CN115393406B - 一种基于孪生卷积网络的图像配准方法 - Google Patents

一种基于孪生卷积网络的图像配准方法 Download PDF

Info

Publication number
CN115393406B
CN115393406B CN202210985592.1A CN202210985592A CN115393406B CN 115393406 B CN115393406 B CN 115393406B CN 202210985592 A CN202210985592 A CN 202210985592A CN 115393406 B CN115393406 B CN 115393406B
Authority
CN
China
Prior art keywords
roi
image
images
twin
region
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
Application number
CN202210985592.1A
Other languages
English (en)
Other versions
CN115393406A (zh
Inventor
范强
邹尔博
李忠
张瑞文
何亦舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Shipbuilding Intelligent Control Technology Wuhan Co ltd
717Th Research Institute of CSSC
Original Assignee
China Shipbuilding Intelligent Control Technology Wuhan Co ltd
717Th Research Institute of CSSC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Shipbuilding Intelligent Control Technology Wuhan Co ltd, 717Th Research Institute of CSSC filed Critical China Shipbuilding Intelligent Control Technology Wuhan Co ltd
Priority to CN202210985592.1A priority Critical patent/CN115393406B/zh
Publication of CN115393406A publication Critical patent/CN115393406A/zh
Application granted granted Critical
Publication of CN115393406B publication Critical patent/CN115393406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于孪生卷积网络的图像配准方法，在输入的连续多帧图像中，选择第一帧和第二帧裁剪得到ROI_1和ROI_2，然后进行孪生卷积网络配准，计算ROI_1、ROI_2区域的峰值信噪比PSNR，将配准后两幅图像进行叠加，作为基准图像，再输入第三帧图像计算PSNR进行比较，直到满足条件；本发明计算过程简单便于实现，且对目标轮廓边缘等敏感的应用场景有良好的效果，可以应用在光电侦察、探测等装备的图像增强场景中。

Description

一种基于孪生卷积网络的图像配准方法
技术领域
本发明属于图像处理技术领域，特别涉及一种基于孪生卷积网络的图像配准方法。
背景技术
目标跟踪中，对于已知的暗弱目标，通常是通过将光电***的光轴中心对准目标，同时增加曝光时间来增大目标的信噪比。但是这种方法需要对关注的目标进行实时稳定跟踪，才能保证光轴对准，否则会增加背景干扰，反而弱化了目标信息，甚至让有价值的目标信息淹没。
基于以上分析，可以通过多帧累加的方法来增强目标的信息，但是累加的帧数是需要自适应调整的，否则当人为设定的帧数太少有可能导致弱目标并未凸显，帧数过多则导致光电***输出帧频降低，减少了任务的实时性，同时在进行自适应多帧累加的时候还需要进行图像配准。
通过提取图像中角点的方法进行图像配准已经成熟，具有原理完备、算法稳定和实时性较好的优点。但是当目标处于复杂背景，特别是红外暗弱目标处于复杂背景时，角点计算的准确性会大大下降，严重时导致配准失败。
发明内容
针对基于角点的配准方法存在的不足，本专利申请提出一种基于孪生卷积网络的图像配准方法。
本发明解决其技术问题所采用的技术方案是：一种基于孪生卷积网络的图像配准方法，包括如下步骤
S1，选择已知目标可能出现的区域的连续多帧图像为输入，从第一帧图像中选中包含目标可能出现的区域，为了保证图像后续配准与裁剪，选择该区域范围1.5倍的范围进行裁剪，作为ROI_1区域；
S2，按照上述方法，对输入的第二帧图像进行裁剪作为ROI_2区域；
S3，孪生卷积网络图像配准：使用交叉熵损失函数作为孪生卷积网络训练时使用的目标优化函数，将ROI_1区域和ROI_2区域的图像输入孪生卷积网络，将孪生卷积网络输出的特征向量作为关键点构建图像的特征描述符，使用工业界成熟算法RANSAC算法来获得前后ROI区域图像的最终匹配点对，最后通过最小二乘算法计算变换矩阵，通过变换矩阵可以实现ROI_2区域与ROI_1区域的配准；
所述孪生卷积网络具有结构相同且共享同样的卷积核参数的两个子网络，每个子网络均由卷积层conv、网络拼接模块concat和最大池化操作模块maxpool上下串联连接而成，其中卷积层conv由多个3×3的卷积核构成，网络拼接模块concat将需要拼接的两个卷积层conv直接拼接无通道叠加和计算，最大池化操作模块maxpool最终输出特征向量；
S4，计算ROI_1区域和ROI_2区域的峰值信噪比PSNR值：
其中，MAXI表示图像颜色的最大数值，8位采样点表示为255，m、n分别表示ROI区域宽和高，I(i,j)、K(i,j)分别指ROI_1和ROI_2区域中坐标(i,j)的灰度值，PSNR的单位是dB，数值越大表示失真越小；
S5，将配准后的ROI_1和ROI_2区域两幅图像进行叠加，并作为下一步操作的基准图像；
S6，设定此时的PSNR值为基础阈值T_base，以步骤S5叠加后的基准图像作为基准输入，将输入的第三帧图像作为待处理输入，按照步骤S1～S5得到新的PSNR值T，与T_base比较，如果T-T_base≥2dB，则转入步骤S7；否则输入第四帧图像，不断重复步骤S1～S5，直到满足条件；
S7，此时按照上述操作，可以自适应的选择用于增强目标的累加帧数，此时还需要对处理后的图像进行去噪，进一步提升信噪比，得到配准图像。
进一步，所述的步骤S5中的图像叠加是ROI_1和ROI_2区域对应像素位置的灰度值求和。
更进一步，所述的步骤S7中为了考虑计算的实时性并有效保留目标的轮廓和边缘信息，选择非局部均值去噪方法去噪。
再进一步，所述的步骤S7具体为：选择像素点周围8个像素点，即其8邻域的像素点，计算每个邻域像素与当前像素的欧式距离，将距离值作为权重，将8个像素点灰度值的高斯加权平均值之和作为当前像素点新的估计值，依次遍历需要去噪的图像中所有像素，每个新的像素估计值作为去噪后的图像输出。
本发明的有益效果是：本发明的配准方比传统基于角点的配准方法，在复杂背景下具有更好的准确性；本发明方法选择非局部均值去噪，该方法在去除噪声和保持纹理细节方面都取得比较好的效果，同时采用阈值判断的自适应多帧累加，可以自动根据累加结果进行调整，避免人为设定累加帧数带来的效果不稳定的问题，最后使用非局部均值滤波方法对累加后的图像进行去噪处理。
附图说明
图1是本发明孪生卷积网络的网络结构示意图。
具体实施方式
在态势感知的实际应用中，需要对远距离重要目标进行探测。同时，敌方为了躲避被发现探测的概率，大多采取规避或伪装。这些问题会导致获取的光电图像中关注的目标表现为暗弱目标。因此，需要对暗弱目标进行图像增强，增加探测概率，去除虚警。这也是为了提高光电***目标检测、目标跟踪等其他性能的先决条件。
相似性度量方法的孪生神经网络以卷积神经网络为主干网络，将前后两帧图像相似性最高的信息作为网络输出，通过一个函数将输入映射到目标空间，在目标空间使用距离函数(如欧式距离等)进行对比相似度。在训练阶段，最小化来自相同类别的一对样本的损失函数值，最大化来自不同类别的一对样本的损失函数值，因此特别适合复杂背景下图像配准。
下面将结合附图的具体实施例对本发明作进一步详细说明。以下实施例仅用于解释本发明，并不构成对本发明的限定。
本发明公开的一种基于孪生卷积网络的图像配准方法，是基于孪生网络配准的多帧累加弱目标检测方法，包括如下步骤：
S1，选择已知目标可能出现的区域的连续多帧图像为输入，从第一帧图像中选中包含目标可能出现的区域，为了保证图像后续配准与裁剪，选择该区域范围1.5倍的范围进行裁剪，作为ROI_1区域；
S2，按照上述方法，对输入的第二帧图像进行裁剪作为ROI_2区域；
S3，孪生卷积网络图像配准：使用交叉熵损失函数作为孪生卷积网络训练时使用的目标优化函数，尽可能采集光电***应用场景的图像，前后相隔一定时间的ROI_1和ROI_2区域作为图像对孪生卷积网络进行网络训练，将ROI_1区域和ROI_2区域的图像输入孪生卷积网络，将孪生卷积网络输出的特征向量作为关键点构建图像的特征描述符，使用工业界成熟算法RANSAC算法来获得前后ROI区域图像的最终匹配点对，最后通过最小二乘算法计算变换矩阵，通过变换矩阵可以实现ROI_2区域与ROI_1区域的配准；
如图1所示，所述孪生卷积网络具有结构相同且共享同样的卷积核参数的两个子网络，每个子网络均由卷积层conv、网络拼接模块concat和最大池化操作模块maxpool上下串联连接而成，其中卷积层conv由多个3×3的卷积核构成，网络拼接模块concat将需要拼接的两个卷积层conv直接拼接无通道叠加和计算，最大池化操作模块maxpool最终输出特征向量；
S4，计算ROI_1区域和ROI_2区域的峰值信噪比PSNR值：
其中，MAXI表示图像颜色的最大数值，8位采样点表示为255，m、n分别表示ROI区域宽和高，I(i,j)、K(i,j)分别指ROI_1和ROI_2区域中坐标(i,j)的灰度值，PSNR的单位是dB，数值越大表示失真越小；
S5，将配准后的ROI_1和ROI_2区域两幅图像进行叠加(对应像素位置的灰度值求和，即同一坐标位置在ROI_1和ROI_2区域两张图中的灰度值相加，比如图A的(1,1)处和图B的(1,1)处像素灰度值相加)，并作为下一步操作的基准图像；
S6，设定此时PSNR值为基础阈值T_base，以步骤S5叠加后的基准图像作为基准输入，将输入的第三帧图像作为待处理输入，按照步骤S1～S5得到PSNR值T，与T_base比较，如果T-T_base≥2dB，则转入步骤S7；否则输入第四帧图像，不断重复步骤S1～S5，直到满足条件；
S7，此时按照上述操作，可以自适应的选择用于增强目标的累加帧数，此时还需要对处理后的图像进行去噪，进一步提升信噪比。累加后的图像，在增强了目标的信息的同时，也会增加噪声的干扰。因此累加后图像降噪是进一步提高目标信噪比的必要步骤。
针对红外复杂场景，需要在去除背景噪声的同时，保留目标的边缘轮廓等细节信息。
为了考虑计算的实时性并有效保留目标的轮廓和边缘信息，选择非局部均值去噪方法去噪。非局部均值去噪方法充分利用了图像中的冗余信息，在去噪的同时能最大程度地保持图像的细节特征。具体为：选择像素点周围8个像素点，即其8邻域的像素点，计算每个邻域像素与当前像素的欧式距离，将距离值作为权重，将8个像素点灰度值的高斯加权平均值之和作为当前像素点新的估计值，依次遍历需要去噪的图像中所有像素，每个新的像素估计值作为去噪后的图像输出。
以上所述仅是用以说明的技术方案而非对其限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的实施例，所述领域的技术人员应当理解，未脱离本发明精神和范围的任何修改或者等同替换，均涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于孪生卷积网络的图像配准方法，其特征在于：包括如下步骤
S1，选择已知目标可能出现区域的连续多帧图像，从第一帧图像中选中目标可能出现的区域，选择该区域范围的1.5倍进行裁剪，作为ROI_1区域；
S2，按照步骤S1对输入的第二帧图像进行裁剪，作为ROI_2区域；
S3，使用交叉熵损失函数作为孪生卷积网络训练时使用的目标优化函数，将ROI_1区域和ROI_2区域的图像输入孪生卷积网络，将孪生卷积网络输出的特征向量作为关键点构建图像的特征描述符，使用RANSAC算法来获得前后ROI区域图像的最终匹配点对，最后通过最小二乘算法计算变换矩阵，通过变换矩阵实现ROI_2区域与ROI_1区域的配准；
所述孪生卷积网络具有结构相同且共享卷积核参数的两个子网络，每个子网络均由卷积层conv、网络拼接模块concat和最大池化操作模块maxpool连接而成，其中卷积层conv由多个3×3的卷积核构成，网络拼接模块concat将需要拼接的两个卷积层conv直接拼接无通道叠加和计算，最大池化操作模块maxpool最终输出特征向量；
S4，计算ROI_1区域和ROI_2区域的峰值信噪比PSNR值：
其中，MAXI表示图像颜色的最大数值，m、n分别表示ROI区域宽和高，I(i,j)、K(i,j)分别指ROI_1和ROI_2区域中坐标(i,j)的灰度值；
S5，将配准后的ROI_1和ROI_2区域图像进行叠加，并作为下一步操作的基准图像；
S6，设定此时的PSNR值为基础阈值T_base，以基准图像作为基准输入，将输入的第三帧图像作为待处理输入，按照步骤S1～S5得到新的PSNR值T，如果T-T_base≥2dB，则转入步骤S7；否则输入第四帧图像，不断重复步骤S1～S5，直到满足条件；
S7，对处理后的图像进行去噪，得到配准图像。
2.根据权利要求1所述的一种基于孪生卷积网络的图像配准方法，其特征在于，所述的步骤S5中的图像叠加是ROI_1和ROI_2区域对应像素位置的灰度值求和。
3.根据权利要求1所述的一种基于孪生卷积网络的图像配准方法，其特征在于，所述的步骤S7中选择非局部均值去噪方法去噪。
4.根据权利要求3所述的一种基于孪生卷积网络的图像配准方法，其特征在于，所述的步骤S7具体为：选择像素点周围8个像素点，计算每个邻域像素与当前像素的欧式距离，将距离值作为权重，将8个像素点灰度值的高斯加权平均值之和作为当前像素点新的估计值，依次遍历需要去噪的图像中所有像素，每个新的像素估计值作为去噪后的图像输出。
CN202210985592.1A 2022-08-17 2022-08-17 一种基于孪生卷积网络的图像配准方法 Active CN115393406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210985592.1A CN115393406B (zh) 2022-08-17 2022-08-17 一种基于孪生卷积网络的图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210985592.1A CN115393406B (zh) 2022-08-17 2022-08-17 一种基于孪生卷积网络的图像配准方法

Publications (2)

Publication Number Publication Date
CN115393406A CN115393406A (zh) 2022-11-25
CN115393406B true CN115393406B (zh) 2024-05-10

Family

ID=84120260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210985592.1A Active CN115393406B (zh) 2022-08-17 2022-08-17 一种基于孪生卷积网络的图像配准方法

Country Status (1)

Country Link
CN (1) CN115393406B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079197B (zh) * 2023-10-18 2024-03-05 山东诚祥建设集团股份有限公司 一种智慧工地管理方法及***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844587A (zh) * 2016-03-17 2016-08-10 河南理工大学 一种低空无人机载高光谱遥感影像自动拼接方法
CN108304883A (zh) * 2018-02-12 2018-07-20 西安电子科技大学 基于改进sift的sar图像匹配方法
CN109191491A (zh) * 2018-08-03 2019-01-11 华中科技大学 基于多层特征融合的全卷积孪生网络的目标跟踪方法及***
CN111141997A (zh) * 2019-11-26 2020-05-12 北京瑞盈智拓科技发展有限公司 基于紫外可见光图像融合的巡检机器人以及检测方法
CN111369601A (zh) * 2020-02-12 2020-07-03 西北工业大学 一种基于孪生网络的遥感图像配准方法
WO2021051593A1 (zh) * 2019-09-19 2021-03-25 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN114119443A (zh) * 2021-11-28 2022-03-01 特斯联科技集团有限公司 一种基于多光谱相机的图像融合***
KR20220057691A (ko) * 2020-10-30 2022-05-09 계명대학교 산학협력단 샴 랜덤 포레스트를 이용한 영상 정합 방법 및 영상 정합 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2736011B1 (en) * 2012-11-26 2019-04-24 Nokia Technologies Oy Method, apparatus and computer program product for generating super-resolved images
US11030759B2 (en) * 2018-04-27 2021-06-08 Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi Method for confident registration-based non-uniformity correction using spatio-temporal update mask
CN109873953A (zh) * 2019-03-06 2019-06-11 深圳市道通智能航空技术有限公司 图像处理方法、夜间拍摄方法、图像处理芯片及航拍相机
WO2020219915A1 (en) * 2019-04-24 2020-10-29 University Of Virginia Patent Foundation Denoising magnetic resonance images using unsupervised deep convolutional neural networks

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844587A (zh) * 2016-03-17 2016-08-10 河南理工大学 一种低空无人机载高光谱遥感影像自动拼接方法
CN108304883A (zh) * 2018-02-12 2018-07-20 西安电子科技大学 基于改进sift的sar图像匹配方法
CN109191491A (zh) * 2018-08-03 2019-01-11 华中科技大学 基于多层特征融合的全卷积孪生网络的目标跟踪方法及***
WO2021051593A1 (zh) * 2019-09-19 2021-03-25 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN111141997A (zh) * 2019-11-26 2020-05-12 北京瑞盈智拓科技发展有限公司 基于紫外可见光图像融合的巡检机器人以及检测方法
CN111369601A (zh) * 2020-02-12 2020-07-03 西北工业大学 一种基于孪生网络的遥感图像配准方法
KR20220057691A (ko) * 2020-10-30 2022-05-09 계명대학교 산학협력단 샴 랜덤 포레스트를 이용한 영상 정합 방법 및 영상 정합 장치
CN114119443A (zh) * 2021-11-28 2022-03-01 特斯联科技集团有限公司 一种基于多光谱相机的图像融合***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Ordinary Differential Equation and Complex Matrix Exponential for Multi-resolution Image Registration;Abhishek Nan 等;《arXiv:2007.13683v1》;20200727;全文 *
Restoration of Atmospheric Turbulence-distorted Images via RPCA and Quasiconformal Maps;Chun Pong Lau 等;《arXiv:1704.03140v2》;20170919;全文 *
一种基于双通道深度网络的多时相卫星 遥感影像匹配研究;安谱阳 等;《江西科学》;20200229;全文 *
基于3D-Harris 与FPFH 改进的3D-NDT 配准算法;范强 等;《图学学报》;20200831;全文 *
基于生成对抗网络探索潜在空间的医学图像融合算法;肖儿良 等;《信息与控制》;20211231;全文 *
结合仿射变换及梯度描述符的密集匹配方法;范强 等;《测绘科学》;20211031;全文 *

Also Published As

Publication number Publication date
CN115393406A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
WO2021129569A1 (zh) 一种人体动作识别方法
CN104796582B (zh) 基于随机喷射retinex的视频图像去噪与增强方法及装置
CN110782477A (zh) 基于序列图像的运动目标快速检测方法、计算机视觉***
CN111882504B (zh) 图像中颜色噪声的处理方法、***、电子设备和存储介质
CN109034184B (zh) 一种基于深度学习的均压环检测识别方法
CN105913404A (zh) 基于帧累积的低照度成像方法
CN111275652B (zh) 一种去除城市遥感图像中雾霾的方法
CN115393406B (zh) 一种基于孪生卷积网络的图像配准方法
CN114399440B (zh) 图像处理方法、图像处理网络训练方法、装置及电子设备
CN104318529A (zh) 处理在恶劣环境中所拍摄低照度图像的方法
CN112907493A (zh) 无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法
CN111179186A (zh) 一种保护图像细节的图像去噪***
CN112070717A (zh) 基于图像处理的输电线路覆冰厚度检测方法
Yu et al. Image and video dehazing using view-based cluster segmentation
CN117115033A (zh) 基于强光抑制的电力作业现场弱光图像增强方法
CN113902638B (zh) 结合卷积神经网络和轻型自适应中值滤波视频降噪方法
CN113379861B (zh) 基于色彩恢复块的彩色微光图像重建方法
CN111311503A (zh) 一种夜晚低亮度图像增强***
CN113205494B (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和***
CN113658067A (zh) 一种基于人工智能的气密性检测中水体图像增强方法及***
CN109003247A (zh) 彩色图像混合噪声的去除方法
CN111461999A (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
CN116883235A (zh) 一种面向分布式光电的图像拼接方法及装置
Parihar et al. A study on dark channel prior based image enhancement techniques
CN113269686B (zh) 亮度噪声的处理方法、装置、存储介质及终端

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: 430223 Jiangxia Road 1, Mian Shan development area, Jiangxia District, Wuhan, Hubei

Applicant after: China Shipbuilding Intelligent Control Technology (Wuhan) Co.,Ltd.

Address before: 430223 Jiangxia Road 1, Mian Shan development area, Jiangxia District, Wuhan, Hubei

Applicant before: WUHAN HUAZHONG TIANJING TONGSHI TECHNOLOGY CO.,LTD.

Country or region before: China

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240411

Address after: 430223 Jiangxia Road 1, Mian Shan development area, Jiangxia District, Wuhan, Hubei

Applicant after: China Shipbuilding Intelligent Control Technology (Wuhan) Co.,Ltd.

Country or region after: China

Applicant after: Huazhong Optoelectronic Technology Research Institute (717 Research Institute of China Shipbuilding Corp.)

Address before: 430223 Jiangxia Road 1, Mian Shan development area, Jiangxia District, Wuhan, Hubei

Applicant before: China Shipbuilding Intelligent Control Technology (Wuhan) Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant