a去雾后效果图;
图4a是本发明一实施例提供的室外有雾图像;
图4b是本发明一实施例提供的将图4a去雾后效果图;
图5a是本发明一实施例提供的室外有雾图像;
图5b是本发明一实施例提供的将图5a去雾后效果图;
图6a是本发明一实施例基于卷积神经网络的图像去雾方法与传统算法的均方差指标MSE对比直方图;
图6b是本发明一实施例基于卷积神经网络的图像去雾方法与传统算法的结构相似性指标SSIM对比直方图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
实施例一
如图1所示,本实施例提供了一种基于卷积神经网络的图像去雾方法,具体包括以下步骤:
S1、获取多个无雾图像,利用大气散射模型为每一无雾图像合成不同浓度的有雾图像;举例来说,用户可下载NYU Depth Dataset V2图像数据集,其中含有大量RGBD室内图像,根据形成雾霾图像的大气散射模型将图像合成各种浓度下的有雾图像在本实施例获取的多个无雾图像格式为RGBD图像;
具体地,举例来说,在步骤S1中合成不同浓度的有雾图包括:
获取每一无雾图像的深度信息d(x),利用公式1获取每一无雾图像的场景透射率t(x),利用公式2合成不同浓度的有雾图像I(x);
公式1:t(x)=eβd(x);
公式2:I(x)=J(x)t(x)+A(1-t(x));
其中,β为大气散射系数,且取值范围为0.4-1.6之间的随机数;A为大气光照强度,且取值范围为0.5-0.9之间的随机数;J(x)为无雾图像。
在具体实施过程中,每一无雾图像通过上述步骤合成21张不同浓度的有雾图像,将每一幅无图像和其对应的无雾图像保存为一个HDF5格式文件,即为一个“有雾图像-无雾图像对”。
S2、利用多个无雾图像和不同浓度的有雾图像训练预先构建的卷积神经网络获取去雾神经网络模型;
在具体实施过程中,在步骤S2中获取去雾神经网络模型包括以下步骤:
S21、初始化预先构建的卷积神经网络的权重比;
S22、将每一不同浓度的有雾图像作为预先构建的卷积神经网络的输入,将与该有雾图像对应的无雾图像作为预先构建的卷积神经网络的输出,并更新当前卷积神经网络的权重比;
S23、重复执行步骤S22直至迭代次数达到预设值,以最后一次迭代后更新的权重比作为去雾神经网络模型的权重比,在本实施例中最初的网络权重比以高斯类型进行初始化;
举例来说,预先构建的卷积神经网络包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层,且每一卷积层后均设置有一个激活层;具体地,举例来说,第一卷积层为三个1×1卷积核,第二卷积层为三个3×3卷积核,第三卷积层为三个5×5的卷积核,第四卷积层为三个7×7的卷积核,第五卷积层为一个3×3的卷积核,且每一卷核后均设置有一个激活层,举例来说激活层为一个ReLU函数。
将步骤S1中合成的不同浓度的有雾图像作为预先构建的卷积神经网络的输入图像,如图2所示,输入图像通过所述第一卷积层后生成包括3个特征图的第一特征图,将第一特征图通过第二卷积层后生成包括有3个特征图的第二特征图,将第一特征图和第二特征图进行拼接获取包括有6个特征图的第一拼接特征图,第一拼接特征图通过第三卷积层后生成包括有6个特征图的第三特征图,将第三特征图和第一拼接特征图进行拼接获取包括有9个特征图的第二拼接特征图,第二拼接特征图通过第四卷积层后生成包括有9个特征图的第四特征图,将第一特征图、第二特征图、第三特征图和第四特征图进行拼接得到包括有12个特征图的第三拼接特征图,第三拼接特征图通过第五卷积层生成包括有1个特征图的第五特征图,将第五特征图与输入图像相乘并与第五特征图相加作为预先构建的卷积神经网络的输出图像,重复迭代并更新网络权重比,直至迭代次数达到预设值,并利用最后一次更新的网络权重比获取去雾神经网络模型,以上每一特征图的尺寸均与输入图像的尺寸相同;
举例来说,在本实施例中去雾神经网络模型获取的第五特征图表示为M,则除雾后的图像可表示为公式3;
公式3:J(x)=M*I(x)+M
式中;I(x)表示卷积神经网络当前输入的有雾图像;
举例来说,用户可获取自然场景下拍摄的有雾图像,将该自然场景下获取的有雾图像作为去雾神经网络模型的输入即可恢复出无雾的图像,避免了使用大气散射模型进行逆推去雾,减少了中间的误差,进而简化了整体处理流程。
实施例二
为了保证训练获得的卷积神经网络的有效性,可在步骤S1与S2之间将多个无雾图像与对应合成的不同浓度的有雾图像分成训练集和验证集;
举例来说,如图3a和图3b所示,在本实施中采用实施例以的方法获取了1450幅RGBD格式的无雾图像,并对每一幅利用大气散射模型变换公式合成了21幅不同浓度的有雾图像,进而共获得30450幅不同浓度的有雾图像,训练集与验证集4:1的方式将24360幅有雾图像的用于预先构建的卷积神经网络学的训练和6090幅有雾图像用于验证;
A1、预先构建卷积神经网络后,将训练集和验证集输入到神经网络中;
A2、去雾神经网络模型最后面的代价损失采用欧式距离损失函数,为了防止最终的模型不收敛,学习率在初始时设置为一个较小值0.0005,多次迭代后,学习率就会逐渐变大,举例来说,本实施例设置最大迭代次数为50万次;
A3、多次迭代训练,观察训练过程中的损失曲线,当训练损失曲线和验证损失曲线都下降到最低且趋于平稳后,说明去雾网络模型已经充分拟合,得到最终的有雾图像与无雾图像之间的映射关系。
本实施例中,如图4a和图5a为在自然场景下分别获取了室内拍摄的有雾图像和室外拍摄的有雾图像,将两图像输入至上述方法训练获得的除雾模型后,得到如图4b和5b所示的恢复后的无雾图像。
仿真验证
获取了20幅自然场景拍摄的有雾图像,利用上述方法获得去雾神经网络模型进行除雾,最终得到20幅有雾图像的去雾图像,并采用暗通道先验(DCP)、颜色衰减先验(CAP)、非局部先验(NLD)三种方法对前述20幅自然场景拍摄的有雾图像均进行除雾操作,求取对应除雾操作后获得的图像的均方差指标MSE和结构相似性指标SSIM的平均值如图6a和图6b所示;
在本实施例中,采用暗通道先验方法获得均方差指标MSE和结构相似性指标SSIM分别为114.2831、0.8691,采用颜色衰减先验方法得到均方差指标MSE和结构相似性指标SSIM分别为112.0676、0.9235,采用非局部先验方法得到的均方差指标MSE和结构相似性指标SSIM分别为105.8175、0.9156,而采用本发明方法去雾得到均方差指标MSE和结构相似性指标SSIM分别为1170229、0.9438,可以看出,本发明方法的效果优于传统的去雾算法。
综上所述,本发明方法避免了使用大气散射模型逆推除雾,将大气光照强度和场景透射率的估计融合到一个神经网络模型中,从而减少了中间的误差,简化了后续处理的流程;此外,本发明方法采用大量的数据进行训练,有效的保证了学习的效率,利用训练后的去雾卷积神经网络自动特征学习直接恢复出无雾图像,具有较佳的去雾普适性。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于卷积神经网络的图像去雾方法,其特征在于,包括:
S1、获取多个无雾图像,利用大气散射模型为每一无雾图像合成不同浓度的有雾图像;
S2、利用多个无雾图像和不同浓度的有雾图像训练预先构建的卷积神经网络获取去雾神经网络模型;
S3、将待除雾的图像输入至所述去雾神经网络模型,获取除雾图像;
其中,在步骤S2中所述预先构建的卷积神经网络包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层,且每一卷积层后均设置有一个激活层;
将步骤S1中合成的不同浓度的有雾图像作为预先构建的卷积神经网络的输入图像,所述输入图像通过所述第一卷积层后生成第一特征图,所述第一特征图通过所述第二卷积层后生成第二特征图,将所述第一特征图和所述第二特征图进行拼接获取第一拼接特征图,所述第一拼接特征图通过所述第三卷积层后生成第三特征图,将所述第三特征图和所述第二特征图进行拼接获取第二拼接特征图,所述第二拼接特征图通过所述第四卷积层后生成第四特征图,将所述第一特征图、第二特征图、第三特征图和第四特征图进行拼接得到第三拼接特征图,所述第三拼接特征图通过所述第五卷积层生成第五特征图,将所述第五特征图与输入图像相乘并与第五特征图相加作为预先构建的卷积神经网络的输出图像,重复迭代并更新网络权重比,直至迭代次数达到预设值,并利用最后一次更新的网络权重比获取去雾神经网络模型。
2.如权利要求1所述的方法,其特征在于,在步骤S1中合成不同浓度的有雾图包括:
获取每一无雾图像的深度信息d(x),利用公式一获取每一无雾图像的场景透射率t(x),利用公式二合成不同浓度的有雾图像I(x);
公式一:t(x)=eβd(x);
公式二:I(x)=J(x)t(x)+A(1-t(x));
其中,β为大气散射系数,且取值范围为0.4-1.6之间的随机数;A为大气光照强度,且取值范围为0.5-0.9之间的随机数;J(x)为无雾图像。
3.如权利要求2所述方法,其特征在于,所述第一卷积层为三个1×1卷积核,所述第二卷积层为三个3×3卷积核,所述第三卷积层为三个5×5的卷积核,第四卷积层为三个7×7的卷积核,第五卷积层为一个3×3的卷积核,且每一卷核后均设置有一个激活层。
4.如权利要求3所述的方法,其特征在于,
所述第一特征图的数量为三个,所述第二特征图的数量为三个,所述第一拼接特征图的数量为六个,所述第三特征图的数量为六个,所述第二拼接特征图的数量为九个,所述第四特征图的数量为三个,所述第三拼接特征图的数量为十二个,所述第五特征图的数量为一个,且每一特征图的尺寸均与所述输入图像的尺寸相同。
5.如权利要4所述的方法,其特征在于,在步骤S2中获取去雾神经网络模型包括以下步骤:
S21、初始化预先构建的卷积神经网络的权重比;
S22、将每一不同浓度的有雾图像作为预先构建的卷积神经网络的输入,将与该有雾图像对应的无雾图像作为预先构建的卷积神经网络的输出,并更新当前卷积神经网络的权重比;
S23、重复执行步骤S22直至迭代次数达到预设值,以最后一次迭代后更新的权重比作为去雾神经网络模型的权重比。
6.如权利要求1-5任一所述的方法,其特征在于,在步骤S1与S2之间还包括,将所述多个无雾图像与对应合成的不同浓度的有雾图像分成训练集和验证集;
在步骤S2中利用所述训练集训练预先构建的卷积神经网络,利用所述验证集验证所述去雾神经网络模型。
7.如权利要求6所述的方法,其特征在于,所述训练集中图像数量与所述验证集图像数量比为4:1。
8.如权利要求7所述的方法,其特征在于,每一无雾图像与该无雾图像合成的不同浓度的有雾图像的数量比为1:21。
9.如权利要求8所述的方法,其特征在于,所述多个无雾图像格式为RGBD图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910037316.0A CN109584188B (zh) | 2019-01-15 | 2019-01-15 | 一种基于卷积神经网络的图像去雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910037316.0A CN109584188B (zh) | 2019-01-15 | 2019-01-15 | 一种基于卷积神经网络的图像去雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584188A true CN109584188A (zh) | 2019-04-05 |
CN109584188B CN109584188B (zh) | 2022-11-11 |
Family
ID=65916679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910037316.0A Active CN109584188B (zh) | 2019-01-15 | 2019-01-15 | 一种基于卷积神经网络的图像去雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584188B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978799A (zh) * | 2019-04-15 | 2019-07-05 | 武汉理工大学 | 一种基于深度学习的海事无人机视频图像去雾方法 |
CN110097522A (zh) * | 2019-05-14 | 2019-08-06 | 燕山大学 | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 |
CN110263706A (zh) * | 2019-06-19 | 2019-09-20 | 南京邮电大学 | 一种雾霾天气车载视频动态目标检测和识别的方法 |
CN110363716A (zh) * | 2019-06-25 | 2019-10-22 | 北京工业大学 | 一种基于条件生成对抗网络复合降质图像高质量重建方法 |
CN111681180A (zh) * | 2020-05-25 | 2020-09-18 | 厦门大学 | 先验驱动的深度学习图像去雾方法 |
CN111915530A (zh) * | 2020-08-06 | 2020-11-10 | 温州大学 | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 |
CN112767269A (zh) * | 2021-01-18 | 2021-05-07 | 北京航空航天大学 | 全景图像去雾方法与装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910175A (zh) * | 2017-02-28 | 2017-06-30 | 武汉大学 | 一种基于深度学习的单幅图像去雾算法 |
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
WO2018072102A1 (zh) * | 2016-10-18 | 2018-04-26 | 华为技术有限公司 | 一种人脸图像中眼镜去除方法及装置 |
CN108805839A (zh) * | 2018-06-08 | 2018-11-13 | 西安电子科技大学 | 基于卷积神经网络的联合估计图像去雾方法 |
-
2019
- 2019-01-15 CN CN201910037316.0A patent/CN109584188B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
WO2018072102A1 (zh) * | 2016-10-18 | 2018-04-26 | 华为技术有限公司 | 一种人脸图像中眼镜去除方法及装置 |
CN106910175A (zh) * | 2017-02-28 | 2017-06-30 | 武汉大学 | 一种基于深度学习的单幅图像去雾算法 |
CN108805839A (zh) * | 2018-06-08 | 2018-11-13 | 西安电子科技大学 | 基于卷积神经网络的联合估计图像去雾方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978799A (zh) * | 2019-04-15 | 2019-07-05 | 武汉理工大学 | 一种基于深度学习的海事无人机视频图像去雾方法 |
CN110097522A (zh) * | 2019-05-14 | 2019-08-06 | 燕山大学 | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 |
CN110263706A (zh) * | 2019-06-19 | 2019-09-20 | 南京邮电大学 | 一种雾霾天气车载视频动态目标检测和识别的方法 |
CN110263706B (zh) * | 2019-06-19 | 2021-07-27 | 南京邮电大学 | 一种雾霾天气车载视频动态目标检测和识别的方法 |
CN110363716A (zh) * | 2019-06-25 | 2019-10-22 | 北京工业大学 | 一种基于条件生成对抗网络复合降质图像高质量重建方法 |
CN110363716B (zh) * | 2019-06-25 | 2021-11-19 | 北京工业大学 | 一种基于条件生成对抗网络复合降质图像高质量重建方法 |
CN111681180A (zh) * | 2020-05-25 | 2020-09-18 | 厦门大学 | 先验驱动的深度学习图像去雾方法 |
CN111681180B (zh) * | 2020-05-25 | 2022-04-26 | 厦门大学 | 先验驱动的深度学习图像去雾方法 |
CN111915530A (zh) * | 2020-08-06 | 2020-11-10 | 温州大学 | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 |
CN112767269A (zh) * | 2021-01-18 | 2021-05-07 | 北京航空航天大学 | 全景图像去雾方法与装置 |
CN112767269B (zh) * | 2021-01-18 | 2022-11-01 | 北京航空航天大学 | 全景图像去雾方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109584188B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584188A (zh) | 一种基于卷积神经网络的图像去雾方法 | |
CN111784602B (zh) | 一种生成对抗网络用于图像修复的方法 | |
CN106910175B (zh) | 一种基于深度学习的单幅图像去雾算法 | |
CN110009580B (zh) | 基于图片块雨滴密集度的单张图片双向去雨方法 | |
US9373160B2 (en) | System, method and computer-accessible medium for restoring an image taken through a window | |
CN111539887B (zh) | 一种基于混合卷积的通道注意力机制和分层学习的神经网络图像去雾方法 | |
Hu et al. | Underwater image restoration based on convolutional neural network | |
CN113344806A (zh) | 一种基于全局特征融合注意力网络的图像去雾方法与*** | |
CN113066028B (zh) | 一种基于Transformer深度神经网络的图像去雾方法 | |
CN109410144A (zh) | 一种基于深度学习的端到端图像去雾处理方法 | |
CN109859120A (zh) | 基于多尺度残差网络的图像去雾方法 | |
CN109509156A (zh) | 一种基于生成对抗模型的图像去雾处理方法 | |
CN108462868A (zh) | 360度全景vr视频中用户凝视点的预测方法 | |
Fan et al. | Multiscale cross-connected dehazing network with scene depth fusion | |
CN111553856B (zh) | 基于深度估计辅助的图像去雾方法 | |
CN113284070A (zh) | 基于传递注意力机制的非均匀雾图去雾算法 | |
CN116310095A (zh) | 一种基于深度学习的多视图三维重建方法 | |
CN111598793A (zh) | 一种用于输电线路图像去雾的方法、***及存储介质 | |
CN114202472A (zh) | 一种高精度水下成像方法和装置 | |
CN112785517B (zh) | 一种基于高分辨率表征的图像去雾方法和装置 | |
CN107301625B (zh) | 基于亮度融合网络的图像去雾方法 | |
CN113298744A (zh) | 一种端到端的红外与可见光图像融合方法 | |
CN116703750A (zh) | 基于边缘注意力和多阶微分损失的图像去雾方法及*** | |
Liu et al. | An information retention and feature transmission network for infrared and visible image fusion | |
CN108230251A (zh) | 组合式图像恢复方法及装置 |
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 |