本发明涉及图像处理领域,尤其是指一种基于多任务学习的图像联合处理方法及系统,该方法包括:构建图像联合处理模型;其中,所述图像联合处理模型包括浅层特征提取模块、深层特征提取模块、超分重建模块和半色调重建模块;设计联合损失函数对所述图像联合处理模型进行训练,得到训练后的图像联合处理模型;所述训练后的图像联合处理模型通过所述超分重建模块生成超分辨率图像,通过所述半色调重建模块生成半色调图像。本发明通过共享模型的方式进行联合建模,在损失函数中,设计了一种联合损失方式,分别添加了图像半色调损失和图像超分损失,同时优化图像超分和图像半色调的效果,也解决了现有多任务模型的计算复杂度高、处理速度慢的问题。
📄 2024107333926
📂 G06T3_4053
👤 江南大学
📅 2024-06-07
本发明公开了基于矩阵分解网络的无监督高光谱图像超分辨率方法,属于高光谱图像处理技术领域。本发明对高光谱图像处理,生成模拟的低空间分辨率高光谱图像Y和高空间分辨率的多光谱图像Z;首先将生成的数据对(Y,Z)输入设计的自动编码器网络,训练迭代得到点扩散函数和光谱响应函数;对于目标高空间分辨率高光谱图像X,可以假设为末端成员矩阵A和对应丰度矩阵S的线性组合,即X=AS,结合光谱和空间退化模型进行建模,通过设计的深度CP分解模块计算A,迭代求解A和S,最后得到融合结果。本发明能够得到更加丰富的光谱和空间特征,得到了更好的融合结果,在实践中表现出了良好的性能。
📄 2022116947148
📂 G06T3_4053
👤 江南大学
📅 2022-12-28
本发明公开一种基于纹理迁移的混合相机的光场图像超分辨率方法,步骤包括光场图像颜色矫正、视差图计算和超分辨率网络构建三个部分。其中,光场图像颜色矫正利用WCT风格转换模型使得光场图像接近单反图像的颜色;视差图计算是利用EPI全卷积神经网络模型计算视差图;超分辨率网络构建包含三个模块:第一个模块将光场的一行和一列子视点,经过RCABA提取相应子视点的特征;第二模块是PS‑PA将RCABA网络得到的低频信息融合后重建为高分辨率图像;第三模块使用纹理迁移网络提取将单反图高分辨率的纹理信息并迁移到光场中心视点上。本发明既利用了光场其他视点的补充信息又利用了单反图的高频信息,可以得到更高质量的超分辨率图。
📄 2021100947957
📂 G06T3_4053
👤 江南大学
📅 2021-01-25
本发明涉及基于损失分类与双分支网络的图像超分辨率重建和去雾方法及系统,其方法包括步骤:S1、输入待超分辨率重建或待去雾图像与其对应的真实参考图像,并进行预处理,对待超分辨率重建或待去雾图像与真实参考图像进行相同尺寸和相同位置的裁切;S2、构建双分支网络模型进行训练,并采用编码器‑解码器网络,通过损失分类器和约束函数进行训练;S3、将待超分辨率重建或待去雾图像输入到训练好的双分支网络模型中,通过特征融合的方式获取最终的结果图。本发明采用双分支网络结构,提出了损失分类器的方法,实现双分支中的第一分支侧重平滑区域,而第二分支侧重边缘区域,解决了端对端网络在边缘区域效果不佳的缺点,提高最终结果图的视觉效果。
📄 2022112727670
📂 G06T3_4053
👤 暨南大学
📅 2022-10-18
本发明公开的是一种通过深度学习的摄像头超分辨率方法,包括以下步骤:S1、通过摄像机用不同的分辨率采集到成对的真实高分辨率图像和低分辨率图像,称之为有标签数据;S2、通过收集公开数据,采集到大量不成对的高分辨率图像和低分辨率图像,称之为无标签数据;S3、将有标签数据和无标签数据的低分辨率图和高分辨率图像进行伪造;S4、将有标签数据中伪造后的图像输入有监督判别器进行学习;将无标签数据中伪造的图像输入无监督判别器进行学习;S5、有监督判别器同时输入高分辨率图像和低分辨率图像进行判别;S6、无监督判别器同时输入高分辨率图像和低分辨率图像进行判别。本发明使用真实图像进行训练,因此超分网络学习到的是真实的模糊核。
📄 2021109733671
📂 G06T3_4053
👤 厦门仟易网络科技有限公司
📅 2021-08-24
本发明公开了一种非均匀运动模糊超分辨图像复原方法,包括如下步骤:S1、构建数据集;S2、将预处理的数据集输入至生成器得到初步复原图像;S3、通过鉴别器判别初步复原图像和真实图像,得到判别结果,鉴别器为马尔科夫判别网络;S4、利用损失函数对生成对抗网络进行优化,得到性能最优的网络结果,得到最佳复原图像,所述生成对抗网络包括生成器和鉴别器;S5、输出复原结果。解决图像信息来源单一造成图像信息丢失的复原过程不可逆及复原效果不清晰问题。
📄 2022102802285
📂 G06T3_4053
👤 杭州电子科技大学
📅 2022-03-22
本发明涉及图像处理的技术领域,特别是涉及一种基于深度学习的图像质量优化方法、系统、设备及介质,包括:对原图像进行双通道超分辨率优化,获得第一优化图像和第二优化图像;对第一优化图像与第二优化图像进行图像质量差异识别,并提取第一优化图像和第二优化图像中存在图像质量差异超过预设一阶阈值的图像区域,获得图像质量差异区域;计算图像质量差异区域面积与原图像面积之间的比值,获得图像质量差异占比;将图像质量差异占比与预设二阶阈值进行比对:若图像质量差异占比未超过预设二阶阈值,则由第一优化图像和第二优化图像中随机任选一张作为原图像的最终优化图像进行输出;能够全面、精准地提高图像质量,减小图像失真和缺陷的影响。
📄 2024100771277
📂 G06T3_4053
👤 青岛漫斯特数字科技有限公司
📅 2024-01-19
本发明提出了一种基于扩散模型的病理切片图像超分辨率方法,涉及图像超分辨率领域。该方法包括:获取病理切片图像,对病理切片图像分割,采用混合特征提取模块,通过结合全局注意力机制和局部卷积,提取病理切片图像的全局和局部特征,采用扩散变换器网络,通过结合扩散模型和ViT网络,在加噪与去噪过程中增强病理切片图像的特征,采用特征融合模块,利用多尺度卷积核和卷积注意力机制,生成病理切片超分辨率图像。
📄 2024114490885
📂 G06T3_4053
👤 济南大学
📅 2024-10-17
本发明提出一种基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法,所提供的超分辨率重建网络由三个子网络组成,即核估计子网络、Bicubic下采样图像空间对齐子网络和图像重建子网络。传统的盲图像超分辨率重建网络一般包含两个子网络:核估计子网络和图像重建子网络。这类方法通过核估计子网络获得模糊核的估计,然后直接把模糊核信息输入到图像重建子网络中,使得模糊核的估计误差直接传递到图像重建过程中,影响了重建图像的质量。而本发明则是把估计核信息输入到Bicubic下采样图像空间对齐子网络中,让低分辨率图像先映射到Bicubic下采样图像空间中,获得Bicubic下采样LR图像,因此图像重建子网络可以采用任意传非盲超分辨率重建网络。
📄 2023105391015
📂 G06T3_4053
👤 闽江大学
📅 2023-05-15
本发明公开了一种基于多维注意力融合网络的太赫兹图像超分辨率重建方法及系统,所述方法包括:步骤S1、使用太赫兹图像采集设备采集被检测人员的太赫兹图像组成太赫兹数据集;步骤S2、使用退化模型对所述太赫兹数据集进行特征退化,生成具有广泛退化特征的低分辨率图像训练数据集;步骤S3、基于多尺度融合和通道注意力机制构建多维注意力融合网络,并使用所述具有广泛退化特征的低分辨率图像训练数据集对所述多维注意力融合网络进行训练,得到训练好的多维注意力融合网络;步骤S4、将实时采集的太赫兹图像输入所述训练好的多维注意力融合网络中,得到太赫兹图像超分辨率重建图像。
📄 202510460102X
📂 G06T3_4053
👤 广东工业大学
📅 2025-04-14
本发明涉及水下成像技术领域,特别是涉及一种基于深度学习图像超分辨率重建的水下多光谱鬼成像系统,包括:光调制模块、多光谱光强数据采集模块、控制及图像重建模块,控制及图像重建模块分别与光调制模块、多光谱光强数据采集模块连接,控制及图像重建模块控制光调制模块调制照明光束后投射到目标物上,调制后的照明光束经目标物反射后被多光谱光强数据采集模块接收,多光谱光强数据采集模块将接收的反射光束发送到控制及图像重建模块,在控制及图像重建模块中经预训练的深度神经网络进行图像重建,输出超分辨率图像。本发明结合深度学习图像超分辨率重建算法提供水下多光谱鬼成像系统,提高了成像质量和分辨率。
📄 2025103795441
📂 G06T3_4053
👤 广东工业大学
📅 2025-03-28
本申请属于图像处理技术领域,公开了一种基于条件扩散概率模型的多模态图像融合与超分辨率方法,对多模态的源图像进行模糊处理和融合处理,得到模糊图像和真值融合图像,用以对包含多模态信息融合模块和迭代去噪模块的条件扩散概率模型进行训练,使条件扩散概率模型能够对多模态图像进行融合的同时完成迭代去噪,得到分辨率相对源图像更高的融合图像,并恢复源图像中被退化的细节和纹理信息,实用性较高。
📄 2024107471381
📂 G06T3_4053
👤 佛山大学
📅 2024-06-11