CN111598793A - 一种用于输电线路图像去雾的方法、***及存储介质 - Google Patents
一种用于输电线路图像去雾的方法、***及存储介质 Download PDFInfo
- Publication number
- CN111598793A CN111598793A CN202010330363.7A CN202010330363A CN111598793A CN 111598793 A CN111598793 A CN 111598793A CN 202010330363 A CN202010330363 A CN 202010330363A CN 111598793 A CN111598793 A CN 111598793A
- Authority
- CN
- China
- Prior art keywords
- network model
- neural network
- defogging
- transmission line
- flow
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 158
- 238000013140 knowledge distillation Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007670 refining 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
- G06T5/73—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)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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 Analysis (AREA)
Abstract
本申请公开了一种用于输电线路图像去雾的方法、***及存储介质,本申请通过使用教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型实现了对输电线路有雾图像端到端的处理,减少了人为估计参数的步骤,节约了时间,通过使用学生流浅层神经网络模型对教师流深度神经网络模型的学习,大大减少了直接使用教师流深度神经网络模型的参数,通过具有去雾能力的学生流浅层神经网络模型对有雾图像进行去雾处理,能够得到清晰的图像。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种用于输电线路图像去雾的方法、***及存储介质。
背景技术
随着科学技术的发展,手机或者相机已经成了人们的生活必需品。除此之外,再到大的领域,许多照片的采集是为了进行高水平的计算机视觉任务,例如,目标检测,监控***,识别领域等等。然而,采集照片的环境不可能是良好的,采集到的照片不可能是清晰可见的。最常见的导致照片图像质量退化的原因有雾霾的影响,噪声的影响,模糊的影响等等。在上面的几种影响因素中最主要的是雾霾和雾的影响。对于雾,主要指自然界本身形成的雾,比如夜晚空气中能容纳的水汽能力减少,一部分水汽会凝结成雾。对于雾霾,由于空气的不流动,使空气中的微小颗粒聚集,漂浮在空气中;地面的灰尘;排放的汽车尾气,工厂制造出的二次污染;冬季取暖排放的C O2等污染物等等都是造成雾霾天气的原因。以上这些原因不仅退化了图像的质量,而且也影响了视觉效果,同时阻碍了高视觉任务的发展。因此去掉雾的影响,提高图像的质量和视觉效果,恢复退化图像的质量,因此,去雾在计算机视觉任务中起着至关重要的作用。
在对输电线路缺陷进行识别之前,由于雾霾天的干扰会对使采集到的图像无法很好地对输电线路中的缺陷进行识别,因此需要采用一种方法,在进行缺陷识别之前,去除图像中的雾霾。
为了去除雾霾,提高退化图像的质量,研究者们提出了很多去雾方法,这些方法在一定程度上取得了很好的效果。其中包括一系列利用大气散射模型,估计透射图,细化透射图,估计全局大气光,重建无雾的图像。然而,这样的方法存在一定的局限,例如,在一些条件下,基于先验方法的透射图的估计不准确,除此之外,对于传统大气光的估计方法在太亮的物体上,高光区域、阴影处显然是不成立的。除了这样的方法之外,还有一些基于深度学习的方法,然而,这些方法是在室内数据集和合成数据集上学习的,因此会产生低对比度,图片颜色单一的结果。不仅如此,这些方法由于学习参数的庞大,造成既浪费时间,又存储空间的结果。因此,如何设计一种图片质量高、用时少、节约存储空间和参数少的用于输电线路图像去雾的方法成为亟待解决的问题。
发明内容
本申请提供了一种用于输电线路图像去雾的方法、***及存储介质,以解决现有方法去雾后的图片质量差、用时长、需要较大存储空间以及所需参数多的问题。
第一方面,本申请提供一种用于输电线路图像去雾的方法,包括:
S1:选取网络训练数据集,所述网络训练数据集包括训练数据集和测试集;
S2:构建教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型;
S3:通过所述训练数据集,对所述教师流深度神经网络模型进行去雾监督训练;
S4:通过所述知识蒸馏神经网络模型,构建所述知识蒸馏神经网络模型的损失函数;
S5:通过所述损失函数,对所述学生流浅层神经网络模型进行训练,直至所述学生流浅层神经网络模型的损失项不再下降时,停止训练;
S6:训练好的所述学生流浅层神经网络模型向训练好的所述教师流深度神经网络模型学习,得到具有去雾能力的学生流浅层神经网络模型;
S7:将有雾的输电线路图片输入到所述具有去雾能力的学生流浅层神经网络模型中,所述具有去雾能力的学生流浅层神经网络模型对所述有雾的输电线路图片进行去雾处理,输出去雾后的输电线路图片。
可选择的,所述训练数据集为RESIDE数据集。
可选择的,所述测试集为输电线路有雾图像
可选择的,所述RESIDE数据集包括输电线路有雾图像和清晰图像,所述RESIDE数据集还包括所述有雾图像和所述清晰图像对应的深度图、合成有雾图像和真实有雾图像。
可选择的,所述教师流深度神经网络模型包括121层卷积层,所述教师流深度神经网络模型包括空间金字塔池化算法和空洞卷积算法。
可选择的,所述学生流浅层神经网络模型包括16层卷积层,所述学生流浅层神经网络模型包括跳跃连接算法、空洞卷积算法和多尺度融合算法。
第二方面,本申请提供一种用于输电线路图像去雾的***,包括网络训练数据集选取模块、网络模型构建模块、损失函数构建模块、学生流浅层神经网络模型训练模块、学习模块和去雾模块,其中:
所述网络训练数据集选取模块,用于选取网络训练数据集,所述网络训练数据集包括训练数据集和测试集;
所述网络模型构建模块,用于构建教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型;
所述去雾监督训练模块,用于通过所述训练数据集,对所述教师流深度神经网络模型进行去雾监督训练;
所述损失函数构建模块,用于通过所述知识蒸馏神经网络模型,构建所述知识蒸馏神经网络模型的损失函数;
所述学生流浅层神经网络模型训练模块,用于通过所述损失函数,对所述学生流浅层神经网络模型进行训练,直至所述学生流浅层神经网络模型的损失项不再下降时,停止训练;
所述学习模块,用于训练好的所述学生流浅层神经网络模型向训练好的所述教师流深度神经网络模型学习,得到具有去雾能力的学生流浅层神经网络模型;
所述去雾模块,用于将有雾的输电线路图片输入到所述具有去雾能力的学生流浅层神经网络模型中,所述具有去雾能力的学生流浅层神经网络模型对所述有雾的输电线路图片进行去雾处理,输出去雾后的输电线路图片。
第三方面,本申请提供一种用于输电线路图像去雾的存储介质,所述计算机可执行指令在由计算机处理器执行时实现如第一方面所述的用于输电线路图像去雾的方法。
由以上技术方案可知,本申请通过使用教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型实现了对输电线路有雾图像端到端的处理,减少了人为估计参数的步骤,节约了时间,通过使用学生流浅层神经网络模型对教师流深度神经网络模型的学习,大大减少了直接使用教师流深度神经网络模型的参数,通过具有去雾能力的学生流浅层神经网络模型对有雾图像进行去雾处理,能够得到清晰的图像。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的一种用于输电线路图像去雾的方法的流程图;
图2为本申请提供的一种用于输电线路图像去雾的方法的带有不同卷积率的空洞卷积示意图;
图3为本发明的去雾网络的结构图。
具体实施方式
下面结合本申请中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其他不同于再次描述的其他方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
第一方面,参见图1和图3,本申请提供一种用于输电线路图像去雾的方法,包括:
S1:选取网络训练数据集,所述网络训练数据集包括训练数据集和测试集;
S2:构建教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型;
上述教师流深度神经网络模型的构建是基于密集连接,上述学生流浅层神经网络模型的构建基于u-net。
S3:通过所述训练数据集,对所述教师流深度神经网络模型进行去雾监督训练;
S4:通过所述知识蒸馏神经网络模型,构建所述知识蒸馏神经网络模型的损失函数;
S5:通过所述损失函数,对所述学生流浅层神经网络模型进行训练,直至所述学生流浅层神经网络模型的损失项不再下降时,停止训练;
S6:训练好的所述学生流浅层神经网络模型向训练好的所述教师流深度神经网络模型学习,得到具有去雾能力的学生流浅层神经网络模型;
训练好的学生流浅层神经网络模型向训练好的教师流深度神经网络模型学习,训练好的学生流浅层神经网络模型能够学习到训练好的教师流深度神经网络模型的去雾能力,同时在保证一定效果的情况下,大大减少了神经网络模型的参数。
S7:将有雾的输电线路图片输入到所述具有去雾能力的学生流浅层神经网络模型中,所述具有去雾能力的学生流浅层神经网络模型对所述有雾的输电线路图片进行去雾处理,输出去雾后的输电线路图片。
本申请通过使用教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型实现了对输电线路有雾图像端到端的处理,减少了人为估计参数的步骤,节约了时间,通过使用学生流浅层神经网络模型对教师流深度神经网络模型的学习,大大减少了直接使用教师流深度神经网络模型的参数,通过具有去雾能力的学生流浅层神经网络模型对有雾图像进行去雾处理,能够得到清晰的图像。
可选择的,所述训练数据集为RESIDE数据集。
可选择的,所述测试集为输电线路有雾图像
可选择的,所述RESIDE数据集包括输电线路有雾图像和清晰图像,所述RESIDE数据集还包括所述有雾图像和所述清晰图像对应的深度图、合成有雾图像和真实有雾图像。
可选择的,所述教师流深度神经网络模型包括121层卷积层(见表1),所述教师流深度神经网络模型包括空间金字塔池化算法和空洞卷积算法。
表1
在教师流深度神经网络模型中增加了空间金字塔池化算法和空洞卷积方法,不同的卷积率对应着不同的感受野,在使用相同参数量的情况下可以增加卷积核的感受野。
本发明的教师流深度神经网络模型在密集连接网络的基础上,增加了金字塔池化的操作,同时加入了空洞卷积操作,这样能够在原来网络的基础上,扩大神经网络的感受野,保证能够提取到更加细节的特征。
可选择的,所述学生流浅层神经网络模型包括16层卷积层(见表2),所述学生流浅层神经网络模型包括跳跃连接算法、空洞卷积算法和多尺度融合算法。
表2
在学生流浅层神经网络模型中,增加了跳跃连接,空洞卷积(参见图2)和多尺度融合的算法。
与传统的卷积方法相比,不同的卷积率对应着不同的感受野,在使用相同参数量的情况下可以增加卷积核的感受野。在学生流浅层神经网络模型中,因为网络层数较少,卷积核的数目有限,所以不能很好地保证网络输出的特征图包含丰富的信息,因此采用类似于密集连接网络中的跳跃连接方法,保证网络能够包含更多的信息,并且为了进一步扩大感受野,在使用空洞卷积之后又加入了多尺度融合的方法,把不同卷积率的特征图进行融合,从而使特征图中包含更加丰富的信息。
本发明使用16层卷积层作为学生流浅层神经网络模型,在原来网络的基础上加入了跳跃连接,保证网络能够提取到更多深层和浅层信息,同时学生流浅层神经网络模型采用了空洞卷积,保证卷积神经网络能够提取到更多尺度的信息。
教师流深度神经网络模型是已经预训练好的深度残差神经网络,能对LZM转换的分解图像提取到昂贵的高频特征。学生流浅层神经网络模型是提取特征的卷积神经网络,通过知识蒸馏约束学生流浅层神经网络模型提取到昂贵的特征,提取输出图像所需要的丰富的高频信息。采用回归损失进行知识蒸馏,公式为:
Ltz=||ft(x)-fs(x)||2
其中ft(x)是“教师流”网络提取到的特征,fs(x)是“学生流”网络得到的特征,||||2表示l2范数运算。
在教师流深度神经网络模型和学生流浅层神经网络模型之间进行特征层面的距离度量。对于去雾图像的知识蒸馏方法,所进行的距离度量是在教师流深度神经网络模型输出的特征图和学生流浅层神经网络模型输出的特征图之间进行逐像素进行度量,可以采用均方差等常见公式。传统的知识蒸馏算法往往在最后一层输出的特征图进行知识蒸馏,但是这种方法往往会获得较少的教师流信息,导致信息丢失。本发明采用多层知识蒸馏方法,可以更好地保留教师流深度神经网络模型的信息,达到更好地去雾效果。
本发明能够较好的解决传统去雾清晰化算法容易出现天空区域的halo效应的问题,使去雾效果明显提高。
本发明能够较好的解决传统去雾方法细节图像丢失的问题,有效提高去雾的图片质量。
本发明可以将去雾模型压缩到较小的网络中,可以在移动设备上直接运行,能够更加的符合对输电线路图像去雾的要求,实现复杂度较低,具有广泛运用的特点。
第二方面,本申请提供一种用于输电线路图像去雾的***,包括网络训练数据集选取模块、网络模型构建模块、损失函数构建模块、学生流浅层神经网络模型训练模块、学习模块和去雾模块,其中:
所述网络训练数据集选取模块,用于选取网络训练数据集,所述网络训练数据集包括训练数据集和测试集;
所述网络模型构建模块,用于构建教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型;
所述去雾监督训练模块,用于通过所述训练数据集,对所述教师流深度神经网络模型进行去雾监督训练;
所述损失函数构建模块,用于通过所述知识蒸馏神经网络模型,构建所述知识蒸馏神经网络模型的损失函数;
所述学生流浅层神经网络模型训练模块,用于通过所述损失函数,对所述学生流浅层神经网络模型进行训练,直至所述学生流浅层神经网络模型的损失项不再下降时,停止训练;
所述学习模块,用于训练好的所述学生流浅层神经网络模型向训练好的所述教师流深度神经网络模型学习,得到具有去雾能力的学生流浅层神经网络模型;
所述去雾模块,用于将有雾的输电线路图片输入到所述具有去雾能力的学生流浅层神经网络模型中,所述具有去雾能力的学生流浅层神经网络模型对所述有雾的输电线路图片进行去雾处理,输出去雾后的输电线路图片。
第三方面,本申请提供一种用于输电线路图像去雾的存储介质,所述计算机可执行指令在由计算机处理器执行时实现如第一方面所述的用于输电线路图像去雾的方法。
本申请提供一种用于输电线路图像去雾的方法、***及存储介质,所述用于输电线路图像去雾的方法包括选取网络训练数据集;构建教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型;通过所述训练数据集,对所述教师流深度神经网络模型进行去雾监督训练;通过所述知识蒸馏神经网络模型,构建所述知识蒸馏神经网络模型的损失函数;通过所述损失函数,对所述学生流浅层神经网络模型进行训练,直至所述学生流浅层神经网络模型的损失项不再下降时,停止训练;训练好的所述学生流浅层神经网络模型向训练好的所述教师流深度神经网络模型学习,得到具有去雾能力的学生流浅层神经网络模型;将有雾的输电线路图片输入到所述具有去雾能力的学生流浅层神经网络模型中,所述具有去雾能力的学生流浅层神经网络模型对所述有雾的输电线路图片进行去雾处理,输出去雾后的输电线路图片。
本申请通过使用教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型实现了对输电线路有雾图像端到端的处理,减少了人为估计参数的步骤,节约了时间,通过使用学生流浅层神经网络模型对教师流深度神经网络模型的学习,大大减少了直接使用教师流深度神经网络模型的参数,通过具有去雾能力的学生流浅层神经网络模型对有雾图像进行去雾处理,能够得到清晰的图像。
以上仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种用于输电线路图像去雾的方法,其特征在于,所述方法包括:
S1:选取网络训练数据集,所述网络训练数据集包括训练数据集和测试集;
S2:构建教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型;
S3:通过所述训练数据集,对所述教师流深度神经网络模型进行去雾监督训练;
S4:通过所述知识蒸馏神经网络模型,构建所述知识蒸馏神经网络模型的损失函数;
S5:通过所述损失函数,对所述学生流浅层神经网络模型进行训练,直至所述学生流浅层神经网络模型的损失项不再下降时,停止训练;
S6:训练好的所述学生流浅层神经网络模型向训练好的所述教师流深度神经网络模型学习,得到具有去雾能力的学生流浅层神经网络模型;
S7:将有雾的输电线路图片输入到所述具有去雾能力的学生流浅层神经网络模型中,所述具有去雾能力的学生流浅层神经网络模型对所述有雾的输电线路图片进行去雾处理,输出去雾后的输电线路图片。
2.如权利要求1所述的用于输电线路图像去雾的方法,其特征在于,所述训练数据集为RESIDE数据集。
3.如权利要求1所述的用于输电线路图像去雾的方法,其特征在于,所述测试集为输电线路有雾图像。
4.如权利要求2所述的用于输电线路图像去雾的方法,其特征在于,所述RESIDE数据集包括输电线路有雾图像和清晰图像,所述RESIDE数据集还包括所述有雾图像和所述清晰图像对应的深度图、合成有雾图像和真实有雾图像。
5.如权利要求1所述的用于输电线路图像去雾的方法,其特征在于,所述教师流深度神经网络模型包括121层卷积层,所述教师流深度神经网络模型包括空间金字塔池化算法和空洞卷积算法。
6.如权利要求1所述的用于输电线路图像去雾的方法,其特征在于,所述学生流浅层神经网络模型包括16层卷积层,所述学生流浅层神经网络模型包括跳跃连接算法、空洞卷积算法和多尺度融合算法。
7.一种用于输电线路图像去雾的***,其特征在于,所述***包括网络训练数据集选取模块、网络模型构建模块、损失函数构建模块、学生流浅层神经网络模型训练模块、学习模块和去雾模块,其中:
所述网络训练数据集选取模块,用于选取网络训练数据集,所述网络训练数据集包括训练数据集和测试集;
所述网络模型构建模块,用于构建教师流深度神经网络模型、学生流浅层神经网络模型和知识蒸馏神经网络模型;
所述去雾监督训练模块,用于通过所述训练数据集,对所述教师流深度神经网络模型进行去雾监督训练;
所述损失函数构建模块,用于通过所述知识蒸馏神经网络模型,构建所述知识蒸馏神经网络模型的损失函数;
所述学生流浅层神经网络模型训练模块,用于通过所述损失函数,对所述学生流浅层神经网络模型进行训练,直至所述学生流浅层神经网络模型的损失项不再下降时,停止训练;
所述学习模块,用于训练好的所述学生流浅层神经网络模型向训练好的所述教师流深度神经网络模型学习,得到具有去雾能力的学生流浅层神经网络模型;
所述去雾模块,用于将有雾的输电线路图片输入到所述具有去雾能力的学生流浅层神经网络模型中,所述具有去雾能力的学生流浅层神经网络模型对所述有雾的输电线路图片进行去雾处理,输出去雾后的输电线路图片。
8.一种用于输电线路图像去雾的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-6中任一项所述的用于输电线路图像去雾的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330363.7A CN111598793A (zh) | 2020-04-24 | 2020-04-24 | 一种用于输电线路图像去雾的方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330363.7A CN111598793A (zh) | 2020-04-24 | 2020-04-24 | 一种用于输电线路图像去雾的方法、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111598793A true CN111598793A (zh) | 2020-08-28 |
Family
ID=72188961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010330363.7A Pending CN111598793A (zh) | 2020-04-24 | 2020-04-24 | 一种用于输电线路图像去雾的方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598793A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862095A (zh) * | 2021-02-02 | 2021-05-28 | 浙江大华技术股份有限公司 | 基于特征分析的自蒸馏学习方法、设备以及可读存储介质 |
CN113066025A (zh) * | 2021-03-23 | 2021-07-02 | 河南理工大学 | 一种基于增量学习与特征、注意力传递的图像去雾方法 |
CN114565539A (zh) * | 2022-03-17 | 2022-05-31 | 中国人民解放***箭军工程大学 | 一种基于线上知识蒸馏的图像去雾方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830813A (zh) * | 2018-06-12 | 2018-11-16 | 福建帝视信息科技有限公司 | 一种基于知识蒸馏的图像超分辨率增强方法 |
CN108830288A (zh) * | 2018-04-25 | 2018-11-16 | 北京市商汤科技开发有限公司 | 图像处理方法、神经网络的训练方法、装置、设备及介质 |
CN109146810A (zh) * | 2018-08-08 | 2019-01-04 | 国网浙江省电力有限公司信息通信分公司 | 一种基于端到端深度学习的图像去雾方法 |
CN109801232A (zh) * | 2018-12-27 | 2019-05-24 | 北京交通大学 | 一种基于深度学习的单幅图像去雾方法 |
-
2020
- 2020-04-24 CN CN202010330363.7A patent/CN111598793A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830288A (zh) * | 2018-04-25 | 2018-11-16 | 北京市商汤科技开发有限公司 | 图像处理方法、神经网络的训练方法、装置、设备及介质 |
CN108830813A (zh) * | 2018-06-12 | 2018-11-16 | 福建帝视信息科技有限公司 | 一种基于知识蒸馏的图像超分辨率增强方法 |
CN109146810A (zh) * | 2018-08-08 | 2019-01-04 | 国网浙江省电力有限公司信息通信分公司 | 一种基于端到端深度学习的图像去雾方法 |
CN109801232A (zh) * | 2018-12-27 | 2019-05-24 | 北京交通大学 | 一种基于深度学习的单幅图像去雾方法 |
Non-Patent Citations (3)
Title |
---|
袁配配;张良;: "基于深度学习的行人属性识别", 激光与光电子学进展, no. 06 * |
陈永: "基于双域分解的多尺度深度学习单幅图像去雾", 《光学学报》, pages 1 - 11 * |
陈永;郭红光;艾亚鹏;: "基于双域分解的多尺度深度学习单幅图像去雾", 光学学报, no. 02 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862095A (zh) * | 2021-02-02 | 2021-05-28 | 浙江大华技术股份有限公司 | 基于特征分析的自蒸馏学习方法、设备以及可读存储介质 |
CN112862095B (zh) * | 2021-02-02 | 2023-09-29 | 浙江大华技术股份有限公司 | 基于特征分析的自蒸馏学习方法、设备以及可读存储介质 |
CN113066025A (zh) * | 2021-03-23 | 2021-07-02 | 河南理工大学 | 一种基于增量学习与特征、注意力传递的图像去雾方法 |
CN113066025B (zh) * | 2021-03-23 | 2022-11-18 | 河南理工大学 | 一种基于增量学习与特征、注意力传递的图像去雾方法 |
CN114565539A (zh) * | 2022-03-17 | 2022-05-31 | 中国人民解放***箭军工程大学 | 一种基于线上知识蒸馏的图像去雾方法 |
CN114565539B (zh) * | 2022-03-17 | 2023-04-07 | 中国人民解放***箭军工程大学 | 一种基于线上知识蒸馏的图像去雾方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106910175B (zh) | 一种基于深度学习的单幅图像去雾算法 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及*** | |
CN110378849B (zh) | 基于深度残差网络的图像去雾去雨方法 | |
CN111598793A (zh) | 一种用于输电线路图像去雾的方法、***及存储介质 | |
CN112907479B (zh) | 基于注意力机制的残差单幅图像去雨方法 | |
CN110517203B (zh) | 一种基于参考图像重建的去雾方法 | |
CN109584188B (zh) | 一种基于卷积神经网络的图像去雾方法 | |
CN109993804A (zh) | 一种基于条件生成对抗网络的道路场景去雾方法 | |
CN110288550B (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
CN111681180B (zh) | 先验驱动的深度学习图像去雾方法 | |
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 | |
CN109978799B (zh) | 一种基于深度学习的海事无人机视频图像去雾方法 | |
CN109410144A (zh) | 一种基于深度学习的端到端图像去雾处理方法 | |
CN107749048B (zh) | 图像矫正***及方法、色盲图像矫正***及方法 | |
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 | |
CN108022225A (zh) | 基于快速导向滤波改进的暗通道先验图像去雾算法 | |
CN113436124B (zh) | 一种应用于海洋雾天环境下的单图像去雾方法 | |
CN114119586A (zh) | 一种基于机器视觉的飞机蒙皮缺陷智能检测方法 | |
CN110443759A (zh) | 一种基于深度学习的图像去雾方法 | |
CN115497015A (zh) | 一种基于卷积神经网络的河流漂浮污染物识别方法 | |
Qian et al. | CIASM-Net: a novel convolutional neural network for dehazing image | |
CN112070691A (zh) | 一种基于U-Net的图像去雾方法 | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
CN113487509B (zh) | 一种像素聚类及透射率融合的遥感图像雾气去除方法 | |
CN112950521B (zh) | 一种图像去雾方法及生成器网络 |
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 |