-
公开(公告)号:CN117392007A
公开(公告)日:2024-01-12
申请号:CN202311356706.7
申请日:2023-10-19
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/70 , G06T5/90 , G06V10/54 , G06V10/60 , G06V10/50 , G06V10/82 , G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/094
Abstract: 本发明涉及一种偏振图像阴影去除方法,属于图像处理技术领域,包括以下步骤:获取偏振图像:偏振图像训练集或偏振设备采集目标图像;偏振图像预处理:噪声去除;提取特征:像素点的偏振光强度、梯度信息和纹理特征;建立对抗网络模型:模型分别为采用偏振光强度构建的偏振光强度模型、采用梯度信息构建的梯度模型以及采用纹理特征构建的纹理模型;模型修复集成:模型占比范围分别为,光强度模型:0.4‑0.6,梯度模型:0.2‑0.4,纹理模型:0.2‑0.4通过预处理、偏振光强度计算、多个模型建立、模型修复集成,将不同模型单独应用于偏振图像,得到各自的修复结果并根据各个模型的特点进行权重融合,以实现对偏振图像中阴影高精度的去除或修复。
-
公开(公告)号:CN117391954A
公开(公告)日:2024-01-12
申请号:CN202311356707.1
申请日:2023-10-19
Applicant: 安徽大学
IPC: G06T3/4053 , G06T5/73 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明涉及一种超分辨率视频构建方法,属于图像处理领域,包括以下步骤:获取偏振图像:使用偏振成像设备获取目标物体的偏振图像;提取特征:从偏振图像中提取偏振图像特征,计算像素偏振信息熵,根据偏振信息熵提取特征向量;建立抗网络模型:生成对抗网络,对抗网络包括生成器和判别器两个子网络,并通过低分辨率图像和对应的高分辨率图像训练生成对抗网络模型,充分利用了偏振信息进行图像重建,提高了超分辨率视频的细节和清晰度,此外,采用生成对抗网络模型进行训练,能够更好地捕捉并重建图像的细节特征,以实现超分辨率视频的构建。
-
公开(公告)号:CN117392566A
公开(公告)日:2024-01-12
申请号:CN202311356780.9
申请日:2023-10-19
Applicant: 安徽大学
IPC: G06V20/17 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/047 , G06T7/73
Abstract: 本发明公开了一种基于改进YOLO算法的伪装目标检测方法,包括以下步骤:构建数据集:伪装设备的偏振成像数据集;广域扫描:所述的广域扫描层可对偏振成像伪装数据集内大范围图像中标记伪装目标;摆锥式扫描:采用无人机悬空姿态上的摆锥形扫描设备,对大范围图像的伪装目标区域多次重复识别;重复训练:采用偏振成像伪装数据集合训练伪装设备目标模型,多次重复训练直至伪装设备目标模型的检测位置的参数趋近于相同。本发明中,针对于无人机悬浮时螺旋线形精细扫描的特征,将传统的YOLO算法计算结果与螺旋线形扫描特征相结合,保证扫描精度的同时降低了计算需求,进一步降低对设备计算能力的硬件需求,实现无人机识别上的成本控制的目的。
-
-