CN112651917A - 一种基于生成对抗网络的空间卫星低照度图像增强方法 - Google Patents
一种基于生成对抗网络的空间卫星低照度图像增强方法 Download PDFInfo
- Publication number
- CN112651917A CN112651917A CN202011577451.3A CN202011577451A CN112651917A CN 112651917 A CN112651917 A CN 112651917A CN 202011577451 A CN202011577451 A CN 202011577451A CN 112651917 A CN112651917 A CN 112651917A
- Authority
- CN
- China
- Prior art keywords
- image
- stage
- low
- generator
- discriminator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005286 illumination Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 230000008034 disappearance Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 13
- 230000004927 fusion Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000012546 transfer Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000005728 strengthening Methods 0.000 abstract 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 6
- 235000011941 Tilia x europaea Nutrition 0.000 description 6
- 239000004571 lime Substances 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002940 repellent Effects 0.000 description 1
- 239000005871 repellent Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于生成对抗网络的空间卫星低照度图像增强方法。首先,设计了一种密集连接的生成器,加强了各特征提取阶段中的信息传递以及多层特征的融合,减少了特征信息的损耗,更好地提取正常照度图像及低照度图像中相似的语义信息;并结合EnlightenGAN的思想,采用了全局‑局部辨别器结构,使图像增强效果更自然。然后,在少量样本的条件下,利用非配对样本对本文方法进行训练,并通过对输入图像进行随机缩放及翻转等数据增强方法提高模型训练效果,进而提升低照度图像增强性能。最后,对所提出的空间卫星低照度图像增强方法进行了仿真验证。本发明提高了图像的平均亮度及对比度,恢复图像细节信息,为图像处理技术提供了更高质量的数据信息。
Description
技术领域
本发明属于图像识别处理技术领域,特别涉及一种基于生成对抗网络的空间卫星低照度图像增强方法。
背景技术
空间光照条件的不断变化、成像载荷的抖动、成像***像质退化等因素,导致空间光学成像下图像质量严重退化的问题,比如图像对比度过低、细节损失大和噪声污染严重,这不仅会干扰对卫星图像的人工判别,也会影响后续特征信息提取、图像识别和图像分割等图像处理技术的效果。对空间环境下的低照度图像进行增强预处理,能够为基于计算机视觉的空间任务提供更高质量的图像信息。
低照度图像增强方法主要分为基于直方图均衡化(HE,Histogram Equalization)的方法、基于Retinex理论的方法及基于深度学习的方法。HE是一种常用的灰度增强算法,其原理是通过拉伸图像的动态范围来增加对比度。但基于HE的方法,其增强结果总是存在着明显的细节模糊、色彩失真等问题。Retinex是EdwinLand提出的一种有效理论,通过模拟人类视觉***实现色彩恒定和动态范围压缩。Retinex的基本原理是假设一幅图像是由入射光分量和反射光分量组成,只需去除照射图的影响即可得到物体本来的样子,完成图像增强。基于Retinex原理的方法主要包括SRIE、LIME和BIMEF等,这些方法的关键是通过人工设计以及参数微调实现照射图的估算,然而通过深度学习方法,不仅可避免这些复杂繁琐的人工设计及整体优化问题,还可获得更好的泛化能力及增强效果。
发明内容
本发明的目的是提供一种基于生成对抗网络的空间卫星低照度图像增强方法。
本发明的目的还在于提供一种基于生成对抗网络的空间卫星低照度图像增强方法,以至少部分地解决现有技术中的问题。
本发明的目的还在于提供一种基于生成对抗网络的空间卫星低照度图像增强方法,具体地,采用了一种密集连接的生成器,加强了网络中的信息传递及特征融合,并将其引入EG(EnlightenGAN方法)中,提出了一种基于生成对抗网络的空间卫星图像增强方法,并在非配对样本条件下进行网络模型训练。实验结果表明,该方法较LIME及EG具有更好的增强效果,能够在对比度、亮度以及色彩方面显著提升图像质量,为基于计算机视觉技术的空间任务提供充分有效的图像信息。
所述基于生成对抗网络的空间卫星低照度图像增强方法,包括如下步骤:
(1)构建非配对样本的训练集,分为Ilow以及Inormal两部分;将Ilow输入生成器(G)中,生成增强后的卫星图像G(Ilow),即伪图像Ifake;
(2)将Ifake与真实图像Ireal(即Inormal)输入辨别器(D)中,对输入图像的真伪进行辨别,输出结果如下式所示。
其中,True与False分别代表辨别结果真与伪。
(3)将辨别结果D(I)与对应的样本标签Y输入到G与D的对抗损失函数中,分别输出误差值LG以及LD。
采用相对鉴别器结构构建辨别器,估计真实图像比伪图像更真实的概率,辨别器在对抗竞争过程中会不断提高该概率,进而提高了生成器的损失值LG,以此加强生成器的网络参数优化。
全局鉴别器以及生成器的损失函数均使用最小二乘损失函数(LSGAN)进行计算。对于全局辨别器,理想的和应分别接近于0和1,期望的辨别结果为D(Ireal)=1,D(Ifake)=0。由式(2)和(3)可知,DRl(Ireal,Ifake)及DRl(Ifake,Ireal)的回归目标分别为1和0。
全局辨别器以及生成器的对抗损失函数定义如下:
局部辨别器采用LSGAN作为对抗损失函数:
(4)固定G的网络参数,将误差值LD进行反向传播(BP),更新优化D的网络参数,进而在下一轮迭代中更准确地辨别出真实图像与伪图像。
(5)重复步骤2~4,固定D的网络参数,将误差值LG进行反向传播,更新优化G的网络参数,进而在下一轮迭代中缩小Ifake与Ireal的差距。
(6)迭代优化次数Niter大于N时结束训练,得到生成器G*,即可利用该生成器实现卫星低照度图像增强。
本发明的有益效果是:本发明设计了一种密集连接的生成器,加强了各特征提取阶段中的信息传递以及多层特征的融合,减少了特征信息的损耗,更好地提取正常照度图像及低照度图像中相似的语义信息;并结合EnlightenGAN的思想,采用了全局-局部辨别器结构,使图像增强效果更自然。然后,在少量样本的条件下,利用非配对样本对本文方法进行训练,并通过对输入图像进行随机缩放及翻转等数据增强方法提高模型训练效果,进而提升低照度图像增强性能。最后,对所提出的空间卫星低照度图像增强方法进行了仿真验证。试验结果表明,在空间低照度条件下,本文方法在NIQE指标上较LIME及EnlightenGAN分别降低了1.034和0.699,保留了更多的图像细节,具有更高的整体和局部亮度、更高的对比度以及更自然的增强效果。
附图说明
图1为基于生成对抗网络的空间卫星低照度图像增强方法流程图。
图2为基于生成对抗网络的空间卫星低照度图像增强的训练方法流程图。
图3为基于生成对抗网络的空间卫星低照度图像增强方法的生成器结构示意图。
具体实施方式
本发明提供一种基于生成对抗网络的空间卫星低照度图像增强方法。下面结合附图和实施例对本发明予以说明。
图1为基于生成对抗网络的空间卫星低照度图像增强方法流程图。如图中所示,本文设计了一种密集连接的生成器,加强了网络中的信息传递及特征融合,并将其引入EG中,提出了一种基于生成对抗网络的空间卫星图像增强方法,并在非配对样本条件下进行网络模型训练。
图2为基于生成对抗网络的空间卫星低照度图像增强的训练方法流程图。本文基于GAN的原理实现空间卫星低照度图像增强,其核心思想是训练一对相互对抗竞争的神经网络,即生成器G与辨别器D在训练过程中相互对抗以不断优化各自的网络参数。G的优化目标是生成外观上更接近正常照度图像(Inormal)的增强图像(G(Ilow)),即最小化G(Ilow)与Inormal的差异,混淆辨别器对图像真伪的判断。D的优化目标是能更准确地辨别出Inormal与G(Ilow)。这两个相斥的优化目标即产生了相互对抗竞争,在该过程中,G的图像增强能力以及D的真伪辨别能力均在不断提高,促使G(Ilow)在外观上逐渐接近Inormal,即实现了对低照度图像的增强处理。
图3为基于生成对抗网络的空间卫星低照度图像增强方法的生成器结构示意图。本文引入了注意力机制,将输入的RGB图像正则化(Norm)到[0,1]区间,并求取对应的灰度图像,最后通过求反运算得到注意力图A1。对其进行多级最大池化运算,获得多种尺寸的注意力图,以匹配多个阶段输出的特征图。
本文采用数据增强方法对模型进行训练,将输入的训练样本进行随机的尺寸调整,定义如下:
(W,H)=(400×Random(λ),600×Random(λ))
,λ∈[1,1.5]
其中,λ是缩放因子,其在区间[1,1.5]中被随机选取(Random),然后以400×600为基数进行图像缩放。同时,还对样本进行随机的垂直和水平翻转,从而达到更优的训练效果。为了有效验证本文方法的性能,我们将本文方法与EG在同样的训练策略下进行模型训练,均以在ImageNet数据集中预训练的VGG网络参数作为生成器的初始参数,辨别器的初始参数与EG一致。本文将Batchsize设置为32,并采用Adam优化器。在训练的过程中,先以0.0001作为固定的初始学习率训练100个epochs,然后再变化学习率训练100个epochs,期间将学习率从初始值线性递减到0。
将LIME、EG以及本文方法对测试集中星空背景以及地球背景的卫星低照度图像进行增强处理,然后以NIQE为标准对各自增强结果进行评价,评价结果如表1所示。
方法 | 星空背景 | 地球背景 | 总体指标 |
原始图片 | 23.492 | 19.455 | 21.608 |
LIME | 22.913 | 17.208 | 20.251 |
EG | 22.885 | 16.523 | 19.916 |
本文方法 | 22.497 | 15.469 | 19.217 |
表1
在客观评价指标NIQE下,本文方法对星空背景以及地球背景的卫星低照度图像的增强效果均优于其他两种方法,图像质量有了明显地提升,较原始图像在总体NIQE指标上降低了2.391。本文方法在以地球表面为背景的低照度图像中的性能表现明显优于其他方法,较LIME及EG在总体的NIQE指标上分别降低了1.034和0.699,达到了19.217。
具体地,根据本发明的基于生成对抗网络的空间卫星低照度图像增强方法包括如下步骤:
(1)构建非配对样本的训练集,分为Ilow以及Inormal两部分;将Ilow输入生成器(G)中,生成增强后的卫星图像G(Ilow),即伪图像Ifake;
(2)将Ifake与真实图像Ireal输入辨别器(D)中,Ireal即Inormal,对输入图像的真伪进行辨别,输出结果如下式所示;
其中,True与False分别代表辨别结果真与伪;
(3)将辨别结果D(I)与对应的样本标签Y输入到生成器和辨别器的对抗损失函数中,分别输出误差值LG以及LD;
(4)固定生成器的网络参数,将误差值LD进行反向传播(BP),更新优化辨别器的网络参数,进而在下一轮迭代中更准确地辨别出真实图像与伪图像;
(5)重复步骤2~4,固定辨别器的网络参数,将误差值LG进行反向传播,更新优化生成器的网络参数,进而在下一轮迭代中缩小Ifake与Ireal的差距;
(6)迭代优化次数Niter大于N时结束训练,得到生成器G*,即可利用该生成器实现卫星低照度图像增强。
根据本公开的优选实施例,步骤(3)中,采用相对鉴别器结构构建辨别器,估计真实图像比伪图像更真实的概率,辨别器在对抗竞争过程中会不断提高该概率,进而提高了生成器的损失值LG,以此加强生成器的网络参数优化,
全局鉴别器以及生成器的损失函数均使用最小二乘损失函数LSGAN进行计算,对于全局辨别器,理想的和应分别接近于0和1,期望的辨别结果为D(Ireal)=1,D(Ifake)=0,由式(2)和(3)可知,DRl(Ireal,Ifake)及DRl(Ifake,Ireal)的回归目标分别为1和0;
全局辨别器以及生成器的对抗损失函数定义如下:
局部辨别器采用LSGAN作为对抗损失函数:
根据本公开的优选实施例,步骤(3)中,设计了密集连接生成器,分为左侧四阶段的特征提取部分以及右侧三阶段的图像增强部分,左侧部分是逐阶段下采样,右侧部分是逐阶段上采样,从左至右每个阶段分别记为Stage1~Stage7,共计7个阶段;
记Ci,j(x)为第i阶段中,第j个卷积核尺寸为3×3的卷积层(Conv3×3)的输出,即:
其中,xi,j是输入的特征图,k为卷积核,b为偏置项,为卷积运算,δ(·)为带泄露修正线性单元函数LeakyReLu,BN(·)为批量正则化函数,对于Stage1和Stage2,各阶段的输出(Si),即下一阶段的输入(xi+1,1),其定义如下:
xi+1,1=Si=Maxpooling[Conv1×1,n/2(Concat[Ci,1(xi,1),Ci,2(xi,2)])]
,i=1,2
其中,Maxpooling是2×2最大池化层,Conv1×1,n/2表示卷积核尺寸为1×1的卷积层,输出通道数为输入通道数n的1/2,其目的是逐像素融合多通道间的特征,压缩图像特征维度,Concat是在通道维度上进行连接,在Stage1及Stage2的特征提取中引入了密集连接的思想,加强信息传递,将更多的浅层特征传输到深层特征中;
在Stage3中引入了残差连接的结构,避免了因网络深度的增加而引起的梯度消失等问题,Stage3的输出定义如下:
S3=x4,1=Maxpooling[C3,1(x3,1)+C3,3(x3,3)]
引入了注意力机制,将输入的RGB图像正则化Norm到[0,1]区间,并求取对应的灰度图像,最后通过求反运算得到注意力图A1,对其进行多级最大池化运算,获得多种尺寸的注意力图,以匹配多个阶段输出的特征图,具体计算过程如下:
A1=1-0.299×Norm(r)-0.587×Norm(g)
-0.114×Norm(b)
Ai+1=Maxpooling(Ai),i=1,2,3
其中,r,g和b分别表示图像在R,G和B三个通道上的特征图,注意力图可突出原始图像中的低照度部分,将其与各阶段输出的特征图逐像素相乘,得到注意力增强特征图F,其可引导生成器关注更需增强处理的区域,F定义如下:
Fi=Si×Ai,i=1,2,3,4
在图像增强阶段,特征图F与前一阶段上采样Upsample后的特征图进行连接,输出定义如下:
xi+1,1=Concat{F7-i,Conv3×3,n/2(Upsample[Si])}
,i=4,5,6
其中,Upsample是2×2线性上采样,在最后阶段,Stage7输出的特征图S7与注意力图A1逐像素相乘,进一步突出特征图中的待增强区域,经过Conv3×3,n=3卷积运算后,与低照度图像Ilow逐像素相加,输出增强后的卫星图像,其定义如下:
G(Ilow)=Ilow+Conv3×3,n=3(S7×A1)。
本发明的有益效果是:本发明设计了一种密集连接的生成器,加强了各特征提取阶段中的信息传递以及多层特征的融合,减少了特征信息的损耗,更好地提取正常照度图像及低照度图像中相似的语义信息;并结合EnlightenGAN的思想,采用了全局-局部辨别器结构,使图像增强效果更自然。然后,在少量样本的条件下,利用非配对样本对本文方法进行训练,并通过对输入图像进行随机缩放及翻转等数据增强方法提高模型训练效果,进而提升低照度图像增强性能。最后,对所提出的空间卫星低照度图像增强方法进行了仿真验证。试验结果表明,在空间低照度条件下,本文方法在NIQE指标上较LIME及EnlightenGAN分别降低了1.034和0.699,保留了更多的图像细节,具有更高的整体和局部亮度、更高的对比度以及更自然的增强效果。
Claims (3)
1.一种基于生成对抗网络的空间卫星低照度图像增强方法,其特征在于,包括如下步骤:
(1)构建非配对样本的训练集,分为Ilow以及Inormal两部分;将Ilow输入生成器(G)中,生成增强后的卫星图像G(Ilow),即伪图像Ifake;
(2)将Ifake与真实图像Ireal输入辨别器(D)中,Ireal即Inormal,对输入图像的真伪进行辨别,输出结果如下式所示;
其中,True与False分别代表辨别结果真与伪;
(3)将辨别结果D(I)与对应的样本标签Y输入到生成器和辨别器的对抗损失函数中,分别输出误差值LG以及LD;
(4)固定生成器的网络参数,将误差值LD进行反向传播(BP),更新优化辨别器的网络参数,进而在下一轮迭代中更准确地辨别出真实图像与伪图像;
(5)重复步骤2~4,固定辨别器的网络参数,将误差值LG进行反向传播,更新优化生成器的网络参数,进而在下一轮迭代中缩小Ifake与Ireal的差距;
(6)迭代优化次数Niter大于N时结束训练,得到生成器G*,即可利用该生成器实现卫星低照度图像增强。
2.根据权利要求1所述基于生成对抗网络的空间卫星低照度图像增强方法,其特征在于:步骤(3)中,采用相对鉴别器结构构建辨别器,估计真实图像比伪图像更真实的概率,辨别器在对抗竞争过程中会不断提高该概率,进而提高了生成器的损失值LG,以此加强生成器的网络参数优化,
全局鉴别器以及生成器的损失函数均使用最小二乘损失函数LSGAN进行计算,对于全局辨别器,理想的和应分别接近于0和1,期望的辨别结果为D(Ireal)=1,D(Ifake)=0,由式(2)和(3)可知,DRl(Ireal,Ifake)及DRl(Ifake,Ireal)的回归目标分别为1和0;
全局辨别器以及生成器的对抗损失函数定义如下:
局部辨别器采用LSGAN作为对抗损失函数:
3.根据权利要求1所述基于生成对抗网络的空间卫星低照度图像增强方法,其特征在于:步骤(3)中,设计了密集连接生成器,分为左侧四阶段的特征提取部分以及右侧三阶段的图像增强部分,左侧部分是逐阶段下采样,右侧部分是逐阶段上采样,从左至右每个阶段分别记为Stage1~Stage7,共计7个阶段;
记Ci,j(x)为第i阶段中,第j个卷积核尺寸为3×3的卷积层(Conv3×3)的输出,即:
其中,xi,j是输入的特征图,k为卷积核,b为偏置项,为卷积运算,δ(·)为带泄露修正线性单元函数Leaky ReLu,BN(·)为批量正则化函数,对于Stage1和Stage2,各阶段的输出(Si),即下一阶段的输入(xi+1,1),其定义如下:
xi+1,1=Si=Maxpooling[Conv1×1,n/2(Concat[Ci,1(xi,1),Ci,2(xi,2)])],i=1,2
其中,Maxpooling是2×2最大池化层,Conv1×1,n/2表示卷积核尺寸为1×1的卷积层,输出通道数为输入通道数n的1/2,其目的是逐像素融合多通道间的特征,压缩图像特征维度,Concat是在通道维度上进行连接,在Stage1及Stage2的特征提取中引入了密集连接的思想,加强信息传递,将更多的浅层特征传输到深层特征中;
在Stage3中引入了残差连接的结构,避免了因网络深度的增加而引起的梯度消失等问题,Stage3的输出定义如下:
S3=x4,1=Maxpooling[C3,1(x3,1)+C3,3(x3,3)]
引入了注意力机制,将输入的RGB图像正则化Norm到[0,1]区间,并求取对应的灰度图像,最后通过求反运算得到注意力图A1,对其进行多级最大池化运算,获得多种尺寸的注意力图,以匹配多个阶段输出的特征图,具体计算过程如下:
A1=1-0.299×Norm(r)-0.587×Norm(g)-0.114×Norm(b)
Ai+1=Maxpooling(Ai),i=1,2,3
其中,r,g和b分别表示图像在R,G和B三个通道上的特征图,注意力图可突出原始图像中的低照度部分,将其与各阶段输出的特征图逐像素相乘,得到注意力增强特征图F,其可引导生成器关注更需增强处理的区域,F定义如下:
Fi=Si×Ai,i=1,2,3,4
在图像增强阶段,特征图F与前一阶段上采样Upsample后的特征图进行连接,输出定义如下:
xi+1,1=Concat{F7-i,Conv3×3,n/2(Upsample[Si])},i=4,5,6
其中,Upsample是2×2线性上采样,在最后阶段,Stage7输出的特征图S7与注意力图A1逐像素相乘,进一步突出特征图中的待增强区域,经过Conv3×3,n=3卷积运算后,与低照度图像Ilow逐像素相加,输出增强后的卫星图像,其定义如下:
G(Ilow)=Ilow+Conv3×3,n=3(S7×A1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011577451.3A CN112651917A (zh) | 2020-12-28 | 2020-12-28 | 一种基于生成对抗网络的空间卫星低照度图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011577451.3A CN112651917A (zh) | 2020-12-28 | 2020-12-28 | 一种基于生成对抗网络的空间卫星低照度图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651917A true CN112651917A (zh) | 2021-04-13 |
Family
ID=75363371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011577451.3A Pending CN112651917A (zh) | 2020-12-28 | 2020-12-28 | 一种基于生成对抗网络的空间卫星低照度图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651917A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222846A (zh) * | 2021-05-18 | 2021-08-06 | 北京达佳互联信息技术有限公司 | 图像处理方法和图像处理装置 |
CN113269701A (zh) * | 2021-05-08 | 2021-08-17 | 大连海事大学 | 一种基于注意力引导和核选择机制的低照度图像增强方法 |
CN113379715A (zh) * | 2021-06-24 | 2021-09-10 | 南京信息工程大学 | 一种水下图像增强和数据集真值图像获得方法 |
CN113688799A (zh) * | 2021-09-30 | 2021-11-23 | 合肥工业大学 | 一种基于改进深度卷积生成对抗网络的人脸表情识别方法 |
CN115222606A (zh) * | 2021-04-16 | 2022-10-21 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
CN117630999A (zh) * | 2024-01-26 | 2024-03-01 | 长沙北斗产业安全技术研究院股份有限公司 | 一种基于自适应移动式空地协同增强定位方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636754A (zh) * | 2018-12-11 | 2019-04-16 | 山西大学 | 基于生成对抗网络的极低照度图像增强方法 |
CN110163235A (zh) * | 2018-10-11 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 图像增强模型的训练、图像增强方法、装置和存储介质 |
KR102134405B1 (ko) * | 2019-06-27 | 2020-07-15 | 중앙대학교 산학협력단 | 적대적 생성망을 이용한 저조도 영상 개선을 위한 장치 및 방법 |
CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
-
2020
- 2020-12-28 CN CN202011577451.3A patent/CN112651917A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163235A (zh) * | 2018-10-11 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 图像增强模型的训练、图像增强方法、装置和存储介质 |
CN109636754A (zh) * | 2018-12-11 | 2019-04-16 | 山西大学 | 基于生成对抗网络的极低照度图像增强方法 |
KR102134405B1 (ko) * | 2019-06-27 | 2020-07-15 | 중앙대학교 산학협력단 | 적대적 생성망을 이용한 저조도 영상 개선을 위한 장치 및 방법 |
CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
Non-Patent Citations (1)
Title |
---|
陈榆琅 等: "基于生成对抗网络的空间卫星低照度图像增强", 《中国空间科学技术》, pages 1 - 7 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222606A (zh) * | 2021-04-16 | 2022-10-21 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
CN113269701A (zh) * | 2021-05-08 | 2021-08-17 | 大连海事大学 | 一种基于注意力引导和核选择机制的低照度图像增强方法 |
CN113269701B (zh) * | 2021-05-08 | 2024-04-26 | 大连海事大学 | 一种基于注意力引导和核选择机制的低照度图像增强方法 |
CN113222846A (zh) * | 2021-05-18 | 2021-08-06 | 北京达佳互联信息技术有限公司 | 图像处理方法和图像处理装置 |
CN113222846B (zh) * | 2021-05-18 | 2024-05-10 | 北京达佳互联信息技术有限公司 | 图像处理方法和图像处理装置 |
CN113379715A (zh) * | 2021-06-24 | 2021-09-10 | 南京信息工程大学 | 一种水下图像增强和数据集真值图像获得方法 |
CN113688799A (zh) * | 2021-09-30 | 2021-11-23 | 合肥工业大学 | 一种基于改进深度卷积生成对抗网络的人脸表情识别方法 |
CN117630999A (zh) * | 2024-01-26 | 2024-03-01 | 长沙北斗产业安全技术研究院股份有限公司 | 一种基于自适应移动式空地协同增强定位方法及*** |
CN117630999B (zh) * | 2024-01-26 | 2024-04-05 | 长沙北斗产业安全技术研究院股份有限公司 | 一种基于自适应移动式空地协同增强定位方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
CN113313657B (zh) | 一种用于低光照图像增强的非监督学习方法和*** | |
CN112288658B (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
CN112651917A (zh) | 一种基于生成对抗网络的空间卫星低照度图像增强方法 | |
CN108986050B (zh) | 一种基于多分支卷积神经网络的图像和视频增强方法 | |
CN110473154B (zh) | 一种基于生成对抗网络的图像去噪方法 | |
CN111275637B (zh) | 一种基于注意力模型的非均匀运动模糊图像自适应复原方法 | |
CN111598761B (zh) | 一种基于图像降噪的抗打印拍摄图像数字水印方法 | |
Gai et al. | New image denoising algorithm via improved deep convolutional neural network with perceptive loss | |
CN112561838A (zh) | 基于残差自注意力和生成对抗网络的图像增强方法 | |
CN112509001A (zh) | 一种多尺度和多特征融合的特征金字塔网络盲复原方法 | |
CN111931857B (zh) | 一种基于mscff的低照度目标检测方法 | |
CN113392711B (zh) | 一种基于高层语义与噪声抑制的烟雾语义分割方法及*** | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
CN115063318A (zh) | 自适应频率分解的低光照图像增强方法与相关设备 | |
CN113284100A (zh) | 基于恢复图像对混合域注意力机制的图像质量评价方法 | |
CN114511480A (zh) | 一种基于分数阶卷积神经网络的水下图像增强方法 | |
CN115272072A (zh) | 一种基于多特征图像融合的水下图像超分辨率方法 | |
CN116452469B (zh) | 一种基于深度学习的图像去雾处理方法及装置 | |
CN117495718A (zh) | 一种多尺度自适应的遥感图像去雾方法 | |
CN116523794A (zh) | 一种基于卷积神经网络的低光照图像增强方法 | |
Xie et al. | DHD-Net: A novel deep-learning-based dehazing network | |
CN113724156A (zh) | 一种结合大气散射模型的生成对抗网络去雾方法和*** | |
CN112435200A (zh) | 一种应用于目标检测的红外图像数据增强方法 | |
CN117408893B (zh) | 一种基于浅层神经网络的水下图像增强方法 |
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 |