内容提供者
一种基于多尺度聚合特征的单幅图像去雨方法.pdf
2023-11-15
10金币
1.3MB
11页
羽沫****魔王
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共11页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
一种基于多尺度聚合特征的单幅图像去雨方法.pdf
本发明属于计算机视觉领域，涉及一种基于多尺度聚合特征的单幅图像去雨方法。本发明是基于一种多尺度特征聚合密集连接卷积网络框架，由编码‑解码网络组成，每一个编码网络对应着一个解码网络；编码网络通过最大池化层降维和下采样，在进行最大池化的过程中记录最大池化的索引位置，并由该池化索引来引导对应的解码网络的上采样恢复过程。其中，编码网络和解码网络在卷积层是一样的，都是特征聚合密集连接卷积模块，只有最大池化和其对应的而上采样过程不同。本发明能够有效地去除不同密度的雨条纹，同时很好地保留了图像的细节。
2023-11-15
10
1.3MB
基于多尺度特征聚合的场景图像文字检测方法.pdf
本发明公开了一种基于多尺度特征聚合的场景图像文字检测方法；其包括：提取不同尺度文本图像特征表示，同时获取文字嵌入表示；将多尺度文本图像特征表示聚合后输入堆叠的基于Transformer结构的编码器中，获得加强的多尺度图像特征表示；利用加强的多尺度图像特征表示进行文字嵌入表示的更新；初始化一组查询向量，将加强的多尺度图像特征表示恢复到二维图像特征，将查询向量、二维图像特征和更新的文字嵌入表示同输入解码器中，得到更新的查询向量，再对更新的查询向量与文字嵌入表示进行计算得到文字掩码，最后后处理得到文字检测结果。
2023-06-01
10
1.2MB
基于多阶段特征互补网络的单幅图像去雨方法.pdf
本发明公开了基于多阶段特征互补网络的单幅图像去雨方法，基于深度学习和渐进式复原的思想，构建了一种多阶段的框架，将复原任务分解为更小的子任务，在不同阶段针对性的应用不同的设计，使用编码器‑解码器网络来学习不同尺寸、方向的雨线特征，并且利用循环卷积网络(RNN)跨阶段进行互补的特征处理，最后与原始分辨率的雨图相结合来完成去雨，保留了更丰富的局部细节。从而更彻底地去除雨线并且保留更多的背景细节，提高单幅图像去雨后视觉效果，更好地解决图像中雨线造成背景和目标物体的遮挡和模糊等问题。
2023-07-24
10
1.2MB
一种单幅图像去雨方法.pdf
本发明公开了一种单幅图像去雨方法，首先，基于双边滤波将有雨图像分解为高频图像与低频图像。然后，在字典学习阶段，为降低有雨原子与无雨原子间的相似性，引入字典的非相干性，构建了新的目标函数，不仅可以保证聚类时有雨字典与无雨字典的可分性，而且学习的非相干字典具有类似于紧框架的性质，可以逼近等角紧框架。通过有雨字典与无雨字典对高频图像的稀疏表示，能够更好分离出高频图像中的有雨分量与无雨分量，将高频无雨分量与低频图像叠加实现图像去雨。实验结果表明，本发明方法所学习的非相干字典具有较好的稀疏表示性能，去雨后的图像雨线
2023-11-19
10
1.9MB
一种单幅图像去雨方法及装置.pdf
本发明提供一种单幅图像去雨方法及装置，通过首先将待处理图像中的纯雨区域识别出来，进一步将所述纯雨区域作为输入进行字典学习及其稀疏表示，获得有雨字典。进而基于有雨字典对所述待处理图像进行稀疏重构，获得雨痕掩模。最后通过雨痕掩模对所述待处理图像进行去雨处理，获得目标图像，即无雨痕的图像。由于该方法仅仅对有雨像素进行处理，无雨像素部分得到保持。因此，本文方法去雨后的图像雨痕残留较少，保持了目标图像中更为丰富的边缘和纹理，大大的提高去雨精确性。
2023-11-19
10
3MB