图像增强
文章平均质量分 93
不断进步的咸鱼
秃头女孩,不服输!
展开
-
【目标检测】ROIMIX: PROPOSAL-FUSION AMONG MULTIPLE IMAGES FOR UNDERW ATER OBJECT DETECTION
ROIMIX摘要1 介绍2 相关工作2.1 数据增强2.2 Faster R-CNN及其变体3 方法论3.1 算法3.2 讨论4 实验4.1 URPC数据集的实验4.2 PASCAL VOC数据集的实验4.3 稳定性和鲁棒性5 结论摘要 目标检测现状: 近年来,通用目标检测算法证明了其优异的性能。然而,对水下目标检测的研究还很少。 水下图像数据集的特点: 与一般数据集相比,水下图像通常存在色差和低对比度,沉积物会导致水下图像模糊。此外由于水下生物的生活习惯,它们在图像上经常出现在一起(重叠原创 2021-03-14 16:17:54 · 1242 阅读 · 2 评论 -
【图像恢复与目标检测】揭示域效应:视觉恢复如何有助于水中场景中的目标检测
摘要 水下机器人感知通常需要视觉恢复和目标检测,视觉恢复和目标检测这两方面都已经研究多年。 数据域对现代数据驱动的学习过程产生了巨大的影响,然而视觉恢复与检测之间的关系尚不清楚,无法准确反映域效应。 本文: 主要研究了不同质量的数据域与检测性能之间的关系。同时揭示了视觉恢复如何有助于在真实水下场景的目标检测。根据分析,报告了5个关键发现: 1)域质量对域内卷积表征和检测精度有不可忽视的影响; 2)低质量域在跨域检测上泛化能力较高; 3)低质量的域在域混合学习过程中很难学好; 4)原创 2020-11-14 12:35:47 · 2234 阅读 · 2 评论 -
【图像增强】Underwater Image Enhancement Using a Multiscale Dense Generative Adversarial Network(UWGAN)
摘要 水下图像增强技术在水下视觉研究中受到了广泛的关注。但是,原始水下图像容易遭受由水下场景引起的色彩失真、曝光不足和模糊。 本文:提出了一种新的用于增强水下图像的多尺度密集生成式对抗网络(GAN)。 ①生成器:使用残差的多尺度密集块,其中多尺度、密集连接和残差学习可以提高性能、渲染更多细节并利用之前的特征图。 ②判别器:采用计算量小的光谱归一化来稳定判别器的训练。 ③损失函数:结合L1损失、梯度损失、非饱和GAN损失函数。 实验: ①在合成、真实水下图像上的最终增强结果证明了该原创 2020-10-22 21:13:40 · 10720 阅读 · 10 评论 -
【图像增强】Enhancing Underwater Imagery using Generative Adversarial Network(UGAN)论文理解
摘要 自主式水下航行器(AUV)依赖于各种传感器——声学、惯性和视觉——进行智能决策。视觉由于其非侵入性、被动性和高信息量的特征是一种有吸引力的传感方式,尤其是在较浅的水下深度。然而光的折射和吸收、水中的悬浮颗粒以及颜色失真等因素的存在,严重影响了水下视觉数据的质量,水下图像往往出现噪声和失真。因此依靠视觉传感器的AUV面临着艰巨的挑战,在视觉驱动的任务上表现不佳。 本文: 提出了一种使用生成式对抗网络(GAN)提高水下视觉场景质量的方法;使用最近提出的方法(Cycle GAN)生成用于水下图像原创 2020-10-08 17:29:22 · 6346 阅读 · 34 评论 -
【图像增强】对比度限制自适应直方图均衡化
直方图均衡化一、直方图均衡化(HE)1.1 直方图均衡化1.2 直方图均衡化步骤1.3 直方图均衡化分析二、自适应直方图均衡化(AHE)2.1 自适应直方图均衡化2.2 自适应直方图均衡化分析三、限制对比度自适应直方图均衡化(CLAHE)3.1 限制对比度自适应直方图均衡化四、总结一、直方图均衡化(HE)1.1 直方图均衡化 特点: 暗图像的直方图分量集中在灰度较低的一端,而亮图像直方图分量偏向于灰度较高的一端。 图像的灰度分布不均匀,其灰度分布集中在更窄的范围,图像的细节不够清晰且对比度原创 2020-09-19 14:04:55 · 7723 阅读 · 2 评论