CN117649661B - 一种碳纳米管制备状态图像处理方法 - Google Patents
一种碳纳米管制备状态图像处理方法 Download PDFInfo
- Publication number
- CN117649661B CN117649661B CN202410128175.4A CN202410128175A CN117649661B CN 117649661 B CN117649661 B CN 117649661B CN 202410128175 A CN202410128175 A CN 202410128175A CN 117649661 B CN117649661 B CN 117649661B
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic
- state
- feature
- representing
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 239000002041 carbon nanotube Substances 0.000 title claims abstract description 26
- 229910021393 carbon nanotube Inorganic materials 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title abstract description 5
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 29
- 239000000463 material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004626 scanning electron microscopy Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种碳纳米管制备状态图像处理方法，属于图像处理技术领域，包括以下步骤：S1、利用扫描电子显微镜扫描碳纳米管样品的表面，得到表面图像，对表面图像进行去噪处理，得到特征图像；S2、确定特征图像中各个像素点的状态特征值，得到特征图像的状态特征矩阵；S3、根据特征图像的状态特征矩阵，对特征图像进行修正，得到标准表面图像，完成图像处理。本发明对扫描的碳纳米管样品的表面图像进行去噪处理后，提取表征整个图像像素点特征的状态特征矩阵，状态特征矩阵经过卷积以及特征计算等得到；本发明还根据状态特征矩阵对图像进行色彩修正，保证碳纳米管样品图像的清晰度，进而提高观察的准确性。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种碳纳米管制备状态图像处理方法。
背景技术
碳纳米管是由碳原子以一定的方式组成的纳米尺寸管状结构，具有高强度、高导电性、高导热性等优异的物理性质，将碳纳米管与其他材料结合可以充分发挥两者的优点，提高材料的性能。碳纳米管的分散状态作为一个关键因素，直接影响了碳纳米管与其他材料结合的性能。碳纳米管的分散状态通常通过光学显微镜、扫描电子显微镜以及透射电子显微镜等对碳纳米管的结构形貌进行观察，因此采集的碳纳米管的图像质量直接决定观察结果，如何提高图像清晰度成为急需解决的问题。
发明内容
本发明为了解决以上问题，提出了一种碳纳米管制备状态图像处理方法。
本发明的技术方案是：一种碳纳米管制备状态图像处理方法包括以下步骤：
S1、利用扫描电子显微镜扫描碳纳米管样品的表面，得到表面图像，对表面图像进行去噪处理，得到特征图像；
S2、确定特征图像中各个像素点的状态特征值，得到特征图像的状态特征矩阵；
S3、根据特征图像的状态特征矩阵，对特征图像进行修正，得到标准表面图像，完成图像处理。
扫描电子显微镜是一种常用的表征手段，它通过扫描样品表面并通过检测来自样品的二次电子信号或反射电子信号来获得样品的表面形貌和成分信息。
进一步地，S2包括以下子步骤：
S21、根据特征图像中各个像素点的RGB分量，确定各个像素点的色彩权重；
S22、构建状态特征模型，将各个像素点的色彩权重输入至状态特征模型中，确定各个像素点的状态特征值；
S23、根据各个像素点的状态特征值，生成特征图像的状态特征矩阵。
进一步地，S21中，特征图像中第i行第j列像素点的色彩权重qij的计算公式为：；式中，Rij表示特征图像中第i行第j列像素点的红色分量，Gij表示特征图像中第i行第j列像素点的绿色分量，Bij表示特征图像中第i行第j列像素点的蓝色分量，R0表示特征图像中所有像素点的红色分量均值，G0表示特征图像中所有像素点的绿色分量均值，B0表示特征图像中所有像素点的蓝色分量均值。
进一步地，状态特征模型包括依次连接的深度卷积模块、全局特征模块和输出模块。
上述进一步方案的有益效果是：在本发明中，深度卷积模块包含与特征图像像素点个数相同的卷积核，各个卷积核用于提取特征图像中各个像素点的边缘特征。输出模块用于将各个像素点的状态特征值进行综合输出。
本发明根据特征图像中各个像素点的红绿蓝分量与所有像素点的红绿蓝分量均值进行比较，确定各个像素点的色彩权重；再将各个像素点以及其色彩权重输入至状态特征模型中，利用状态特征模型中深度卷积层的各个卷积核分别对各个像素点进行特征提取，再利用全局特征模块对深度卷积模块中各个卷积核的输出以及各个卷积核处理像素点对应的色彩权重值进行运算，得到全局特征，再利用输出模块的各个输出层将全局特征与各个输出层对应处理像素的RGB值进行运算，确定各个像素点的状态特征值。
进一步地，全局特征模块的表达式为：，式中，Q表示全局特征模块的输出，Cm表示深度卷积模块中第m个卷积核的输出，Km表示深度卷积模块中第m个卷积核的大小，qm表示深度卷积模块中第m个卷积核处理的像素点对应的色彩权重，Bm表示深度卷积模块中第m个卷积核的步长，M表示深度卷积模块的卷积核个数，σ表示所有卷积核输出的标准差，exp(·)表示指数函数，q表示全局特征模块的超参数。
进一步地，输出模块的表达式为：，式中，Z表示输出模块中第n个输出层的输出，Q表示全局特征模块的输出，R表示第n个输出层对应的像素点的红色分量，G表示第n个输出层对应的像素点的绿色分量，B表示第n个输出层对应的像素点的蓝色分量，ln(·)表示对数函数。
进一步地，S23中，生成状态特征矩阵的具体方法为：将特征图像的像素点行数作为状态特征矩阵的行数，将特征图像的像素点列数作为状态特征矩阵的列数，将每行像素点的状态特征值作为状态特征矩阵每行的元素，生成特征图像的状态特征矩阵。
进一步地，S3包括以下子步骤：
S31、根据特征图像的状态特征矩阵，确定特征图像中各个像素点的红色分量校正系数、绿色分量校正系数和蓝色分量校正系数；
S32、根据特征图像的红色分量校正系数、绿色分量校正系数和蓝色分量校正系数，对特征图像进行校正，得到标准表面图像，完成图像处理。
将特征图像各个像素点的红色分量校正系数与原始红色分量值的均值作为标准表面图像中对应像素点的最新红色分量值，蓝色分量和绿色分量同理。
进一步地，S31中，特征图像中第i行第j列像素点的红色分量校正系数的计算公式为：/>；式中，λ表示状态特征矩阵的特征值，Rij表示特征图像中第i行第j列像素点的红色分量，/>表示向上取整，P0表示特征图像中红色分量最大值对应像素点的位置，Pij表示特征图像中第i行第j列像素点的位置，dis(·)表示欧式距离函数；
S31中，特征图像中第i行第j列像素点的绿色分量校正系数的计算公式为：；式中，Gij表示特征图像中第i行第j列像素点的绿色分量，P1表示绿色分量最大值对应像素点的位置；
S31中，特征图像中第i行第j列像素点的绿色分量校正系数的计算公式为：；式中，Bij表示特征图像中第i行第j列像素点的蓝色分量，P2表示蓝色分量最大值对应像素点的位置。
本发明的有益效果是：本发明对扫描的碳纳米管样品的表面图像进行去噪处理后，提取表征整个图像像素点特征的状态特征矩阵，状态特征矩阵经过卷积以及特征计算等得到；本发明还根据状态特征矩阵对图像进行色彩修正，保证碳纳米管样品图像的清晰度，进而提高观察的准确性。
附图说明
图1为碳纳米管制备状态图像处理方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种碳纳米管制备状态图像处理方法，包括以下步骤：
S1、利用扫描电子显微镜扫描碳纳米管样品的表面，得到表面图像，对表面图像进行去噪处理，得到特征图像；
S2、确定特征图像中各个像素点的状态特征值，得到特征图像的状态特征矩阵；
S3、根据特征图像的状态特征矩阵，对特征图像进行修正，得到标准表面图像，完成图像处理。
扫描电子显微镜是一种常用的表征手段，它通过扫描样品表面并通过检测来自样品的二次电子信号或反射电子信号来获得样品的表面形貌和成分信息。
在本发明实施例中，S2包括以下子步骤：
S21、根据特征图像中各个像素点的RGB分量，确定各个像素点的色彩权重；
S22、构建状态特征模型，将各个像素点的色彩权重输入至状态特征模型中，确定各个像素点的状态特征值；
S23、根据各个像素点的状态特征值，生成特征图像的状态特征矩阵。
在本发明实施例中，S21中，特征图像中第i行第j列像素点的色彩权重qij的计算公式为：；式中，Rij表示特征图像中第i行第j列像素点的红色分量，Gij表示特征图像中第i行第j列像素点的绿色分量，Bij表示特征图像中第i行第j列像素点的蓝色分量，R0表示特征图像中所有像素点的红色分量均值，G0表示特征图像中所有像素点的绿色分量均值，B0表示特征图像中所有像素点的蓝色分量均值。
在本发明实施例中，状态特征模型包括依次连接的深度卷积模块、全局特征模块和输出模块。
在本发明中，深度卷积模块包含与特征图像像素点个数相同的卷积核，各个卷积核用于提取特征图像中各个像素点的边缘特征。输出模块用于将各个像素点的状态特征值进行综合输出。
本发明根据特征图像中各个像素点的红绿蓝分量与所有像素点的红绿蓝分量均值进行比较，确定各个像素点的色彩权重；再将各个像素点以及其色彩权重输入至状态特征模型中，利用状态特征模型中深度卷积层的各个卷积核分别对各个像素点进行特征提取，再利用全局特征模块对深度卷积模块中各个卷积核的输出以及各个卷积核处理像素点对应的色彩权重值进行运算，得到全局特征，再利用输出模块的各个输出层将全局特征与各个输出层对应处理像素的RGB值进行运算，确定各个像素点的状态特征值。
在本发明实施例中，全局特征模块的表达式为：，式中，Q表示全局特征模块的输出，Cm表示深度卷积模块中第m个卷积核的输出，Km表示深度卷积模块中第m个卷积核的大小，qm表示深度卷积模块中第m个卷积核处理的像素点对应的色彩权重，Bm表示深度卷积模块中第m个卷积核的步长，M表示深度卷积模块的卷积核个数，σ表示所有卷积核输出的标准差，exp(·)表示指数函数，q表示全局特征模块的超参数。
在本发明实施例中，输出模块的表达式为：，式中，Z表示输出模块中第n个输出层的输出，Q表示全局特征模块的输出，R表示第n个输出层对应的像素点的红色分量，G表示第n个输出层对应的像素点的绿色分量，B表示第n个输出层对应的像素点的蓝色分量，ln(·)表示对数函数。
在本发明实施例中，S23中，生成状态特征矩阵的具体方法为：将特征图像的像素点行数作为状态特征矩阵的行数，将特征图像的像素点列数作为状态特征矩阵的列数，将每行像素点的状态特征值作为状态特征矩阵每行的元素，生成特征图像的状态特征矩阵。
在本发明实施例中，S3包括以下子步骤：
S31、根据特征图像的状态特征矩阵，确定特征图像中各个像素点的红色分量校正系数、绿色分量校正系数和蓝色分量校正系数；
S32、根据特征图像的红色分量校正系数、绿色分量校正系数和蓝色分量校正系数，对特征图像进行校正，得到标准表面图像，完成图像处理。
将特征图像各个像素点的红色分量校正系数与原始红色分量值的均值作为标准表面图像中对应像素点的最新红色分量值，蓝色分量和绿色分量同理。
在本发明实施例中，S31中，特征图像中第i行第j列像素点的红色分量校正系数的计算公式为：/>；式中，λ表示状态特征矩阵的特征值，Rij表示特征图像中第i行第j列像素点的红色分量，/>表示向上取整，P0表示特征图像中红色分量最大值对应像素点的位置，Pij表示特征图像中第i行第j列像素点的位置，dis(·)表示欧式距离函数；
S31中，特征图像中第i行第j列像素点的绿色分量校正系数的计算公式为：；式中，Gij表示特征图像中第i行第j列像素点的绿色分量，P1表示绿色分量最大值对应像素点的位置；
S31中，特征图像中第i行第j列像素点的绿色分量校正系数的计算公式为：；式中，Bij表示特征图像中第i行第j列像素点的蓝色分量，P2表示蓝色分量最大值对应像素点的位置。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种碳纳米管制备状态图像处理方法，其特征在于，包括以下步骤：
S1、利用扫描电子显微镜扫描碳纳米管样品的表面，得到表面图像，对表面图像进行去噪处理，得到特征图像；
S2、确定特征图像中各个像素点的状态特征值，得到特征图像的状态特征矩阵；
S3、根据特征图像的状态特征矩阵，对特征图像进行修正，得到标准表面图像，完成图像处理；
所述S2包括以下子步骤：
S21、根据特征图像中各个像素点的RGB分量，确定各个像素点的色彩权重；
S22、构建状态特征模型，将各个像素点的色彩权重输入至状态特征模型中，确定各个像素点的状态特征值；
S23、根据各个像素点的状态特征值，生成特征图像的状态特征矩阵；
所述状态特征模型包括依次连接的深度卷积模块、全局特征模块和输出模块；
所述全局特征模块的表达式为：，式中，Q表示全局特征模块的输出，Cm表示深度卷积模块中第m个卷积核的输出，Km表示深度卷积模块中第m个卷积核的大小，qm表示深度卷积模块中第m个卷积核处理的像素点对应的色彩权重，Bm表示深度卷积模块中第m个卷积核的步长，M表示深度卷积模块的卷积核个数，σ表示所有卷积核输出的标准差，exp(·)表示指数函数，q表示全局特征模块的超参数；
所述输出模块的表达式为：，式中，Z表示输出模块中第n个输出层的输出，Q表示全局特征模块的输出，R表示第n个输出层对应的像素点的红色分量，G表示第n个输出层对应的像素点的绿色分量，B表示第n个输出层对应的像素点的蓝色分量，ln(·)表示对数函数；
所述S23中，生成状态特征矩阵的具体方法为：将特征图像的像素点行数作为状态特征矩阵的行数，将特征图像的像素点列数作为状态特征矩阵的列数，将每行像素点的状态特征值作为状态特征矩阵每行的元素，生成特征图像的状态特征矩阵。
2.根据权利要求1所述的碳纳米管制备状态图像处理方法，其特征在于，所述S21中，特征图像中第i行第j列像素点的色彩权重qij的计算公式为：；式中，Rij表示特征图像中第i行第j列像素点的红色分量，Gij表示特征图像中第i行第j列像素点的绿色分量，Bij表示特征图像中第i行第j列像素点的蓝色分量，R0表示特征图像中所有像素点的红色分量均值，G0表示特征图像中所有像素点的绿色分量均值，B0表示特征图像中所有像素点的蓝色分量均值。
3.根据权利要求1所述的碳纳米管制备状态图像处理方法，其特征在于，所述S3包括以下子步骤：
S31、根据特征图像的状态特征矩阵，确定特征图像中各个像素点的红色分量校正系数、绿色分量校正系数和蓝色分量校正系数；
S32、根据特征图像的红色分量校正系数、绿色分量校正系数和蓝色分量校正系数，对特征图像进行校正，得到标准表面图像，完成图像处理。
4.根据权利要求3所述的碳纳米管制备状态图像处理方法，其特征在于，所述S31中，特征图像中第i行第j列像素点的红色分量校正系数的计算公式为：；式中，λ表示状态特征矩阵的特征值，Rij表示特征图像中第i行第j列像素点的红色分量，/>表示向上取整，P0表示特征图像中红色分量最大值对应像素点的位置，Pij表示特征图像中第i行第j列像素点的位置，dis(·)表示欧式距离函数；
所述S31中，特征图像中第i行第j列像素点的绿色分量校正系数的计算公式为：；式中，Gij表示特征图像中第i行第j列像素点的绿色分量，P1表示绿色分量最大值对应像素点的位置；
所述S31中，特征图像中第i行第j列像素点的绿色分量校正系数的计算公式为：；式中，Bij表示特征图像中第i行第j列像素点的蓝色分量，P2表示蓝色分量最大值对应像素点的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410128175.4A CN117649661B (zh) | 2024-01-30 | 2024-01-30 | 一种碳纳米管制备状态图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410128175.4A CN117649661B (zh) | 2024-01-30 | 2024-01-30 | 一种碳纳米管制备状态图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649661A CN117649661A (zh) | 2024-03-05 |
| CN117649661B true CN117649661B (zh) | 2024-04-12 |
Family
ID=90043772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410128175.4A Active CN117649661B (zh) | 2024-01-30 | 2024-01-30 | 一种碳纳米管制备状态图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649661B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103079077A (zh) * | 2011-10-26 | 2013-05-01 | 比亚迪股份有限公司 | 一种图像处理方法 |
| WO2015109693A1 (zh) * | 2014-01-22 | 2015-07-30 | 中兴通讯股份有限公司 | 一种校准图像色彩的方法和*** |
| CN106127817A (zh) * | 2016-06-28 | 2016-11-16 | 广东工业大学 | 一种基于通道的图像二值化方法 |
| CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
| CN107578390A (zh) * | 2017-09-14 | 2018-01-12 | 长沙全度影像科技有限公司 | 一种使用神经网络进行图像白平衡校正的方法及装置 |
| CN108377373A (zh) * | 2018-05-10 | 2018-08-07 | 杭州雄迈集成电路技术有限公司 | 一种基于像素的色彩还原装置及方法 |
| CN108495101A (zh) * | 2018-04-08 | 2018-09-04 | 北京大恒图像视觉有限公司 | 一种图像校正方法、装置、图像采集设备和可读存储介质 |
| CN108600723A (zh) * | 2018-07-20 | 2018-09-28 | 长沙全度影像科技有限公司 | 一种全景相机的颜色校正方法及评价方法 |
| CN109919994A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习图像处理的采煤机滚筒自动调高*** |
| CN110400275A (zh) * | 2019-07-22 | 2019-11-01 | 中电健康云科技有限公司 | 一种基于全卷积神经网络和特征金字塔的颜色校正方法 |
| CN111222445A (zh) * | 2019-12-31 | 2020-06-02 | 江苏南高智能装备创新中心有限公司 | 吸管检测***及其方法 |
| CN111292246A (zh) * | 2018-12-07 | 2020-06-16 | 上海安翰医疗技术有限公司 | 图像颜色校正方法、存储介质及内窥镜 |
| CN111310666A (zh) * | 2020-02-18 | 2020-06-19 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
| CN112508812A (zh) * | 2020-12-01 | 2021-03-16 | 厦门美图之家科技有限公司 | 图像色偏校正方法、模型训练方法、装置及设备 |
| CN114240782A (zh) * | 2021-12-16 | 2022-03-25 | 北京爱芯科技有限公司 | 图像校正方法、***及电子设备 |
| CN114266803A (zh) * | 2021-12-21 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN114331873A (zh) * | 2021-12-07 | 2022-04-12 | 南京邮电大学 | 一种基于区域划分的非均匀光照彩色图像校正方法 |
| CN114463196A (zh) * | 2021-12-28 | 2022-05-10 | 浙江大学嘉兴研究院 | 一种基于深度学习的图像校正方法 |
| CN116958534A (zh) * | 2022-12-29 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、图像处理模型的训练方法和相关装置 |
| CN116996786A (zh) * | 2023-09-21 | 2023-11-03 | 清华大学 | 一种rgb-ir图像色彩恢复及校正的方法及装置 |
| CN117372431A (zh) * | 2023-12-07 | 2024-01-09 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108282647B (zh) * | 2018-01-31 | 2019-11-05 | 上海小蚁科技有限公司 | 色彩校正方法及装置、计算机可读存储介质、终端 |
-
2024
- 2024-01-30 CN CN202410128175.4A patent/CN117649661B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103079077A (zh) * | 2011-10-26 | 2013-05-01 | 比亚迪股份有限公司 | 一种图像处理方法 |
| WO2015109693A1 (zh) * | 2014-01-22 | 2015-07-30 | 中兴通讯股份有限公司 | 一种校准图像色彩的方法和*** |
| CN106127817A (zh) * | 2016-06-28 | 2016-11-16 | 广东工业大学 | 一种基于通道的图像二值化方法 |
| CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
| CN107578390A (zh) * | 2017-09-14 | 2018-01-12 | 长沙全度影像科技有限公司 | 一种使用神经网络进行图像白平衡校正的方法及装置 |
| CN108495101A (zh) * | 2018-04-08 | 2018-09-04 | 北京大恒图像视觉有限公司 | 一种图像校正方法、装置、图像采集设备和可读存储介质 |
| CN108377373A (zh) * | 2018-05-10 | 2018-08-07 | 杭州雄迈集成电路技术有限公司 | 一种基于像素的色彩还原装置及方法 |
| CN108600723A (zh) * | 2018-07-20 | 2018-09-28 | 长沙全度影像科技有限公司 | 一种全景相机的颜色校正方法及评价方法 |
| CN111292246A (zh) * | 2018-12-07 | 2020-06-16 | 上海安翰医疗技术有限公司 | 图像颜色校正方法、存储介质及内窥镜 |
| CN109919994A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习图像处理的采煤机滚筒自动调高*** |
| CN110400275A (zh) * | 2019-07-22 | 2019-11-01 | 中电健康云科技有限公司 | 一种基于全卷积神经网络和特征金字塔的颜色校正方法 |
| CN111222445A (zh) * | 2019-12-31 | 2020-06-02 | 江苏南高智能装备创新中心有限公司 | 吸管检测***及其方法 |
| CN111310666A (zh) * | 2020-02-18 | 2020-06-19 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
| CN112508812A (zh) * | 2020-12-01 | 2021-03-16 | 厦门美图之家科技有限公司 | 图像色偏校正方法、模型训练方法、装置及设备 |
| CN114331873A (zh) * | 2021-12-07 | 2022-04-12 | 南京邮电大学 | 一种基于区域划分的非均匀光照彩色图像校正方法 |
| CN114240782A (zh) * | 2021-12-16 | 2022-03-25 | 北京爱芯科技有限公司 | 图像校正方法、***及电子设备 |
| CN114266803A (zh) * | 2021-12-21 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN114463196A (zh) * | 2021-12-28 | 2022-05-10 | 浙江大学嘉兴研究院 | 一种基于深度学习的图像校正方法 |
| CN116958534A (zh) * | 2022-12-29 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、图像处理模型的训练方法和相关装置 |
| CN116996786A (zh) * | 2023-09-21 | 2023-11-03 | 清华大学 | 一种rgb-ir图像色彩恢复及校正的方法及装置 |
| CN117372431A (zh) * | 2023-12-07 | 2024-01-09 | 青岛天仁微纳科技有限责任公司 | 一种纳米压印模具的图像检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| EFFECTIVE COLOR CORRECTION PIPELINE FOR A NOISY IMAGE;Kenta Takahashi 等;《ICIP 2016》;20161231;4002-4006 * |
| 基于稠密卷积神经网络的遥感图像自动色彩校正;朱思捷 等;《中国科学院大学学报》;20190131;第36卷(第1期);93-100 * |
| 小波域彩色图像的混合噪声抑制算法;王小杰 等;《安庆师范学院学报(自然科学版)》;20161231(第04期);46-49 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649661A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112734646B (zh) | 一种基于特征通道划分的图像超分辨率重建方法 | |
| CN101441764B (zh) | 一种mtfc遥感图像复原方法 | |
| CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
| CN110910390B (zh) | 一种基于深度畸变卷积的全景三维彩色点云语义分割方法 | |
| CN100342398C (zh) | 图像处理方法和设备 | |
| US11461877B2 (en) | Image inpainting method, image inpainting system and flat panel detector thereof | |
| CN110956581A (zh) | 一种基于双通道生成-融合网络的图像模态变换方法 | |
| CN111353995B (zh) | 一种基于生成对抗网络的宫颈单细胞图像数据生成方法 | |
| CN110517272B (zh) | 基于深度学习的血细胞分割方法 | |
| CN111583113A (zh) | 一种基于生成对抗网络的红外图像超分辨率重建方法 | |
| CN111833261A (zh) | 一种基于注意力的生成对抗网络的图像超分辨率复原方法 | |
| CN111882485A (zh) | 分级特征反馈融合的深度图像超分辨率重建方法 | |
| CN114418904A (zh) | 一种基于改进直方图均衡化和增强高通滤波的红外图像增强方法 | |
| CN110288529B (zh) | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 | |
| CN117649661B (zh) | 一种碳纳米管制备状态图像处理方法 | |
| CN114863283A (zh) | 迁移学习与注意力机制结合的sar图像目标识别方法 | |
| CN114626984A (zh) | 中文文本图像的超分辨率重建方法 | |
| 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 | |
| CN108364274B (zh) | 微纳米尺度下光学图像的无损清晰重构方法 | |
| CN115115520A (zh) | 一种具有提高图像清晰度和分辨率的图像成像方法 | |
| CN110852950B (zh) | 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 | |
| CN115375561A (zh) | 一种优化亮度、反差及色差的遥感影像匀光匀色方法 | |
| Zhao et al. | Single image dehazing based on enhanced generative adversarial network | |
| CN117576139B (zh) | 一种基于双边滤波的边缘及角点检测方法及*** | |
| CN113962913B (zh) | 一种融合光谱空间信息的深度互学习框架的构建方法 |
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 |