CN114037843A - 一种基于改进生成对抗网络的提高水下图像分辨率方法 - Google Patents
一种基于改进生成对抗网络的提高水下图像分辨率方法 Download PDFInfo
- Publication number
- CN114037843A CN114037843A CN202111328591.1A CN202111328591A CN114037843A CN 114037843 A CN114037843 A CN 114037843A CN 202111328591 A CN202111328591 A CN 202111328591A CN 114037843 A CN114037843 A CN 114037843A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- resolution
- layer
- images
- 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 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 20
- 230000004913 activation Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
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)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进生成对抗网络的提高水下图像分辨率方法,首先改进了生成对抗网络,在保留了生成对抗网络能进行对抗训练的前提下,通过改善生成器模块的结构,将残差块改为三层恒等残差块,并引入了密集跳跃连接的结构,增加了低级特征和高级特征之间的联系,使得生成的图像更真实,纹理更清晰,同时考虑到BN层并不适用于做图像超分辨率重建,因此减去了生成器模块中的BN层,将生成器模块的激活函数由Sigmoid改为Relu以防止梯度***问题,减少了整个网络的计算量,提高了网络的实时性。本发明可以针对水下机器人拍摄的水下图像进行超分辨率重建,以达到提高水下图像质量的目的。
Description
技术领域
本发明涉及图像处理与深度学习技术领域,尤其涉及一种基于改进生成对抗网络的提高水下图像分辨率方法。
背景技术
近年来,随着全球人口的增长,陆地上的资源消耗日益加快,而海洋占据了地球上的大部分面积,并且拥有丰富的生物及石油资源,因此开发海洋资源是未来发展的一个重要方向。
在探索开发海洋资源时,通过水下机器人获取水下信息是目前的主流方式,然而水下环境较为复杂,比如水下环境的湍流、海水的悬浮物引起光照的散射、光照的衰减造成的颜色通道缺失等,使得水下图像呈现色偏、细节缺失以及对比度低等,这也使得水下图像很难用于检测、分割等应用。因此如何提升水下图像质量、解决水下图像细节缺失与模糊的问题具有重要意义。
图像超分辨率重建技术是指将低分辨率图像,通过一定的算法,恢复成高分辨率图像。图像超分辨率重建技术可以用来改善图像的细节、去图像模糊化,进而提升图像质量,这对于解决水下图像存在的细节缺失与模糊问题有所帮助。同时,图像超分辨率重建技术可以减少在特定条件下每一个图像***的内部分辨率的一些限制,进而提高图像的每个图像***所处理的分辨率。图像超分辨率重建技术在许多领域有着重要的应用,如安全监控,医学图像和无人机遥感技术等领域皆应用到了图像超分辨率重建技术。
基于生成对抗网络的图像超分辨重建在目前的图像重建方面是一种比较常用的方法,通过建立模型,学习低级特征与高级特征之间的映射方式,利用先前所学习到的先验知识,来对图像的高频细节进行恢复以达到重建的目的,这相比于传统方法能有一个更好的结果。
生成对抗网络的网络结构是由一个生成器和一个判定器构成,对生成器和判定器进行交替迭代训练,以达到生成器生成的样本足够逼真的效果。使用生成对抗网络进行图像超分辨率重建的优点是不依赖预设分布,其缺点是用于水下图像超分辨率重建时,由于水下环境复杂,特征不能被很好地学习,导致生成的图像缺乏细节信息,因此需要进行改进。
发明内容
本发明的目的在于提供一种基于改进生成对抗网络的提高水下图像分辨率方法,将改进的生成对抗网络模型应用到水下图像处理中,更好地训练生成器模块,进而提高水下图像质量,增加水下图像细节信息。
为实现上述目的,本发明提供了一种基于改进生成对抗网络的提高水下图像分辨率方法,包括下列步骤:
构建改进生成对抗网络模型;
获取已有水下图像,并制作训练所需数据集,同时对其进行数据增强和数据集划分;
训练所述改进生成对抗网络模型,获得训练好的网络模型;
获取实时水下图像并处理为小块图像;
将所述小块图像输入所述训练好的网络模型,获得网络输出结果;
拼接所述网络输出结果,获得最终结果。
其中,所述改进生成对抗网络模型的基础模块由生成器模块和判定器模块组成,所述生成器模块里的残差卷积改为三层恒等残差块,每个所述三层恒等残差块的输出结果都作为后续每一层的输入特征,激活函数由Sigmoid改为Relu。
其中,所述生成器模块采用一层卷积和一层Relu激活层作为输入层,八个三层恒等残差块为隐藏层,去掉原本网络结构中的BN层,输出层采用两个亚像素卷积层以及一个具有3×3核和输出通道的卷积层。
其中,所述判定器模块包括八个基本块、一层全连阶层和一层Sigmoid激活层,其中,每个所述基本块由一层卷积层、一层BN层以及一层Leaky Reulu激活函数组成。
其中,在获取已有水下图像并制作训练所需数据集的过程中,将获取到的水下图像切割为256×256分辨率的图像,并对每个切割后的图像分别通过Bicubic算法进行降质处理,四倍下采样为64×64分辨率的低分辨率图像,把降质后的图像作为低分辨率图像数据集,同时对应的高分辨率图像作为高分辨率图像数据集,然后对低分率图像数据集和高分辨率图像数据集同时做旋转、偏移和加入噪声的数据增强处理,最后,把处理完的所有数据按照7:2:1进行划分,分别划分为训练集、验证集和测试集。
其中,训练所述改进生成对抗网络模型,获得优化生成对抗网络模型,包括下列步骤:
将所述训练所需数据集分别输入生成网络和判别网络,拟定最大训练次数;
选择目标优化函数并计算判别网络损失;
使用优化器更新所述判别网络的网络参数;
通过所述判别网络获得判别结果;
选择选择目标优化函数并计算生成网络损失;
使用优化器更新所述生成网络的网络参数;
重复上述步骤直至网络拟合或达到最大训练次数;
保存训练好的网络模型。
其中,通过切割的方式将获取到的实时水下图像处理为小块图像。
其中,所述小块图像为64×64分辨率的均等大小的图像。
本发明的一种基于改进生成对抗网络的提高水下图像分辨率方法,将改进的生成对抗网络用于水下图像超分辨率重建,本发明首先改进了生成对抗网络,在保留了生成对抗网络能进行对抗训练的前提下,通过改善生成器模块的结构,将残差块改为三层恒等残差块,并引入了密集跳跃连接的结构,增加了低级特征和高级特征之间的联系,使得生成的图像更真实,纹理更清晰,同时考虑到BN层并不适用于做图像超分辨率重建,因此减去了生成器模块中的BN层,同时将生成器模块的激活函数由Sigmoid改为Relu以防止梯度***问题,减少了整个网络的计算量,提高了网络的实时性。本发明可以针对水下机器人拍摄的水下图像进行超分辨率重建,以达到提高水下图像质量的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于改进生成对抗网络的提高水下图像分辨率方法的流程示意图。
图2是本发明的三层恒等残差块结构示意图。
图3是本发明的生成器模块的网络模型示意图。
图4是本发明的判定器模块的网络模型示意图。
图5是本发明制作数据集流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1,本发明提出了一种基于改进生成对抗网络的提高水下图像分辨率方法,包括下列步骤:
S1:构建改进生成对抗网络模型;
S2:获取已有水下图像,并制作训练所需数据集,同时对其进行数据增强和数据集划分;
S3:训练所述改进生成对抗网络模型,获得训练好的抗网络模型;
S4:获取实时水下图像并处理为小块图像;
S5:将所述小块图像输入所述训练好的网络模型,获得网络输出结果;
S6:拼接所述网络输出结果,获得最终结果。
在此实施方式中,可以通过水下机器人实时拍摄图像获取某海域的水下图像,再将获取到的当前的影像切割为64×64分辨率的均等大小的图像,输入所述训练好的网络模型中,得到高分辨率的图像,最后将输出的高分辨率图像按照原始图像的裁剪位置进行拼接,得到最终结果。
进一步的,构建生成对抗网络基础模块,基础模块仍由生成器模块和判定器模块组成,但其中的生成器模块里的残差卷积改为三层恒等残差块,如图2是三层恒等残差块的结构,同时每个恒等残差块的输出结果都作为后续每一层的输入特征以增加网络的低级特征与高级特征之间的联系,激活函数由Sigmoid改为Relu以防止梯度***问题。
请参阅图3,生成器模块模型为:一层卷积和一层激活层作为输入层,其中卷积层为具有3个输入通道、64个输出通道以及9×9核的卷积层,步长设置为1;隐藏层为8个三层恒等残差块组成,其中每个三层恒等残差块由三层64个输入输出通道以及3×3核的卷积层和两层Relu激活层组成,其中卷积层的步长设置为1,两层激活层分别在三层卷积层之间,并且第一层卷积层的输出结果会直接与第三层卷积层的输出结果相加:xl+2=xl+F2(F1(xl,ωl)),将该和作为该恒等残差块的输出结果,同时每个恒等残差块的输出结果都作为后续一个恒等残差块块的输入特征,即第ith个三层恒等残差块接收所有预先三层恒等残差块的特征映射作为输入:Xi=max(0,ωi*[X1,X2,...,Xi-1]+bi),其中[X1,X2,...,Xi-1]表示在前面的三层恒等残差块1,2,...,i-1中生成的特征映射的串联,同时去掉原本网络结构中的BN层;输出层采用两个包含256个输入通道以及64个输出通道的亚像素卷积层来放大图像特征尺寸,每层亚像素卷积层之后接一层Relu激活函数层,同时采用一个具有9×9核、64个输入通道以及3个输出通道的卷积层来输出生成图像,其步长设置为1。输出结果为超分辨率图像Gi。
如图4为判定器模块的网络模型,判定器模块模型为:8个基本块对输入的图像进行特征提取,其中,每个基本块由一层具有核的卷积层、一层BN层以及一层LeakyReulu激活层组成,同时,第一个基本块的卷积层输入通道为3个,输出通道为64个,第二个基本块的卷积层输入通道为64个,输出通道为128个,第三个基本块的卷积层输入通道为128个,输出通道为128个,第四个基本块的卷积层输入通道为128个,输出通道为256个,第五个基本块的卷积层输入通道为256个,输出通道为256个,第六个基本块的卷积层输入通道为256个,输出通道为512个,第七个基本块的卷积层输入通道为512个,输出通道为1024个,第八个基本块的卷积层输入通道为1024个,输出通道为1024个,每两个相同通道数量的卷积层步长分别为1、2交替变化,即第一、三、五、七个基本块的卷积层步长设置为1,第二、四、六、八个基本块的卷积层步长设置为2;随着网络深度不断加强,图像特征尺寸随之减小,同时特征个数增加,之后通过一层具有1024个通道的全连接层对特征进行整合,并经过Sigmoid激活层将图像特征映射成一维数据。最终判定器模块的输出为将图像判别为真实数据的概率。
进一步说明,在生成器网络模块中去掉了原本的BN层,是因为实际上BN层是对图片的色彩进行了一定的拉伸,而在做图像超分辨率重建时需要关注图像自身的信息,而BN层引入了同一批次中其他图像的统计量,这会弱化图像自身的特征,这对生成超分辨率图像会有影响,因此BN层并不适合用来进行图像超分辨率重建,在生成器网络模块中将其去掉;而在判定器模块中保留BN层,是因为判定器模块并不需要生成超分辨率图像,只是对生成器模块所生成的超分辨率图像和真实高分辨率图像进行对比,然后输出判定结果,保留BN层还能加速网络的收敛,因此在判定器网络模块中保留BN层。
进一步的,请参阅图5,在获取已有水下图像并制作训练所需数据集的过程中,将获取到的水下图像切割为256×256分辨率的图像,并对每个切割后的图像分别通过Bicubic算法进行降质处理,四倍下采样为64×64分辨率的低分辨率图像,把降质后的图像作为低分辨率图像数据集,同时对应的高分辨率图像作为高分辨率图像数据集,然后对低分率图像数据集和高分辨率图像数据集同时做旋转、偏移和加入噪声的数据增强处理,最后,把处理完的所有数据按照7:2:1进行划分,分别划分为训练集、验证集和测试集。
训练所述改进生成对抗网络模型,获得优化生成对抗网络模型,包括下列步骤:
S20:将处理好的数据集输入构建的网络模型中进行对抗训练,其中低分辨率数据集{z1,z2,...,zn}将输入到生成网络G中,得到生成图像{G(z1),G(z2),...,G(zn)},生成图像{G(z1),G(z2),...,G(zn)}和高分辨率数据集{x1,x2,...xn}将同时输入到判别网络D中,设置最大训练次数为10000次;
S21:整个网络的目标优化函数为:
其中,表示最小化目标函数,表示最大化目标函数,pdata(x)为真实数据x的概率期望,pz(z)为生成数据G(x)的概率期望,D代表判别网络,D(x)代表真实样本判别概率,G代表生成网络,G(z)代表生成样本,D(G(z))代表生成样本判别概率。对于判别网络D的优化目标为:
通过网络D的优化目标函数计算判别器网络损失;
S22:使用优化器更新判别网络的网络参数θD:
S23:低分辨率数据集{z1,z2,...,zn}将输入到生成网络G中,得到生成{G(z1),G(z2),...,G(zn)};生成图像{G(z1),G(z2),...,G(zn)}和高分辨率数据集{x1,x2,...xn}将同时输入到判别网络D中得到判别结果;
S24:从第三步可以得到生成网络G的优化目标为:
根据判别结果,使用该优化目标函数计算生成网络G的损失;
S25:使用优化器更新生成网络的网络参数θG:
S26:继续训练,重复第二步到第七步,直到网络拟合或达到最大训练次数;
S27:保存训练好的网络模型。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (8)
1.一种基于改进生成对抗网络的提高水下图像分辨率方法,其特征在于,包括下列步骤:
构建改进生成对抗网络模型;
获取已有水下图像,并制作训练所需数据集,同时对其进行数据增强和数据集划分;
训练所述改进生成对抗网络模型,获得训练好的网络模型;
获取实时水下图像并处理为小块图像;
将所述小块图像输入所述训练好的网络模型,获得网络输出结果;
拼接所述网络输出结果,获得最终结果。
2.如权利要求1所述的基于改进生成对抗网络的提高水下图像分辨率方法,其特征在于,
所述改进生成对抗网络模型的基础模块由生成器模块和判定器模块组成,所述生成器模块里的残差卷积改为三层恒等残差块,每个所述三层恒等残差块的输出结果都作为后续每一层的输入特征,激活函数由Sigmoid改为Relu。
3.如权利要求2所述的基于改进生成对抗网络的提高水下图像分辨率方法,其特征在于,
所述生成器模块采用一层卷积和一层Relu激活层作为输入层,八个三层恒等残差块为隐藏层,去掉原本网络结构中的BN层,输出层采用两个亚像素卷积层以及一个具有3×3核和输出通道的卷积层。
4.如权利要求2所述的基于改进生成对抗网络的提高水下图像分辨率方法,其特征在于,
所述判定器模块包括八个基本块、一层全连接层和一层Sigmoid激活层,其中,每个所述基本块由一层卷积层、一层BN层以及一层Leaky Reulu激活层组成。
5.如权利要求1所述的基于改进生成对抗网络的提高水下图像分辨率方法,其特征在于,
在获取已有水下图像并制作训练所需数据集的过程中,将获取到的水下图像切割为256×256分辨率的图像,并对每个切割后的图像分别通过Bicubic算法进行降质处理,四倍下采样为64×64分辨率的低分辨率图像,把降质后的图像作为低分辨率图像数据集,同时对应的高分辨率图像作为高分辨率图像数据集,然后对低分率图像数据集和高分辨率图像数据集同时做旋转、偏移和加入噪声的数据增强处理,最后,把处理完的所有数据按照7:2:1进行划分,分别划分为训练集、验证集和测试集。
6.如权利要求1所述的基于改进生成对抗网络的提高水下图像分辨率方法,其特征在于,
训练所述改进生成对抗网络模型,获得优化生成对抗网络模型,包括下列步骤:
将所述训练所需数据集分别输入生成网络和判别网络,拟定最大训练次数;
选择目标优化函数并计算判别网络损失;
使用优化器更新所述判别网络的网络参数;
通过所述判别网络获得判别结果;
选择选择目标优化函数并计算生成网络损失;
使用优化器更新所述生成网络的网络参数;
重复上述步骤直至网络拟合或达到最大训练次数;
保存训练好的网络模型。
7.如权利要求1所述的获取实时水下图像并处理为小块图像,其特征在于,通过切割的方式将获取到的实时水下图像处理为小块图像。
8.如权利要求1所述的基于改进生成对抗网络的提高水下图像分辨率方法,其特征在于,
所述小块图像为64×64分辨率的均等大小的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111328591.1A CN114037843A (zh) | 2021-11-10 | 2021-11-10 | 一种基于改进生成对抗网络的提高水下图像分辨率方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111328591.1A CN114037843A (zh) | 2021-11-10 | 2021-11-10 | 一种基于改进生成对抗网络的提高水下图像分辨率方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037843A true CN114037843A (zh) | 2022-02-11 |
Family
ID=80144019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111328591.1A Pending CN114037843A (zh) | 2021-11-10 | 2021-11-10 | 一种基于改进生成对抗网络的提高水下图像分辨率方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037843A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702876A (zh) * | 2023-04-27 | 2023-09-05 | 贵州大学 | 一种基于预处理的图像对抗防御方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410239A (zh) * | 2018-11-07 | 2019-03-01 | 南京大学 | 一种基于条件生成对抗网络的文本图像超分辨率重建方法 |
CN113298718A (zh) * | 2021-06-22 | 2021-08-24 | 云南大学 | 一种单幅图像超分辨率重建方法及*** |
CN113469881A (zh) * | 2021-06-10 | 2021-10-01 | 桂林电子科技大学 | 一种基于深度学习的提高无人机航拍图像分辨率方法 |
-
2021
- 2021-11-10 CN CN202111328591.1A patent/CN114037843A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410239A (zh) * | 2018-11-07 | 2019-03-01 | 南京大学 | 一种基于条件生成对抗网络的文本图像超分辨率重建方法 |
CN113469881A (zh) * | 2021-06-10 | 2021-10-01 | 桂林电子科技大学 | 一种基于深度学习的提高无人机航拍图像分辨率方法 |
CN113298718A (zh) * | 2021-06-22 | 2021-08-24 | 云南大学 | 一种单幅图像超分辨率重建方法及*** |
Non-Patent Citations (1)
Title |
---|
何进哥哥: "深度学习 残差块", Retrieved from the Internet <URL:https://blog.csdn.net/hejin_some/article/details/100979887> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702876A (zh) * | 2023-04-27 | 2023-09-05 | 贵州大学 | 一种基于预处理的图像对抗防御方法 |
CN116702876B (zh) * | 2023-04-27 | 2024-04-12 | 贵州大学 | 一种基于预处理的图像对抗防御方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136063B (zh) | 一种基于条件生成对抗网络的单幅图像超分辨率重建方法 | |
CN109978762B (zh) | 一种基于条件生成对抗网络的超分辨率重建方法 | |
CN109389556B (zh) | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 | |
CN106991646B (zh) | 一种基于密集连接网络的图像超分辨率方法 | |
CN111598778B (zh) | 一种绝缘子图像超分辨率重建方法 | |
CN110458765B (zh) | 基于感知保持卷积网络的图像质量增强方法 | |
CN112465111A (zh) | 一种基于知识蒸馏和对抗训练的三维体素图像分割方法 | |
CN109993702B (zh) | 基于生成对抗网络的满文图像超分辨率重建方法 | |
CN113888547A (zh) | 基于gan网络的无监督域自适应遥感道路语义分割方法 | |
CN113837946B (zh) | 一种基于递进蒸馏网络的轻量化图像超分辨率重建方法 | |
CN113538246A (zh) | 基于无监督多阶段融合网络的遥感图像超分辨率重建方法 | |
CN111968036A (zh) | 一种分层图像超分辨率方法、***、计算机设备及应用 | |
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 | |
CN114463176B (zh) | 基于改进esrgan的图像超分辨重建方法 | |
CN116091288A (zh) | 一种基于扩散模型的图像隐写方法 | |
CN110633706B (zh) | 一种基于金字塔网络的语义分割方法 | |
CN115713462A (zh) | 超分辨模型训练方法、图像识别方法、装置及设备 | |
CN116580184A (zh) | 一种基于YOLOv7的轻量化模型 | |
CN112037225A (zh) | 一种基于卷积神经的海洋船舶图像分割方法 | |
CN114037843A (zh) | 一种基于改进生成对抗网络的提高水下图像分辨率方法 | |
CN113379606A (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
CN117593187A (zh) | 基于元学习和Transformer的遥感图像任意尺度超分辨率重建方法 | |
CN112184552A (zh) | 一种基于高频特征学习的子像素卷积图像超分辨方法 | |
Li et al. | An improved method for underwater image super-resolution and enhancement | |
CN116091319A (zh) | 基于长距离上下文依赖的图像超分辨率重建方法及*** |
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 |