-
公开(公告)号：CN117670687A
公开(公告)日：2024-03-08
申请号：CN202311731887.7
申请日：2023-12-15
Applicant: 大连海事大学
IPC: G06T5/00 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/084 , G06V10/42 , G06V10/44 , G06V10/80
Abstract: 本发明公开了一种基于CNN和Transformer混合结构的水下图像增强方法，该发明基于深度学习技术实现，公开了一种水下图像增强网络。所提出的图像增强方法包括区域化两阶段视觉Transformer模块与全尺度特征融合模块两个核心模块，区域化两阶段视觉Transformer模块针对水下图像的退化是不均匀的这一特点，在全局阶段获得每个区域的感知参考权重，并将权重与特征区域相乘。在区域阶段这些特征区域独立地对跨通道维度的依赖性进行建模。全尺度特征融合模块通过特征融合和通道调整实现了充分利用全尺度信息。在所设计的区域化两阶段视觉Transformer模块与全尺度特征融合模块的共同作用下，本文方法能够充分的提取图像的特征，鲁棒、稳定地提高恶劣环境下的图像质量。
-
公开(公告)号：CN117495746A
公开(公告)日：2024-02-02
申请号：CN202311457663.1
申请日：2023-11-03
Applicant: 大连海事大学
IPC: G06T5/90 , G06T3/4038 , G06T3/4046 , G06T5/60 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于多尺度可形变卷积的泛化图像增强方法，包括：采用多尺度可形变卷积模块和特征均衡化模块搭建网络模型；采用训练集对网络模型进行训练，得到训练后的网络模型；向训练后的网络模型输入原始图像，训练后的网络模型输出增强图像。通过多尺度可形变卷积模块提取不同感受野内的图像特征，通过特征均衡化模块均衡特征值之间的差异，强化不同特征对结果的影响，提高模型的收敛速度。在多尺度可形变卷积模块与特征均衡化模块的共同作用下，所提出的网络模型能够充分的提取图像的特征，鲁棒、稳定地提高恶劣环境下图像的质量。
-
公开(公告)号：CN116823644A
公开(公告)日：2023-09-29
申请号：CN202310657193.7
申请日：2023-06-05
Applicant: 大连海事大学
IPC: G06T5/00 , G06N3/096 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明提供一种基于知识转换的水下图像增强方法。本发明方法，包括：搭建水下图像增强网络模型；构建第一损失函数；采用第一损失函数约束第一网络模型，采用N张水下图像训练第一网络模型得到教师网络模型；根据教师网络模型构建第二损失函数；采用第二损失函数约束第二网络模型，采用N张水下图像和M张转化图像训练第二网络模型得到学生网络模型；向学生网络模型输入原始图像，学生网络模型对原始图像进行增强处理。通过第二损失函数约束第二网络模型的训练，促进生成的图像更接近于参照图像，具有更鲜明的色彩、更高的对比度、更丰富的纹理与细节。
-
公开(公告)号：CN117392033A
公开(公告)日：2024-01-12
申请号：CN202311276999.8
申请日：2023-09-28
Applicant: 大连海事大学
IPC: G06T5/92 , G06T5/73 , G06V10/44 , G06V10/80 , G06V10/82 , G06V20/05 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供一种基于多流特征融合的水下图像增强方法，包括构建数据集，数据集包括Q个图像对，图像对包括退化水下图像及其对应的参考图像；从数据集划分出训练集；构建水下图像增强网络模型；采用训练集对水下图像增强网络模型进行训练，得到训练后的水下图像增强网络模型；向训练后的水下图像增强网络模型输入待处理退化水下图像，训练后的水下图像增强网络模型输出增强图像，实现了在恰当保持原有图像细节、纹理的同时能够充分提取位置敏感的图像特征，选择性的突出关键特征，实现颜色校正、对比度增强和去模糊，生成接近于参考图像的高质量增强图像。
-
-
-
Search Results
4
records
(took 0.018 seconds)
