CN104376538A - 一种图像的稀疏去噪方法 - Google Patents
一种图像的稀疏去噪方法 Download PDFInfo
- Publication number
- CN104376538A CN104376538A CN201410697522.1A CN201410697522A CN104376538A CN 104376538 A CN104376538 A CN 104376538A CN 201410697522 A CN201410697522 A CN 201410697522A CN 104376538 A CN104376538 A CN 104376538A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- image
- sparse
- image block
- denoising
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像的稀疏去噪方法,首先确定一个字典集合,所述字典集合中的多个字典是通过字典训练方法对一个图像库中的各幅图像进行字典训练得到;然后对待处理的图像进行如下稀疏去噪处理:1)将待处理的图像划分为多个图像块,各图像块的大小与字典的基块的大小相同;2)对各图像块进行如下处理得到各图像块的去噪图像块:21)对于每一个字典,求解出当前图像块的稀疏系数;22)确定最佳稀疏系数和最佳字典;23)根据所述最佳稀疏系数和最佳字典得到当前图像块的去噪图像块;3)将各图像块的去噪图像块合并,得到去噪后的图像。本发明的图像的稀疏去噪方法,去噪处理的时间复杂度有效降低,且对图像的全局均有较好的去噪效果。
Description
【技术领域】
本发明涉及图像处理领域,特别是涉及一种图像的稀疏去噪方法。
【背景技术】
图像去噪是计算机图像处理的重要内容。采集设备在采集图像的时候,因为外界光线干扰或者设备内部光学问题,总是受到噪声的污染,不能用于高级的图像应用,所以必须先对图像进行去噪,得到没有污染的图像。图像的噪声模型种类繁多,针对不同的图像应用要进行不同的去噪。但以白噪声在自然图像中存在最多。所以很多学者都把精力投入到了对白噪声的去除中。2007年,有学者提出了KSVD等稀疏去噪方法,这种方法更好地利用了图像中真实信息与噪声信息的区别,也能达到较好的去噪性能。目前,基于KSVD的稀疏去噪方法,通常是将图像划分成块之后,根据图像块的信息进行字典训练获得字典,然后进行去噪处理,最后根据去噪处理的结果反馈更新字典,直至得到理想的去噪处理结果。这种去噪过程,一方面,不断获取字典、更新字典,使得整个处理过程时间复杂度较高。特别是批量处理多幅图像时,需要对每幅图像均进行上述过程,总体需花费较长时间。另一方面,上述处理过程去噪处理后,只能对图像中的一部分进行较好的字典表示,获得较好去噪性能,而对其它部分不能获得较好的去噪性能。
【发明内容】
本发明所要解决的技术问题是:弥补上述现有技术的不足,提出一种图像的稀疏去噪方法,去噪处理的时间复杂度有效降低,且对图像的全局均有较好的去噪效果。
本发明的技术问题通过以下的技术方案予以解决:
一种图像的稀疏去噪方法,首先确定一个字典集合,所述字典集合中的多个字典是通过字典训练方法对一个图像库中的各幅图像进行字典训练得到;所述图像库包括至少1000副图像,且涵盖不同场景;然后对待处理的图像进行如下稀疏去噪处理:1)将待处理的图像划分为多个图像块,各图像块的大小与字典的基块的大小相同;2)对各图像块进行如下处理得到各图像块的去噪图像块:21)使用所述字典集合中的各个字典对当前图像块进行稀疏表示;对于每一个字典,求解出当前图像块的稀疏系数;22)从多个稀疏系数中确定一个稀疏系数,该稀疏系数对应的字典最能表达当前图像块;将该稀疏系数作为最佳稀疏系数,对应的字典作为最佳字典;23)根据所述最佳稀疏系数和最佳字典得到当前图像块的去噪图像块;3)将各图像块的去噪图像块合并,得到去噪后的图像。
本发明与现有技术对比的有益效果是:
本发明的图像的稀疏去噪方法,分成离线阶段和在线阶段,离线阶段根据涵盖不同场景、特征较丰富的多幅图像训练出字典集合,在线阶段即采用该多个字典集合对待处理的图像进行去噪处理,针对各图像块,均从多个字典中选取最能表达的一个字典,最终去噪处理。整个处理过程仅涉及求解稀疏系数,确定最佳字典的过程,无需不断调整更新字典,时间复杂度有效降低。特别对于批量处理多幅图像时,均依据字典集合进行处理,能有效降低批量图像处理时的时间复杂度。而由于每个图像块的处理,均是从字典集合中选择最能表达的字典,彼此之间没有干扰,因此各图像块均能获得尽可能好的去噪效果,从而图像整体全局有较好的去噪效果。
【附图说明】
图1是本发明具体实施方式的图像的稀疏去噪方法的流程图。
【具体实施方式】
下面结合具体实施方式并对照附图对本发明做进一步详细说明。
稀疏去噪主要是利用图像之间的局部相关性,通过训练的字典对图像进行表达,获得去噪处理后的图像。自然界中的图像非常丰富,且大量图像具有相关性,只要能够存储足够多的字典,就可以对图像中的每个小块都进行最佳的表示,从而提高去噪的效果。基于该构思,本发明提出了用丰富的离线字典对待处理的图像进行去噪,不仅能够大大降低去噪的时间复杂度,同时各图像块均确定得到各自最佳的字典,整体去噪效果也较好。
如图1所示,为本具体实施方式的去噪方法的流程图。
离线阶段:确定字典集合Dset。
具体地,寻找确定一个图像库。该图像库至少有1000副图像,且涵盖不同场景。之所以强调图像库中的图像数量及其特征,是需要尽可能地保证图像的多样性。图像库中图像数量越多,内容信息越丰富,后续处理去噪的效果越好。优选地,图像库可直接使用目前已有的已开源供使用的自然图像库,例如美国麻省理工学院的电脑科学和人工智慧实验室提供的大型图像库LabelMe,就包含了许多不同的场景,涵盖人物,风景,夜景,卡通等等不同场景类型的图像。该举例图像库仅为一种示意,不构成对本具体实施方式的限制,其余具有丰富图像信息的图像库均可适用于此。
然后,使用字典训练方法对上述图像库中的各幅图像进行字典训练,此处可使用KSVD字典训练方法对这些图像进行字典训练,也可使用其它字典训练方法进行字典训练,从而得到不同图像训练得到的字典。训练得到的字典组成字典集合Dset,在后续实际去噪过程中使用。
在线阶段,对图像进行去噪处理:
P1)将待处理的图像划分为多个图像块,各图像块的大小与字典的基块的大小相同。
该步骤中,对原始图像进行不重叠分解,此处分解后得到的图像块的大小与字典的基块的大小是相同的,根据字典的基块大小,如为4*4大小的块,则划分为4*4大小的块;如为8*8大小的块,则相应划分为8*8大小的块。使用yi(i=1,2,…,N)分别表示分解出来的不重叠的图像块。
P2)对各图像块进行如下处理得到各图像块的去噪图像块,如下以当前图像块y为例进行说明,具体地:
P21)使用字典集合中的各个字典对当前图像块进行稀疏表示;对于每一个字典,求解出当前图像块的稀疏系数。
该步骤中,根据如下式子对图像块进行稀疏表示:其中,||xl||0≤T,Dl∈Dset。
式子中,y表示当前图像块;Dset表示字典集合,Dl表示字典集合中的一个字典;||xl||0表示稀疏系数中xl中非0的个数,T表示由用户设定的常数阈值。T的值越小,求解的稀疏系数中xl中非0的个数越少,稀疏系数就越稀疏。
上述式子,在字典Dl确定已知的情况下,即转化为一个稀疏求解的问题。使用稀疏求解方法(例如OMP方法)进行求解,对于每一个字典Dl,都求出相应的稀疏系数xl。稀疏系数xl可用向量来表示,向量中包含多个数值。
P22)从多个稀疏系数中确定一个稀疏系数,该稀疏系数对应的字典最能表达当前图像块;将该稀疏系数作为最佳稀疏系数,对应的字典作为最佳字典。
基于图像库的丰富性,总能找到与当前图像块相似的字典。该步骤中,即是从前述求解的多个稀疏系数中确定最能表达当前图像块的最佳稀疏字典。而图像块与字典的相似匹配程度是由稀疏系数的稀疏性所决定,稀疏系数越稀疏,则越匹配,同时主要结构的稀疏系数越大,则其匹配程度越大。因此,根据字典对应的稀疏系数越稀疏,则该字典越能表达该图像块的原则,可通过计算各个稀疏系数的稀疏度,确定稀疏度的值最大的稀疏系数作为最佳稀疏系数,对应的字典即作为最佳字典。
具体地,根据如下公式计算得到稀疏度M:其中,xl表示稀疏系数,如前所述,稀疏系数xl可用向量来表示,向量中包含多个值,即表示稀疏系数中的第h位的值,h=1,2,……,hmax。通过上式计算得到各个稀疏系数的稀疏度后,取稀疏度最大的稀疏系数作为最佳稀疏系数,相应的字典即为最佳字典。
P23)根据所述最佳稀疏系数和最佳字典得到当前图像块的去噪图像块。
该步骤中,根据如下式子计算得到当前图像块的去噪图像块 其中,Dbest表示最佳字典,xbest表示最佳稀疏系数。
对所有图像块进行上述P21)-P23)的去噪处理后,即得到各个图像块的去噪图像块。优选地,由于各个图像块的上述去噪处理过程互不干扰,因此对各图像块的处理可并行进行,例如使用图片加速器GPU对各图像块进行并行处理,从而同时处理得到各图像块的去噪图像块。这样,通过并行加速处理,整幅图像的去噪处理时间可以降到最低,时间复杂度可尽可能的降低。
3)将各图像块的去噪图像块合并,得到去噪后的图像。对所有图像块进行上述P21)-P23)的去噪处理后,将去噪估计的图像块合并,就得到整个图像的最终去噪图像。
通过上述处理过程,即完成对图像的去噪处理。对于每一幅图像,均通过上述在线阶段,求解稀疏系数,确定最佳稀疏系数即可,最终可处理得到去噪的图像。由于整个去噪过程,无需像现有技术那样分别针对每个图像,划分块训练字典,不断更新获得合适的字典,而是在先验图像库的基础上训练字典库对图像进行去噪,利用离线阶段训练字典并且进行存储,在线阶段直接求解稀疏系数,确定最佳字典即可,可以大大降低整个去噪处理的时间复杂度。除此之外,每个图像块的处理,均是从字典集合中选择最能表达的字典,彼此之间没有干扰,因此各图像块均能获得尽可能好的去噪效果,从而图像整体全局有较好的去噪效果。
优选地,对各块图像块去噪处理时,步骤21)中,仅使用字典集合Dset中的部分字典对当前图像块进行稀疏表示,从而求解出部分字典对应的稀疏系数。后续步骤22)中即在该部分字典对应的多个稀疏系数中确定出最佳稀疏系数。该所述部分字典根据如下原则确定:先根据图像库中的图像的分类,将字典集合中的字典分类成不同的字典群,然后根据待处理图像所属的类别选择对应的一类字典群,所述部分字典为该字典群中的各个字典。该优选设置中,是将前述训练出来的字典集合中多个字典按照不同的方式分成不同类型图像的字典,如人物图像对应的字典群,风景图像对应的字典群,夜景图像对应的字典群,卡通图像对应的字典群等等不同的类型。在使用字典实际去噪时,则选择一个字典群,可以由用户直接根据待去噪的图像的类别选择相应的字典群。例如待处理的图像为风景类图像,则选择风景图像对应的字典群进行处理。通过该优选设置,提前选择一类相似匹配度较高的字典群,将明显不匹配的字典排除掉,可更快速地确定最能表达当前图像中各图像块的字典,降低计算量,进一步减小时间复杂度,且能同时提升去噪性能。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下做出若干替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。
Claims (8)
1.一种图像的稀疏去噪方法,其特征在于:首先确定一个字典集合,所述字典集合中的多个字典是通过字典训练方法对一个图像库中的各幅图像进行字典训练得到;所述图像库包括至少1000副图像,且涵盖不同场景;然后对待处理的图像进行如下稀疏去噪处理:1)将待处理的图像划分为多个图像块,各图像块的大小与字典的基块的大小相同;2)对各图像块进行如下处理得到各图像块的去噪图像块:21)使用所述字典集合中的各个字典对当前图像块进行稀疏表示;对于每一个字典,求解出当前图像块的稀疏系数;22)从多个稀疏系数中确定一个稀疏系数,该稀疏系数对应的字典最能表达当前图像块;将该稀疏系数作为最佳稀疏系数,对应的字典作为最佳字典;23)根据所述最佳稀疏系数和最佳字典得到当前图像块的去噪图像块;3)将各图像块的去噪图像块合并,得到去噪后的图像。
2.根据权利要求1所述的图像的稀疏去噪方法,其特征在于:所述步骤22)中,计算各个稀疏系数的稀疏度,确定稀疏度的值最大的稀疏系数作为最佳稀疏系数,对应的字典作为最佳字典。
3.根据权利要求2所述的图像的稀疏去噪方法,其特征在于:根据如下公式计算稀疏系数的稀疏度M:其中,xl表示稀疏系数,表示稀疏系数中的第h位,h=1,2,……,hmax。
4.根据权利要求1所述的图像的稀疏去噪方法,其特征在于:所述步骤21)中,根据如下式子对图像块进行稀疏表示:其中,||xl||0≤T,Dl∈Dset;式子中,y表示当前图像块;Dset表示字典集合,Dl表示字典集合中的一个字典;||xl||0表示稀疏系数中xl中非0的个数,T表示由用户设定的常数阈值;对于每一个字典Dl,上述式子为稀疏求解问题,求解后得到对应的稀疏系数xl。
5.根据权利要求1所述的图像的稀疏去噪方法,其特征在于:所述步骤23)中,根据如下式子计算得到当前图像块的去噪图像块 其中,Dbest表示最佳字典,xbest表示最佳稀疏系数。
6.根据权利要求1所述的图像的稀疏去噪方法,其特征在于:所述步骤21)中,使用所述字典集合中的部分字典对当前图像块进行稀疏表示,求解出部分字典对应的稀疏系数;所述部分字典根据如下原则确定:先根据图像库中的图像的分类,将字典集合中的字典分类成不同的字典群,然后根据待处理图像所属的类别选择对应的一类字典群,所述部分字典为该字典群中的各个字典。
7.根据权利要求1所述的图像的稀疏去噪方法,其特征在于:所述步骤2)中对各图像块的处理并行进行,从而同时处理得到各图像块的去噪图像块。
8.根据权利要求1所述的图像的稀疏去噪方法,其特征在于:所述多个字典是通过KSVD字典训练方法训练得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410697522.1A CN104376538B (zh) | 2014-11-26 | 2014-11-26 | 一种图像的稀疏去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410697522.1A CN104376538B (zh) | 2014-11-26 | 2014-11-26 | 一种图像的稀疏去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104376538A true CN104376538A (zh) | 2015-02-25 |
CN104376538B CN104376538B (zh) | 2017-04-12 |
Family
ID=52555429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410697522.1A Active CN104376538B (zh) | 2014-11-26 | 2014-11-26 | 一种图像的稀疏去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104376538B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865234A (zh) * | 2015-06-03 | 2015-08-26 | 清华大学深圳研究生院 | 一种非侵入式半透明成像装置的成像方法 |
CN105259155A (zh) * | 2015-11-16 | 2016-01-20 | 清华大学深圳研究生院 | 一种快速非侵入式半透明成像方法及装置 |
CN106650777A (zh) * | 2016-10-14 | 2017-05-10 | 浙江大学 | 结合字典群的目标分割方法 |
CN106981055A (zh) * | 2017-03-30 | 2017-07-25 | 西安交通大学 | 一种iccd图像去噪方法 |
CN110971786A (zh) * | 2019-11-21 | 2020-04-07 | 维沃移动通信有限公司 | 一种拍摄方法及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542542A (zh) * | 2012-01-02 | 2012-07-04 | 西安电子科技大学 | 基于非局部稀疏模型的图像去噪方法 |
CN102968766A (zh) * | 2012-11-23 | 2013-03-13 | 上海交通大学 | 基于字典数据库的自适应图像超分辨率重构方法 |
CN103093430A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于稀疏低秩与字典学习的心脏mri图像去模糊方法 |
CN103093433A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于区域划分和字典学习的自然图像去噪方法 |
US8494305B2 (en) * | 2011-12-20 | 2013-07-23 | Mitsubishi Electric Research Laboratories, Inc. | Image filtering by sparse reconstruction on affinity net |
CN103218791A (zh) * | 2013-05-05 | 2013-07-24 | 西安电子科技大学 | 基于稀疏自适应字典的图像去噪方法 |
CN103345511A (zh) * | 2013-07-04 | 2013-10-09 | 西北工业大学 | 一种基于稀疏表达的遥感图像检索方法 |
CN103646256A (zh) * | 2013-12-17 | 2014-03-19 | 上海电机学院 | 一种基于图像特征稀疏重构的图像分类方法 |
CN103761531A (zh) * | 2014-01-20 | 2014-04-30 | 西安理工大学 | 基于形状轮廓特征的稀疏编码车牌字符识别方法 |
CN103854262A (zh) * | 2014-03-20 | 2014-06-11 | 西安电子科技大学 | 基于结构聚类与稀疏字典学习的医学图像降噪方法 |
-
2014
- 2014-11-26 CN CN201410697522.1A patent/CN104376538B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8494305B2 (en) * | 2011-12-20 | 2013-07-23 | Mitsubishi Electric Research Laboratories, Inc. | Image filtering by sparse reconstruction on affinity net |
CN102542542A (zh) * | 2012-01-02 | 2012-07-04 | 西安电子科技大学 | 基于非局部稀疏模型的图像去噪方法 |
CN102968766A (zh) * | 2012-11-23 | 2013-03-13 | 上海交通大学 | 基于字典数据库的自适应图像超分辨率重构方法 |
CN103093430A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于稀疏低秩与字典学习的心脏mri图像去模糊方法 |
CN103093433A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于区域划分和字典学习的自然图像去噪方法 |
CN103218791A (zh) * | 2013-05-05 | 2013-07-24 | 西安电子科技大学 | 基于稀疏自适应字典的图像去噪方法 |
CN103345511A (zh) * | 2013-07-04 | 2013-10-09 | 西北工业大学 | 一种基于稀疏表达的遥感图像检索方法 |
CN103646256A (zh) * | 2013-12-17 | 2014-03-19 | 上海电机学院 | 一种基于图像特征稀疏重构的图像分类方法 |
CN103761531A (zh) * | 2014-01-20 | 2014-04-30 | 西安理工大学 | 基于形状轮廓特征的稀疏编码车牌字符识别方法 |
CN103854262A (zh) * | 2014-03-20 | 2014-06-11 | 西安电子科技大学 | 基于结构聚类与稀疏字典学习的医学图像降噪方法 |
Non-Patent Citations (6)
Title |
---|
ABDUL REHMAN ET AL: "SSIM-INSPIRED IMAGE DENOISING USING SPARSE REPRESENTATIONS", 《2011 IEEE INTERNATIONAL CONFERENCE ON ACOUSTIC,SPEECH AND SIGNAL PROCESSING》 * |
MICHAEL ELAD ET AL: "Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
SHENGHUA GAO ET AL: "Learning Category-Specific Dictionary and Shared Dictionary for Fine-Grained Image Categorization", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
叶敏超 等: "基于聚类的图像稀疏去噪方法", 《信号处理》 * |
牛静: "基于稀疏表示的图像复原算法研究", 《中国优秀硕士学位全文数据库信息科技辑》 * |
练秋生 等: "基于图像块分类稀疏表示的超分辨率重构算法", 《电子学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865234A (zh) * | 2015-06-03 | 2015-08-26 | 清华大学深圳研究生院 | 一种非侵入式半透明成像装置的成像方法 |
CN105259155A (zh) * | 2015-11-16 | 2016-01-20 | 清华大学深圳研究生院 | 一种快速非侵入式半透明成像方法及装置 |
CN105259155B (zh) * | 2015-11-16 | 2017-12-19 | 清华大学深圳研究生院 | 一种快速非侵入式半透明成像方法及装置 |
CN106650777A (zh) * | 2016-10-14 | 2017-05-10 | 浙江大学 | 结合字典群的目标分割方法 |
CN106650777B (zh) * | 2016-10-14 | 2019-07-05 | 浙江大学 | 结合字典群的目标分割方法 |
CN106981055A (zh) * | 2017-03-30 | 2017-07-25 | 西安交通大学 | 一种iccd图像去噪方法 |
CN110971786A (zh) * | 2019-11-21 | 2020-04-07 | 维沃移动通信有限公司 | 一种拍摄方法及电子设备 |
CN110971786B (zh) * | 2019-11-21 | 2022-04-19 | 维沃移动通信有限公司 | 一种拍摄方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104376538B (zh) | 2017-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Self-supervised relative depth learning for urban scene understanding | |
CN107563381B (zh) | 基于全卷积网络的多特征融合的目标检测方法 | |
Silberman et al. | Instance segmentation of indoor scenes using a coverage loss | |
Isa et al. | Optimizing the hyperparameter tuning of YOLOv5 for underwater detection | |
CN104376538A (zh) | 一种图像的稀疏去噪方法 | |
CN108537824B (zh) | 基于交替反卷积与卷积的特征图增强的网络结构优化方法 | |
CN109508675B (zh) | 一种针对复杂场景的行人检测方法 | |
CN103226835B (zh) | 基于在线初始化梯度增强回归树的目标跟踪方法及系统 | |
CN112784749B (zh) | 目标模型的训练方法、目标对象的识别方法、装置及介质 | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN106709933B (zh) | 一种基于非监督学习的运动估计方法 | |
CN116091886A (zh) | 一种基于教师学生模型与强弱分支的半监督目标检测方法及系统 | |
CN106910188A (zh) | 基于深度学习的遥感影像中机场跑道的检测方法 | |
CN112446253B (zh) | 一种骨架行为识别方法及装置 | |
CN103729862A (zh) | 基于码本背景模型的自适应阈值运动目标检测方法 | |
CN105138983A (zh) | 基于加权部件模型和选择性搜索分割的行人检测方法 | |
CN105608457A (zh) | 直方图灰度矩阈值分割法 | |
CN114764941B (zh) | 一种表情识别方法、装置以及电子设备 | |
CN111046213B (zh) | 一种基于图像识别的知识库构建方法 | |
CN105894519A (zh) | 一种基于低秩恢复的鲁棒性图像分割算法 | |
CN111862031A (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
CN103945227B (zh) | 基于光流聚类的视频语义块分割方法 | |
Wang et al. | Domain adaptive sampling for cross-domain point cloud recognition | |
CN109635764A (zh) | 一种基于多特征线性时序编码的人体行为识别方法及系统 | |
Yang | Semantic segmentation method based on improved DeeplabV3+ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |