-
公开(公告)号：CN117635500A
公开(公告)日：2024-03-01
申请号：CN202311683092.3
申请日：2023-12-08
Applicant: 大连海事大学
Abstract: 本发明提供基于图像风格引导和深度学习模型的水下图像增强方法。本发明方法，包括：提取输入图像的多尺度特征，融合多尺度特征。在方法的第一阶段输入源图像，提取多尺度特征，然后通过多尺度特征融合提取图像的风格信息，在第二阶段，将源图像和风格信息融合，通过和第一阶段相同的结构，得到结果图像。本发明基于图像风格引导和深度学习模型，在传统图像增强网络的基础上新增一个提取图像风格信息的网络。网络以源图像作为输入，第一阶段提取源图像的风格信息，第二阶段在风格信息的引导下进一步增强图像质量。其次，设计了一种多尺度融合方式，结合注意力机制，充分融合不同尺度的特征。该方法能够有效提升图像质量，实现图像增强。
-
公开(公告)号：CN110503617B
公开(公告)日：2022-09-30
申请号：CN201910807224.6
申请日：2019-08-29
Applicant: 大连海事大学
Abstract: 本发明提供一种基于高、低频信息融合的水下图像增强方法，属于图像处理领域，为解决水下图像的偏色、对比度低、可视性差等问题，本发明方法，包括：基于Retinex模型利用多尺度提取法估计出原图像高频部分照射分量，对获取的照射分量进行对比度受限的自适应直方图均衡化拉伸操作在增强全局对比度的同时突出主特征边缘细节；再将原图像与原图像高频部分照射分量相除来获取原图像低频部分照射分量，采用多尺度局部细节增强算法再对原图像高、低频部分对照射分量进行处理得到各自的细节图；再利用线性加权融合的方法对原图像高、低频部分对照射分量的细节图进行融合；最后对融合后的图像进行颜色校正来获取清晰的水下增强图像。
-
公开(公告)号：CN110334779B
公开(公告)日：2022-09-30
申请号：CN201910640006.8
申请日：2019-07-16
Applicant: 大连海事大学
Abstract: 本发明为一种基于PSPNet细节提取的多聚焦图像融合方法，其特征在于，包括以下步骤：首先，采用金字塔场景解析网络PSPNet聚合不同子区域的上下文信息，同时利用金字塔池化模块捕获多尺度下的全局和局部颜色、纹理、形状等特征信息，在此基础上将4种不同尺度的特征图融合为概率图；其次，采用卷积条件随机场ConvCRFs网络提取图像灰度特征，为了优化二值掩膜图，引入自适应阈值判断；为了获取两个源图像高精确聚焦区域，将优化的二值掩膜图作为权重图，并与两个源图像相乘，最后，将两个区域融合以重构清晰的融合图像。本发明通过图像上下文信息，提升全局特征利用率和分割精度，实现多聚焦图像全方位融合。
-
公开(公告)号：CN111210395A
公开(公告)日：2020-05-29
申请号：CN202010023145.9
申请日：2020-01-09
Applicant: 大连海事大学
IPC: G06T5/00
Abstract: 本发明提供一种基于灰度值映射的Retinex水下图像增强方法，包括五个过程：颜色校正、滤波去噪、建立灰度映射函数、寻找最佳参数以及对比度增强。首先对采集的水下退化图像采用带有颜色恢复因子的多尺度Retinex算法进行颜色校正，获取第一幅输出图像；其次将第一幅输出图像采用各向异性扩散滤波进行对比度增强，获得第二幅输出图像；然后建立灰度值映射函数；接着根据图像的信息熵及全局亮度均值，并结合模拟退火算法快速寻找参数最佳值，完善灰度值映射函数；最后对第二幅输出图采用灰度值映射得到最后的增强图像。本发明在无需任何先验信息条件下，有效实现水下图像颜色校正和对比度增强，提升图像视觉效果，可以应用于水下图像预处理。
-
公开(公告)号：CN110175964A
公开(公告)日：2019-08-27
申请号：CN201910459639.9
申请日：2019-05-30
Applicant: 大连海事大学
IPC: G06T5/00
Abstract: 本发明提供一种基于拉普拉斯金字塔的Retinex图像增强方法。本发明方法，包含以下三个过程：首先对原图像进行多尺度卷积，采用3个3*3的高斯卷积核进行卷积，获取不同尺度R、G、B通道特征图。其次采用Retinex算法估计入射分量并增强色彩；对反射分量增强细节。最后将色彩增强图像与细节增强图像线性加权融合，得到增强图像。本发明专利采用多尺度卷积获取图像更多细节，利用MSRCR算法图像增强，对入射分量进行Gamma校正实现色彩增强。对反射分量采用双边滤波去噪，降低噪声干扰，通过拉普拉斯金字塔提取图像细节信息。将色彩增强图像和细节增强图像进行线性加权融合，实现图像增强。
-
Patent Agency Ranking
公开(公告)号：CN114972102B
公开(公告)日：2024-08-02
申请号：CN202210625518.9
申请日：2022-06-02
Applicant: 大连海事大学
Abstract: 本发明提供一种基于全局变对比度增强和局部校正的水下图像增强方法包括：对源图像进行颜色校正处理，采用一种改进的白平衡方法来校正源图像的颜色。对图像进行全局对比度增强处理，采用变对比度和饱和增强模型对源图像进行全局对比度处理以及饱和度增强。对图像进行局部对比度校正处理，采用限制对比度自适应直方图均衡化方法进行局部对比度校正，获取最终的增强图像。本发明利用基于变对比度和饱和增强模型，通过惩罚与颜色校正结果之间的差异来防止输出图像偏离恢复的颜色，利用两个正则化项对图像进行了对比度和饱和度增强，并采用限制性对比度直方图均衡化方法对图像的局部对比度进行调整。
-
公开(公告)号：CN118096622A
公开(公告)日：2024-05-28
申请号：CN202311305004.6
申请日：2023-10-10
Applicant: 大连海事大学
Abstract: 本发明提供一种基于色差强度先验和多尺度融合的水下图像复原方法，通过综合成像模型并结合先验知识和多尺度融合技术反演退化过程获得清晰的水下图像。基于不同波长光的传播特性提出色差强度先验来解决不同退化程度对先验深度估计的影响。并通过色差强度深度图求解背景光在像素中的占比来获得绝对深度极小值，实现了接近双目图像精确度的动态深度转换。然后，通过暗像素先验选择对应点作为反向散射的初始值来拟合消除反向散射，有效地解决了图像的雾效应。最后，基于绿通道补偿红蓝通道来提高图像整体亮度和色彩，并通过高斯金字塔融合伽马矫正和锐化操作后的补偿图像获得对比度更高、细节更丰富、更具有视觉吸引力的复原图像。
-
公开(公告)号：CN117952874A
公开(公告)日：2024-04-30
申请号：CN202311683095.7
申请日：2023-12-08
Applicant: 大连海事大学
Abstract: 本发明提供一种基于知识蒸馏的双教师轻量化水下图像增强方法包括以下步骤：通过对双教师提前进行预训练，在学生网络学习阶段进行指导，使学生网络的中间特征更加贴近教师网络的中间特征，这种策略能够增强学生的泛化能力。为了使教师子网输出的不充分利用和使学生网络学习更具区分性的特征表示，本发明提出了困难负样本的对比学习策略，让教师网络的输出成为负样本送入到后续的对比学习中，来强化学生网络的特征学习。本发明方法的所提出的水下图像增强网络该方法能够在保持轻量化的前提下，有效提升图像质量，实现图像增强。
-
公开(公告)号：CN117541521A
公开(公告)日：2024-02-09
申请号：CN202311304894.9
申请日：2023-10-10
Applicant: 大连海事大学
IPC: G06T5/92 , G06T5/80 , G06T5/73 , G06T7/33 , G06T7/35 , G06T7/13 , G06T3/4038 , G06T7/90 , G06T7/50 , G06V10/46
Abstract: 本发明提供一种基于综合成像模型和几何结构保护的水下视觉重建方法，分为图像复原、特征提取、对齐矫正三部分。在图像复原中，本发明基于图像色偏程度结合通道强度先验和无监督技术来估计深度图，解决了由人工照明或纯色物体引起的先验故障，扩展了无监督方法的应用场景。在特征提取中，本发明利用深度改进的随机抽样一致算法基于深度和焦距的一致性去除尺度不变特征变换检测算法匹配错误的特征点对，解决了匹配准确度低、时间复杂度高的问题。在对齐矫正中，本发明基于网格变形和最优化的思想构建目标函数，解决大视差图像对齐和几何结构保护之间相冲突的问题，并得到具有视觉吸引力和自然可见性的重建大视角水下图像。
-
公开(公告)号：CN110889812B
公开(公告)日：2023-05-09
申请号：CN201910961740.4
申请日：2019-10-11
Applicant: 大连海事大学
Abstract: 本发明提供一种多尺度融合图像特征信息的水下图像增强方法。本发明方法，包含以下三个过程：首先，采用动态阈值白平衡解决颜色偏色；其次，增强图像对比度，使用同态滤波分离高频信息和低频信息，使用梯度场双区间直方图均衡化增强高频信息，采用Gamma校正处理低频信息，调整图像曝光度。最后，基于图像对比度、饱和度和最佳曝光度，采用多尺度融合策略对高频信息、双区间直方图输出图和Gamma校正后低频信息进行融合，得到增强图像。本发明专利提出了一种多尺度融合图像特征信息的水下图像增强方法，该方法通过多尺度融合策略，不仅增强图像细节和全局对比度，而且有效避免图像的过曝光和曝光不足，对图像暗区域的细节具有较好增强效果。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.026 seconds)
