-
公开(公告)号：CN109919859B
公开(公告)日：2021-09-07
申请号：CN201910071668.8
申请日：2019-01-25
Applicant: 暨南大学
Abstract: 本发明涉及一种户外场景图像去雾增强方法、计算设备以及计算机可读存储介质，本发明的去雾增强方法对整个图像进行了白色区、天空区以及其他区的三种区域分割，对每个区域分别增强处理，尤其本发明中提出的基于天空占比的自适应Gamma变换，使增强后图像整体色彩更明亮，边缘保持和色彩保真更好。同时，本发明的方法有效抑制了近白色区域和灰白天空区域的光晕和伪影，减少了这些区域的色彩失真，同时由于采用了对比度受限的自适应直方图均衡方法增强天空区域，使户外场景中景深较大的远景细节能得到较好的增强和重现。
-
Patent Agency Ranking
公开(公告)号：CN109919859A
公开(公告)日：2019-06-21
申请号：CN201910071668.8
申请日：2019-01-25
Applicant: 暨南大学
Abstract: 本发明涉及一种户外场景图像去雾增强方法、计算设备以及计算机可读存储介质，本发明的去雾增强方法对整个图像进行了白色区、天空区以及其他区的三种区域分割，对每个区域分别增强处理，尤其本发明中提出的基于天空占比的自适应Gamma变换，使增强后图像整体色彩更明亮，边缘保持和色彩保真更好。同时，本发明的方法有效抑制了近白色区域和灰白天空区域的光晕和伪影，减少了这些区域的色彩失真，同时由于采用了对比度受限的自适应直方图均衡方法增强天空区域，使户外场景中景深较大的远景细节能得到较好的增强和重现。
-
公开(公告)号：CN111062872B
公开(公告)日：2021-02-05
申请号：CN201911302745.2
申请日：2019-12-17
Applicant: 暨南大学
Abstract: 本发明公开了一种基于边缘检测的图像超分辨率重建方法及系统，该方法的步骤为：将高分辨率图像作为原始图像样本，经图像预处理后得到低分辨率图像；构建超分辨率重建网络模型，将低分辨率图像输入到超分辨率重建网络模型中预训练超分辨率重建网络模型；超分辨率图像与高分辨率图像经过VGG19网络计算得到感知损失函数；超分辨率图像和高分辨率图像进行颜色空间的转换以及边缘提取，经L1损失函数计算得到边缘损失函数；感知损失函数和边缘损失函数按比例结合得到损失函数Ltotal并更新参数，低分辨率图像输入到训练好的超分辨率重建网络模型得到恢复的高分辨率图像。本发明弥补了生成伪造纹理的不足，提高了图像恢复的视觉效果和真实性。
-
公开(公告)号：CN110097519B
公开(公告)日：2021-03-19
申请号：CN201910350268.0
申请日：2019-04-28
Applicant: 暨南大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于深度学习的双监督轻量级图像去雾方法、系统、介质和设备，该方法步骤为：获取有雾图像、标签无雾图像；构建神经网络系统；训练神经网络系统；有雾图像输入到神经网络系统得到第一传输图，有雾图像经图像恢复算法后得第二传输图；第一、第二传输图进行均方差计算得到损失函数Lt；第一传输图进行大气散射模型逆运算，得到去雾图像；去雾图像与标签无雾图像对比得到损失函数Ld；Lt和Ld按设定的比例结合得到Ltotal；有雾图像输入到训练好的神经网络系统得到去雾图像；该系统包括有雾、无雾图像样本获取模块、神经网络系统构建模块和神经网络系统训练模块，本发明的网络参数量级小，训练时间少，能避免主观设定，增强去雾效果。
-
公开(公告)号：CN111062872A
公开(公告)日：2020-04-24
申请号：CN201911302745.2
申请日：2019-12-17
Applicant: 暨南大学
Abstract: 本发明公开了一种基于边缘检测的图像超分辨率重建方法及系统，该方法的步骤为：将高分辨率图像作为原始图像样本，经图像预处理后得到低分辨率图像；构建超分辨率重建网络模型，将低分辨率图像输入到超分辨率重建网络模型中预训练超分辨率重建网络模型；超分辨率图像与高分辨率图像经过VGG19网络计算得到感知损失函数；超分辨率图像和高分辨率图像进行颜色空间的转换以及边缘提取，经L1损失函数计算得到边缘损失函数；感知损失函数和边缘损失函数按比例结合得到损失函数Ltotal并更新参数，低分辨率图像输入到训练好的超分辨率重建网络模型得到恢复的高分辨率图像。本发明弥补了生成伪造纹理的不足，提高了图像恢复的视觉效果和真实性。
-
公开(公告)号：CN110097519A
公开(公告)日：2019-08-06
申请号：CN201910350268.0
申请日：2019-04-28
Applicant: 暨南大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于深度学习的双监督轻量级图像去雾方法、系统、介质和设备，该方法步骤为：获取有雾图像、标签无雾图像；构建神经网络系统；训练神经网络系统；有雾图像输入到神经网络系统得到第一传输图，有雾图像经图像恢复算法后得第二传输图；第一、第二传输图进行均方差计算得到损失函数Lt；第一传输图进行大气散射模型逆运算，得到去雾图像；去雾图像与标签无雾图像对比得到损失函数Ld；Lt和Ld按设定的比例结合得到Ltotal；有雾图像输入到训练好的神经网络系统得到去雾图像；该系统包括有雾、无雾图像样本获取模块、神经网络系统构建模块和神经网络系统训练模块，本发明的网络参数量级小，训练时间少，能避免主观设定，增强去雾效果。
-
-
-
-
-
Search Results
6
records
(took 0.021 seconds)
