申请/专利权人：杭州电子科技大学

申请日：2021-07-29

公开（公告）日：2024-04-02

公开（公告）号：CN113554567B

主分类号：G06T5/80

分类号：G06T5/80;G06V10/44;G06V10/82;G06N3/048;G06N3/08;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.11.12#实质审查的生效;2021.10.26#公开

摘要：本发明公开了一种基于小波变换的鲁棒去重影系统及方法。从低动态范围图像输入中提取多尺度特征图，并生成相应的空间注意图，以引导无参考图像识别未对准部分，从而减轻合并阶段的重影效应。在空间注意力映射的帮助下，融合模块融合LDR图像的特征映射，并最终从不同尺度重建高动态范围输出。本发明提出了一种新的跨变换域学习体系结构，由离散小波变换和离散余弦变换两种变换构成，即离散小波变换首先将特征分解为不同的频率分量，然后引入基于离散余弦变换的可学习带通滤波器生成与分解分量一致的局部特征。

主权项：1.一种基于小波变换的鲁棒去重影系统，其特征在于，包括注意力模块和融合模块；所述的注意力模块包括解码子网络和注意力提取模块，通过解码子网络对输入的图片进行处理得到四个尺度的输出特征映射，然后通过注意力提取模块对输出特征映射进行注意力提取，获得最终输出特征映射；所述的融合模块包含重影消除模块和转置卷积，首先通过重影消除模块对注意力模块输出的最终输出特征映射进行重影校正，再通过转置卷积将特征映射上采样到原始比例，得到高动态范围图像；所述的重影消除模块具体如下：1将输入特征映射进行小波变换得到特征映射Fshallow2将特征映射Fshallow输入到3x3的卷积层和LeakyReLU激活函数中，再输入到密集块中；密集块由n个膨胀卷积和LeakyReLU激活函数组成；3再将密集块输出的特征映射分别输入到4个可学习带通滤波器LBF中，将4个可学习带通滤波器的输出按照通道数进行连接，再与特征映射Fshallow相加，得到输出特征映射Fdeep。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于小波变换的鲁棒去重影系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD