-
公开(公告)号：CN113096032B
公开(公告)日：2024-03-19
申请号：CN202110288031.1
申请日：2021-03-18
申请人： 西北工业大学
IPC分类号： G06T5/73 , G06T5/50 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/0895
摘要： 本发明涉及一种基于图像区域划分的非均匀一致模糊去除方法，属于图像处理技术领域。包括以下步骤：提取单帧模糊图像中有利于后续重建清晰图像的特征图，将特征图输入到强模糊和弱模糊检测模块中，分别输出检测到的强模糊区域和弱模糊区域注意力图；分别将强模糊区域和弱模糊区域注意力图与特征图进行按位点乘，并加上输入的特征图，提取出按照图像成份被划分出的强模糊区域和弱模糊区域在原始特征图上的特征信息；随后分别输入到强模糊和弱模糊去除的解码器模块中，采用两个解码器分支同时重建潜在的清晰图像的形式，分别得到去除强模糊及弱模糊后的图像：之后输入到特征融合模块进而生成完整的去模糊后的最终清晰图像。
-
公开(公告)号：CN114998141B
公开(公告)日：2024-03-12
申请号：CN202210642198.8
申请日：2022-06-07
申请人： 西北工业大学
摘要： 本发明提供了一种基于多分支网络的空间环境高动态范围成像方法，输入存在一定运动与噪声的多帧低动态图像，经过网络处理后输出无鬼影、不含噪声的高质量高动态图像，基于深度学习的多帧高动态范围成像方法通过神经网络提取图像特征，最终生成无鬼影、无噪声的高动态范围图像。本发明解决了现有的主流高动态成像方法仍然存在的诸多技术难题，比如无法完全消除运动图像造成的鬼影，处理时忽视了图像中存在的噪声，在处理空间图像时效果不佳等问题，使网络可以处理不同区域的亮度和噪声分布，具有空域变换性，在通道维度强化有效特征，抑制存在运动目标、细节缺失的低质量区域特征，进而获得更好的去鬼影效果。
-
公开(公告)号：CN116389926A
公开(公告)日：2023-07-04
申请号：CN202310353791.5
申请日：2023-04-05
申请人： 西北工业大学
IPC分类号： H04N25/626
摘要： 本发明公开了一种基于饱和度感知编码器的小样本HDR去鬼影方法，首先通过曝光调整将短曝光帧调整为新的中曝光帧和新的长曝光帧；然后通过伽马校正将LDR输入图像映射到HDR域；再经过幻化模块和多尺度残差Swin Transformer模块，经过卷积层，得到最终的预测图像。本发明只需少量有标签的HDR数据，符合实际需求，适用性强，重建的HDR图像质量高。
-
公开(公告)号：CN114913095A
公开(公告)日：2022-08-16
申请号：CN202210648027.6
申请日：2022-06-08
申请人： 西北工业大学
摘要： 本发明提供了一种基于域适应的深度去模糊方法，结合一种基于密集残差块的图像去模糊模块和一种基于生成对抗网络的域转换模块，从真实及合成动态场景下模糊图像间域差异出发，在不增加内容对齐的图像对的前提下，提升图像去模糊网络在真实动态场景模糊图像上的适应能力，构建训练基于域适应的深度动态场景去模糊网络。本发明解决了深度图像去模糊方法在动态场景模糊图像上适应能力差的技术难题，在公开的GoPro数据集上的测试指标优于同类型的其他算法，提升了现有方法对动态场景下图像去模糊适应能力差的问题，对去模糊问题关心的图像边缘提取能力适应性更强，对各卷积层提取出的特征利用更充分，对残差连接获得的特征保留更完整。
-
公开(公告)号：CN114841897A
公开(公告)日：2022-08-02
申请号：CN202210648028.0
申请日：2022-06-08
申请人： 西北工业大学
摘要： 本发明提供了一种基于自适应模糊核估计的深度去模糊方法，使用公共GoPro数据集上进行训练和评估，采用UNet结构设计深度卷积神经网络，训练深度卷积神经网络后，基于训练所得深度卷积神经网络来进行图像去模糊。本发明增强编码器捕获的相应浅层特征的表达，并细化了浅层特征，并促使它们更加注意模糊区域，扩大了感受野并向网络提供丰富的多尺度信息，无需额外的约束信息和显式估计就可以学习模糊输入图像每个像素位置的模糊核，以具备非均匀模糊的处理能力和更好的泛化能力，将网络输出的模糊核映射与融合映射与原始图像进行融合即可以得到最终的清晰图像，通过学习的方式学习融合图的权重，使得复原得到的图像更加真实，鲁棒性更强。
-
公开(公告)号：CN110852966A
公开(公告)日：2020-02-28
申请号：CN201911066796.X
申请日：2019-11-04
申请人： 西北工业大学
摘要： 本发明公开了一种基于深度卷积神经网络的图像噪声估计方法，用于解决现有图像噪声估计方法实用性差的技术问题。技术方案是同时结合噪声误差和噪声水平误差构造损失函数训练深度卷积神经网络，训练所得深度卷积神经网络从噪声污染图像中获取数值分布准确且统计均方差准确的噪声图，所采用深度卷积神经网络，卷积核膨胀数值逐层先成倍递增再等比例对称递减，提升深度卷积神经网络对随机噪声的提取能力，各卷积层卷积核数量多，在训练时所用噪声的分布模型和水平均完全随机，提升深度卷积神经网络对随机噪声的泛化能力。该方法从噪声污染图像中提取噪声图像，提升在后续操作中对噪声进行建模和分析的灵活性，实用性好。
-
公开(公告)号：CN105913452B
公开(公告)日：2019-04-19
申请号：CN201610202791.5
申请日：2016-04-01
申请人： 西北工业大学
IPC分类号： G06T7/246
摘要： 本发明公开了一种空间碎片实时检测与跟踪方法，用于解决现有空间碎片目标识别方法虚警率高的技术问题。技术方案是首先在序列图像星体集合和运动补偿参数基础上删除恒星；然后通过局部线性运动模型在去除恒星后的星体点内检测出目标链，之后用最小二乘法对检测到的目标运动模型参数进行估计，最后通过该模型进行目标链后续的预测与跟踪。该方法将空间碎片的检测和跟踪结合在一起，有效避免特性与空间碎片相似的噪声对空间碎片检测跟踪结果的干扰，能对通常情况下的空间碎片目标进行高效检测和跟踪，虚警率较低，具有快速、鲁棒和实时的特点。
-
-
公开(公告)号：CN102096829B
公开(公告)日：2013-04-24
申请号：CN201110005166.9
申请日：2011-01-06
申请人： 西北工业大学
IPC分类号： G06K9/80
摘要： 本发明公开了一种基于迭代最优化距离分类的空间弱小目标检测方法，用于解决现有的空间微弱运动目标检测方法检测效率低的技术问题。技术方案是采用基于迭代最优化距离分类的方法提取候选目标，构造误差平方和准则函数，将所有星点分为恒星类与非恒星类，迭代计算类内均值与误差平方函数，求出最优化距离分类阈值，并过滤掉大部分的恒星背景与噪声点，使后继操作的复杂度降低；在候选目标过滤阶段，使用目标轨迹的关联方法，减少了算法的计算复杂度，进而提高了空间微弱运动目标检测的效率。
-
公开(公告)号：CN101719279A
公开(公告)日：2010-06-02
申请号：CN200910254467.8
申请日：2009-12-23
申请人： 西北工业大学
IPC分类号： G06T7/20
摘要： 本发明公开了一种星空图像背景运动估计方法，兹在解决现有的运动估计方法局限性大的技术问题。考虑到星空图像主要由灰度值较低的背景和灰度值较高但所占面积很小的恒星光斑组成，本发明首先根据背景灰度模型进行自适应的阈值分割，在连通区域标记后选取面积符合条件的恒星区域，对质心位置结构特征进行基于LCS的匹配。由于结构信息对旋转和平移的不变性，本发明在相邻两帧旋转86.4°，平移大于30像素的情况下仍能实现对基准图的有效运动估计。由于只对有限数量的质心进行操作，未涉及分块搜索和迭代等，因而本发明的运行效率较高。在Matlab平台下512×512的图像序列仅需0.2s即可完成估计，实现了快速有效的运动估计。
-
-
-
-
-
-
-
-
-
搜索结果
92 条记录 (耗时 0.033 秒)
