-
公开(公告)号：CN117635440A
公开(公告)日：2024-03-01
申请号：CN202311683097.6
申请日：2023-12-08
Applicant: 大连海事大学
IPC: G06T5/00 , G06T5/10 , G06V10/774 , G06V10/776 , G06N3/0464 , G06V10/42 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种基于分层小波分解的水下图像复原方法。本发明主要采用一种分治的思想，通过将图像进行分层小波分解，分别对水下图像的低频和高频退化部分进行了准确恢复。针对现有水下图像复原方法忽视水下图像降质分布的异质性，无法处理降质图像中多种类型的图像退化问题，提出了利用小波变换更紧凑地估计图像的特征空间以处理各种频率的退化问题，最后基于真实场景水下数据集进行训练、推理，对水下图像进行复原。
-
公开(公告)号：CN117593202A
公开(公告)日：2024-02-23
申请号：CN202311442595.1
申请日：2023-11-01
Applicant: 大连海事大学
Abstract: 本发明提供一种基于内监督的协同多尺度水下图像增强方法，通过集成四个阶段图像，为网络提供了不同尺度的场景信息。首先使用输入图像通过退化操作分别获取一、二、三级退化图像。使用基于双分支的上下文注意力模块进行对输入图像提取初始特征，然后进行下采样后使用基于双分支的上下文注意力模块获取一级退化特征；在一级退化图像上使用基于自适应选择性内在监督模块选择有利于场景恢复的特征，集成为一级退化特征。利用二、三级退化阶段重复两次。三级退化特征进行特征恢复后集成三级退化阶段进行二级特征恢复。通过利用二、一级退化阶段重复此操作两次。在获得一级退化特征后恢复为增强图像。基于多阶段退化损失函数约束四个阶段的增强过程。
-
公开(公告)号：CN111210395B
公开(公告)日：2023-11-10
申请号：CN202010023145.9
申请日：2020-01-09
Applicant: 大连海事大学
IPC: G06T5/00
Abstract: 本发明提供一种基于灰度值映射的Retinex水下图像增强方法，包括五个过程：颜色校正、滤波去噪、建立灰度映射函数、寻找最佳参数以及对比度增强。首先对采集的水下退化图像采用带有颜色恢复因子的多尺度Retinex算法进行颜色校正，获取第一幅输出图像；其次将第一幅输出图像采用各向异性扩散滤波进行对比度增强，获得第二幅输出图像；然后建立灰度值映射函数；接着根据图像的信息熵及全局亮度均值，并结合模拟退火算法快速寻找参数最佳值，完善灰度值映射函数；最后对第二幅输出图采用灰度值映射得到最后的增强图像。本发明在无需任何先验信息条件下，有效实现水下图像颜色校正和对比度增强，提升图像视觉效果，可以应用于水下图像预处理。
-
公开(公告)号：CN116777760A
公开(公告)日：2023-09-19
申请号：CN202310249681.4
申请日：2023-03-15
Applicant: 大连海事大学
IPC: G06T5/00
Abstract: 本发明提供一种基于自适应暗像素和颜色校正的水下图像复原方法，通过IFM(CIFM)并结合先验知识和无监督技术。考虑到水下不同波长光的衰减特性提出通道强度先验(CIP)，利用每个通道的衰减强度来估计深度图并解决由高亮区域或纯色物体引起的单通道先验故障。同时根据颜色偏差因子的大小将得到的CIP深度图与无监督深度图进行融合，克服了人工照明对CIP的影响，扩展了无监督方法的应用场景。然后，本发明通过图像不同程度的退化和自然图像质量评估指标(NIQE)来构建自适应暗像素(ADP)根据不同的深度差异选择不同的策略来消除反向散射，有效地解决拟合效率低和误差大问题。最后，通过颜色校正和蓝绿通道颜色恢复因子获得更具有视觉吸引力的输出图像。
-
公开(公告)号：CN115034979A
公开(公告)日：2022-09-09
申请号：CN202210593968.4
申请日：2022-05-27
Applicant: 大连海事大学
Abstract: 本发明提供一种基于双路径联合校正的深度学习水下图像增强方法，包括以下步骤：获取基本的特征图；分别获取到R、G、B通道的特征图；添加通道注意力机制得到权重矩阵乘到之前特征图上对应通道的每个像素值；获取富有代表性的颜色特征；将所述纹理特征提取路径中获取的基本特征图进行双维注意力的处理；通过像素注意力模块对所述高阶特征形成重新校准的纹理细节特征；将颜色特征和纹理特征拼接为一个全新的综合特征，馈送到多尺度的U‑Net网络中；最终输出增强后的结果图像。本发明采用三元组特征提取模块，将图像R、G、B通道分别处理，平衡了退化图像的R、G、B颜色的灰度比，解决了图像的偏色问题，获得了更好的色彩校正效果。
-
Patent Agency Ranking
公开(公告)号：CN114862737A
公开(公告)日：2022-08-05
申请号：CN202210626251.5
申请日：2022-06-02
Applicant: 大连海事大学
Abstract: 本发明提供一种基于图像反射分量和深度学习模型的水下图像增强方法包括：提取输入图像的反射分量，通过辅助分支网络的多层卷积算子识别反射分量的特征信息。在方法的主网络中以源图像作为输入，通过多维编码器组提取源图像特征信息，并且与辅助分支网络的同维度特征矩阵进行深度方向融合，最终通过解码器组复原得到增强后图像。本发明基于图像反射分量和深度学习模型，在传统图像增强网络的基础上新增一个基于图像反射分量的辅助分支网络。辅助网络以反射分量作为输入，并在多个层级与主网络融合，使网络能从退化图像和表现图像本质信息的反射分量中两方面提取特征矩阵。
-
公开(公告)号：CN113538543A
公开(公告)日：2021-10-22
申请号：CN202110801129.2
申请日：2021-07-15
Applicant: 大连海事大学
Abstract: 本发明提供一种基于纹理分布和光吸收的水下图像复原方法，首先，计算初始图像的局部信息熵，确定纹理最少区域，从中选择色差最大的点作为背景光；其次，获取亮度深度图和色偏深度图，估计出最终深度图及透射率；最后将背景光和透射率代入光学成像模型，获得最终的复原图像。本发明利用纹理特征分布和光吸收的特性，准确地估计出背景光和透射率，使得复原图像的视觉效果较好，解决了颜色失真问题，提升了清晰度。
-
公开(公告)号：CN112508106A
公开(公告)日：2021-03-16
申请号：CN202011446698.1
申请日：2020-12-08
Applicant: 大连海事大学
Abstract: 本发明提供一种基于卷积神经网络的水下图像分类方法。本发明包括以下步骤：增强数据集、搭建模型、训练模型、预测分类。首先，对小规模水下退化图像采用组合式数据增强：包括上下翻转、左右翻转、添加随机噪声，得到增强后的数据集；其次，搭建深度学习模型，本发明的深度学习模型为卷积神经网络，模型包含9个FSCB(Four‑scales convolution block)子结构以及3个辅助分类器；然后，使用增强后的水下图像数据集对模型进行训练；最后，将待预测的水下图像输入训练好的模型进行正向传播，得到该图像的类型，总共可分为10种类型：开阔水域类型：I、IA、IB、II和III，其中I型最清晰、III型最浑浊；沿海水类型：1、3、5、7、9，其中1型最清晰，9型最浑浊。
-
公开(公告)号：CN112508091A
公开(公告)日：2021-03-16
申请号：CN202011411042.6
申请日：2020-12-03
Applicant: 大连海事大学
Abstract: 本发明提供一种基于卷积神经网络的低质量图像分类方法包括以下步骤:首先，预处理数据集、搭建模型、训练模型、预测分类。首先，预处理数据集，对数据集中的所有图像统一尺寸，将数据集分为训练集和测试集，并按照拍摄环境标注对应label；其次，搭建深度学习模型，本发明的深度学习模型为卷积神经网络，模型中包含6个MSCB子结构，同时采用了两个辅助分类器增强模型的鲁棒性，通过一个softmax层输出图像类别信息；然后，使用预处理后的数据集输入模型，通过梯度下降算法训练模型中的各个参数；最后，将待预测的图像输入训练好的模型进行正向传播，得到该图像的类型，总共可分为4种类型：雾天图像、水下图像、低光照图像、正常环境图像。
-
公开(公告)号：CN112488948A
公开(公告)日：2021-03-12
申请号：CN202011407151.0
申请日：2020-12-03
Applicant: 大连海事大学
Abstract: 本发明提供一种基于黑色像素点估计后向散射的水下图像复原方法。本发明方法，包含以下步骤：首先，使用基于自监督的单目深度估计模型估计退化图像的相对深度。根据该相对深度，选择合适的深度上限和下限进行深度归一化操作，从而得到退化图像的绝对深度图。然后，将图像像素点按其深度等分成多个区间，在各区间中搜索退化图像的潜在黑色像素点。使用水下图像成像模型，将看作常数，分通道拟合参数以估计后向散射Bc。最后，引入自定义亮度值t调整图像整体亮度，实现水下图像复原。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.031 seconds)
