CN115034965B 基于深度学习的超分辨率水下图像增强方法及系统 （中山大学）_第1页
CN115034965B 基于深度学习的超分辨率水下图像增强方法及系统 （中山大学）_第2页
CN115034965B 基于深度学习的超分辨率水下图像增强方法及系统 （中山大学）_第3页
CN115034965B 基于深度学习的超分辨率水下图像增强方法及系统 （中山大学）_第4页
CN115034965B 基于深度学习的超分辨率水下图像增强方法及系统 （中山大学）_第5页
已阅读5页，还剩12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

基于深度学习的超分辨率水下图像增强方本发明公开了基于深度学习的超分辨率水能够在提高水下图像分辨率的同时改善水下图2所述将水下图像输入改进生成对抗网络模型进行训练，生成增强基于改进生成对抗网络模型的生成对抗网络，通过增强算法损基于改进生成对抗网络模型的深度残差乘法器，通过超分辨率算所述基于改进生成对抗网络模型的生成对抗网络，通过增强算法通过第一损失函数和第二损失函数对水下图像的全局相似性进行求通过马尔可夫判别器对具有相似内容的水下图像的局部纹理与风格信息进行修正处通过图像内容指标损失函数和图像质量指标损失函数对水下图像的图像质量进行映结合清晰的水下图像、无色偏水下图像和具有相似内容所述通过图像内容指标损失函数和图像质量指标损失函数对水下图像的图像质量进基于图像质量指标损失函数对对比度增益值和锐度增益值进行上采样模块，包含五层卷积层，激活函数为Leaky_ReLU函下采样模块，包含四层反卷积层，激活函数为Drop_out3通过深度残差乘法器的附加卷积层和反卷积层，对映射图像进行插值放大处训练模块，用于将水下图像输入改进生成对抗网4[0004]本发明所采用的第一技术方案是：基于深度学习的超分5[0020]通过马尔可夫判别器对具有相似内容的水下图像的局部纹理与风格信息进行修[0021]通过图像内容指标损失函数和图像质量指标损失函数对水下图像的图像质量进[0032]通过深度残差乘法器的附加卷积层和反卷积层，对映射[0033]本发明所采用的第二技术方案是：基于深度学习的超分6[0040]图4是未使用本发明的水下图像与使用本发明改进生成对抗网络模型的水下图像步骤的执行顺序均可根据本领域技术人员的7]]]8[0068]S224、通过图像质量指标损失函数对无色偏水下图像的[0074]S2244、基于图像质量指标损失函数对对比度增益值和锐度增益值进行最小化处[0078]参照图4，未使用本发明的水下图像与使用本发明改进生成对抗网络模型的水下图像结果示意图，基于UFO_120数据集上所提出方法的定量比较，具体实验数据如下表所2.36±0.330.75±0.0620.05±3.1092.81±0.470.73±0.0720.79±4.482.76±0.450.79±0.0921.32±3.302.69±0.590.75±0.1021.69±3.602.83±0.480.79±0.0522.46±1.902.89±0.470.70±0.0723.55±2.653.07±0.420.73±0.0723.65±2.72[0084]以上是对本发明的较佳实施进行了具体说明

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