CN111325700A - 基于彩色图像的多维度融合算法和*** - Google Patents
基于彩色图像的多维度融合算法和*** Download PDFInfo
- Publication number
- CN111325700A CN111325700A CN202010119298.3A CN202010119298A CN111325700A CN 111325700 A CN111325700 A CN 111325700A CN 202010119298 A CN202010119298 A CN 202010119298A CN 111325700 A CN111325700 A CN 111325700A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- digital image
- processed
- dimensional fusion
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 27
- 239000002131 composite material Substances 0.000 abstract description 2
- 230000001795 light effect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 13
- 239000003814 drug Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20048—Transform domain processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于彩色图像的多维度融合算法和***，其中算法包括：将输入图像取样、量化，得到数字图像；将数字图像进行灰度变换；对灰度变换后的数字图像的像素点进行空间变换操作；将数字图像进行频率域滤波，之后通过滤波反投影重建图像；将数字图像通过伪色彩增强的方法分别作红色变换、绿色变换、蓝色变换，最后把变换结果分别送入彩色的红、蓝、绿通道，产生合成图像；将上述步骤处理后的图像融合得到最终图像。本发明提出的基于彩色图像多维度融合算法在图像的整体自然光效上更加真实、平顺、自然，更加突出图像病灶的主体细节部分，强调人眼能够察觉到的图像空间维度病灶细节特征的变化。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种基于彩色图像的多维度融合算法和***。
背景技术
中医一直强调望闻问切，其中，“望”一直是中医诊断的重要工具之一。在古代，中医师需要现场查看病患的情况，路上往返的时间往往占整个诊治过程较大比例；到现代，随着移动互联网的发展，依托互联网进行沟通，我们可以避免掉路上往返的时间，从而大大提高诊治的效率。同时，由于优秀老中医的稀缺性，为了提高老中医资源的利用率，在实践中，往往会由患者自行拍摄照片发送给年轻中医，年轻中医初步诊断后，再把照片发给老中医并进行沟通，从而提高诊治的准确性。因此，照片就成为一种非常重要的中医诊治工具。比如，舌诊是重要的中医诊治手段之一，患者自行用手机拍照后，通过微信发送给中医师，中医师再结合其他沟通手段，就可以很快速、方便的完成对患者的诊治。
但是，由于患者所持有设备、拍照环境等情况比较复杂，同时寻求中医治疗的患者年龄普遍偏大，导致所拍摄的照片往往质量不高，容易导致中医师误诊。经申请人在实际工作中统计，如果直接通过不进行处理的图片进行诊断，误诊率高达32％。
发明内容
针对现有技术的不足，本发明公开了一种基于彩色图像的多维度融合算法和***。
本发明所采用的技术方案如下：
一种基于彩色图像的多维度融合算法，包括以下步骤：
将输入图像取样、量化，得到数字图像；
将数字图像进行灰度变换；对灰度变换后的图像的像素点进行空间变换操作，得到第一处理后图像；
将数字图像进行频率域滤波，之后通过滤波反投影重建图像，得到第二处理后图像；
将数字图像做伪色彩增强，得到第三处理后图像；
将所述第一处理后图像、所述第二处理后图像和所述第三处理后图像融合得到最终图像。
其进一步的技术方案为：所述空间变换操作包括向量操作：
式(1)中，f1(x1,y1)为向量操作前的图像灰度值；f2(x2,y2)为向量操作后的图像灰度值；x1,y1为向量操作前的图像中像素的坐标，x2,y2为向量操作后的图像中像素的坐标；S为图像f1(x1,y1)中以(x1,y1)为中心的邻域坐标集，m和n为自然数。
其进一步的技术方案为：所述空间变换操作包括矩阵操作：
式(2)中，x2,y2为矩阵操作前的图像中的像素的坐标，x3,y3为矩阵操作后的图像中的像素的坐标；矩阵T2中的各个分量均为自然数。
其进一步的技术方案为：对数字图像进行频率域滤波时选择布特沃斯低筒滤波器。
一种基于彩色图像的多维度融合***，包括：
取样量化模块，用于将原图像取样、量化，得到数字图像；
第一处理模块，用于将数字图像进行灰度变换；之后对灰度变换后的图像的像素点进行空间变换操作，得到第一处理后图像；
第二处理模块，用于将数字图像进行频率域滤波，之后通过滤波反投影重建图像，得到第二处理后图像；
第三处理模块，用于将数字图像做伪色彩增强，得到第三处理后图像；
融合模块，用于将所述第一处理后图像、所述第二处理后图像和所述第三处理后图像融合得到最终图像。
其进一步的技术方案为：所述第一处理模块包括向量操作模块，用于执行以下算法：
式(1)中，f1(x1,y1)为向量操作前的图像灰度值；f2(x2,y2)为向量操作后的图像灰度值；x1,y1为向量操作前的图像中像素的坐标，x2,y2为向量操作后的图像中像素的坐标；S为图像f1(x1,y1)中以(x1,y1)为中心的邻域坐标集，m和n为自然数。
其进一步的技术方案为：所述第一处理模块包括矩阵操作模块，用于执行以下算法：
式(2)中，x2,y2为矩阵操作前的图像中的像素的坐标，x3,y3为矩阵操作后的图像中的像素的坐标；矩阵T2中的各个分量均为自然数
其进一步的技术方案为：所述第二处理模块包括滤波模块和重建模块；所述滤波模块为布特沃斯低筒滤波器。
本发明的有益效果如下：
图像处理技术目前广泛应用于现实生活中，客观世界是三维空间的，但是一般图像是二维空间的。所以二维图像在反映三维世界的过程中必定会丢失部分信息内容，即使是记录下来的信息也可能会失真，甚至难以识别物体本身。申请人通过恢复、重建、分析、提取诊断图像的数学模型，形成通用的多维度的融合算法，大大降低诊断的误诊率。
中医讲究“望闻问切”，本发明尤其适用于中医的舌诊或者其他需要“望”，也即观察的诊疗过程中，进过本发明的图像处理方法，可以极大的提高舌头的照片的质量，降低误诊率，同时也避免给患者增加额外的时间和金钱的负担。
与现有技术中的图像融合算法不同，本发明提出的基于彩色图像多维度融合算法在图像的整体自然光效上更加真实、平顺、自然，更加突出图像病灶的主体细节部分，强调人眼能够察觉到的图像空间维度病灶细节特征的变化。
本发明中通过彩色图像多维度融合算法处理后的图片，在图片空间灰度以及色彩平滑方面进行了修复和完善，更有利于中医师进行诊治。经过申请人半年的实际应用，经统计，整体误诊率从32％下降到了15％，提升幅度达到53％，效果明显，实用价值突出
附图说明
图1为基于彩色图像的多维度融合算法的流程图。
图2为基于彩色图像的多维度融合***的框图。
具体实施方式
下面结合附图，说明本发明的具体实施方式。
图1为基于彩色图像的多维度融合算法的流程图。如图1所示，基于彩色图像的多维度融合算法包括
步骤1、将输入图像取样、量化，得到数字图像。
输入图像为连续的图像，将连续的输入图像的坐标值数字化称为取样，将连续的输入图像的幅度值数字化称为量化，最后得到数字图像，数字图像为一个二维阵列，包含M列和N行，其中坐标值x0＝0,1,2,...,M-1，幅度值y0＝0,1,2,...,N-1，f0(x0,y0)为数字图像的灰度值。
步骤2、将数字图像进行灰度变换；对灰度变换后的数字图像的像素点进行空间变换操作，得到第一处理后图像；空间变换操作包括向量操作和矩阵操作。可以单独使用一种操作方法，优选的，可以依次使用向量操作和矩阵操作的方法，取得更优的处理效果。
步骤2具体包括：
步骤21、对数字图像进行灰度变换。设数字图像f0(x0,y0)的灰度值为r，灰度变换后图像的灰度值为s，则灰度变换的公式为：
s＝T1[r]
将图像由白到黑的灰色程度均分为L的等级，则一副图像的灰度值可看作看[0,L-1]内的随机变量。由基本概率论得到，
上式中，w是积分的加变量，Ps为灰度变换后图像的灰度值的概率，Pr为灰度变换前图像的灰度值的概率。
则有步骤21处理之后的图像为f1(x1,y1)＝s。
空间变换操作优选的依次包括向量操作和矩阵操作。
步骤22、向量操作。向量操作利用的是多光谱图像处理技术处理图像。
向量操作的公式为：
上式中，S为图像f1(x1,y1)中任一点(x1,y1)为中心的邻域坐标集，m和n为自然数。优选的，m＝n＝41，得到新图像f2(x2,y2)分辨率1286*820像素，效果最佳。
步骤23、矩阵操作。对图像f2(x2,y2)中的像素点做矩阵变换得到如下：
其中(x2,y2)为矩阵变换前的图像的像素坐标，(x3,y3)为矩阵变换后的图像的像素坐标。矩阵T2中的各个元素为自然数。
步骤3、将数字图像进行频率域滤波，之后通过滤波反投影重建图像，得到第二处理后图像。步骤3具体包括：
步骤31、将数字图像f0(x0,y0)进行频率域滤波。滤波公式形式如下：
f4(x4,y4)＝IDFT[H(u,v)F(u,v)]
IDFT是离散傅立叶逆变换，F(u,v)是数字图像f0(x0,y0)的DFT(离散傅里叶变换)，H(u,v)是滤波器函数，f4(x4,y4)是滤波后的图像，u,v是频率域变量。滤波器函数H(u,v)优选布特沃斯低筒滤波器(BLPF)。
步骤32、通过滤波反投影重建图像。公式为：
其中θ为反射角度，θ为0到180度，G为步骤31频率域滤波之后图像投影的一维傅立叶变换，
是一个斜坡滤波器，在空间域中使用卷积，截断空间滤波器。防止其有零值的问题，这样反射投影重建的图像，就避免了迫零问题。
步骤4、将数字图像伪色彩增强处理，得到第三处理后图像。
伪彩色增强的处理方法是将数字图像做灰度分层，之后对每个灰度区间均分别作红色变换、绿色变换、蓝色变换，最后把变换结果分别送入彩色的红通道、蓝通道、绿通道，产生合成图像。伪彩色增强处理是现有技术中常见的处理方法，在此不再赘述。
步骤5、将第一处理后图像、第二处理后图像和第三处理后图像融合得到最终图像。
具体的融合方法是多组图像进行形态学重建，每幅图像和一个结构元，一个图像是标记，另一个图像是模板，它约束变换，用结构元来构建连接性。形态学重建的具体算法是：
在上式中，F表示标记图像，G表示模板图像，
表示大小为1的标记图像关于模板图像的测地膨胀，通过标记图像F对模板图像G进行膨胀形态学重建表示为
反复迭代直达稳定状态，
其中：
迭代收敛后，令
即为融合的结果。
本发明还公开了一种基于彩色图像的多维度融合***，包括：
取样量化模块，用于将原图像取样、量化，得到数字图像；
第一处理模块，用于将数字图像进行灰度变换；之后对灰度变换后的图像的像素点进行空间变换操作，得到第一处理后图像；
第一处理模块包括向量操作模块，用于执行以下算法：
式(1)中，f1(x1,y1)为向量操作前的图像灰度值；f2(x2,y2)为向量操作后的图像灰度值；x1,y1为向量操作前的图像中像素的坐标，x2,y2为向量操作后的图像中像素的坐标；S为图像f1(x1,y1)中以(x1,y1)为中心的邻域坐标集，m和n为自然数。
第一处理模块还包括矩阵操作模块，用于执行以下算法：
式(2)中，x2,y2为矩阵操作前的图像中的像素的坐标，x3,y3为矩阵操作后的图像中的像素的坐标；矩阵T2中的各个分量均为自然数
第二处理模块，用于将数字图像进行频率域滤波，之后通过滤波反投影重建图像，得到第二处理后图像；第二处理模块包括滤波模块和重建模块；滤波模块为布特沃斯低筒滤波器。
第三处理模块，用于将数字图像做伪色彩增强处理，得到第三处理后图像；
融合模块，用于将所述第一处理后图像、所述第二处理后图像和所述第三处理后图像融合得到最终图像。
以上描述是对本发明的解释，不是对发明的限定，本发明所限定的范围参见权利要求，在不违背本发明的基本结构的情况下，本发明可以作任何形式的修改。
Claims (8)
1.一种基于彩色图像的多维度融合算法，其特征在于：包括以下步骤：
将输入图像取样、量化，得到数字图像；
将数字图像进行灰度变换；对灰度变换后的图像的像素点进行空间变换操作，得到第一处理后图像；
将数字图像进行频率域滤波，之后通过滤波反投影重建图像，得到第二处理后图像；
将数字图像做伪色彩增强处理，得到第三处理后图像；
将所述第一处理后图像、所述第二处理后图像和所述第三处理后图像融合得到最终图像。
2.根据权利要求1所述的基于彩色图像的多维度融合算法，其特征在于：所述空间变换操作包括向量操作：
式(1)中，f1(x1,y1)为向量操作前的图像灰度值；f2(x2,y2)为向量操作后的图像灰度值；x1,y1为向量操作前的图像中像素的坐标，x2,y2为向量操作后的图像中像素的坐标；S为图像f1(x1,y1)中以(x1,y1)为中心的邻域坐标集，m和n为自然数。
3.根据权利要求1所述的基于彩色图像的多维度融合算法，其特征在于：所述空间变换操作包括矩阵操作：
式(2)中，x2,y2为矩阵操作前的图像中的像素的坐标，x3,y3为矩阵操作后的图像中的像素的坐标；矩阵T2中的各个分量均为自然数。
4.根据权利要求1所述的基于彩色图像的多维度融合算法，其特征在于：对数字图像进行频率域滤波时选择布特沃斯低筒滤波器。
5.一种基于彩色图像的多维度融合***，其特征在于，包括：
取样量化模块，用于将原图像取样、量化，得到数字图像；
第一处理模块，用于将数字图像进行灰度变换；之后对灰度变换后的图像的像素点进行空间变换操作，得到第一处理后图像；
第二处理模块，用于将数字图像进行频率域滤波，之后通过滤波反投影重建图像，得到第二处理后图像；
第三处理模块，用于将数字图像做伪色彩增强，得到第三处理后图像；
融合模块，用于将所述第一处理后图像、所述第二处理后图像和所述第三处理后图像融合得到最终图像。
6.根据权利要求5所述的基于彩色图像的多维度融合***，其特征在于，
所述第一处理模块包括向量操作模块，用于执行以下算法：
式(1)中，f1(x1,y1)为向量操作前的图像灰度值；f2(x2,y2)为向量操作后的图像灰度值；x1,y1为向量操作前的图像中像素的坐标，x2,y2为向量操作后的图像中像素的坐标；S为图像f1(x1,y1)中以(x1,y1)为中心的邻域坐标集，m和n为自然数。
7.根据权利要求5所述的基于彩色图像的多维度融合***，其特征在于，
所述第一处理模块包括矩阵操作模块，用于执行以下算法：
式(2)中，x2,y2为矩阵操作前的图像中的像素的坐标，x3,y3为矩阵操作后的图像中的像素的坐标；矩阵T2中的各个分量均为自然数。
8.根据权利要求1所述的基于彩色图像的多维度融合算法，其特征在于：所述第二处理模块包括滤波模块和重建模块；所述滤波模块为布特沃斯低筒滤波器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010119298.3A CN111325700B (zh) | 2020-02-26 | 2020-02-26 | 基于彩色图像的多维度融合方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010119298.3A CN111325700B (zh) | 2020-02-26 | 2020-02-26 | 基于彩色图像的多维度融合方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325700A true CN111325700A (zh) | 2020-06-23 |
| CN111325700B CN111325700B (zh) | 2023-07-21 |
Family
ID=71173048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010119298.3A Active CN111325700B (zh) | 2020-02-26 | 2020-02-26 | 基于彩色图像的多维度融合方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325700B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634165A (zh) * | 2020-12-29 | 2021-04-09 | 广州光锥元信息科技有限公司 | 用于图像适配vi环境的方法及装置 |
| CN114339066A (zh) * | 2020-09-30 | 2022-04-12 | 上海中兴软件有限责任公司 | 一种图像处理方法、装置、终端及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100111412A1 (en) * | 2007-02-01 | 2010-05-06 | Flir Systems Ab | Method for enhancing contrast in infrared images |
| CN104112384A (zh) * | 2013-04-22 | 2014-10-22 | 天津市天堰医教科技开发有限公司 | 一种神经外科虚拟手术训练*** |
| CN108632583A (zh) * | 2017-03-23 | 2018-10-09 | 展讯通信（上海）有限公司 | 数字图像处理方法及装置 |
| CN108985345A (zh) * | 2018-06-25 | 2018-12-11 | 重庆知遨科技有限公司 | 一种基于肺部医学图像融合分类的检测装置 |
| CN109934793A (zh) * | 2019-01-30 | 2019-06-25 | 绵阳慧视光电技术有限责任公司 | 一种基于整数dct变换的实时图像融合方法 |
-
2020
- 2020-02-26 CN CN202010119298.3A patent/CN111325700B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100111412A1 (en) * | 2007-02-01 | 2010-05-06 | Flir Systems Ab | Method for enhancing contrast in infrared images |
| CN104112384A (zh) * | 2013-04-22 | 2014-10-22 | 天津市天堰医教科技开发有限公司 | 一种神经外科虚拟手术训练*** |
| CN108632583A (zh) * | 2017-03-23 | 2018-10-09 | 展讯通信（上海）有限公司 | 数字图像处理方法及装置 |
| CN108985345A (zh) * | 2018-06-25 | 2018-12-11 | 重庆知遨科技有限公司 | 一种基于肺部医学图像融合分类的检测装置 |
| CN109934793A (zh) * | 2019-01-30 | 2019-06-25 | 绵阳慧视光电技术有限责任公司 | 一种基于整数dct变换的实时图像融合方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114339066A (zh) * | 2020-09-30 | 2022-04-12 | 上海中兴软件有限责任公司 | 一种图像处理方法、装置、终端及介质 |
| CN112634165A (zh) * | 2020-12-29 | 2021-04-09 | 广州光锥元信息科技有限公司 | 用于图像适配vi环境的方法及装置 |
| CN112634165B (zh) * | 2020-12-29 | 2024-03-26 | 广州光锥元信息科技有限公司 | 用于图像适配vi环境的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325700B (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109389552B (zh) | 一种基于上下文相关多任务深度学习的图像超分辨算法 | |
| CN110443768B (zh) | 基于多重一致性约束的单帧图像超分辨率重建方法 | |
| CN110276721A (zh) | 基于级联残差卷积神经网络的图像超分辨率重建方法 | |
| CN102982520B (zh) | 一种基于轮廓先验的鲁棒性人脸超分辨率处理方法 | |
| CN112215755B (zh) | 一种基于反投影注意力网络的图像超分辨率重建方法 | |
| CN110400275B (zh) | 一种基于全卷积神经网络和特征金字塔的颜色校正方法 | |
| CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
| CN111178499B (zh) | 一种基于生成对抗网络改进的医学图像超分辨率方法 | |
| CN111626927B (zh) | 采用视差约束的双目图像超分辨率方法、***及装置 | |
| CN110363704B (zh) | 融合形态及色彩的图像超分辨率重建模型构建及重建方法 | |
| CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
| CN111325700B (zh) | 基于彩色图像的多维度融合方法和*** | |
| Zhou et al. | Cross-scale residual network: A general framework for image super-resolution, denoising, and deblocking | |
| CN112001843A (zh) | 一种基于深度学习的红外图像超分辨率重建方法 | |
| CN105654425A (zh) | 一种应用于医学x光图像的单幅图像超分辨率重建方法 | |
| CN112184549B (zh) | 基于时空变换技术的超分辨图像重建方法 | |
| CN115393191A (zh) | 一种轻量级遥感图像超分辨率重建方法、装置及设备 | |
| CN115511708A (zh) | 基于不确定性感知特征传输的深度图超分辨率方法及*** | |
| Wang et al. | Multiscale supervision-guided context aggregation network for single image dehazing | |
| CN111553856A (zh) | 基于深度估计辅助的图像去雾方法 | |
| CN111951171A (zh) | Hdr图像生成方法、装置、可读存储介质及终端设备 | |
| CN111080533B (zh) | 一种基于自监督残差感知网络的数码变焦方法 | |
| CN111899166A (zh) | 一种基于深度学习的医学高光谱显微图像超分辨重构方法 | |
| CN110895790A (zh) | 基于后验降质信息估计的场景图像超分辨方法 | |
| CN107767342B (zh) | 一种基于积分平差模型的小波变换超分辨率图像重建方法 |
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 |