-
公开(公告)号：CN110930320B
公开(公告)日：2022-08-16
申请号：CN201911074637.4
申请日：2019-11-06
Applicant: 南京邮电大学
Abstract: 本发明公开了图像处理技术领域的一种基于轻量化卷积神经网络的图像去雾方法，旨在解决现有技术中采用图像增强的去雾方法处理的图像存在信息丢失、采用图像复原的去雾方法处理的图像如果选取参数不当会影响复原后图像的效果、采用基于深度学习的去雾算法影响图像去雾的速度的技术问题。所述方法包括如下步骤：将有雾图像输入预先训练好的轻量化卷积神经网络，获取无雾图像；所述轻量化卷积神经网络包括不少于两个不同尺度的深度可分离卷积层，所述深度可分离卷积层包括彼此串联的深度卷积和逐点卷积。
-
Patent Agency Ranking
公开(公告)号：CN109712083B
公开(公告)日：2021-02-12
申请号：CN201811492894.5
申请日：2018-12-06
Applicant: 南京邮电大学
Abstract: 本发明提出一种基于卷积神经网络的单幅图像去雾方法，该方法首先构建训练集作为深度卷积神经网络模型的输入，网络模型包括浅层神经网络模型和深层神经网络模型，浅层网络模型用于提取并融合有雾图像RGB颜色空间的特征，输出为有雾图像的场景深度图；深层网络模型在浅层网络模型的基础上，对场景深度图进行多尺度映射、池化、卷积等操作，输出为有雾图像的透射率图。最后，通过透射率、大气光值以及大气散射模型即可恢复无雾图像。本发明通过对雾化图像RGB颜色空间的特征进行提取和融合，构建浅层卷积神经网络模型，与多尺度深层神经网络模型连接建立端到端的神经网络模型，能在多种场景下实现去雾清晰化，尤其在阴暗环境下可避免图像出现颜色失真。
-
公开(公告)号：CN111192219A
公开(公告)日：2020-05-22
申请号：CN202010000331.0
申请日：2020-01-02
Applicant: 南京邮电大学
Abstract: 本发明公开了图像处理技术领域的一种基于改进的逆大气散射模型卷积网络的图像去雾方法，旨在解决现有技术中图像增强的去雾方法导致图像失真、图像复原的去雾方法对模型参数选取要求过高、基于深度学习的去雾算法容易因大气光值估计误差而影响图像去雾效果的技术问题。所述方法包括如下步骤：将有雾图像输入预先训练好的卷积神经网络，获取无雾图像；所述卷积神经网络包括彼此串联的颜色特征提取卷积网络和深度去雾卷积网络，颜色特征提取卷积网络的输出端与深度去雾卷积网络的输入端连接。
-
公开(公告)号：CN111192219B
公开(公告)日：2022-07-26
申请号：CN202010000331.0
申请日：2020-01-02
Applicant: 南京邮电大学
Abstract: 本发明公开了图像处理技术领域的一种基于改进的逆大气散射模型卷积网络的图像去雾方法，旨在解决现有技术中图像增强的去雾方法导致图像失真、图像复原的去雾方法对模型参数选取要求过高、基于深度学习的去雾算法容易因大气光值估计误差而影响图像去雾效果的技术问题。所述方法包括如下步骤：将有雾图像输入预先训练好的卷积神经网络，获取无雾图像；所述卷积神经网络包括彼此串联的颜色特征提取卷积网络和深度去雾卷积网络，颜色特征提取卷积网络的输出端与深度去雾卷积网络的输入端连接。
-
公开(公告)号：CN109712083A
公开(公告)日：2019-05-03
申请号：CN201811492894.5
申请日：2018-12-06
Applicant: 南京邮电大学
Abstract: 本发明提出一种基于卷积神经网络的单幅图像去雾方法，该方法首先构建训练集作为深度卷积神经网络模型的输入，网络模型包括浅层神经网络模型和深层神经网络模型，浅层网络模型用于提取并融合有雾图像RGB颜色空间的特征，输出为有雾图像的场景深度图；深层网络模型在浅层网络模型的基础上，对场景深度图进行多尺度映射、池化、卷积等操作，输出为有雾图像的透射率图。最后，通过透射率、大气光值以及大气散射模型即可恢复无雾图像。本发明通过对雾化图像RGB颜色空间的特征进行提取和融合，构建浅层卷积神经网络模型，与多尺度深层神经网络模型连接建立端到端的神经网络模型，能在多种场景下实现去雾清晰化，尤其在阴暗环境下可避免图像出现颜色失真。
-
公开(公告)号：CN110930320A
公开(公告)日：2020-03-27
申请号：CN201911074637.4
申请日：2019-11-06
Applicant: 南京邮电大学
Abstract: 本发明公开了图像处理技术领域的一种基于轻量化卷积神经网络的图像去雾方法，旨在解决现有技术中采用图像增强的去雾方法处理的图像存在信息丢失、采用图像复原的去雾方法处理的图像如果选取参数不当会影响复原后图像的效果、采用基于深度学习的去雾算法影响图像去雾的速度的技术问题。所述方法包括如下步骤：将有雾图像输入预先训练好的轻量化卷积神经网络，获取无雾图像；所述轻量化卷积神经网络包括不少于两个不同尺度的深度可分离卷积层，所述深度可分离卷积层包括彼此串联的深度卷积和逐点卷积。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
