一种基于无监督深度学习网络的高动态图像融合方法.pdf
是你****晨呀
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于无监督深度学习网络的高动态图像融合方法.pdf
本发明涉及图像处理技术技术领域,尤其涉及一种基于无监督深度学习网络的高动态图像融合方法,包括以下操作步骤:S1、编码器设计:选择经典深度网络结构的主体部分,去除网络最后的全连接层与分类层,保留剩余部分作为编码器的网络结构;S2、解码器设计:根据编码器网络,设计一一对应的对称网络;S3、权值图设计:对解码器网络的输出经过全连接层与分类层,得到与输入图像大小一致的权值图像,用于输入图像的加权求和;S4、训练与测试。本发明无需标注训练集样本,能够实现无监督学习,并且可以消除块效应、光晕伪影等传统方法带来的问题,
一种基于深度学习的图像高动态范围重建方法.pdf
本发明公开了一种基于深度学习的图像高动态范围重建方法,属于计算摄影学和数字图像处理领域。发明采用基于深度学习的方法建立了一个从单幅LDR图像到HDR图像的映射网络。方法首先从收集到的HDR数据集中分别依次生成LDR训练数据、亮度单位对齐的HDR样本标签和高亮度区域的掩码图像。然后构建并训练神经网络以得到具有LDR到HDR映射关系的网络模型。最后利用训练得到的生成网络模型,直接将LDR图像输入至网络模型,即可输出其重建的HDR图像。该发明可以从单幅普通数字图像中有效地重建出真实场景的动态范围,可用于普通数字
一种基于动态融合网络的光场深度估计方法.pdf
本发明公开了一种基于动态融合网络的光场深度估计方法,包括以下步骤:确定光场数据集,基于光场数据集确定训练集和测试集;扩充光场数据集;搭建动态融合网络模型;动态融合网络模型由双流网络和一个多模态动态融合模块构成;双流网络由RGB流和焦点堆栈流组成;将双流网络的输出全局RGB特征和焦点特征作为多模态动态融合模块的输入,输出最终深度图;基于训练集训练构建的动态融合网络模型;在所述测试集上测试训练好的动态融合网络模型,并在手机数据集上进行验证。本发明的光场深度估计方法可以获得优于其它光场深度估计方法的精度,减小噪
一种基于无监督宽度学习的高光谱图像聚类方法.pdf
本发明的一种基于无监督宽度学习的高光谱图像聚类方法,首先,为保留原始高光谱图像的本征流形结,利用图正则稀疏自动编码器微调输入到映射特征和映射特征到增量节点的权重;接着,无监督宽度学习的模型目标函数由图正则项和连接权重的l2范数项构成,并通过求解广义特征值分解问题,得到无监督宽度学习的模型权重以及无监督宽度学习的输出;最后,利用谱聚类得到聚类结果。
基于网络隐式先验的无监督高光谱融合方法及装置.pdf
本发明公开了基于网络隐式先验的无监督高光谱融合方法及装置,获取低分辨率高光谱和高分辨率多光谱图像;采用噪声对图像进行扰动;将噪声扰动后的图像输入至编码器‑解码器体系结构,进行多级特征学习,生成高分辨率高光谱图像的模糊估计;对模糊估计分别进行空间和光谱下采样;基于低分辨率高光谱图像与空间下采样的结果,高分辨率多光谱图像与光谱下采样的结果,计算退化模型的损失函数,反向传播退化模型的优化参数给编码器‑解码器体系结构;重复执行上述过程,直至生成高分辨率高光谱图像的模糊估计达到循环终止条件。本发明利用两个并行的特殊