-
公开(公告)号：CN110689504A
公开(公告)日：2020-01-14
申请号：CN201910961757.X
申请日：2019-10-11
Applicant: 大连海事大学
IPC: G06T5/00
Abstract: 本发明提供一种基于二次引导透射图的水下图像复原方法。本发明方法，包括：首先对红通道进行反转，在反转后的图像上使用暗通道先验，求取背景光；其次通过原始图像求取饱和度；根据背景光、饱和度和红色暗通道先验求取粗糙透射图，使用引导滤波将粗糙透射图分解为基础图像和细节图像，对基本图像进行拉普拉斯滤波处理，细节图像进行引导滤波处理，将处理后的图像重构得到细化透射图；然后结合水下成像模型进行图像复原；最后对复原图像进行自动色阶处理，得到最终复原图像。本发明专利提出了一种基于二次引导透射图的水下图像复原方法，该方法利用二次引导滤波和自动色阶，不仅有效增强图像细节，还解决颜色失真问题，提升视觉效果。
-
公开(公告)号：CN104200423B
公开(公告)日：2018-01-12
申请号：CN201410432790.0
申请日：2014-08-27
Applicant: 大连海事大学
IPC: G06T1/00
Abstract: 本发明涉及一种基于多控制点的矢量图形上下边界线形状自动调整方法，采用本发明在调整矢量图形边界线形状时，只需要确定建模线上有限个数的控制点位置，所有矢量图形的边界线自动依据建模线的形态调整自己的边界线形状，无需手动调整边界线上的每一个控制点，通过该方法可以绘制平滑、美观的边界线，从而大大降低了工作量，进而提高了工作效率。因此，本发明可以适用于计算机矢量图形绘制及图形上、下边界线形状的调整。
-
公开(公告)号：CN102214321B
公开(公告)日：2014-09-03
申请号：CN201110197854.X
申请日：2011-07-14
Applicant: 大连海事大学
IPC: G06N3/12
Abstract: 本发明公开了一种三维集装箱装载布局优化方法及系统。其中的方法是利用遗传算法的随机快速搜索能力、潜在并行性、全局收敛性在解空间内寻找一组粗略的可行解，之后以该组粗略的可行解作为蚁群算法的输入，利用蚁群算法的正反馈机制、并行性和搜索较好解的能力求得装箱的最优方案，从而实现了遗传算法与蚁群算法在解决集装箱装载布局问题上的融合，避免了现有采用单一算法解决三维集装箱装载布局问题的缺陷，在兼顾全局搜索能力的同时，兼顾了影响装载效率的几个重要约束条件，可应用性好。
-
公开(公告)号：CN115034979B
公开(公告)日：2025-04-18
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。
-
公开(公告)号：CN115034981B
公开(公告)日：2024-08-06
申请号：CN202210593981.X
申请日：2022-05-27
Applicant: 大连海事大学
IPC: G06T5/90 , G06T5/60 , G06T5/40 , G06N3/0455 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于嵌入式多特征融合的深度学习水下图像增强方法，包括以下步骤：获取原始水下图像P再分别获取颜色校正后的增强图像P1及对比度后的增强图像P2；设置每个输入均通过残差增强模块，分别提取到三条路径的特征；再将特征融合；提取到每条路径的深层特征；将三条路径的深层特征进行拼接，并且通过连续的多次下采样操作，获取低分辨率下的特征图；通过注意力模块分别给不同特征赋予不同的权重值，再通过解码器模块获取最终的增强图像P3，并且使用Ll2损失函数和感知损失Lper的组合对网络性能进行优化。本发明主要利用多特征融合方法，将颜色校正和图像细节的特征融合，从而起到较好的解决水下图像的偏色问题并且更好的恢复图像细节。
-
Patent Agency Ranking
公开(公告)号：CN118261809A
公开(公告)日：2024-06-28
申请号：CN202410368015.7
申请日：2024-03-28
Applicant: 大连海事大学
Abstract: 本发明提供了一种基于变分Retinex的水下图像重建与融合方法。本发明采用分离的变分Retinex理论，通过调整图像像素的动态范围和光成分，来更好地提取具有数据高阶约束的非局部属性，从而显著的增强水下图像的质量，并通过设计一种图像序列的精确对准策略，实现了图像序列的准确配准，有效地重建了图像序列中带有视差的场景。针对现有水下图像拼接方法区域分割不精细的问题，本发明提供了一个基于接缝邻域信息的新型代价函数，有助于这些解决的接缝的迭代优化。这个过程增强了这些区域内的分割精度，从而实现更精确的场景重建。
-
公开(公告)号：CN118172267A
公开(公告)日：2024-06-11
申请号：CN202410274084.1
申请日：2024-03-11
Applicant: 大连海事大学
IPC: G06T5/60 , G06T5/90 , G06V10/42 , G06V10/44 , G06V10/54 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明提供基于多尺度细节特征加权融合网络的水下图像增强方法，以源图像作为输入，根据不同尺度对源图像进行裁剪处理，并且将处理后的特征图分别输入基于多尺度金字塔结构的细节信息细化网络，再利用特征融合模块将不同阶段的特征图进行融合，以获得增强后的细节特征加权图像。本发明基于图像深度学习模型，在传统图像增强网络的基础上新增一个基于细节特征加权的辅助分支网络。子网络以源图像作为输入，并在网络内部进行个多层级融合，使网络能细化图像的纹理信息，保留图像细节信息，改善水下图像所表现出的局部细节模糊问题。其次，针对边缘模糊和颜色偏差问题，设计了基于Unet结构的全局特征增强子网。
-
公开(公告)号：CN112508106B
公开(公告)日：2024-05-24
申请号：CN202011446698.1
申请日：2020-12-08
Applicant: 大连海事大学
IPC: G06V10/764 , G06V20/05 , G06N3/0464 , G06V10/82 , G06N3/09
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：CN117745610A
公开(公告)日：2024-03-22
申请号：CN202311683096.1
申请日：2023-12-08
Applicant: 大连海事大学
Abstract: 本发明提供了一种基于多方向卷积注意机制的水下图像增强方法，包括以下步骤：对于输入图像使用特征提取模块进行初步特征，然后输入到编码器中，其中包括使用下采样操作、多方向卷积注意机制提取大感受野的特征，多方向卷积注意机制结合四个方向的特征进行增强。重复上述操作四次，获取不同尺寸的特征信息。针对最小尺寸特征使用多方向卷积注意机制进行特征增强，输入到解码器中进行特征恢复。其中编码器包括使用上采样操作恢复特征尺寸，结合编码器中对应尺度的特征进行特征恢复，重复上述操作四次。最后使用平滑L1损失函数、感知损失函数和多尺度结构相似性损失函数对于网络进行引导，有效增强水下图像。
-
公开(公告)号：CN117635448A
公开(公告)日：2024-03-01
申请号：CN202311683093.8
申请日：2023-12-08
Applicant: 大连海事大学
Abstract: 本发明提供一种基于直方图均衡化引导的水下复原新视角合成方法。本发明主要使用降质的水下图像和直方图均衡化后的伪真值图像学习建立水下光线追踪场。通过使用原图监督学习水下原图像细节并使用直方图均衡化伪真值图像引导复原后的图像颜色分布。该追踪场准确估计了三维空间内的密度、颜色、光照衰减，并可以通过体积渲染公式渲染出目标成像平面的像素颜色。通过控制体积渲染公式中是否加入光照衰减部分，可以分别渲染出复原前和复原后的水下图像。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.023 seconds)
