-
公开(公告)号：CN115731199A
公开(公告)日：2023-03-03
申请号：CN202211486776.X
申请日：2022-11-24
Applicant: 福州大学
IPC: G06T7/00 , G06T5/00 , G06T5/50 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于小波变换的非成对水下图像增强方法。包括：将待训练的非成对的数据进行预处理；设计基于小波变换的水下图像增强网络，对输入图像的低频和高频部分进行分别处理，再对高频部分和低频部分进行结合；搭建循环生成对抗网络框架，与基于小波变换的水下图像质量增强网络结合得到基于小波变换的非成对水下图像增强网络；设计用于训练非成对水下图像增强网络的目标损失函数；使用非成对的图像训练基于小波变换的非成对水下图像增强网络收敛到纳什平衡；将待增强水下图像进行归一化处理，然后输入训练好的水下图像增强模型，输出增强图像。本发明能对水下图像进行增强，运用非成对水下图像进行模型训练，解决水下图像失真问题。
-
公开(公告)号：CN116797491A
公开(公告)日：2023-09-22
申请号：CN202310853029.3
申请日：2023-07-12
Applicant: 福州大学
IPC: G06T5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于任务解耦的暗光模糊图像增强方法。包括以下步骤：步骤S1、构建用于训练的数据集，对暗光模糊图像的每幅图像进行预处理，得到训练数据集；步骤S2、设计任务解耦的暗光模糊图像增强网络，该网络由颜色变换分支、融合增强分支和高频信息重建分支组成；步骤S3、设计用于训练步骤S2所设计网络的损失函数；步骤S4、使用训练数据集训练基于任务解耦的暗光模糊图像增强网络；步骤S5、将待测暗光模糊图像输入到所设计的网络中，利用训练好的网络预测生成具有更好视觉感知的最终结果。
-
公开(公告)号：CN116385298A
公开(公告)日：2023-07-04
申请号：CN202310355905.X
申请日：2023-04-06
Applicant: 福州大学
Abstract: 本发明涉及一种用于无人机夜间采集图像的无参考增强方法。包括以下步骤：步骤S1、构建用于训练的数据集，对无人机夜间采集的每幅图像进行预处理，得到训练数据集；步骤S2、设计用于无人机夜间采集图像的增强网络，该网络由增强曲线估计网络、增强运算公式和感知复原网络组成；步骤S3、设计用于训练步骤S2所设计网络的无参考损失函数；步骤S4、使用训练数据集训练无人机夜间采集图像的增强网络；步骤S5、将待测无人机采集的夜间图像输入到所设计的网络中，利用训练好的网络预测生成具有更好感知的最终结果。
-
公开(公告)号：CN116363011A
公开(公告)日：2023-06-30
申请号：CN202310356172.1
申请日：2023-04-06
Applicant: 福州大学
IPC: G06T5/00 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于频域分频的多分支低照度图像增强方法。包括：对输入图像进行预处理，包括数据配对、数据随机裁切、数据增强处理，得到训练数据集；设计基于频域分频的多分支低照度图像增强网络，该网络由基准分支、高频分支和低频分支三个分支组成，每个分支均包含浅层图像增强模块和基于多尺度特征协同注意力模块的UNet结构；设计用于指导步骤B所设计网络参数优化的损失函数；使用步骤A得到的训练数据集训练步骤B中的基于频域分频的多分支低照度图像增强网络，得到训练好的基于频域分频的多分支低照度图像增强模型；将待测低照度图像输入训练好的基于频域分频的多分支低照度图像增强模型中，预测生成正常照度图像。本发明能增强低照度图像，解决低照度图像细节丢失、噪声多、亮度不足等问题。
-
公开(公告)号：CN112561950B
公开(公告)日：2022-12-13
申请号：CN202011547135.1
申请日：2020-12-24
Applicant: 福州大学
Abstract: 本发明涉及一种PointTrack框架下基于窗函数的点云采样方法，包括以下步骤：步骤S1：获取视频图像帧中所有目标的2D边界框，并输入到神经网络中进行分割，得到对应的前景与背景；步骤S2：根据分割结果对边界框在上下左右四个方向进行扩展，并将扩展后割的结果使用窗函数进行点云采样，分别得到前景和背景相对应的2D点云采样结果；步骤S3：将得到的前景点云进行整合，计算对应的颜色特征向量和形状特征向量，将得到的背景点云进行整合，并计算对应的颜色特征向量、形状特征向量以及类别向量，最终将得到的向量串联输入到PointTrak模型中。本发明能够使用窗函数更好的对点云采样进行控制，可以让采样的点更偏向于反应轮廓信息或者颜色信息，提高PointTrack多目标跟踪效果。
-
Patent Agency Ranking
公开(公告)号：CN116363011B
公开(公告)日：2025-05-13
申请号：CN202310356172.1
申请日：2023-04-06
Applicant: 福州大学
IPC: G06T5/90 , G06T5/70 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于频域分频的多分支低照度图像增强方法。包括：对输入图像进行预处理，包括数据配对、数据随机裁切、数据增强处理，得到训练数据集；设计基于频域分频的多分支低照度图像增强网络，该网络由基准分支、高频分支和低频分支三个分支组成，每个分支均包含浅层图像增强模块和基于多尺度特征协同注意力模块的UNet结构；设计用于指导步骤B所设计网络参数优化的损失函数；使用步骤A得到的训练数据集训练步骤B中的基于频域分频的多分支低照度图像增强网络，得到训练好的基于频域分频的多分支低照度图像增强模型；将待测低照度图像输入训练好的基于频域分频的多分支低照度图像增强模型中，预测生成正常照度图像。本发明能增强低照度图像，解决低照度图像细节丢失、噪声多、亮度不足等问题。
-
公开(公告)号：CN119477733A
公开(公告)日：2025-02-18
申请号：CN202411664186.0
申请日：2024-11-20
Applicant: 福州大学
Abstract: 本发明提出一种基于自适应亮度提升与高保真色彩校正的低照度图像增强方法。包括：构建训练数据集，对成对的低照度/正常照度图像进行数据增强，得到用于训练的图像数据集；设计基于自适应亮度提升与高保真色彩校正的低照度图像增强网络；设计用于训练所设计网络的损失函数；并使用训练数据集训练所设计网络；将待测低照度图像输入到训练好的网络中，生成正常照度图像。本发明利用自适应亮度提升策略以及多色彩空间约束下的色彩校正，能够在自适应增强图像亮度，并将图像色彩进行高保真校正，得到亮度合适且色彩高保真的高质量图像，有效解决了低照度图像亮度不均匀、色彩失真以及细节丢失等问题。
-
公开(公告)号：CN114399427B
公开(公告)日：2024-06-28
申请号：CN202210018956.9
申请日：2022-01-07
Applicant: 福州大学
IPC: G06T3/04 , G06N3/044 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/0455 , G06N3/0464
Abstract: 本发明涉及一种基于循环生成对抗网络的字效迁移方法。包括：S1：对数据集进行处理，得到字形图像和字效图像对，并对每幅图像进行预处理，得到训练数据集；S2：设计一个基于循环生成对抗网络的字效风格迁移网络，该网络由字效去除子网和字效迁移子网组成；S3：设计用于训练步骤S2所设计网络的损失函数；S4：使用训练数据集训练基于循环生成对抗网络的字效风格迁移网络；S5：将新的目标字效图像和待迁移的字形图像输入训练好的字效迁移网络，输出字效迁移后具有目标字效的图像。本发明能实现字效风格迁移，并生成高质量、结构性强的字效迁移图像。
-
公开(公告)号：CN117934330A
公开(公告)日：2024-04-26
申请号：CN202410129209.1
申请日：2024-01-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于自适应亮度提升与细节复原的暗光模糊图像增强方法。包括以下步骤：步骤S1、构建用于训练的数据集，对暗光模糊图像的每幅图像进行预处理，得到训练数据集；步骤S2、设计任务解耦的暗光模糊图像增强网络，该网络由颜色变换分支、融合增强分支和高频信息重建分支组成；步骤S3、设计用于训练步骤S2所设计网络的损失函数；步骤S4、使用训练数据集训练基于任务解耦的暗光模糊图像增强网络；步骤S5、将待测暗光模糊图像输入到所设计的网络中，利用训练好的网络预测生成具有更好视觉感知的最终结果。
-
公开(公告)号：CN116012300A
公开(公告)日：2023-04-25
申请号：CN202211554654.X
申请日：2022-12-05
Applicant: 福州大学
IPC: G06T7/00 , G06N3/08 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/0455
Abstract: 本发明涉及融合局部和全局图像特征的多模态图像美学质量评价方法，包括以下步骤：步骤S1：将美学图像数据集中的数据进行数据预处理，得到美学图像以及文本编码矩阵，并将数据集划分为训练集与测试集；步骤S2：设计融合局部特征和全局特征的图像特征提取子网络；步骤S3：设计文本特征提取子网络；步骤S4：设计融合局部和全局图像特征的多模态图像美学质量评价网络；步骤S5：将测试图像输入到训练好的融合局部和全局图像特征的多模态图像美学质量评分分布预测模型中。该算法能进行图像美学评分分布预测，提高图像美学质量评价算法的性能。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.018 seconds)
