CN114463192B 一种基于深度学习的红外视频畸变校正的方法 （浙江浙能嘉华发电有限公司）_第1页
CN114463192B 一种基于深度学习的红外视频畸变校正的方法 （浙江浙能嘉华发电有限公司）_第2页
CN114463192B 一种基于深度学习的红外视频畸变校正的方法 （浙江浙能嘉华发电有限公司）_第3页
CN114463192B 一种基于深度学习的红外视频畸变校正的方法 （浙江浙能嘉华发电有限公司）_第4页
CN114463192B 一种基于深度学习的红外视频畸变校正的方法 （浙江浙能嘉华发电有限公司）_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

WO2021057810A1,2021.04.01CorrectionUsingConvolutionaNetworksTrainedwithSynthesizedImages.一种基于深度学习的红外视频畸变校正的本发明公开了一种基于深度学习的红外视可以克服不同摄像机及其成像模型对畸变图像2所述步骤2中，所述的卷积神经网络由3-4个神经结构单元依次所述神经结构单元输入的图X0经第一个卷积层处理获得特征图X1，特征图X1经2倍下融合后输入到第四个卷积层处理获得最终的采集包含不同场景的多幅红外无畸变的图像，每幅图像赋予N幅随机形成的畸变参数像中像素的RGB通道进行打乱，转换为张量信息是指将图像中的像素信息转换为张量信息3方法通过将鱼眼图像畸变问题转换为鱼眼图像畸变系数分类问题实现了对鱼眼图像的校[0011]步骤4：将待测未知畸变参数和校正参数的红外畸变图像输入到训练后的卷积神4[0013]采集包含不同场景的多幅红外无畸变的图像，每幅图像赋予N幅随机形成的畸变[0015]所述神经结构单元输入的图X0经第一个卷积层处理获得特征图X1，特征图X1经2[0016]本发明设计的卷积神经网络运行效率高并且能最大限度的保留红外图像像素信[0017]本发明设计的卷积神经网络中，并行连接高分辨率(X1,X2,X3)与低分辨率(X4,[0019]其中提出的模型融合相同深度和相似级别的低分辨率特征图来提高高分辨率的[0020]神经网络的最后一层采用全连接的方式将多维特征融合到校正参数相对应的维[0021]所述步骤3中，将红外畸变图像数据集输入到卷积神经网络训练前，还进行预处色彩变换是指将图像中所有像素的RGB通道进行打乱，转换为张量信息是指将图像中的像5[0040](2)对压缩后的特征图X1分别进行2倍和4倍下采样，分别得到64*64*64的特征图[0041](3)使用反卷积对32*32*64特征图X6进行2倍上采样并与上一步中64*64*64的特征图X4经过卷积后的结果进行相加融合得到6[0045](5)最终得到尺寸大小为128*128*64的特征图Y输出并连接到下一个神经结构单设定的校正参数进行非线性拟合。通过使用大量的畸变图像与校正参数对模型进行训练，率是人工标定校正的3倍。本发明提出的神经网络相比于传统的神经网络的处理速度提升

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论