专利交易市场

本发明涉及一种用于自动驾驶的画质增强系统，包括：路面采集器件，用于对智能汽车的前端的路面环境的图像信号采集操作；网络应用设备，用于根据使用的增强算法对应的代码数据、次序转换图像的各项画面内容信息以及次序转换图像的各项配置参数智能分析使用所述增强算法执行增强处理后获得的处理后图像的锐化等级。通过本发明，能够将不同种类的增强算法分别采用前馈神经网络模型执行智能分析以获得不同的锐化等级，并将最高数值的锐化等级对应的增强算法作为匹配自动驾驶现场图像优化处理后获得的次序转换图像的最优增强算法以对所述次序转换图像执行增强处理，以获得最终优化图像用作智能汽车的自动驾驶模式的辅助数据。

本发明公开一种基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，利用绿色通道对红色、蓝色通道补偿得到红、蓝色通道校正图，构建改进的U‑Net网络，输出红、蓝色通道权重映射；将红、蓝色通道校正图分别与对应的红、蓝色通道权重映射进行点积相乘，将红、蓝通道的动态补偿结果和绿色通道拼接成RGB空间颜色校正图像；将RGB空间颜色校正图像分别转为HSI空间和Lab色彩空间，再对HSI空间、Lab色彩空间和RGB空间分别直方图拉伸，最后将三种直方图拉伸后的图像均各自再转回RGB色彩空间，将转回RGB色彩空间的三幅图像拼接得到综合的输入图像；将综合的输入图像输入改进的U‑Net网络中再次训练输出增强后图像，能显著提升水下相机成像的分辨率和颜色校正的效果。

本发明涉及一种基于图像增强的锤头精细化缺陷检测方法，属于数据处理技术领域。该方法中，通过识别图形获取破碎机锤头原始图像；对原始图像进行数据处理，得到原始图像对应的纹理图像；利用多尺度Retinex算法，得到原始图像对应的增强图像；根据增强图像和纹理图像，判断原始图像上是否存在气泡缺陷。因此，本发明提供的方法采用图形识别的方式，并进行相关的数据处理，可以增高对破碎机锤头缺陷检测的可靠性。

本发明涉及计算机视觉、深度学习领域，具体设涉及一种暗视觉环境下基于卷积神经网络的图像增强方法，该方法包括：获取原始图像数据和暗视觉环境下的图像数据；将获取的数据分为训练集和测试集，采用训练集的数据训练改进的卷积神经网络模型；采用测试集的数据进行网络性能测试；将暗视觉环境下的图像数据输入图像分解网络中，得到分解出的亮度通道图像；将暗视觉环境下的图像数据和亮度通道图像输入到改进的卷积神经网络模型中，得到暗视觉环境下采集图像的增强图像；通过本发明，能够对暗视觉环境下获取的图像进行增强；增强后的图像清晰，便于人们可以明确辨认图像中的细节内容。