图像加雾与去雾
文章平均质量分 96
悠眠小虫
毛毛虫终究有一天也会破茧成蝶,我期待那一天的到来!!!
展开
-
基于深度学习的图像去雾研究进展
图像去雾技术是计算机视觉领域中的一个重要研究方向,它旨在通过算法处理,改善因大气散射作用(如雾、霾等)导致的图像质量下降问题。近年来,随着深度学习技术的发展,基于神经网络的去雾算法取得了显著进展,尤其是基于Transformer的去雾算法在多个场景下表现出了良好的性能。因此,本文将探讨近年来图像去雾领域的研究进展,包括不同方法的性能表现,以及评估去雾效果的性能指标。原创 2024-09-17 20:58:44 · 1455 阅读 · 0 评论 -
一文读懂5种图像加雾算法
首先计算雾化的尺寸大小(这里取输入图像行数和列数种较大值的平方根)和雾化中心,然后计算图像中每个像素点到雾化中心的距离,根据距离计算一个与雾化效果和雾透明度相关的值,img_f * td[..., np.newaxis] + brightness * (1 - td[..., np.newaxis])这里对原始图像进行处理,根据透明度值td和雾霾亮度brightness来混合原始图像和一个与亮度相关的部分,得到有雾效果的图像数据。雾越浓,被散射的光就越多,我们看到的物体就越模糊。原创 2024-09-14 23:58:46 · 969 阅读 · 4 评论 -
基于 CycleGAN 对抗网络的自定义数据集训练
而判别器则努力提高自己的鉴别能力,不被生成器欺骗。上面这个图是该网络实现的风格迁移,感觉这个网络还是挺有意思的,就想着训练一下自己的数据集看下效果,那下面我们直接进入正题吧。它接收随机噪声作为输入,并通过一系列的神经网络层将其转化为具有特定特征的输出,试图欺骗判别器使其认为生成的数据是真实的。其中,只有 --name 是可改参数,可以自己命名模型的名称,但是修改后一定要与测试时的名称一致,请一定注意这一点。--dataroot 是测试样本,可以自己调整路径,同时注意模型名称是否与训练的一致,不一致请修改。原创 2024-09-13 20:08:00 · 875 阅读 · 4 评论