基于深度学习的水下图像增强研究
这是一篇关于水下图像增强,颜色校正,图像超分辨率,图像去模糊,深度学习的论文, 主要内容为海洋蕴藏着非常丰富的海洋生物以及各种稀缺的矿产和能源资源,探索与开发海洋是目前热门的研究领域之一。水下机器人作为探索和开发海洋的重要设备,主要通过摄像头、声呐等传感器获取水下环境信息,并对水下的目标进行识别与分析。获取清晰的水下图像是水下机器人能稳定、高效工作的关键。然而,水下成像环境十分复杂,光在水中的吸收、散射以及水中悬浮颗粒物对光的折射会导致获得的水下图像存在颜色失真、对比度低和细节模糊等问题,为后续的水下任务的进行造成很大的困难。为了获得高质量的水下图像,本文的主要研究工作如下:(1)针对水下图像存在颜色失真和对比度低的问题,设计了一种基于Att R2U-Net和多残差组的双分支水下图像增强网络。通过Att R2U-Net提取水下图像的特征并对其进行恢复和增强;利用多残差组网络在提取水下图像深层特征的同时,保留原始水下图像的空间细节信息,提出的水下图像增强网络实现了对水下图像的颜色校正和对比度的提升。(2)针对颜色校正和对比度提升后水下图像存在细节模糊的问题,对增强型深度超分辨率(Enhanced Deep Super Resolution,EDSR)网络进行改进。结合Inception的设计思想,设计了残差Inception模块代替EDSR网络中的残差块,可以多尺度的学习图像的特征,增大网络的感受野,提升网络的学习能力;在残差Inception模块之间采用密集连接,可以有效缓解计算复杂度和梯度消失问题;通过并联的不同尺度因子的亚像素卷积层可以减轻网络训练的难度;采用平滑绝对误差损失函数(Smooth1)作为网络的损失函数,实现了对水下图像的超分辨率重建,增强了图像的细节。最后,将原始水下图像依次经过本文设计的水下图像增强网络和改进后的图像超分辨率网络。实验表明,本文的方法不仅可以有效解决水下图像的色彩失真和对比度低的问题,而且还可以增强图像的细节纹理特征,提升水下图像的质量;SIFT特征点检测实验表明经过本文方法增强后水下图像中特征点的数量明显增加,更有利于后续水下任务的进行。
基于深度学习的水下图像增强研究
这是一篇关于水下图像增强,颜色校正,图像超分辨率,图像去模糊,深度学习的论文, 主要内容为海洋蕴藏着非常丰富的海洋生物以及各种稀缺的矿产和能源资源,探索与开发海洋是目前热门的研究领域之一。水下机器人作为探索和开发海洋的重要设备,主要通过摄像头、声呐等传感器获取水下环境信息,并对水下的目标进行识别与分析。获取清晰的水下图像是水下机器人能稳定、高效工作的关键。然而,水下成像环境十分复杂,光在水中的吸收、散射以及水中悬浮颗粒物对光的折射会导致获得的水下图像存在颜色失真、对比度低和细节模糊等问题,为后续的水下任务的进行造成很大的困难。为了获得高质量的水下图像,本文的主要研究工作如下:(1)针对水下图像存在颜色失真和对比度低的问题,设计了一种基于Att R2U-Net和多残差组的双分支水下图像增强网络。通过Att R2U-Net提取水下图像的特征并对其进行恢复和增强;利用多残差组网络在提取水下图像深层特征的同时,保留原始水下图像的空间细节信息,提出的水下图像增强网络实现了对水下图像的颜色校正和对比度的提升。(2)针对颜色校正和对比度提升后水下图像存在细节模糊的问题,对增强型深度超分辨率(Enhanced Deep Super Resolution,EDSR)网络进行改进。结合Inception的设计思想,设计了残差Inception模块代替EDSR网络中的残差块,可以多尺度的学习图像的特征,增大网络的感受野,提升网络的学习能力;在残差Inception模块之间采用密集连接,可以有效缓解计算复杂度和梯度消失问题;通过并联的不同尺度因子的亚像素卷积层可以减轻网络训练的难度;采用平滑绝对误差损失函数(Smooth1)作为网络的损失函数,实现了对水下图像的超分辨率重建,增强了图像的细节。最后,将原始水下图像依次经过本文设计的水下图像增强网络和改进后的图像超分辨率网络。实验表明,本文的方法不仅可以有效解决水下图像的色彩失真和对比度低的问题,而且还可以增强图像的细节纹理特征,提升水下图像的质量;SIFT特征点检测实验表明经过本文方法增强后水下图像中特征点的数量明显增加,更有利于后续水下任务的进行。
中医望诊图像采集与自动校准及服务系统研究与设计
这是一篇关于望诊图像,微信小程序,颜色校正,定位标识符,多项式回归的论文, 主要内容为中医的智能化主要通过硬件设备代替医生对病人进行“望闻问切”,从而得到诊断结果。但硬件识别与人眼识别存在差异,导致采集的数据会受到各种因素的影响。如何对采集到的数据进行优化,减少因各种原因造成的差异,是当前中医智能化所要解决的重要问题。为此,针对开放环境下的望诊图像采集过程中各类问题,本文创新地提出了一种望诊图像采集和处理方法及服务系统,旨在为训练集提供标准化的数据。论文的主要研究内容和创新点如下:1.通过研究国内外主流的中医望诊图像采集与处理方法,总结出各种处理方法的局限性和优缺点,提出一种新型的基于智能手机摄像头、微信小程序、带定位标识符的色卡的中医图像采集和数据处理系统。2.针对图像采集设备问题,研究了目前市面上常见的望诊图像采集装置的采集方式和采集镜头的成像技术。为评价望诊采集镜头的成像质量,提出从清晰度、峰值信噪比、镜头畸变方面对图像采集镜头的成像质量进行评价,并结合实验对比分析了智能手机镜头和单反镜头的成像质量,实验结果表明,先进手机镜头可作为望诊图像采集装置。3.针对图像中色卡识别问题,分析对比了主流色卡设计的优缺点,重新设计了一种带定位标识符的色卡和识别算法。计算色卡上的定位标识符在图像上的坐标,并通过逆透视变换算法将定位坐标还原到真实的世界坐标系,并根据色块的位置信息提取颜色信息。研究了常用的阈值化和滤波算法的原理,结合实验对比分析了各种算法的性能及优缺点,选用Otsu阈值化和双边滤波算法。通过对比实验验证了色卡识别算法的有效性,提高了识别率和算法效率。4.针对图像颜色偏差问题,研究了各类颜色空间和常用的颜色校正算法,提出了绝对颜色空间下的自适应线性回归校正算法。在开放条件下对面部进行采集,检测人脸的位置去除非人脸部分,并转换到绝对颜色空间,计算与之匹配的最佳色差多项式,然后进行颜色校正,通过对比实验验证了算法的有效性。实现了全自动色卡识别、颜色提取、最佳色差多项式匹配和图像颜色校正,是本文的创新点之一。5.针对图像采集平台问题,自主设计并研发了一套望诊服务软件和后台图像处理服务程序。对比分析了主流软件系统架构,采用了云服务和非独立客户端体系结构。客户端基于微信小程序开发,服务端基于多线程Reactor模型开发。实验结果表明,该系统具有良好的I/O性能、稳定性和实时性,并实现了全自动望诊图像处理,可以有效地消除设备和环境光的影响,具有一定的创新性和工程应用前景。
基于深度学习的水下图像增强研究
这是一篇关于水下图像增强,颜色校正,图像超分辨率,图像去模糊,深度学习的论文, 主要内容为海洋蕴藏着非常丰富的海洋生物以及各种稀缺的矿产和能源资源,探索与开发海洋是目前热门的研究领域之一。水下机器人作为探索和开发海洋的重要设备,主要通过摄像头、声呐等传感器获取水下环境信息,并对水下的目标进行识别与分析。获取清晰的水下图像是水下机器人能稳定、高效工作的关键。然而,水下成像环境十分复杂,光在水中的吸收、散射以及水中悬浮颗粒物对光的折射会导致获得的水下图像存在颜色失真、对比度低和细节模糊等问题,为后续的水下任务的进行造成很大的困难。为了获得高质量的水下图像,本文的主要研究工作如下:(1)针对水下图像存在颜色失真和对比度低的问题,设计了一种基于Att R2U-Net和多残差组的双分支水下图像增强网络。通过Att R2U-Net提取水下图像的特征并对其进行恢复和增强;利用多残差组网络在提取水下图像深层特征的同时,保留原始水下图像的空间细节信息,提出的水下图像增强网络实现了对水下图像的颜色校正和对比度的提升。(2)针对颜色校正和对比度提升后水下图像存在细节模糊的问题,对增强型深度超分辨率(Enhanced Deep Super Resolution,EDSR)网络进行改进。结合Inception的设计思想,设计了残差Inception模块代替EDSR网络中的残差块,可以多尺度的学习图像的特征,增大网络的感受野,提升网络的学习能力;在残差Inception模块之间采用密集连接,可以有效缓解计算复杂度和梯度消失问题;通过并联的不同尺度因子的亚像素卷积层可以减轻网络训练的难度;采用平滑绝对误差损失函数(Smooth1)作为网络的损失函数,实现了对水下图像的超分辨率重建,增强了图像的细节。最后,将原始水下图像依次经过本文设计的水下图像增强网络和改进后的图像超分辨率网络。实验表明,本文的方法不仅可以有效解决水下图像的色彩失真和对比度低的问题,而且还可以增强图像的细节纹理特征,提升水下图像的质量;SIFT特征点检测实验表明经过本文方法增强后水下图像中特征点的数量明显增加,更有利于后续水下任务的进行。
基于深度学习的水下图像增强研究
这是一篇关于水下图像增强,颜色校正,图像超分辨率,图像去模糊,深度学习的论文, 主要内容为海洋蕴藏着非常丰富的海洋生物以及各种稀缺的矿产和能源资源,探索与开发海洋是目前热门的研究领域之一。水下机器人作为探索和开发海洋的重要设备,主要通过摄像头、声呐等传感器获取水下环境信息,并对水下的目标进行识别与分析。获取清晰的水下图像是水下机器人能稳定、高效工作的关键。然而,水下成像环境十分复杂,光在水中的吸收、散射以及水中悬浮颗粒物对光的折射会导致获得的水下图像存在颜色失真、对比度低和细节模糊等问题,为后续的水下任务的进行造成很大的困难。为了获得高质量的水下图像,本文的主要研究工作如下:(1)针对水下图像存在颜色失真和对比度低的问题,设计了一种基于Att R2U-Net和多残差组的双分支水下图像增强网络。通过Att R2U-Net提取水下图像的特征并对其进行恢复和增强;利用多残差组网络在提取水下图像深层特征的同时,保留原始水下图像的空间细节信息,提出的水下图像增强网络实现了对水下图像的颜色校正和对比度的提升。(2)针对颜色校正和对比度提升后水下图像存在细节模糊的问题,对增强型深度超分辨率(Enhanced Deep Super Resolution,EDSR)网络进行改进。结合Inception的设计思想,设计了残差Inception模块代替EDSR网络中的残差块,可以多尺度的学习图像的特征,增大网络的感受野,提升网络的学习能力;在残差Inception模块之间采用密集连接,可以有效缓解计算复杂度和梯度消失问题;通过并联的不同尺度因子的亚像素卷积层可以减轻网络训练的难度;采用平滑绝对误差损失函数(Smooth1)作为网络的损失函数,实现了对水下图像的超分辨率重建,增强了图像的细节。最后,将原始水下图像依次经过本文设计的水下图像增强网络和改进后的图像超分辨率网络。实验表明,本文的方法不仅可以有效解决水下图像的色彩失真和对比度低的问题,而且还可以增强图像的细节纹理特征,提升水下图像的质量;SIFT特征点检测实验表明经过本文方法增强后水下图像中特征点的数量明显增加,更有利于后续水下任务的进行。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设工厂 ，原文地址：https://m.bishedaima.com/lunwen/54188.html
