CN111539250B - 一种基于神经网络的图像雾浓度估计方法、***和终端 - Google Patents
一种基于神经网络的图像雾浓度估计方法、***和终端 Download PDFInfo
- Publication number
- CN111539250B CN111539250B CN202010171560.9A CN202010171560A CN111539250B CN 111539250 B CN111539250 B CN 111539250B CN 202010171560 A CN202010171560 A CN 202010171560A CN 111539250 B CN111539250 B CN 111539250B
- Authority
- CN
- China
- Prior art keywords
- image
- fog
- neural network
- features
- adopting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000003213 activating effect Effects 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims abstract description 11
- 238000012935 Averaging Methods 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims 1
- 241000282414 Homo sapiens Species 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 4
- 239000003595 mist Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于神经网络的图像雾浓度估计方法、***和终端,方法包括:采用卷积神经网络自动提取待测图像的特征;将提取的待测图像的所述特征采用最大池化层与卷积层进行特征映射;计算映射后的所述特征中的最大值和平均值,并将两者进行融合;对于融合后的特征进行激活;对激活得到的特征取平均,得到的结果为最后整幅图像的雾浓度。所述***包括特征提取模块、特征映射模块、局部统计值集散模块和最大值均值融合模块。本发明能很好的预测雾浓度的大小,并且与人类的主观评价高度一致,可以对任意大小的雾图像进行雾浓度的估计。
Description
技术领域
本发明涉及图像处理技术领域,具体地,涉及一种基于神经网络的图像雾浓度估计方法和***、终端。
背景技术
随着机器学习、神经网络的发展,越来越多的基于计算机视觉技术的应用被应用于生活的方方面面,比如交通监控***、自动驾驶***、导航机器人。然而,这些***都假定其输入的图像或视频为晴朗天气下的高质量图像。但是,天气因素是一个必须考虑的因素,因为天气情况将不同程度地影响图像的质量和可用性。比如在雾霾天气下,摄像机拍摄而得的图像必将呈现出灰蒙蒙的视觉感受,而后端的感知类技术势必将受到其影响而降低整个***的准确率和鲁棒性。因此,很多学者和专家提出了许多与天气有关的图像处理技术和图像识别技术。比如图像中的天气分类、恶劣环境下的目标识别(如雾天气)。
雾浓度大小评估在这些计算机视觉***中十分关键,其衡量了图像的清晰度。雾浓度的大小程度为***的决策层面提供重要的参考。
目前,在图像雾浓度估计领域,要做到精确地预测单幅图像的雾浓度大小,仍然是一个很大的挑战。因为雾的形成受图像深度的影响而影响,并且单幅图像往往缺少对应地无雾图像作为参考。大多数的方法借助不同的先验知识,比如Hauti′ere等人借助汽车的车载相机估计图像中的深度从而预测雾浓度大小。首次单幅图像雾浓度预测技术被Choi等人提出。他们采用了人工提取的图像特征用于回归雾浓度大小。虽然他们的技术无需任何先验知识,取得了不错的结果,但是他们仍然采用了繁琐的手动提取特征方法,其与人类判断的真实浓度的相关系数仍然有待提升。
发明内容
针对以上现有技术的不足,本发明的目的是提供一种基于神经网络的图像雾浓度估计方法和***、终端。
根据本发明的第一方面,提供一种基于神经网络的图像雾浓度估计方法,包括:
采用卷积神经网络自动提取待测图像的特征;
将提取的待测图像的所述特征采用最大池化层与卷积层进行特征映射;
计算映射后的所述特征中的最大值和平均值,并将两者进行融合;
对于融合后的特征进行激活;
对激活得到的特征取平均,得到的结果为最后整幅图像的雾浓度。
可选地,所述采用卷积神经网络自动提取待测图像的特征,包括:
所述卷积神经网络以自动学习的方式提取图像特征,其中使用5×5、1×1卷积核相连接,用于提取雾相关特征具体公式如下:
i,j=1,2,…24, (5)
其中,I是输入的雾图像,w1、w2,b1、b2是待学习卷积核参数,w1为5×5大小的卷积核,w2为1×1大小的卷积核,为提取的特征,h是中间特征,b1,b2是偏置,i,j是索引。
可选地,所述将提取的待测图像的特征采用最大池化层与卷积层进行特征映射,其公式如下:
i=1,2,…24, (8)
n=1,2,…48, (9)
其中,γr(2y)为以2y为中心、r为半径的滑窗,b3为偏置,g为中间特征,w3为5×5卷积核,为映射后的特征,i,n是索引。
可选地,所述计算映射后的特征中的最大值和平均值,具体公式如下:
n=1,2,…48, (12)
其中和/>分别为提取到的最大值和平均值,γr(y)为以y为中心、r为半径的滑窗,n是索引。
可选地,所述将两者进行融合,采用自动学习的权重进行融合,其公式如下:
F3=w4*Favg+w5*Fmax+b4, (13)
其中F3为融合后的特征,w4,w5为卷积核,Favg为平均值,Fmax为最大值,b4为偏置。
可选地,所述对于融合后的特征进行激活,是指对于融合后的特征,采用Sigmoid激活函数进行激活,具体公式如下:
F4=σ(F3), (15)
其中F4为激活后的特征,e为自然对数,F3为融合后的特征。
可选地,在所述采用卷积神经网络自动提取待测图像的特征之前,还包括:对所述卷积神经网络进行训练,获得一个端到端的雾浓度预测用卷积神经网。
可选地,对所述卷积神经网络进行训练,包括:
采用雾仿真模型,在任意的清晰无雾图像上仿真出雾,形成成对的仿真的雾图像和对应的无雾清晰图像;
以仿真的雾图像和对应的无雾清晰图像作为参考,采用全参考图像质量评价算法评估仿真雾图像的雾浓度;
收集大量的清晰无雾图像,用于生成对应的仿真的雾图像,并计算对应的全参考质量评价指标(比如SSIM),作为其训练的标签;其中利用雾图像的局部区域用于训练。
可选地,所述雾仿真模型,生成雾的浓度根据模型的参数而定,具体如下:
I(x)=J(x)t(x)+A[1-t(x)] (1)
其中,I(x)为合成的雾图,J(x)是清晰的无雾图,t(x)为媒介传播率,A为全局的大气光;将A设置为常量1,通过控制t(x)的大小来控制雾浓度。
根据本发明的第二方面,提供一种基于神经网络的图像雾浓度估计***,包括:
特征提取模块,采用卷积神经网络自动提取待测图像的特征;
特征映射模块,将提取的待测图像的所述特征采用最大池化层与卷积层进行特征映射;
局部统计值计算模块,计算映射后的所述特征中的最大值和平均值,并将两者进行融合;
最大值平均值融合模块,对于融合后的特征进行激活,对激活得到的特征取平均,得到的结果为最后整幅图像的雾浓度。
根据本发明的第三方面,提供一种基于神经网络的图像雾浓度估计终端,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程序时可用于执行所述的基于神经网络的图像雾浓度估计方法。
与现有技术相比,本发明具有如下的有益效果:
本发明上述方法和装置,首次采用神经网络进行雾浓度评估,能很好的预测雾浓度的大小,并且与人类的主观评价高度一致。与目前其他技术相比,达到了现有的最好水平。
本发明上述方法和装置,对图像雾浓度估计旨在衡量图像被雾影响的程度大小,并提供一个雾浓度大小与清晰度指标,其指标的数值越大,图像受雾的影响越大、清晰度越差。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例中基于神经网络的图像雾浓度估计方法流程图;
图2为本发明一较优实施例中基于神经网络的图像雾浓度估计方法原理框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
图1为本发明一实施例中基于神经网络的图像雾浓度估计方法流程图。
参照图1所示,该实施例中基于神经网络的图像雾浓度估计方法包括如下步骤:
S1,采用卷积神经网络自动提取待测图像的特征;
S2,将S1提取的待测图像的所述特征采用最大池化层与卷积层进行特征映射;
S3,计算S2映射后的所述特征中的最大值和平均值,并将两者进行融合;
S4,对于S3融合后的特征进行激活;
S5,对S4激活得到的特征取平均,得到的结果为最后整幅图像的雾浓度。
本发明上述实施例可以对任意大小的雾图像进行雾浓度的估计,能很好的预测雾浓度的大小,并且与人类的主观评价高度一致。
在部分优选实施例中,上述S1中,采用卷积神经网络(CNN)自动提取图像的特征。在深度学习中,卷积神经网络被广泛地以自动学习的方式提取图像特征。在本发明部分优选实施例中,使用5×5、1×1卷积核相连接,用于提取雾相关特征,公式如下:
i,j=1,2,…24, (5)
其中,I是输入的雾图像,w,b(w1、w2,b1、b2)是待学习卷积核参数,w1为5×5大小的卷积核,w2为1×1大小的卷积核,为提取的特征,h是中间特征,b1,b2是偏置,i,j是索引。
在部分优选实施例中,上述S2中,采用最大池化层与卷积层用于特征映射,最大池化层可以显著地减少特征数量。具体的,特征映射公式如下:
i=1,2,…24, (8)
n=1,2,…48, (9)
其中,γr(2y)为以2y为中心、r为半径的滑窗,b3为偏置,g为中间特征,w3为5×5卷积核,为映射后的特征,i,n是索引。
在部分优选实施例中,上述S3中,计算映射后的特征中的最大值和平均值,并将两者进行融合。最大值与平均值有各自的不同特性,将两者融合的具体公式如下:
n=1,2,…48, (12)
其中和/>分别为提取到的最大值和平均值,γr(y)为以y为中心、r为半径的滑窗,n是索引。
进一步的,采用自动学习的权重进行融合,其公式如下:
F3=w4*Favg+w5*Fmax+b4, (13)
在部分优选实施例中,上述S4中,对于融合后的特征,采用Sigmoid激活函数进行激活,具体公式如下:
F4=σ(F3), (15)
其中F3为融合后的特征,w4,w5为卷积核,Favg为平均值,Fmax为最大值,b4为偏置。
最后,对激活得到的特征取平均即为最后整幅图像的雾浓度。
在本发明一较佳实施例中,在上述步骤S1之前,还包括对卷积神经网络进行训练,包括:采用雾仿真模型,在任意的清晰无雾图像上仿真出雾,形成成对的仿真的雾图像和对应的无雾清晰图像;以仿真的雾图像和对应的无雾清晰图像作为参考,采用全参考质量评价指标评估仿真雾图像的雾浓度;收集大量的清晰无雾图像,用于生成对应的仿真的雾图像,并计算对应的全参考质量评价指标比如SSIM,作为其训练的标签;其中利用雾图像的局部区域用于训练。
基于上述方法,在本发明另一实施例中,提供基于神经网络的图像雾浓度估计装置,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程序时可用于执行所述的基于神经网络的图像雾浓度估计方法。
为了更好地说明本发明上述方法的实施情况,以下通过一个具体的应用实例来进行介绍,应当理解的是,该实施例并用于限定本发明。
参照图2所示,为本发明一应用实例的原理图,其中整个方法的实施包含了两大部分,即训练部分和预测部分。
1)训练部分
对卷积神经网络的训练需要大量的数据和真实标签。这对雾浓度估计来讲是一个很大的挑战。一方面,因为无法对一张雾图像的每一个像素点进行精确地标注;另一方名,雾图像往往不能成对地出现,即有了一张雾霾图像,无法获得其对应地清晰图像,因此无法精确地计算雾浓度。
针对上述问题,首先,本实施例中引入了广泛接受的雾仿真模型,用于仿真合成雾图像。该模型可以在任意的清晰无雾图像上仿真出雾,这使得雾图像和无雾图像可以成对的出现,即仿真的雾图像和对应的无雾清晰图像,并且雾仿真模型生成雾的浓度可以根据雾仿真模型的参数而定。具体的,雾仿真模型的公式如下:
I(x)=J(x)t(x)+A[1-t(x)] (1)
其中,I(x)为合成的雾图,J(x)是清晰的无雾图,t(x)为媒介传播率,A为全局的大气光。将A设置为常量1,可以通过控制t(x)的大小来控制雾浓度。
对于公式(1)中的参数选择应当做到均匀且随机,即可采用0到1的均值分布抽样产生随机数,进行雾图像的合成。
其次,有了雾图像和对应的无雾图像作为参考,采用全参考图像质量评价算法用于评估仿真雾图像的雾浓度。具体地,本实施例中采用结构相似性指标(SSIM),对于公式(1)获取的合成雾图像,通过公式(2)计算SSIM图:
其中,μx,μy分别是图像x,y的均值,和σx,σy分别是图像x,y的方差,σxy为图像x,y之前的协方差,c1,c2为很小的常数防止分母为零。
最后,收集大量的无雾的清图像,用于生成雾图像,并计算对应的SSIM指标,作为其训练的标签。与大部分的深度学习类似,本实施例用图像的局部区域用于训练,更有效地提取雾相关特征,防止过拟合。
上述过程中,采集足够的无雾的图像,经上述公式(1)与公式(2)进行训练集的建立。无雾图像的选择应当做到内容的多样,尽量包含不同的场景,不同的颜色分布,且必须清晰高质量。对产生的合成雾图像,进行随机的裁剪,用于生成局部的小图像,并获取对应的SSIM值。可使用大小为32×32大小的图像。
得到上述可用于训练的数据集之后,采用TensorFlow、PyTorch、Keras等框架进行图像雾浓度估计***的建立。训练过程可参考公式(3)至公式(15),或者可参考如下表中的配置:
图像雾浓度估计***可采用均方差(MSE)作为损失函数。
由于图像雾浓度估计***的搭建为端到端的,可直接采用第一部分的训练集对其进行训练。其整个训练过程如图2所示。
待优化的公式如下:
本实施例中采用RMSprop优化器,学习率为0.001,并每一轮迭代进行0.001的衰减,进行1000轮训练。
通过高效的训练,本实施例可以获得一个端到端的图像雾浓度估计***,其输入可以为任何尺寸的雾图像。
2)预测部分
得到的图像雾浓度估计***主要分为4个模块,即:特征提取模块、特征映射模块、局部统计值计算模块和最大值平均值融合模块。其中,特征提取模块,采用卷积神经网络自动提取待测图像的特征;特征映射模块,将提取的待测图像的所述特征采用最大池化层与卷积层进行特征映射;局部统计值计算模块,计算映射后的所述特征中的最大值和平均值,并将两者进行融合;最大值平均值融合模块,对于融合后的特征进行激活,对激活得到的特征取平均,得到的结果为最后整幅图像的雾浓度。
上述各个模块具体实现的技术与前面介绍的图像雾浓度估计方法各步骤中的技术对应,具体使用时,将待测图像输入上述特征提取模块,依次经过特征映射模块、局部统计值计算模块和最大值平均值融合模块处理后,得到最终的雾浓度大小与清晰度指标,其指标的数值越大,图像受雾的影响越大、清晰度越差。
本发明上述方法对任意雾图像的输入,将给出其每一个区域的雾浓度水平以及全局的雾浓度,能很好的预测雾浓度的大小。特别是以单幅图像为输入的、以人类主观感受为主的雾浓度估计。
综上,本发明上述实施例训练所需的数据集由两部分组成:公认的雾生成模型仿真而得的雾图像和由全参考质量评价算法计算而得的标签。训练为一种端到端的训练方式。***的输入可以任意尺寸的雾图像,并预测出每一个区域的雾浓度大小,全局的雾浓度大小可由计算平均值得到。能很好的预测雾浓度的大小,并且与人类的主观评价高度一致。
需要说明的是,本发明提供的所述方法中的步骤,可以利用所述***中对应的模块、装置、单元等予以实现,本领域技术人员可以参照所述***的技术方案实现所述方法的步骤流程,即,所述***中的实施例可理解为实现所述方法的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (3)
1.一种基于神经网络的图像雾浓度估计方法,其特征在于,包括:
采用卷积神经网络自动提取待测图像的特征;
将提取的待测图像的所述特征采用最大池化层与卷积层进行特征映射;
计算映射后的所述特征中的最大值和平均值,并将两者进行融合;
对于融合后的特征进行激活;
对激活得到的特征取平均,得到的结果为最后整幅图像的雾浓度;
在所述采用卷积神经网络自动提取待测图像的特征之前,还包括:对所述卷积神经网络进行训练,获得一个端到端的雾浓度预测用卷积神经网;
所述采用卷积神经网络自动提取待测图像的特征,包括:
所述卷积神经网络以自动学习的方式提取图像特征,其中使用5×5、1×1卷积核相连接,用于提取雾相关特征具体公式如下:
i,j=1,2,…,24, (5)
其中,I是输入的雾图像,w1、w2,b1、b2是待学习卷积核参数,w1为5×5大小的卷积核,w2为1×1大小的卷积核,为提取的特征,h是中间特征,b1,b2是偏置,i,j是索引;
所述将提取的待测图像的特征采用最大池化层与卷积层进行特征映射,其公式如下:
i=1,2,…24, (8)
n=1,2,…48, (9)
其中,γr(2y)为以2y为中心、r为半径的滑窗,b3为偏置,g为中间特征,w3为5×5卷积核,为映射后的特征,i,n是索引;
所述计算映射后的特征中的最大值和平均值,具体公式如下:
n=1,2,…48, (12)
其中和/>分别为提取到的最大值和平均值,γr(y)为以y为中心、r为半径的滑窗,n是索引;
所述将两者进行融合,采用自动学习的权重进行融合,其公式如下:
F3=w4*Favg+w5*Fmax+b4, (13)
其中F3为融合后的特征,w4,w5为卷积核,Favg为平均值,Fmax为最大值,b4为偏置;
所述对于融合后的特征进行激活,是指对于融合后的特征,采用Sigmoid激活函数进行激活,具体公式如下:
F4=σ(F3), (15)
其中F4为激活后的特征,e为自然对数,F3为融合后的特征;
对所述卷积神经网络进行训练,包括:
采用雾仿真模型,在任意的清晰无雾图像上仿真出雾,形成成对的仿真的雾图像和对应的无雾清晰图像;
以仿真的雾图像和对应的无雾清晰图像作为参考,采用全参考图像质量评价算法评估仿真雾图像的雾浓度;
收集大量的清晰无雾图像,用于生成对应的仿真的雾图像,并计算对应的全参考质量评价指标,作为其训练的标签,其中利用雾图像的局部区域用于训练;
卷积神经网络整个训练过程,待优化的公式如下:
采用RMSprop优化器,学习率为0.001,并每一轮迭代进行0.001的衰减,进行1000轮训练。
2.一种用于实现权利要求1的基于神经网络的图像雾浓度估计方法的***,其特征在于,包括:
特征提取模块,采用卷积神经网络自动提取待测图像的特征;
特征映射模块,将提取的待测图像的所述特征采用最大池化层与卷积层进行特征映射;
局部统计值计算模块,计算映射后的所述特征中的最大值和平均值,并将两者进行融合;
最大值平均值融合模块,对于融合后的特征进行激活,对激活得到的特征取平均,得到的结果为最后整幅图像的雾浓度。
3.一种基于神经网络的图像雾浓度估计终端,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程序时可用于执行权利要求1任一所述的基于神经网络的图像雾浓度估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171560.9A CN111539250B (zh) | 2020-03-12 | 2020-03-12 | 一种基于神经网络的图像雾浓度估计方法、***和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171560.9A CN111539250B (zh) | 2020-03-12 | 2020-03-12 | 一种基于神经网络的图像雾浓度估计方法、***和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539250A CN111539250A (zh) | 2020-08-14 |
CN111539250B true CN111539250B (zh) | 2024-02-27 |
Family
ID=71974810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171560.9A Active CN111539250B (zh) | 2020-03-12 | 2020-03-12 | 一种基于神经网络的图像雾浓度估计方法、***和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539250B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102439149B1 (ko) | 2021-03-04 | 2022-08-31 | 동아대학교 산학협력단 | 흐릿함 정도 평가기 및 이를 이용한 안개 밀도 추정 방법 |
CN112699858B (zh) * | 2021-03-24 | 2021-05-18 | 中国人民解放军国防科技大学 | 无人平台烟尘雾感知方法、***、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2948499A1 (en) * | 2016-11-16 | 2018-05-16 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
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 |
CN109712083A (zh) * | 2018-12-06 | 2019-05-03 | 南京邮电大学 | 一种基于卷积神经网络的单幅图像去雾方法 |
CN110443759A (zh) * | 2019-07-09 | 2019-11-12 | 中山大学 | 一种基于深度学习的图像去雾方法 |
-
2020
- 2020-03-12 CN CN202010171560.9A patent/CN111539250B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2948499A1 (en) * | 2016-11-16 | 2018-05-16 | The Governing Council Of The University Of Toronto | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
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 |
CN109712083A (zh) * | 2018-12-06 | 2019-05-03 | 南京邮电大学 | 一种基于卷积神经网络的单幅图像去雾方法 |
CN110443759A (zh) * | 2019-07-09 | 2019-11-12 | 中山大学 | 一种基于深度学习的图像去雾方法 |
Non-Patent Citations (1)
Title |
---|
杨晋丹,杨涛,等.基于卷积神经网络的草莓叶部白粉病病害识别.江苏农业学报.2018,第34卷(第34期),527-532. * |
Also Published As
Publication number | Publication date |
---|---|
CN111539250A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929578B (zh) | 一种基于注意力机制的抗遮挡行人检测方法 | |
CN111738942A (zh) | 一种融合特征金字塔的生成对抗网络图像去雾方法 | |
CN106897673B (zh) | 一种基于retinex算法和卷积神经网络的行人再识别方法 | |
CN109902018B (zh) | 一种智能驾驶***测试案例的获取方法 | |
CN108805016B (zh) | 一种头肩区域检测方法及装置 | |
CN111539250B (zh) | 一种基于神经网络的图像雾浓度估计方法、***和终端 | |
CN110866872B (zh) | 一种路面裂缝图片预处理智能选择方法、装置及电子设备 | |
CN115713533B (zh) | 基于机器视觉的电力设备表面缺陷检测方法及装置 | |
CN112634171B (zh) | 基于贝叶斯卷积神经网络的图像去雾方法及存储介质 | |
CN113033687A (zh) | 一种雨雪气候条件下的目标检测识别方法 | |
CN110782448A (zh) | 渲染图像的评价方法及装置 | |
CN112767267A (zh) | 基于仿真偏振带雾场景数据集的图像去雾方法 | |
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 | |
CN111598793A (zh) | 一种用于输电线路图像去雾的方法、***及存储介质 | |
Ge et al. | An improved U-net architecture for image dehazing | |
Hepburn et al. | Enforcing perceptual consistency on generative adversarial networks by using the normalised laplacian pyramid distance | |
CN111275642A (zh) | 一种基于显著性前景内容的低光照图像增强方法 | |
CN113781375B (zh) | 一种基于多曝光融合的车载视觉增强方法 | |
CN114037903A (zh) | 洪涝灾害水体范围检测方法及装置、设备和存储介质 | |
CN112380985A (zh) | 变电站入侵异物实时检测方法 | |
CN108875630B (zh) | 一种基于视频的雨天环境下移动目标检测方法 | |
CN111914751A (zh) | 一种图像人群密度识别检测方法及*** | |
Fan et al. | An iterative defogging algorithm based on pixel-level atmospheric light map | |
Husain et al. | The dynamic scattering coefficient on image dehazing method with different haze conditions | |
CN114973390B (zh) | 结合眼动注意力机制的复杂背景红外微弱目标检测方法 |
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 |