基于SRU与残差网络的递归红外图像非均匀校正方法

    公开(公告)号:CN112435177A

    公开(公告)日:2021-03-02

    申请号:CN202011242885.8

    申请日:2020-11-10

    Abstract: 本发明公开了一种基于SRU与残差网络的递归红外图像非均匀校正方法,将原始非均匀噪声图与原始非均匀噪声图进行通道数拼接,进行初步特征提取;其次,将初步特征提取结果经过简单递归单元(SRU)完成特征提取;经过多层残差块与卷积层处理,获得一阶段的红外图像非均匀校正结果;将所述一阶段的红外图像非均匀校正结果与原始非均匀噪声图进行通道数拼接,进行下一步特征提取,如此进行共N个阶段,获得最终的红外图像非均匀校正结果。本发明通过残差模块和简单递归单元共同作用,在以6个阶段作为递归的情况下,网络共享每个阶段的参数,大大降低了整体网络参数量,对大多数场景的红外图像都具有良好的非均匀性校正效果。

    基于特征分离的红外图像超分辨率重建方法及装置

    公开(公告)号:CN114757825B

    公开(公告)日:2025-04-25

    申请号:CN202210278772.6

    申请日:2022-03-21

    Abstract: 本发明公开了一种基于特征分离的红外图像超分辨率重建方法,包括:获取待处理图像;对待处理图像进行上采样,得到第一图像;将第一图像输入预先训练好的特征分离网络,得到第一图像的低分低频特征和低分高频特征;根据低分低频特征,确定第一图像的结构图像,并根据低分高频特征,获得第一图像的纹理信息及噪声图像;根据结构图像和纹理信息,超分辨率重建得到第二图像。本发明中特征分离网络能够实现低分辨率图像与高分辨率图像的高低频分离,进而使高频特征能被更好地学习、并针对分离结构图像的特点采用不同的网络进行处理,充分利用输入的多尺度特征,进一步引导图像的细节恢复,提高图像的信息量。

    基于自注意生成对抗网络的激光点云超分辨率重建方法

    公开(公告)号:CN112561796B

    公开(公告)日:2024-04-16

    申请号:CN202011392367.4

    申请日:2020-12-02

    Abstract: 本发明公开了一种基于自注意生成对抗网络的激光点云超分辨率重建方法,通过生成器网络中对激光点云图像进行特征提取,获得激光点云特征;对所述激光点云特征进行特征扩展,再进行坐标重建,获得密集点云数据;对所述密集点云数据进行鉴别确定对应的置信度;根据所述密集点云数据的置信度预判对应的密集点云数据,如果该置信度值接近1,则鉴别器预测输入可能来自具有高置信度的目标分布,否则来自生成器,对所述密集点云数据进行特征集成,获得输出特征;通过输出特征对对抗网络进行训练得到最终的稠密点云数据。本发明能够实现不同特征提取单元之间的特征信息共享,在提高重建精度的同时减小模型的大小,利于网络模型的轻量化。

    高动态范围红外图像的压缩显示方法

    公开(公告)号:CN113096031A

    公开(公告)日:2021-07-09

    申请号:CN202110286100.5

    申请日:2021-03-17

    Abstract: 本发明公开了一种高动态范围红外图像的压缩显示方法,首先对单帧高动态范围红外图像进行灰度值统计,获得原始灰度直方图;然后采用一个S型非线性映射函数对原始灰度直方图进行压缩,获得修正后的新直方图;最后根据所述新直方图确定累积分布函数,并以此进行灰度均衡化重建处理,最终获得低动态范围的红外图像。本发明提供的高动态范围红外图像的压缩显示方法能够在保持原始灰度直方图分布的基础上,有效降低背景灰度的峰值分布,从而使灰度级压缩后的低动态范围红外图像具有良好的视觉效果;在应对复杂的目标场景时,可通过适当调节控制参数来进一步产生满意的低动态范围图像。

    基于残差自注意力和生成对抗网络的图像增强方法

    公开(公告)号:CN112561838A

    公开(公告)日:2021-03-26

    申请号:CN202011392344.3

    申请日:2020-12-02

    Abstract: 本发明公开了一种基于残差自注意力和生成对抗网络的图像增强方法,通过残差自注意力模块对低质量红外图像进行红外图像特征提取,获得低级红外特征图;通过增强模块对提取到的低级红外特征图进行多尺度深层次细节特征提取,获得高级红外特征图;低级特征图与高级特征图进行卷积合并生成增强红外图像,将增强红外图像和与低质量红外图像配对的高质量红外图像输入判别器,在生成对抗网络的生成器和判别器的训练过程中,确定两幅图像的纹理损失、内容损失、全变分损失,对比度损失,引导生成器与判别器的参数更新方向,不断提高增强红外图像的细节特征,获得质量相对最优的增强红外图像。

    基于自注意生成对抗网络的激光点云超分辨率重建方法

    公开(公告)号:CN112561796A

    公开(公告)日:2021-03-26

    申请号:CN202011392367.4

    申请日:2020-12-02

    Abstract: 本发明公开了一种基于自注意生成对抗网络的激光点云超分辨率重建方法,通过生成器网络中对激光点云图像进行特征提取,获得激光点云特征;对所述激光点云特征进行特征扩展,再进行坐标重建,获得密集点云数据;对所述密集点云数据进行鉴别确定对应的置信度;根据所述密集点云数据的置信度预判对应的密集点云数据,如果该置信度值接近1,则鉴别器预测输入可能来自具有高置信度的目标分布,否则来自生成器,对所述密集点云数据进行特征集成,获得输出特征;通过输出特征对对抗网络进行训练得到最终的稠密点云数据。本发明能够实现不同特征提取单元之间的特征信息共享,在提高重建精度的同时减小模型的大小,利于网络模型的轻量化。

    基于涡旋光源波长转换的中波红外多光谱成像方法及装置

    公开(公告)号:CN111192197A

    公开(公告)日:2020-05-22

    申请号:CN201911362493.2

    申请日:2019-12-26

    Abstract: 本发明公开了一种基于涡旋光源波长转换的中波红外多光谱成像方法及装置,将原始中波红外光谱图像进行分光获得不同光谱通道的中波红外光谱图像;再将所述不同光谱通道的中波红外光谱图像转换成近红外光谱图像;通过基于随机高斯矩阵设计的编码模板对近红外光谱图像完成编码获得光谱图像;通过压缩感知原理从所述光谱图像 恢复出原始中波红外光谱图像;通过基于深度学习的FSRCNN网络对恢复出的原始中波红外光谱图像WP×Q×l进行超分重建,获得高质量的具有目标中波特性的近红外光谱图像WNP×NQ×l。本发明利用基于深度学习的算法对光谱进行重构和超分,减少了数据的传输和存储压力,能够得到更高分辨率和信噪比的光谱图像。

Patent Agency Ranking