CN110097106A - 基于深度学习的U-net网络的低照度成像算法及装置 - Google Patents
基于深度学习的U-net网络的低照度成像算法及装置 Download PDFInfo
- Publication number
- CN110097106A CN110097106A CN201910325879.XA CN201910325879A CN110097106A CN 110097106 A CN110097106 A CN 110097106A CN 201910325879 A CN201910325879 A CN 201910325879A CN 110097106 A CN110097106 A CN 110097106A
- Authority
- CN
- China
- Prior art keywords
- image
- light
- net network
- low
- deep learning
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000009966 trimming Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种基于深度学习的U‑net网络的低照度成像算法及装置，该算法具体包括：步骤101：对原始图像进行打包变换像素通道的预处理；步骤102：利用步骤101中预处理的图像进行U‑net网络的数据训练，其中，在U‑net网络的最后一层使用交叉熵函数与softmax函数；步骤103：通过训练后的U‑net网络对采集到的低照度图像进行处理，并对处理后的图像进行Gamma校正，并输出最终图像。本发明提出的算法效率较高，能够提高信噪比，增强显示图像细节，很好地还原低照度成像图像的细节部分，提高低照度图像亮度，使视频图像能在低照度环境下快速清晰成像。
Description
技术领域
本发明涉及计算机视觉技术领域，具体为一种基于深度学习的U-net网络的低照度成像算法及装置。
背景技术
大多数室外视觉***，如视频监控、目标识别和卫星遥感监测等，都需要获取清晰的图像特征。但是在低照度条件下(如夜间等环境)，由于场景的照度低(光信号微弱)，导致能见度低，所观察的景物信号非常微弱，图像成像质量低，目标模糊不清，尤其在图像经过存储、转换、传输等操作后，更进一步降低了低照度图像的质量，使成像***无法正常工作。因此，研究如何对低照度图像进行有效处理，降低光信号弱的环境对成像***的影响具有重要研究价值。
低照度下获取的图像灰度范围窄、灰度变化不明显，且相邻像素的空间关联性高，这些特点使得图像中的细节、背景和噪声等都包含在较窄的灰度范围之内。因此为了改善低照度下获取的图像的视觉效果，将其转换为一种更适于人眼观察和计算机处理的形式，便于提取有用信息，需要对被拍摄物在低照度下的成像进行处理。目前，很多关于去噪、去模糊、图像增强等技术的研究已被相继提出，但是在一些极端条件下，这些技术的作用就很有限了。
发明内容
本发明的目的在于提供一种基于深度学习的U-net网络的低照度成像算法及装置，以解决低照度下成像质量不高，细节显示不清楚的问题。
为实现上述目的，本发明提供的一种基于深度学习的U-net网络的低照度成像算法，包括：
步骤101：对原始图像进行打包变换像素通道的预处理；
步骤102：利用步骤101中预处理的图像进行U-net网络的数据训练，其中，在U-net网络的最后一层使用交叉熵函数与softmax函数，其中交叉熵函数如下：
其中，wc是用于平衡类别频率的权重图，d1代表到最近细胞的边界的距离，d2代表到第二近的细胞的边界的距离，w0和σ为预设值；
步骤103：通过训练后的U-net网络对采集到的低照度图像进行处理，并对处理后的图像进行Gamma校正，并输出最终图像。
优选地，所述步骤101包括：
对于Bayer数组，将输入打包为四个通道并在每个通道上将空间分辨率降低一半；对于X-Trans数组，通过交换相邻通道元素的方法将36个通道的数组打包成9个通道；消除黑色像素并按照期望的倍数缩放数据，并将处理后数据作为前端数据输入，输出是一个带12通道的图像，其空间分辨率只有输入的一半。
优选地，所述U-net网络由收缩路径和扩张路径组成，所述收缩路径为典型的卷积网络架构，所述卷积网络架构为一种重复结构，每次重复中都有2个卷积层和一个池化层，卷积层中卷积核大小均为3*3，两个卷积层之后是一个2*2的步长为2的最大池化层。
优选地，所述收缩路径中的每一步都首先使用反卷积，每次使用反卷积都将特征通道数量减半，特征图大小加倍；反卷积过后，将反卷积的结果与收缩路径中对应步骤的特征图拼接起来；将收缩路径中的特征图修剪过后进行拼接，对拼接后的图像进行2次3*3的卷积，最后一层的卷积核大小为1*1，将64通道的特征图转化为特定深度的结果。
优选地，w0＝10，σ≈5像素。
优选地，U-net网络的权重由高斯分布初始化，分布的标准差为(N/2)^0.5，N为每个神经元的输入节点数量。
优选地，所述步骤102中的数据训练包括：在训练U-net网络中使用L1损失和Adam优化器，从零开始训练，在训练期间，网络输入是原始的短曝光图像，在sRGB空间中的真实数据是相应的长曝光时间图像，为每台相机训练一个网络，并将原始图像和参考图像之间曝光时间的倍数差作为放大因子。
优选地，所述步骤102中的数据训练还包括：在每次训练迭代中，随机裁剪一个512×512的补丁用于训练并利用翻转、旋转操作来随机增强数据；初始学习率设定为0.0001，在2000次迭代后学习率降为0.00001，训练一共进行4000次迭代。
优选地，所述步骤103中对处理后的图像进行Gamma校正包括以下步骤：
S1、归一化：将像素值转换为0～1之间的实数；
S2、求输出值：根据预设的Gamma值绘制符合需求的Gamma曲线，将归一化后的像素值代入曲线中，求得相应的输出值；
S3、反归一化：将经过预补偿的实数值反变换为图像的整数值。
为实现上述目的，本发明提供一种计算机装置，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计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述任一项所述的基于深度学习的U-net网络的低照度成像算法的步骤。
与现有技术相比，本发明的有益效果是：该基于深度学习的U-net网络的低照度成像算法，步骤简单，能直接处理原始传感器的数据，是一种端到端的深度学习算法。本发明算法效率较高，能够提高信噪比，增强显示图像细节，很好地还原低照度成像图像的细节部分，提高低照度图像亮度，使视频图像能在低照度环境下快速清晰成像。
附图说明
图1为一种基于深度学习的U-net网络的低照度成像算法的步骤流程示意图；
图2为一种基于深度学习的U-net网络的低照度成像算法的结构图；
图3为一种基于深度学习的U-net网络的低照度成像算法中的U-net网络总体结构图；
图4为通过本发明低照度成像算法处理图片前后的对比图一；
图5为通过本发明低照度成像算法处理图片前后的对比图二。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1和图2，发明提供的一种基于深度学习的U-net网络的低照度成像算法，具体包括以下步骤：
步骤101：原始图像预处理：打包变换像素通道，处理成更适合FCN训练输入的像素图像。
具体地，首先对于Bayer数组处理，将输入打包为四个通道并在每个通道上将空间分辨率降低一半；然后对X-Trans数组处理，其为原始数据，原始数据以6×6排列块组成，通过交换相邻通道元素的方法将36个通道的数组打包成9个通道；最后消除黑色像素并按照期望的倍数缩放数据(例如，×100或×300)，并将处理后数据作为前端数据输入，输出是一个带12通道的图像，其空间分辨率只有输入的一半；经过处理之后图像的数据量变小，同时不影响图像细节，有利于后续卷积处理。
步骤102：基于深度学习的U-net网络的图像处理：进行原始数据训练。
具体地，如图3所示为U-net网络结构图，所述U-net结构由收缩路径(contractingpath)和扩张路径(expansive path)组成，所述收缩路径为典型的卷积网络架构，所述卷积网络架构为一种重复结构，每次重复中都有2个卷积层和一个池化层，卷积层中卷积核大小均为3*3，激活函数使用ReLU，两个卷积层之后是一个2*2的步长为2的最大池化层。每一次下采样后我们都把特征通道的数量加倍。收缩路径中的每一步都首先使用反卷积(up-convolution)，每次使用反卷积都将特征通道数量减半，特征图大小加倍。反卷积过后，将反卷积的结果与收缩路径中对应步骤的特征图拼接起来。收缩路径中的特征图尺寸稍大，将其修剪过后进行拼接。对拼接后的图像进行2次3*3的卷积。最后一层的卷积核大小为1*1，将64通道的特征图转化为特定深度(分类数量，二分类为2)的结果。网络总共23层。
具体公式如下所示，最后一层使用交叉熵函数与softmax函数，所述交叉熵函数如下所示：
为了使某些像素点更加重要，在公式中引入w(x)，公式中对每一张标注图像预计算了一个权重图，来补偿训练集中每类像素的不同频率，使网络更注重学习相互接触的细胞之间的小的分割边界，使用形态学操作计算分割边界，权重图计算公式如下：
wc是用于平衡类别频率的权重图，d1代表到最近细胞的边界的距离，d2代表到第二近的细胞的边界的距离。基于经验设定w0＝10，σ≈5像素时能达到效果最佳。
网络中权重的初始化：U-net网络的权重由高斯分布初始化，分布的标准差为(N/2)^0.5，N为每个神经元的输入节点数量。
在建立好U-net结构后，开始进行数据训练，在训练U-net网络中使用L1损失和Adam优化器，从零开始训练，在训练期间，网络输入是原始的短曝光图像，在sRGB空间中的真实数据是相应的长曝光时间图像，为每台相机训练一个网络，并将原始图像和参考图像之间曝光时间的倍数差作为放大因子(例如，×100，×250，或×300)；在每次训练迭代中，随机裁剪一个512×512的补丁用于训练并利用翻转、旋转操作来随机增强数据，初始学习率设定为0.0001，在2000次迭代后学习率降为0.00001，训练一共进行4000次迭代。
基于给定数据库训练完成后，每次输入预处理处理后的低照度Bayer图像，则输出对应的结果。
数据训练的结果是低照度图像与正常图像之间的数据映射关系，目的就是为了输入其他低照度图像时，能够通过这个训练出来的映射关系还原成正常图像而不损失细节。
步骤103：对步骤102中处理后的图像进行Gamma校正，并输出最终图像。
具体地，Gamma校正具体包括以下步骤：
S1、归一化：将像素值转换为0～1之间的实数；
S2、求输出值：根据预设的Gamma值绘制符合需求的Gamma曲线，将归一化后的像素值代入曲线中，求得相应的输出值；
S3、反归一化：将经过预补偿的实数值反变换为图像的整数值。
最后得出相应的校正结果，Gamma校正主要为了提高图像的亮度，最后输出高质量清晰的低照度图像。请参阅图4和图5，通过两组低照度图像处理前后的对比图，可以发现本发明算法在增强图像对比度的同时更多的保留了场景细节信息，且图像亮度有明显提升，是一种高效的基于深度学习的低照度成像算法。
与现有技术相比，本发明的有益效果是：步骤简单，能直接处理原始传感器的数据，是一种端到端的深度学习算法。本发明算法效率较高，能够提高信噪比，增强显示图像细节，很好地还原低照度成像图像的细节部分，提高低照度图像亮度，使视频图像能在低照度环境下快速清晰成像。
本发明中提出的方法实际上可嵌入FPGA实现，开发具有实时低照度成像功能的相机或摄像机。
本发明还提供一种计算机装置，在一实施例中，该计算机装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中的基于深度学习的U-net网络的低照度成像算法的步骤。可以理解，该计算机装置可以为电视、IPAD、PC、手机等。
在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第X实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料、方法步骤或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种基于深度学习的U-net网络的低照度成像算法，其特征在于：包括：
步骤101：对原始图像进行打包变换像素通道的预处理；
步骤102：利用步骤101中预处理的图像进行U-net网络的数据训练，其中，在U-net网络的最后一层使用交叉熵函数与softmax函数，其中交叉熵函数如下：
其中，wc是用于平衡类别频率的权重图，d1代表到最近细胞的边界的距离，d2代表到第二近的细胞的边界的距离，w0和σ为预设值；
步骤103：通过训练后的U-net网络对采集到的低照度图像进行处理，并对处理后的图像进行Gamma校正，并输出最终图像。
2.如权利要求1所述的一种基于深度学习的U-net网络的低照度成像算法，其特征在于：所述步骤101包括：
对于Bayer数组，将输入打包为四个通道并在每个通道上将空间分辨率降低一半；对于X-Trans数组，通过交换相邻通道元素的方法将36个通道的数组打包成9个通道；消除黑色像素并按照期望的倍数缩放数据，并将处理后数据作为前端数据输入，输出是一个带12通道的图像，其空间分辨率只有输入的一半。
3.如权利要求1所述的一种基于深度学习的U-net网络的低照度成像算法，其特征在于：所述U-net网络由收缩路径和扩张路径组成，所述收缩路径为典型的卷积网络架构，所述卷积网络架构为一种重复结构，每次重复中都有2个卷积层和一个池化层，卷积层中卷积核大小均为3*3，两个卷积层之后是一个2*2的步长为2的最大池化层。
4.如权利要求3所述的一种基于深度学习的U-net网络的低照度成像算法，其特征在于：所述收缩路径中的每一步都首先使用反卷积，每次使用反卷积都将特征通道数量减半，特征图大小加倍；反卷积过后，将反卷积的结果与收缩路径中对应步骤的特征图拼接起来；将收缩路径中的特征图修剪过后进行拼接，对拼接后的图像进行2次3*3的卷积，最后一层的卷积核大小为1*1，将64通道的特征图转化为特定深度的结果。
5.如权利要求4所述的一种基于深度学习的U-net网络的低照度成像算法，其特征在于：w0＝10，σ≈5像素。
6.如权利要求4所述的一种基于深度学习的U-net网络的低照度成像算法，其特征在于：U-net网络的权重由高斯分布初始化，分布的标准差为(N/2)^0.5，N为每个神经元的输入节点数量。
7.如权利要求1所述的一种基于深度学习的U-net网络的低照度成像算法，其特征在于：所述步骤102中的数据训练包括：在训练U-net网络中使用L1损失和Adam优化器，从零开始训练，在训练期间，网络输入是原始的短曝光图像，在sRGB空间中的真实数据是相应的长曝光时间图像，为每台相机训练一个网络，并将原始图像和参考图像之间曝光时间的倍数差作为放大因子。
8.如权利要求7所述的一种基于深度学习的U-net网络的低照度成像算法，其特征在于：所述步骤102中的数据训练还包括：在每次训练迭代中，随机裁剪一个512×512的补丁用于训练并利用翻转、旋转操作来随机增强数据；初始学习率设定为0.0001，在2000次迭代后学习率降为0.00001，训练一共进行4000次迭代。
9.如权利要求1所述的一种基于深度学习的U-net网络的低照度成像算法，其特征在于：所述步骤103中对处理后的图像进行Gamma校正包括以下步骤：
S1、归一化：将像素值转换为0～1之间的实数；
S2、求输出值：根据预设的Gamma值绘制符合需求的Gamma曲线，将归一化后的像素值代入曲线中，求得相应的输出值；
S3、反归一化：将经过预补偿的实数值反变换为图像的整数值。
10.一种计算机装置，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计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任一项所述的基于深度学习的U-net网络的低照度成像算法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910325879.XA CN110097106A (zh) | 2019-04-22 | 2019-04-22 | 基于深度学习的U-net网络的低照度成像算法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910325879.XA CN110097106A (zh) | 2019-04-22 | 2019-04-22 | 基于深度学习的U-net网络的低照度成像算法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110097106A true CN110097106A (zh) | 2019-08-06 |
Family
ID=67445584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910325879.XA Pending CN110097106A (zh) | 2019-04-22 | 2019-04-22 | 基于深度学习的U-net网络的低照度成像算法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110097106A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633705A (zh) * | 2019-08-22 | 2019-12-31 | 长沙千视通智能科技有限公司 | 一种低照度成像车牌识别方法及装置 |
| CN110675336A (zh) * | 2019-08-29 | 2020-01-10 | 苏州千视通视觉科技股份有限公司 | 一种低照度图像增强方法及装置 |
| CN110969164A (zh) * | 2019-12-20 | 2020-04-07 | 湖南千视通信息科技有限公司 | 基于深度学习端对端的低照度成像车牌识别方法及装置 |
| CN111096767A (zh) * | 2020-01-08 | 2020-05-05 | 南京市第一医院 | 基于深度学习的纵膈***超声弹性图像分割分类方法 |
| CN111311507A (zh) * | 2020-01-21 | 2020-06-19 | 山西大学 | 基于多粒度合作网络的极低光成像方法 |
| CN111899201A (zh) * | 2020-08-17 | 2020-11-06 | 哈尔滨工业大学 | 一种基于条件重增强网络的低照度图像增强方法 |
| CN112581392A (zh) * | 2020-12-15 | 2021-03-30 | 中山大学 | 基于双向光照估计与融合修复的图像曝光校正方法、***及存储介质 |
| CN112950497A (zh) * | 2021-02-22 | 2021-06-11 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN113034392A (zh) * | 2021-03-22 | 2021-06-25 | 山西三友和智慧信息技术股份有限公司 | 一种基于U-net的HDR去噪和去模糊方法 |
| CN114220132A (zh) * | 2021-12-01 | 2022-03-22 | 上海海栎创科技股份有限公司 | 指纹图像降噪方法及其装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242788A (zh) * | 2018-08-21 | 2019-01-18 | 福州大学 | 一种基于编码-解码卷积神经网络低照度图像优化方法 |
-
2019
- 2019-04-22 CN CN201910325879.XA patent/CN110097106A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242788A (zh) * | 2018-08-21 | 2019-01-18 | 福州大学 | 一种基于编码-解码卷积神经网络低照度图像优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| OLAF RONNEBERGER等: "U-Net: Convolutional Networks for Biomedical Image Segmentation", 《ARXIV》 * |
| WEISONG ZHAO: "Learning to see in the dark【SID】论文笔记", 《CSDN，HTTPS://BLOG.CSDN.NET/WEIXIN_41923961/ARTICLE/DETAILS/80473607?SPM=1001.2014.3001.5502》 * |
| YXFLINUX: "ISP：Gamma", 《CSDN，HTTPS://BLOG.CSDN.NET/YXFLINUX/ARTICLE/DETAILS/51260666?SPM=1001.2014.3001.5502》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633705A (zh) * | 2019-08-22 | 2019-12-31 | 长沙千视通智能科技有限公司 | 一种低照度成像车牌识别方法及装置 |
| CN110675336A (zh) * | 2019-08-29 | 2020-01-10 | 苏州千视通视觉科技股份有限公司 | 一种低照度图像增强方法及装置 |
| CN110969164A (zh) * | 2019-12-20 | 2020-04-07 | 湖南千视通信息科技有限公司 | 基于深度学习端对端的低照度成像车牌识别方法及装置 |
| CN111096767A (zh) * | 2020-01-08 | 2020-05-05 | 南京市第一医院 | 基于深度学习的纵膈***超声弹性图像分割分类方法 |
| CN111311507A (zh) * | 2020-01-21 | 2020-06-19 | 山西大学 | 基于多粒度合作网络的极低光成像方法 |
| CN111899201A (zh) * | 2020-08-17 | 2020-11-06 | 哈尔滨工业大学 | 一种基于条件重增强网络的低照度图像增强方法 |
| CN112581392A (zh) * | 2020-12-15 | 2021-03-30 | 中山大学 | 基于双向光照估计与融合修复的图像曝光校正方法、***及存储介质 |
| CN112950497A (zh) * | 2021-02-22 | 2021-06-11 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN113034392A (zh) * | 2021-03-22 | 2021-06-25 | 山西三友和智慧信息技术股份有限公司 | 一种基于U-net的HDR去噪和去模糊方法 |
| CN114220132A (zh) * | 2021-12-01 | 2022-03-22 | 上海海栎创科技股份有限公司 | 指纹图像降噪方法及其装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097106A (zh) | 基于深度学习的U-net网络的低照度成像算法及装置 | |
| CN107767413B (zh) | 一种基于卷积神经网络的图像深度估计方法 | |
| CN111915530B (zh) | 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 | |
| CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
| WO2021164234A1 (zh) | 图像处理方法以及图像处理装置 | |
| CN110544213A (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
| CN110097515A (zh) | 基于深度学习与时空滤波的低照度图像处理算法及装置 | |
| CN110111269B (zh) | 基于多尺度上下文聚合网络的低照度成像算法及装置 | |
| CN111626951B (zh) | 一种基于内容感知信息的图像阴影消除方法 | |
| CN115223004A (zh) | 基于改进的多尺度融合生成对抗网络图像增强方法 | |
| CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
| CN114596233A (zh) | 基于注意引导和多尺度特征融合的低照度图像增强方法 | |
| CN111932452B (zh) | 基于可见光图像增强的红外图像卷积神经网络超分辨方法 | |
| CN113034417A (zh) | 基于生成对抗网络的图像增强***和图像增强方法 | |
| CN114627034A (zh) | 一种图像增强方法、图像增强模型的训练方法及相关设备 | |
| CN114004766A (zh) | 一种水下图像增强方法、***和设备 | |
| CN110751271B (zh) | 一种基于深度神经网络的图像溯源特征表征方法 | |
| CN115880177A (zh) | 聚合上下文和增强细节的全分辨率低照度图像增强方法 | |
| CN111553856A (zh) | 基于深度估计辅助的图像去雾方法 | |
| CN113379606B (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
| CN117952883A (zh) | 一种基于双边网格和显著性引导的逆光图像增强方法 | |
| CN114764752B (zh) | 一种基于深度学习的夜晚影像去雾算法 | |
| GB2623387A (en) | Learnable image transformation training methods and systems in graphics rendering | |
| CN110827375A (zh) | 一种基于微光图像的红外图像真彩着色方法及*** | |
| CN115689918A (zh) | 一种基于残差先验注意力机制的并行单幅图像去雨方法 |
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 |