-
公开(公告)号:CN118052726A
公开(公告)日:2024-05-17
申请号:CN202410128888.0
申请日:2024-01-30
Applicant: 福州大学
IPC: G06T5/60 , G06T7/90 , G06N3/0475 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/094 , G06N3/084
Abstract: 本发明提供一种基于双颜色空间的非成对水下图像增强方法,包括:通过将水下图像输入基于双颜色空间的非成对水下图像增强网络以获得增强图像;所述基于双颜色空间的非成对水下图像增强网络包括:基于双颜色空间的图像生成器、图像判别器以及基于图像生成器和图像判别器搭建的循环生成对抗网络框架;并通过非成对的图像训练收敛到纳什平衡。所述图像生成器包括RGB分支网络、HSV分支网络和RGB_HSV融合模块。
-
公开(公告)号:CN117391974A
公开(公告)日:2024-01-12
申请号:CN202311478032.8
申请日:2023-11-08
Applicant: 福州大学
IPC: G06T5/00 , G06N3/0499 , G06N3/0475
Abstract: 本发明提供了一种基于前馈递进网络的非成对水下图像增强方法,包括以下步骤:步骤S1:将待训练的非成对的数据进行数据预处理;步骤S2:设计基于前馈递进模式的图像生成器;步骤S3:设计图像判别器;步骤S4:基于图像生成器和图像判别器搭建循环生成对抗网络框架,得到基于前馈递进模式的非成对水下图像增强网络;步骤S5:设计用于训练非成对水下图像增强网络的目标损失函数;步骤S6:使用非成对的图像训练基于前馈递进模式的非成对水下图像增强网络收敛到纳什平衡;步骤S7:将待增强的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。
-
公开(公告)号:CN115880177A
公开(公告)日:2023-03-31
申请号:CN202211600774.9
申请日:2022-12-12
Applicant: 福州大学
IPC: G06T5/00 , G06T3/60 , G06V10/82 , G06V10/46 , G06V10/80 , G06V10/77 , G06N3/048 , G06N3/084 , G06N3/0464
Abstract: 本发明提出一种聚合上下文和增强细节的全分辨率低照度图像增强方法,包括:进行数据预处理,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;设计聚合上下文和增强细节的全分辨率低照度图像增强网络,该网络由全分辨率细节提取模块、频空域上下文信息注意力模块、特征聚合和增强模块组成;设计损失函数,指导步骤B所设计网络的参数优化;使用步骤A得到的训练数据集训练步骤B中的聚合上下文和增强细节的全分辨率低照度图像增强网络,收敛到纳什平衡,得到训练好的聚合上下文和增强细节的全分辨率低照度图像增强模型。本发明能对低照度图像进行增强,解决低照度图像细节缺失、颜色失真、亮度不足等问题。
-
公开(公告)号:CN117474855A
公开(公告)日:2024-01-30
申请号:CN202311412207.5
申请日:2023-10-30
Applicant: 福州大学
IPC: G06T7/00 , G06T7/11 , G06T5/50 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及基于混合CNN‑T和多区域特征的无参考屏幕图像质量评估方法。包括以下步骤:S1:对失真屏幕内容图像数据集中的数据进行数据预处理;S2:设计图像局部特征与全局特征提取模块;S3:设计双边特征交互模块,该模块能够增强局部特征和全局特征间的信息交流;S4:设计区域特征重要性计算模块,该模块通过动态调整不同区域特征的学习权重;S5:设计质量分数回归子网络和损失函数;S6:设计基于混合CNN‑Transformer和多区域特征重要性的无参考屏幕内容图像质量评估网络,并进行训练得到无参考屏幕内容图像质量评估模型;S7:将待测图像输入到训练好的基于混合CNN‑Transformer和多区域特征重要性的无参考屏幕内容图像质量评估模型中,输出对应的质量评估分数。
-
公开(公告)号:CN115937121A
公开(公告)日:2023-04-07
申请号:CN202211513003.6
申请日:2022-11-28
Applicant: 福州大学
IPC: G06T7/00 , G06V10/774 , G06V10/80
Abstract: 本发明提出一种基于多维度特征融合的无参考图像质量评价方法及系统,包括以下步骤:步骤S1:将失真图像数据集中的数据进行数据预处理:首先将数据进行配对处理,接着对其做数据增强,并将数据集划分为训练集与测试集;步骤S2:训练获得基于多维度特征融合的无参考图像质量评分预测网络模型;训练过程基于基于多维度特征融合的无参考图像质量评分预测网络,至少包括:全局特征提取子网络、多尺度特征融合模块、多维度特征融合模块和局部注意力模块;步骤S3:将待测图像输入到训练好的基于多维度特征融合的无参考图像质量评分预测网络模型中,输出对应的图像质量评分分数。
-
-
-
-