CN108765344A - 一种基于深度卷积神经网络的单幅图像雨线去除的方法 - Google Patents
一种基于深度卷积神经网络的单幅图像雨线去除的方法 Download PDFInfo
- Publication number
- CN108765344A CN108765344A CN201810538160.XA CN201810538160A CN108765344A CN 108765344 A CN108765344 A CN 108765344A CN 201810538160 A CN201810538160 A CN 201810538160A CN 108765344 A CN108765344 A CN 108765344A
- Authority
- CN
- China
- Prior art keywords
- rain
- layer
- picture
- high frequency
- detail
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000003475 lamination Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 230000015556 catabolic process Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000011084 recovery Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000283973 Oryctolagus cuniculus Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的单幅图像雨线去除的方法，该方法首先使用引导滤波将带雨图像分解为低频基准层和高频细节层，然后根据图像处理领域知识修改目标函数，并将带雨图像的高频细节层输入设计的深度学习网络架构中，以学习它与带雨图像所对应的清晰图像高频细节层之间的映射。最后将网络所输出的去雨后高频细节层与带雨图像的低频基准层相加，得到去除雨线后的清晰图像。本发明在去除单幅图像中雨线的同时保留了去雨后图像的细节部分，使得图像清晰度大幅提高。
Description
技术领域
本发明涉及一种单幅图像雨线去除方法，具体涉及一种基于深度卷积神经网络的单幅图像雨线去除方法。
背景技术
单幅图像去雨研究是图像复原领域的重要方向之一，其广泛应用在物体识别，目标跟踪等领域。然而，大量快速运动的雨线在雨天环境中被随机的分布着，使得反射和折射现象存在于目标物体与背景光线中，导致图像的对比度降低、成像模糊，细节信息丢失，要得出清晰的图像是非常困难的，因此需要对带雨线的单幅图像进行恢复处理。
现有的单幅图像去雨线方法主要分为两类。一类将问题视为图像层分解问题。主要包括结构相似性约束，广义低秩模型等方法。另一类是基于扩散或基于滤波器的方法，如非局部均值平滑等方法。近年来，由于卷积神经网络(CNN)在学习非线性函数能力上所取得的优越性，一些基于CNN的方法也被用来解决单幅图像去雨的问题。虽然现存方法已取得了一些成功，但存在以下两个方面的局限性：(1)对于现有的许多方法，其基本操作是在小的接受域或局部图像块上进行去雨线处理，通常会忽略影响去雨效果的接受域或感受野之间的空间上下文信息。(2)由于背景纹理结构和雨线是内部重叠的，现有的大多数方法对图像中的无雨区域也进行了去雨处理，导致恢复的图像存在过度平滑现象。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种基于深度卷积神经网络的单幅图像雨线去除方法，该方法可以解决单幅图像去雨时存在的图像对比度降低、成像模糊、细节信息丢失的问题。
技术方案：本发明所述的基于深度卷积神经网络的单幅图像雨线去除方法，该方法包括以下步骤：
(1)采用引导滤波方法将带雨图像分解为低频基准层和高频细节层；
(2)根据带雨图像的高频细节层和干净图像的高频细节层之间的2范数来构造目标函数，并且在目标函数中添加L2正则化项；
(3)构建一个基于深度卷积神经网络的单幅图像去雨的网络架构，包含4个卷积层，分别记为第1卷积层，第2卷积层，第3卷积层，第4卷积层，并在每个卷积层后采用网络激活函数，4个反卷积层，分别记为第1反卷积层，第2反卷积层，第3反卷积层，第4反卷积层，并在前3个反卷积层后采用网络激活函数，3个跳跃连接，分别将第1个卷积层和第3个反卷积层组成跳跃连接，将第2个卷积层和第2个反卷积层组成跳跃连接，将第3个卷积层和第1个反卷积层组成跳跃连接；
(4)将带雨图像的数据集作为训练数据，输入到所述基于深度卷积神经网络的单幅图像去雨的网络架构中进行训练迭代，并针对每次迭代，采用随机梯度下降算法更新所述网络参数；
(5)训练迭代后，将带雨图像的基准层与去除雨线后的高频细节层相加恢复成干净图像。
优选的，步骤(2)中，所述目标函数表示为：
其中，N是所述带雨图像分解后的图像块的个数，n是索引图像，W是网络参数，Idetail和Jdetail分别表示带雨图像和其对应的清晰图像的高频细节层，fw()函数代表网络体函数，为L_2惩罚正则化，λ是平衡系数。
优选的，步骤(3)中，所述网络激活函数采用Tanh激活函数。
优选的，步骤(3)中，所述第1卷积层，第2卷积层，第3卷积层，第4卷积层的特征映射个数均为128，卷积核大小分别设置为9*9，3*3，3*3，3*3。
优选的，步骤(3)中，所述第1反卷积层，第2反卷积层，第3反卷积层，第4 反卷积层特征映射个数分别为128，128，128，3，卷积核的大小分别设置为3*3，3*3， 3*3，1*1。
优选的，所述网络参数更新公式为：
其中，b为网络参数中的偏置项，W是网络参数，s表示一次迭代，α表示学习率，T是转置运算符，Idetail和Jdetail分别表示带雨图像和其对应的清晰图像的高频细节层。
优选的，步骤(5)中，所述将带雨图像的基准层与去除雨线后的高频细节层相加恢复成干净图像，用公示表示为：
E＝fW(Idetail)+Ibase
其中，Idetail表示带雨图像的高频细节层，Ibase表示带雨图像的基准层。
有益效果：本发明与现有技术相比，其显著优点是：1、采用的网络架构层次更深，卷积滤波器的尺寸更小，特征映射减少，使网络的参数大幅减少，并有助于挖掘更多细节信息且消除雨线；2、对真实雨图和合成雨图的去雨效果都很显著，在提高图像质量和计算效率方面优于其他先进的方法；3、根据图像处理领域知识修改目标函数，加入了一定的约束，减少了参数量。
附图说明
图1是本发明所述的方法流程图；
图2是基于深度卷积神经网络的单幅图像去雨的网络架构示意图；
图3是在合成图像环境下，本发明所述方法与其他去雨方法效果图，其中图3a、图3b、图3c和图3d分别为码头、伞、兔子和鸟的去雨方法效果图；
图4是在真实图像环境下，本发明所述去雨方法与其他去雨方法效果图，图4a、图4b和图4c是在不同图像下的效果图；
图5是在图4所述的真实图像环境下，本发明所述去雨方法与其他去雨方法区域放大效果图，图5a、图5b和图5c分别对应在图4a、图4b和图4c环境下的区域放大效果图。
具体实施方式
实施例
如图1所示，本发明所示的方法首先使用引导滤波将带雨图像分解为低频基准层和高频细节层。然后根据图像处理领域知识修改目标函数，并将带雨图像的高频细节层输入设计的深度学习网络架构中，以学习它与带雨图像所对应的清晰图像高频细节层之间的映射。最后将网络所输出的去雨后高频细节层与带雨图像的低频基准层相加，得到去除雨线后的清晰图像。本发明在去除单幅图像中雨线的同时保留了去雨后图像的细节部分，使得图像清晰度大幅提高。
(1)进行图像分频处理
首先使用引导滤波方法将带雨图像分解为基准层和细节层，其中基准层保留了低频基本信息，细节层则包括高频细节部分，如雨线和其它的边缘信息等。当雨图去除基准层后，剩下的细节层部分是非常稀疏的。稀疏的训练集可以让卷积神经网络更容易、更快的收敛。因此本发明使用此方法是有效且合理的，即：I＝Ibase+Idetail，其中Ibase表示带雨图像对应的低频基准层，Idetail表示带雨图像对应的高频细节层。
(2)构造目标函数
根据雨图的高频细节层和干净图的高频细节层之间的2范数来构造目标函数，此外，为了减少过拟合，我们在目标函数中添加了L2正则化项。
其中，N是所述带雨图像分解后的图像块的个数，n是索引图像，W是网络参数，Idetail和Jdetail分别表示带雨图像和其对应的清晰图像的高频细节层，fw()函数代表网络体函数，为L_2惩罚正则化，λ是平衡系数。
(3)设计基于深度CNN的单幅图像去雨的网络架构
如图2所示，设计的网络架构由卷积层、反卷积层和跳跃连接等组成。采用4个卷积层充当特征提取器，保留输入图像的主要细节部分且消除雨线，其中4个卷积层的特征映射个数都为128，分别记为第1卷积层，第2卷积层，第3卷积层，第4卷积层，卷积核的大小分别设置为9*9，3*3，3*3，3*3，并在每个卷积层后采用Tanh激活函数。
由于卷积操作将原始图像的细节集中到更小尺寸中，使得原始图像的细节部分可能会有所丢失，原始图像的分辨率有所降低，因此在卷积层后添加4个反卷积层，分别记为第1反卷积层，第2反卷积层，第3反卷积层，第4反卷积层，其中4个反卷积层的特征映射个数分别为128，128，128，3，卷积核的大小分别设置为3*3，3*3，3*3，1*1，并在第1，2，3个反卷积层后采用Tanh激活函数。考虑到由卷积层生成的特征图包含许多图像细节，将这些特征图集成到解卷积层中可帮助它们恢复图像细节，因此添加了 3个卷积层和反卷积层之间的跳跃连接。其中分别将第1个卷积层和第3个反卷积层组成跳跃连接，将第2个卷积层和第2个反卷积层组成跳跃连接，将第3个卷积层和第1 个反卷积层组成跳跃连接。跳跃连接的引入有助于将梯度向后传播到底层，从而使网络在训练阶段更加稳定。网络架构的详细参数如表1所示。
表1去雨网络架构Rain-removal Net(R2N)的详细参数
(4)训练策略
本发明使用Tensorflow框架实现网络。在NVIDIA GTX Taitan-xp GPU上，训练的网络需要2-3个小时收敛。网络每次训练的批量大小和学习率分别设置为10和0.002，训练迭代次数为10。与其它基于深度学习的图像去雨方法相比，网络需要更少的时间进行收敛，并且花费的时间更少。推测这是由于：(a)较小的卷积核尺寸和较少的特征映射使网络参数减少且计算量减小。(b)更少的训练样本。
本发明使用Tanh函数作为网络的激活函数，并使用前人所创建的合成雨图数据集作为训练数据，随机选择20万个64*64大小的带雨/干净图像对作为训练数据，这些训练数据被分批输入网络中进行训练。采用随机梯度下降算法(SGD)更新参数的梯度，对于每次迭代s，网络的参数更新如下：
其中，b为网络参数中的偏置项，W是网络参数，s表示一次迭代，α表示学习率， T是转置运算符，Idetail和Jdetail分别表示带雨图像和其对应的清晰图像的高频细节层。
(5)恢复出去除雨线后的清晰图像
在模型训练之后，通过网络的输出层可得到去除雨线后的Idetail图像。然后将雨图的基准层Ibase与去除雨线后的Idetail相加可得到恢复出的干净图像。此过程可以表述为：
E＝fW(Idetail)+Ibase
其中，Idetail表示带雨图像的高频细节层，Ibase表示带雨图像的基准层。
图3展示了4幅合成带雨图像的恢复实例，图3a、3b、3c和3d分别为码头、伞、兔子和鸟带雨图像和恢复图像的实例。其中Input表示输入图像，Ground truth表示输入雨图对应的清晰图像，DOC、DSC、GMM-LP、DrainNet为本发明在实验过程中进行对比的4种最先进的方法，Ours为本发明所得到的图像去雨结果。由于图3中合成雨图所对应的清晰图像是已知的，因此本发明采用结构相似性指数(SSIM)衡量合成雨图的恢复效果。SSIM值越高，越接近清晰图像。由图3实验结果可以看出，DOR和DSC 可以去除部分雨纹并降低雨线的稠密程度，但它们不能完全去除雨纹。GMM-LP能够去除雨纹，但它的结果倾向于过度平滑，并且不能保留原始图像的细节。与其他方法相比，本发明所采用的方法可以同时去除大部分雨线并保留去雨后图像的细节部分。DrainNet 的视觉效果与本发明所采用的方法效果近似，但是从表2的合成图像去雨后的结构相似度指标对比中可以看到，本发明所采用的方法达到了最高的SSIM值，这证明了所提出方法的有效性。
图4a、图4b和图4c展示了3副真实带雨图像的去雨实例图。可以看出，GMM-LP， DSC和DOR都不能完全去除雨线。从视觉角度来看，在对真实雨图的恢复过程中， DrainNet的去雨效果与本发明所提出的方法差距很大，本发明所提出的方法能够保留更多的图像细节。为了更好地比较，图5a展示了DrainNet和本发明所提出方法去雨结果图中的一个特定区域，可以看到，与DrainNet相比本发明所提出的方法保留了与输入图像相关的更多细节和特征。在图5b和图5c中，显示了所有方法的一个特定区域的缩放图。如表2合成图像去雨后的结构相似度指标的对比。
表2合成图像去雨后的结构相似度指标对比
通过观察这些区域，可以看到本发明所提出的方法获得了最好的视觉效果，在去除雨线的同时保留了细节，进一步验证了所提出方法的有效性。
Claims (7)
1.一种基于深度卷积神经网络的单幅图像雨线去除方法，其特征在于，该方法包括以下步骤：
(1)采用引导滤波方法将带雨图像分解为低频基准层和高频细节层；
(2)根据带雨图像的高频细节层和干净图像的高频细节层之间的2范数来构造目标函数，并且在目标函数中添加L2正则化项；
(3)构建一个基于深度卷积神经网络的单幅图像去雨的网络架构，包含4个卷积层，分别记为第1卷积层，第2卷积层，第3卷积层，第4卷积层，并在每个卷积层后采用网络激活函数，4个反卷积层，分别记为第1反卷积层，第2反卷积层，第3反卷积层，第4反卷积层，并在前3个反卷积层后采用网络激活函数，3个跳跃连接，分别将第1个卷积层和第3个反卷积层组成跳跃连接，将第2个卷积层和第2个反卷积层组成跳跃连接，将第3个卷积层和第1个反卷积层组成跳跃连接；
(4)将带雨图像的数据集作为训练数据，输入到所述基于深度卷积神经网络的单幅图像去雨的网络架构中进行训练迭代，并针对每次迭代，采用随机梯度下降算法更新所述网络参数；
(5)训练迭代后，将带雨图像的基准层与去除雨线后的高频细节层相加恢复成干净图像。
2.根据权利要求1所述的基于深度卷积神经网络的单幅图像雨线去除方法，其特征在于，步骤(2)中，所述目标函数表示为：
其中，N是所述带雨图像分解后的图像块的个数，n是索引图像，W是网络参数，Idetail和Jdetail分别表示带雨图像和其对应的清晰图像的高频细节层，fw()函数代表网络体函数，为L_2惩罚正则化，λ是平衡系数。
3.根据权利要求1所述的基于深度卷积神经网络的单幅图像雨线去除方法，其特征在于，步骤(3)中，所述网络激活函数采用Tanh激活函数。
4.根据权利要求1所述的基于深度卷积神经网络的单幅图像雨线去除方法，其特征在于，步骤(3)中，所述第1卷积层，第2卷积层，第3卷积层，第4卷积层的特征映射个数均为128，卷积核大小分别设置为9*9，3*3，3*3，3*3。
5.根据权利要求1所述的基于深度卷积神经网络的单幅图像雨线去除方法，其特征在于，步骤(3)中，所述第1反卷积层，第2反卷积层，第3反卷积层，第4反卷积层特征映射个数分别为128，128，128，3，卷积核的大小分别设置为3*3，3*3，3*3，1*1。
6.根据权利要求1所述的基于深度卷积神经网络的单幅图像雨线去除方法，其特征在于，所述网络参数更新公式为：
其中，b为网络参数中的偏置项，W是网络参数，s表示一次迭代，α表示学习率，T是转置运算符，Idetail和Jdetail分别表示带雨图像和其对应的清晰图像的高频细节层。
7.根据权利要求1所述的基于深度卷积神经网络的单幅图像雨线去除方法，其特征在于，步骤(5)中，所述将带雨图像的基准层与去除雨线后的高频细节层相加恢复成干净图像，用公示表示为：
E＝fW(Idetail)+Ibase
其中，Idetail表示带雨图像的高频细节层，Ibase表示带雨图像的基准层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810538160.XA CN108765344A (zh) | 2018-05-30 | 2018-05-30 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810538160.XA CN108765344A (zh) | 2018-05-30 | 2018-05-30 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108765344A true CN108765344A (zh) | 2018-11-06 |
Family
ID=64004275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810538160.XA Pending CN108765344A (zh) | 2018-05-30 | 2018-05-30 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765344A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636747A (zh) * | 2018-12-04 | 2019-04-16 | 上海理工大学 | 应用于单幅红外图像非均匀校正的深度高频网络校正算法 |
| CN109685863A (zh) * | 2018-12-11 | 2019-04-26 | 帝工(杭州)科技产业有限公司 | 一种重建医学乳房图像的方法 |
| CN110163813A (zh) * | 2019-04-16 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种图像去雨方法、装置、可读存储介质及终端设备 |
| CN110310238A (zh) * | 2019-06-18 | 2019-10-08 | 华南农业大学 | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 |
| CN110455747A (zh) * | 2019-07-19 | 2019-11-15 | 浙江师范大学 | 一种基于深度学习的无光晕效应白光相位成像方法及系统 |
| CN110517199A (zh) * | 2019-08-26 | 2019-11-29 | 电子科技大学 | 一种便于智能车辆驾驶的图像去雨方法 |
| CN110675330A (zh) * | 2019-08-12 | 2020-01-10 | 广东石油化工学院 | 基于通道级注意力机制的编码-解码网络的图像去雨方法 |
| CN110728640A (zh) * | 2019-10-12 | 2020-01-24 | 合肥工业大学 | 一种双通道单幅图像精细去雨方法 |
| CN110751612A (zh) * | 2019-11-05 | 2020-02-04 | 哈尔滨理工大学 | 多通道多尺度卷积神经网络的单幅图像去雨方法 |
| CN110866879A (zh) * | 2019-11-13 | 2020-03-06 | 江西师范大学 | 一种基于多密度雨纹感知的图像去雨方法 |
| CN111062892A (zh) * | 2019-12-26 | 2020-04-24 | 华南理工大学 | 一种基于复合残差网络和深层监督的单幅图像去雨方法 |
| CN111127354A (zh) * | 2019-12-17 | 2020-05-08 | 武汉大学 | 一种基于多尺度字典学习的单图像去雨方法 |
| CN111462014A (zh) * | 2020-04-03 | 2020-07-28 | 西安交通大学 | 一种基于深度学习和模型驱动的单图去雨方法 |
| CN111861925A (zh) * | 2020-07-24 | 2020-10-30 | 南京信息工程大学滨江学院 | 一种基于注意力机制与门控循环单元的图像去雨方法 |
| CN112070701A (zh) * | 2020-09-08 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 图像生成方法、装置、设备和计算机可读介质 |
| CN112087556A (zh) * | 2019-06-12 | 2020-12-15 | 武汉Tcl集团工业研究院有限公司 | 一种暗光成像方法、装置、可读存储介质及终端设备 |
| CN112215789A (zh) * | 2020-10-12 | 2021-01-12 | 北京字节跳动网络技术有限公司 | 图像去雾方法、装置、设备和计算机可读介质 |
| CN112259075A (zh) * | 2020-10-10 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 语音信号处理方法、装置、电子设备和存储介质 |
| CN112488943A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 模型训练和图像去雾方法、装置、设备 |
| CN113379641A (zh) * | 2021-06-25 | 2021-09-10 | 南昌航空大学 | 一种基于自编码卷积神经网络的单幅图像去雨方法及系统 |
| CN114677306A (zh) * | 2022-03-29 | 2022-06-28 | 中国矿业大学 | 一种基于边缘信息引导的上下文聚合图像去雨方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133935A (zh) * | 2017-05-25 | 2017-09-05 | 华南农业大学 | 一种基于深度卷积神经网络的单图像精细去雨方法 |
| CN107909556A (zh) * | 2017-11-27 | 2018-04-13 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
-
2018
- 2018-05-30 CN CN201810538160.XA patent/CN108765344A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133935A (zh) * | 2017-05-25 | 2017-09-05 | 华南农业大学 | 一种基于深度卷积神经网络的单图像精细去雨方法 |
| CN107909556A (zh) * | 2017-11-27 | 2018-04-13 | 天津大学 | 基于卷积神经网络的视频图像去雨方法 |
Non-Patent Citations (2)
| Title |
|---|
| XIAO-JIAO MAO等: "Image Denoising Using Very Deep Fully Convolutional Encoder-Decoder Networks with Symmetric Skip Connections", 《HTTPS://ARXIV.ORG/PDF/1603.09056V1.PDF》 * |
| XUEYANG FU等: "Clearing the Skies: A Deep Network Architecture for Single-Image Rain Removal", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636747A (zh) * | 2018-12-04 | 2019-04-16 | 上海理工大学 | 应用于单幅红外图像非均匀校正的深度高频网络校正算法 |
| CN109685863A (zh) * | 2018-12-11 | 2019-04-26 | 帝工(杭州)科技产业有限公司 | 一种重建医学乳房图像的方法 |
| CN110163813A (zh) * | 2019-04-16 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种图像去雨方法、装置、可读存储介质及终端设备 |
| CN110163813B (zh) * | 2019-04-16 | 2022-02-01 | 中国科学院深圳先进技术研究院 | 一种图像去雨方法、装置、可读存储介质及终端设备 |
| CN112087556A (zh) * | 2019-06-12 | 2020-12-15 | 武汉Tcl集团工业研究院有限公司 | 一种暗光成像方法、装置、可读存储介质及终端设备 |
| CN112087556B (zh) * | 2019-06-12 | 2023-04-07 | 武汉Tcl集团工业研究院有限公司 | 一种暗光成像方法、装置、可读存储介质及终端设备 |
| CN110310238A (zh) * | 2019-06-18 | 2019-10-08 | 华南农业大学 | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 |
| CN110455747A (zh) * | 2019-07-19 | 2019-11-15 | 浙江师范大学 | 一种基于深度学习的无光晕效应白光相位成像方法及系统 |
| CN110455747B (zh) * | 2019-07-19 | 2021-09-28 | 浙江师范大学 | 一种基于深度学习的无光晕效应白光相位成像方法及系统 |
| CN110675330A (zh) * | 2019-08-12 | 2020-01-10 | 广东石油化工学院 | 基于通道级注意力机制的编码-解码网络的图像去雨方法 |
| CN110517199A (zh) * | 2019-08-26 | 2019-11-29 | 电子科技大学 | 一种便于智能车辆驾驶的图像去雨方法 |
| CN110517199B (zh) * | 2019-08-26 | 2022-03-08 | 电子科技大学 | 一种便于智能车辆驾驶的图像去雨方法 |
| CN110728640A (zh) * | 2019-10-12 | 2020-01-24 | 合肥工业大学 | 一种双通道单幅图像精细去雨方法 |
| CN110728640B (zh) * | 2019-10-12 | 2023-07-18 | 合肥工业大学 | 一种双通道单幅图像精细去雨方法 |
| CN110751612A (zh) * | 2019-11-05 | 2020-02-04 | 哈尔滨理工大学 | 多通道多尺度卷积神经网络的单幅图像去雨方法 |
| CN110866879B (zh) * | 2019-11-13 | 2022-08-05 | 江西师范大学 | 一种基于多密度雨纹感知的图像去雨方法 |
| CN110866879A (zh) * | 2019-11-13 | 2020-03-06 | 江西师范大学 | 一种基于多密度雨纹感知的图像去雨方法 |
| CN111127354A (zh) * | 2019-12-17 | 2020-05-08 | 武汉大学 | 一种基于多尺度字典学习的单图像去雨方法 |
| CN111127354B (zh) * | 2019-12-17 | 2022-07-26 | 武汉大学 | 一种基于多尺度字典学习的单图像去雨方法 |
| CN111062892A (zh) * | 2019-12-26 | 2020-04-24 | 华南理工大学 | 一种基于复合残差网络和深层监督的单幅图像去雨方法 |
| CN111062892B (zh) * | 2019-12-26 | 2023-06-16 | 华南理工大学 | 一种基于复合残差网络和深层监督的单幅图像去雨方法 |
| CN111462014A (zh) * | 2020-04-03 | 2020-07-28 | 西安交通大学 | 一种基于深度学习和模型驱动的单图去雨方法 |
| CN111861925A (zh) * | 2020-07-24 | 2020-10-30 | 南京信息工程大学滨江学院 | 一种基于注意力机制与门控循环单元的图像去雨方法 |
| CN111861925B (zh) * | 2020-07-24 | 2023-09-29 | 南京信息工程大学滨江学院 | 一种基于注意力机制与门控循环单元的图像去雨方法 |
| CN112070701A (zh) * | 2020-09-08 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 图像生成方法、装置、设备和计算机可读介质 |
| CN112259075A (zh) * | 2020-10-10 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 语音信号处理方法、装置、电子设备和存储介质 |
| CN112215789A (zh) * | 2020-10-12 | 2021-01-12 | 北京字节跳动网络技术有限公司 | 图像去雾方法、装置、设备和计算机可读介质 |
| CN112488943A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 模型训练和图像去雾方法、装置、设备 |
| CN112488943B (zh) * | 2020-12-02 | 2024-02-02 | 北京字跳网络技术有限公司 | 模型训练和图像去雾方法、装置、设备 |
| CN113379641A (zh) * | 2021-06-25 | 2021-09-10 | 南昌航空大学 | 一种基于自编码卷积神经网络的单幅图像去雨方法及系统 |
| CN114677306A (zh) * | 2022-03-29 | 2022-06-28 | 中国矿业大学 | 一种基于边缘信息引导的上下文聚合图像去雨方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765344A (zh) | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 | |
| CN109389556B (zh) | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 | |
| Gurrola-Ramos et al. | A residual dense u-net neural network for image denoising | |
| CN108510504B (zh) | 图像分割方法和装置 | |
| CN109740652B (zh) | 一种病理图像分类方法和计算机设备 | |
| CN107767413B (zh) | 一种基于卷积神经网络的图像深度估计方法 | |
| Zhang et al. | Adaptive residual networks for high-quality image restoration | |
| CN110675411B (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
| CN107730536B (zh) | 一种基于深度特征的高速相关滤波物体追踪方法 | |
| Ram et al. | Image denoising using nl-means via smooth patch ordering | |
| CN109740451A (zh) | 基于重要性加权的道路场景图像语义分割方法 | |
| CN109949224A (zh) | 一种基于深度学习的联级超分辨率重建的方法及装置 | |
| CN110503610A (zh) | 一种基于gan网络的图像雨雪痕迹去除方法 | |
| CN112580662A (zh) | 一种基于图像特征识别鱼体方向的方法及系统 | |
| CN106855996A (zh) | 一种基于卷积神经网络的灰阶图像着色方法及其装置 | |
| CN114897728A (zh) | 图像增强方法、装置、终端设备以及存储介质 | |
| CN114627035A (zh) | 一种多聚焦图像融合方法、系统、装置及存储介质 | |
| CN109190666B (zh) | 基于改进的深度神经网络的花卉图像分类方法 | |
| CN111126185B (zh) | 一种针对道路卡口场景的深度学习车辆目标识别方法 | |
| CN116485646A (zh) | 一种基于微注意力的轻量化图像超分辨率重建方法及装置 | |
| CN114331913B (zh) | 基于残差注意力块的运动模糊图像复原方法 | |
| CN113361589A (zh) | 基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法 | |
| CN109064430B (zh) | 一种针对航拍区域含云图的除云方法和系统 | |
| CN113191367B (zh) | 基于密集尺度动态网络的语义分割方法 | |
| CN109726769A (zh) | 一种基于卷积核权重参数的目标分类和角度估计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
| RJ01 | Rejection of invention patent application after publication |