图像增强
文章平均质量分 84
研究生学习记录
Maker~
这个作者很懒,什么都没留下…
展开
-
7、论文阅读:20 年来的物体检测:一个调查
本文从技术演变的角度广泛回顾了这个快速发展的研究领域(1990s - 2022s)。本文涵盖了许多主题,包括历史上的目标检测的里程碑检测数据集指标检测系统的基本构建模块加速技术和最新的最先进的检测方法。原创 2024-09-23 21:12:36 · 842 阅读 · 0 评论 -
6、论文阅读:水下图像增强基准数据集及其他数据集
大多数已经提出的水下增强算法都是使用合成数据集或少数选定的真实世界图像,这使得我们无法估计算法在真实环境下的表现。为了解决这个问题,我们提出了UIEB数据集,包括 950 张真实水下图像,其中 890 张有相应的参考图像。我们将其余60张无法获得满意参考图像的水下图像视为具有挑战性的数据。我们使用这个数据集评估了许多先进的水下图像增强的算法。此外,我们还提出了一个新的水下图像增强网络Water-Net,它使用这个数据集进行训练。基于补充信息的方法基于非物理模型的方法基于物理模型的方法和数据驱动的方法。原创 2024-09-20 18:31:04 · 674 阅读 · 0 评论 -
5、论文阅读:深水下的图像增强
水下场景中,与波长相关的光吸收和散射会降低图像的可见度,导致对比度低和色偏失真。为了解决这个问题,我们提出了一种基于卷积神经网络的图像增强模型,UWCNN,它使用合成水下图像数据库进行有效训练。我们的模型利用自动端到端和数据驱动的训练机制直接重建清晰的潜在水下图像。符合水下成像模型和水下场景的光学特性,我们首先合成十种不同的海洋图像数据库。然后,我们针对每种水下图像形成类型分别训练多个 UWCNN 模型。此外,我们还进行了消融研究,以证明网络中每个组件的效果。直射光、前向散射光和后向散射光。原创 2024-09-18 21:35:00 · 629 阅读 · 0 评论 -
4、论文阅读:基于深度学习和成像模型的水下图像增强
现在的主要挑战是水下机器人捕获的图像颜色失真。水下图像的色调往往接近绿色和蓝色。另外,对比度低,细节模糊。本文提出了一种基于深度学习和成像模型的水下图像增强新算法,实验结果表明,该方法的优点是消除了水下环境因素的影响,丰富了色彩,增强了细节,帮助特征关键点点匹配获得更好的结果。由于各种环境因素的影响,水下图像的质量通常较低。一方面,整体色彩以绿色和蓝色为主;另一方面,对比度低,细节模糊。水下图像和雾化图像的物理成像模型有很多相似之处,光传输受到空气或水中颗粒散射的影响。原创 2024-09-18 12:17:31 · 1019 阅读 · 0 评论 -
3、论文阅读:EnYOLO:一种基于图像增强的水下目标区域自适应实时检测框架
UIE:水下图像增强UOD:水下目标检测AUVS:自主水下航行器水下图像增强在水下目标检测任务方面应用不多,具体有一下原因:(1)使用UIE作为预处理步骤,引入了很大的计算量(2)在目标检测之前进行图像增强未必能够产生性能改进(3)复杂的水下环境导致不同场景下的域偏移,严重影响UOD性能为了解决这些挑战,我们引入了EnYOLO,这是一种集成的实时框架,设计用于同时进行UIE和UOD,并具有域适应能力。具体地说,UIE和UOD任务头共享相同的网络主干,并利用轻量级设计。原创 2024-09-17 12:07:16 · 1318 阅读 · 0 评论 -
2、论文阅读:用于超高清交通监控的双域引导实时低光图像增强
弱光条件下拍摄的图像通常会出现能见度差和各种退化的情况,例如噪声干扰和模糊边缘特征。随着成像设备的发展,视觉监控数据的质量不断提高,如2K和4K,这对图像处理的效率有着更严格的要求。为了同时满足增强质量和计算速度的要求,提出了一种用于超高清交通监控的双域引导实时微光图像增强网络(DDNet)。具体地说,我们设计了一种编码器-解码器结构作为学习网络的主要结构。特别地,增强处理被分成两个子任务(即,该算法通过嵌入在编解码器结构中的粗增强模块(CEM)和基于LoG的梯度增强模块(GEM),实现了图像的。原创 2024-09-15 17:09:38 · 602 阅读 · 0 评论 -
1、直方图均衡化(Histogram Equalization, HE)
HE主要用来提升图像的对比度图像的直方图均衡化。原创 2024-09-15 11:45:31 · 156 阅读 · 0 评论