CN105825484A - 一种基于深度学习的深度图像去噪及增强方法 - Google Patents
一种基于深度学习的深度图像去噪及增强方法 Download PDFInfo
- Publication number
- CN105825484A CN105825484A CN201610169589.7A CN201610169589A CN105825484A CN 105825484 A CN105825484 A CN 105825484A CN 201610169589 A CN201610169589 A CN 201610169589A CN 105825484 A CN105825484 A CN 105825484A
- Authority
- CN
- China
- Prior art keywords
- image
- depth
- depth image
- image block
- uproar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002708 enhancing effect Effects 0.000 title abstract description 6
- 238000013135 deep learning Methods 0.000 title abstract 2
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 abstract description 3
- 206010027146 Melanoderma Diseases 0.000 abstract 1
- 230000003321 amplification Effects 0.000 abstract 1
- 238000003199 nucleic acid amplification method Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明公开了一种基于深度学习的深度图像去噪及增强方法,包括:构建深度图像去噪及增强卷积神经网络,该网络由三层卷积单元组成,分别完成输入图像的特征提取,非线性映射以及图像重建的功能。联合地使用深度和视觉图像作为卷积神经网络的输入,其中,对于视觉图先灰度化为灰度图像,将经过图像预处理来增强边缘信息和取出冗余的信息。对于深度图像,按照一定间隔切分为图像块,采取旋转和像素翻转数据扩充的方法增加有效地数据,并丢弃其中的干扰块和冗余块。基于权重图的损耗训练深度图像增强卷积神经网络,自适应地提升网络的学习效率。本方法可以实时地对带噪深度图像进行黑点填充和去噪,并取得很好的视觉效果和深度值恢复效果。
Description
技术领域
本发明涉及图像处理领域,尤其是指基于深度学习的深度图像去噪及增强方法。
背景技术
随着便携平价的深度摄像头的发展,深度图像在图像处理领域的基础研究和应用有着越来越重要的意义。通过应用深度图像上的信息,可以提升机器视觉领域中相关研究和应用的表现,比如,图像分割,物体追踪,图像识别,和图像重建等。
但是,由于现有深度摄像头技术原理的限制,从其中获取的深度图像的质量不如视觉图,存在很多噪声干扰,通常是一些随机噪声和在物体边缘和黑色表面等处所产生不同形状的“黑洞”,即丢失了深度信息的区域。这些问题对深度图像的深度信息的应用造成了干扰。因此,要得到较精确的信息,则需要对深度图像进行深度增强处理,在传统的深度图像增强的方法,一般地,包括深度填充和基于超像素的深度图像增强,这些方法基于传统的图像处理方法,计算代价较大,深度图像去噪及增强处理速度不满足应用的实时性要求。
随着近些年高效的GPU计算的发展,应用深度学习来解决传统的研究问题显得更加方便可行。而深度卷积神经网络越来越被广泛使用在图像处理上的各种问题上,并取得了显著的效果。
发明内容
本发明的目的在于克服现有技术的缺点和不足,提供一种满足实时性要求的深度图像去噪及增强方法,能有效解决深度图像去噪及增强处理速度较慢和深度值恢复效果较差的问题。
为实现上述目的,本发明所提供的技术方案为:一种基于深度学习的深度图像去噪及增强方法,包括以下步骤:
1)选取干净的深度图像及其对应的视觉图像和带噪的深度图像,构建网络训练集,具体步骤如下:
1-1)视觉图像灰度化为灰度图像;
1-2)对灰度图像进行图像预处理后,以干净的深度图像及其对应的灰度图像和带噪的深度图像为一组,对每一组图像进行切割,从而得到由图像块组成的训练集;
1-3)丢弃训练集中的干扰图像块组;
1-4)对训练集中的每组图像块随机旋转一定角度并对其像素值进行翻转,扩充训练集;
1-5)丢弃冗余的噪深度图像块;
2)构建深度图像增强卷积神经网络,由三层卷积单元组成,其输入为带噪深度图像块和对应的灰度图像块,输出为增强后的深度图像块;
3)采用误差反向传播算法训练所述深度图像增强卷积神经网络,并基于权重图计算损耗,从而得到深度图像去噪及增强网络模型;
4)将测试集中带噪的深度图像及其对应的视觉图灰度化为灰度图进行图像预处理后,输入到深度图像去噪及增强网络模型,输出去噪及增强后的深度图像。
在步骤1-2)中,所述图像预处理为对灰度图像依次进行直方图均衡化、双边滤波器滤波、Sobel算子提取边界、基于分水岭算法的分割、分割块平均值填充、像素量化处理。
在步骤1-2)中,所述对每一组图像进行切割,具体地,对每张带噪的深度图像,以一定的间隔进行分割间隔,取出大小固定的图像块;再从灰度图像中的相同区域上取出同样大小图像块和前面的图像块一起组成了训练集的输入部分;再从干净深度图像的相同区域中以图像块中心为对称点取出缩小的图像块作为训练集的输出。
在步骤1-3)中,所述干扰图像块组是指该图像块组之中干净的深度图像块里存在黑点,该黑点为深度值丢失的点。
在步骤1-4)中,所述对像素值进行翻转,采取的是随机加上以5为最小公倍数的随机数并做模255运算的方法。
在步骤1-5)中,丢弃冗余的噪深度图像块,采用双曲正弦函数的数值分布作为概率值来丢弃冗余的图像块,重新组织训练集,具体公式如下:
其中crri表示第i个带噪深度图像块的损坏水平,crrm表示所有的带噪深度图像块中的最大损坏水平。
在步骤2)中,所述三层卷积单元,其中第一层卷积单元是由卷积层,最大池化层和矫正线性化层构成,第二层卷积单元结构与第一层卷积单元结构相同但卷积核大小进行了缩小,第三层卷积单元为一层卷积层。
在步骤3)中,所述权重图为深度图像对的应视觉图灰度化为灰度图,再由双边滤波和Sobel算子边界提取得到的图像。
在步骤3)中,所述基于权重图计算损耗公式为:
floss=||M·(IO-IG)2||
其中M表示权重图,IO表示的是网络的输出图像,IG表示的是干净的深度图像。
在步骤4)中,所述的图像预处理与步骤1-2)所述的图像预处理是相同的。
本发明与现有技术相比,具有如下优点与有益效果:
1、灰度图像的图像预处理过程,有效地去除其中的冗余信息,而对训练集的扩充和有目的的丢弃干扰块和冗余块,提升了训练集的有效性。
2、基于权重图的损耗训练深度图像去噪及增强卷积神经网络,可以自适应地提升网络的学习效率,提高网络模型对于深度图像边缘存在的黑洞区域的重建能力。
3、构建的由三层卷积单元组成的深度图像去噪及增强卷积神经网络,完成输入图像的特征提取,非线性映射以及图像重建的功能,可以实时地对带噪深度图像进行黑点填充和去噪,并取得很好的视觉效果和深度值恢复效果。
附图说明
图1为本发明的深度图像去噪及增强卷积神经网络示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施例所述的基于深度学习的深度图像去噪及增强方法,其具体情况如下:
1)选取30组图像,每组图像由干净的深度图像及其对应的视觉图像和带噪的深度图像组成,以30组图中的28组作为网络训练集,剩下的2组作为网络测试集。接下来构建网络训练集,具体步骤为:
1-1)视觉图像灰度化为灰度图像。
1-2)对灰度图像进行增强边界信息和去除冗余信息的图像预处理,具体地,依次进行直方图均衡化,双边滤波器滤波,Sobel算子提取边界,基于分水岭算法的分割,分割块平均值填充,像素量化处理,得到预处理后的灰度图像。对于每张带噪的深度图像,以9为分割间隔,取出32×32的图像块,作为训练集输入的第一通道;然后,从灰度图像中的相同位置上取出32×32的图像块作为训练集输入集的第二通道。这样就组成了训练集的输入部分。再从干净深度图像的相同32×32区域中以图像块中心为对称点取出14×14的图像块作为训练集的输出。从而得到由图像块组成的训练集,训练集中的每组图像块由输入集的带噪深度图像块和灰度图像块和输出集的干净深度图像块组成。
1-3)丢弃训练集中的干扰图像块组,具体地,即该丢弃其中干净的深度图像块里存在黑点(深度值丢失的点)所对应的图像块组。
1-4)对训练集中的每组图像块随机旋转90°,180°,270°并采取在原像素值上随机加上以5为最小公倍数的随机数并做模255运算的方法对其像素值进行翻转,扩充训练集。
1-5)丢弃训练集中黑点(深度值丢失的点)连通域小的图像块组,并按比例扩充拥有大黑点连通域的图像块组,采用双曲正弦函数的数值分布作为概率值来丢弃冗余的图像块,重新组织训练集,具体公式如下:
其中crri表示第i个带噪深度图像块的损坏水平,crrm表示所有的带噪深度图像块中的最大损坏水平。
2)构建深度图像去噪及增强卷积神经网络,由三层卷积单元组成,分别完成输入图像的特征提取,非线性映射以及图像重建的功能。其中第一层卷积单元是由卷积层,最大池化层和矫正非线性化层构成,第二层卷积单元结构与第一层卷积单元结构相同,第三层卷积单元为一层卷积层。其输入尺寸为32×32的带噪的深度图像块和对应的灰度图像块,输出为增强后的尺寸为14×14的深度图像块。具体地,第一个卷积单元由一个有128个9×9卷积核的卷积层,一个运算核为5×5的最大池化层以及一个矫正非线性化层组成;第二个卷积单元由一个有64个1×1卷积核的卷积层,一个运算核为3×3的最大池化层以及一个矫正非线性化层构成;最后一层使用了卷积层。
3)采用误差反向传播算法训练所述卷积神经网络,并基于权重图的损耗计算,以150万次迭代作为一个完整的训练,从而得到深度图像去噪及增强网络模型,其中基于权重图的损耗计算公式为:
floss=||M·(IO-IG)2||
其中M表示权重图,IO表示的是网络的输出图像,IG表示的是干净的深度图像。
4)将带噪的深度图像及其对应的视觉图灰度化为灰度图进行图像预处理后,输入到训练好的深度图像去噪及增强网络模型中,输出增强的深度图像。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于深度学习的深度图像去噪及增强方法,其特征在于,包括以下步骤:
1)选取干净的深度图像及其对应的视觉图像和带噪的深度图像,构建网络训练集,具体步骤如下:
1-1)视觉图像灰度化为灰度图像;
1-2)对灰度图像进行图像预处理后,以干净的深度图像及其对应的灰度图像和带噪的深度图像为一组,对每一组图像进行切割,从而得到由图像块组成的训练集;
1-3)丢弃训练集中的干扰图像块组;
1-4)对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转,扩充训练集;
1-5)丢弃冗余的噪深度图像块;
2)构建深度图像增强卷积神经网络,由三层卷积单元组成,其输入为带噪深度图像块和对应的灰度图像块,输出为增强后的深度图像块;
3)采用误差反向传播算法训练所述深度图像增强卷积神经网络,并基于权重图计算损耗,从而得到深度图像去噪及增强网络模型;
4)将测试集中带噪的深度图像及其对应的视觉图灰度化为灰度图进行图像预处理后,输入到深度图像去噪及增强网络模型,输出去噪及增强后的深度图像。
2.根据权利要求1所述的一种基于深度学习的深度图像去噪及增强方法,其特征在于:在步骤1-2)中,所述图像预处理为对灰度图像依次进行直方图均衡化、双边滤波器滤波、Sobel算子提取边界、基于分水岭算法的分割、分割块平均值填充、像素量化处理。
3.根据权利要求1所述的一种基于深度学习的深度图像去噪及增强方法,其特征在于:在步骤1-2)中,所述对每一组图像进行切割,具体地,对每张带噪的深度图像,以设定的间隔进行分割间隔,取出大小固定的图像块;再从灰度图像中的相同区域上取出同样大小图像块和前面的图像块一起组成了训练集的输入部分;再从干净深度图像的相同区域中以图像块中心为对称点取出缩小的图像块作为训练集的输出。
4.根据权利要求1所述的一种基于深度学习的深度图像去噪及增强方法,其特征在于:在步骤1-3)中,所述干扰图像块组是指该图像块组之中干净的深度图像块里存在黑点,该黑点为深度值丢失的点。
5.根据权利要求1所述的一种基于深度学习的深度图像去噪及增强方法,其特征在于:在步骤1-4)中,所述对像素值进行翻转,采取的是随机加上以5为最小公倍数的随机数并做模255运算的方法。
6.根据权利要求1所述的一种基于深度学习的深度图像去噪及增强方法,其特征在于:在步骤1-5)中,丢弃冗余的噪深度图像块,采用双曲正弦函数的数值分布作为概率值来丢弃冗余的图像块,重新组织训练集,具体公式如下:
其中crri表示第i个带噪深度图像块的损坏水平,crrm表示所有的带噪深度图像块中的最大损坏水平。
7.根据权利要求1所述的一种基于深度学习的深度图像去噪及增强方法,其特征在于:在步骤2)中,所述三层卷积单元,其中第一层卷积单元是由卷积层,最大池化层和矫正线性化层构成,第二层卷积单元结构与第一层卷积单元结构相同但卷积核大小进行了缩小,第三层卷积单元为一层卷积层。
8.根据权利要求1所述的一种基于深度学习的深度图像去噪及增强方法,其特征在于:在步骤3)中,所述权重图为深度图像对的应视觉图灰度化为灰度图,再由双边滤波和Sobel算子边界提取得到的图像。
9.根据权利要求1所述的一种基于深度学习的深度图像去噪及增强方法,其特征在于:在步骤3)中,所述基于权重图计算损耗公式为:
floss=||M·(IO-IG)2||
其中M表示权重图,IO表示的是网络的输出图像,IG表示的是干净的深度图像。
10.根据权利要求1所述的一种基于深度学习的深度图像去噪及增强方法,其特征在于:在步骤4)中,所述的图像预处理与步骤1-2)所述的图像预处理是相同的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610169589.7A CN105825484B (zh) | 2016-03-23 | 2016-03-23 | 一种基于深度学习的深度图像去噪及增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610169589.7A CN105825484B (zh) | 2016-03-23 | 2016-03-23 | 一种基于深度学习的深度图像去噪及增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825484A true CN105825484A (zh) | 2016-08-03 |
CN105825484B CN105825484B (zh) | 2018-06-22 |
Family
ID=56524414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610169589.7A Expired - Fee Related CN105825484B (zh) | 2016-03-23 | 2016-03-23 | 一种基于深度学习的深度图像去噪及增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825484B (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403415A (zh) * | 2017-07-21 | 2017-11-28 | 深圳大学 | 基于全卷积神经网络的压缩深度图质量增强方法及装置 |
CN107945125A (zh) * | 2017-11-17 | 2018-04-20 | 福州大学 | 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 |
CN108038832A (zh) * | 2017-12-25 | 2018-05-15 | 中国科学院深圳先进技术研究院 | 一种水下图像增强方法及系统 |
WO2018086000A1 (en) * | 2016-11-09 | 2018-05-17 | Edan Instruments, Inc. | Systems and methods for ultrasound imaging |
CN108229525A (zh) * | 2017-05-31 | 2018-06-29 | 商汤集团有限公司 | 神经网络训练及图像处理方法、装置、电子设备和存储介质 |
CN108305236A (zh) * | 2018-01-16 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像增强处理方法及装置 |
CN108335267A (zh) * | 2017-12-29 | 2018-07-27 | 上海玮舟微电子科技有限公司 | 一种深度图像的处理方法、装置、设备和存储介质 |
CN108513042A (zh) * | 2017-02-24 | 2018-09-07 | 清华大学 | 用于图像处理的装置 |
CN108734667A (zh) * | 2017-04-14 | 2018-11-02 | Tcl集团股份有限公司 | 一种图像处理方法及系统 |
CN108765333A (zh) * | 2018-05-24 | 2018-11-06 | 华南理工大学 | 一种基于深度卷积神经网络的深度图完善方法 |
CN108876735A (zh) * | 2018-06-01 | 2018-11-23 | 武汉大学 | 一种基于深度残差网络的真实图像盲去噪方法 |
CN108961184A (zh) * | 2018-06-28 | 2018-12-07 | 北京邮电大学 | 一种深度图像的校正方法、装置及设备 |
CN108986542A (zh) * | 2018-07-26 | 2018-12-11 | 华南理工大学 | 一种城市交叉路口事故隐患黑点的自动判别方法 |
CN109087269A (zh) * | 2018-08-21 | 2018-12-25 | 厦门美图之家科技有限公司 | 弱光图像增强方法及装置 |
CN109102468A (zh) * | 2018-06-27 | 2018-12-28 | 广州视源电子科技股份有限公司 | 图像增强方法、装置、终端设备及存储介质 |
CN109117738A (zh) * | 2018-07-19 | 2019-01-01 | 江苏黄金屋教育发展股份有限公司 | 基于人工智能的阅卷方法 |
CN109544585A (zh) * | 2018-12-19 | 2019-03-29 | 中国石油大学(华东) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
CN109886985A (zh) * | 2019-01-22 | 2019-06-14 | 浙江大学 | 融合深度学习网络和分水岭算法的图像精确分割方法 |
CN110308151A (zh) * | 2019-07-22 | 2019-10-08 | 重庆大学 | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 |
CN110493508A (zh) * | 2019-05-30 | 2019-11-22 | 福建知鱼科技有限公司 | 一种抓拍系统 |
CN110619607A (zh) * | 2018-06-20 | 2019-12-27 | 浙江大学 | 基于神经网络的图像去噪方法及装置和基于神经网络图像去噪的图像编解码方法及装置 |
CN112070689A (zh) * | 2020-08-24 | 2020-12-11 | 中国人民解放军陆军装甲兵学院 | 一种基于深度图像的数据增强方法 |
CN112419182A (zh) * | 2020-11-19 | 2021-02-26 | 中国石油大学(华东) | 基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质 |
CN112991223A (zh) * | 2021-04-06 | 2021-06-18 | 深圳棱镜空间智能科技有限公司 | 基于可逆神经网络的图像增强方法、装置、设备及介质 |
CN113001559A (zh) * | 2021-02-24 | 2021-06-22 | 汕头大学 | 一种带压堵漏机器人自主漏点定位方法 |
CN113469897A (zh) * | 2021-05-24 | 2021-10-01 | 苏州市科远软件技术开发有限公司 | 图像增强模型的训练、图像增强方法、装置及电子设备 |
WO2022110027A1 (en) * | 2020-11-27 | 2022-06-02 | Boe Technology Group Co., Ltd. | Computer-implemented image-processing method, image-enhancing convolutional neural network, and computer product |
CN114757950A (zh) * | 2022-06-15 | 2022-07-15 | 深圳瀚维智能医疗科技有限公司 | 超声图像处理方法、装置以及计算机可读存储介质 |
CN115358952A (zh) * | 2022-10-20 | 2022-11-18 | 福建亿榕信息技术有限公司 | 一种基于元学习的图像增强方法、系统、设备和存储介质 |
CN115482422A (zh) * | 2022-09-20 | 2022-12-16 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、图像处理方法和装置 |
CN115861740A (zh) * | 2023-02-27 | 2023-03-28 | 常州微亿智造科技有限公司 | 工业检测中的样本生成方法、样本生成装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810699A (zh) * | 2013-12-24 | 2014-05-21 | 西安电子科技大学 | 基于无监督深度神经网络的sar图像变化检测方法 |
CN105160400A (zh) * | 2015-09-08 | 2015-12-16 | 西安交通大学 | 基于l21范数的提升卷积神经网络泛化能力的方法 |
-
2016
- 2016-03-23 CN CN201610169589.7A patent/CN105825484B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810699A (zh) * | 2013-12-24 | 2014-05-21 | 西安电子科技大学 | 基于无监督深度神经网络的sar图像变化检测方法 |
CN105160400A (zh) * | 2015-09-08 | 2015-12-16 | 西安交通大学 | 基于l21范数的提升卷积神经网络泛化能力的方法 |
Non-Patent Citations (1)
Title |
---|
JINGJING FU,ET AL: "Kinect-Like Depth Denoising", 《IEEE INTERNATIONAL SYMPOSIUM ON CIRCUITS AND SYSTEMS》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018086000A1 (en) * | 2016-11-09 | 2018-05-17 | Edan Instruments, Inc. | Systems and methods for ultrasound imaging |
US11033251B2 (en) | 2016-11-09 | 2021-06-15 | Edan Instruments, Inc. | Systems and methods for ultrasound imaging |
CN108513042A (zh) * | 2017-02-24 | 2018-09-07 | 清华大学 | 用于图像处理的装置 |
US10827102B2 (en) | 2017-02-24 | 2020-11-03 | Huawei Technologies Co., Ltd | Image processing apparatus |
CN108734667A (zh) * | 2017-04-14 | 2018-11-02 | Tcl集团股份有限公司 | 一种图像处理方法及系统 |
CN108229525A (zh) * | 2017-05-31 | 2018-06-29 | 商汤集团有限公司 | 神经网络训练及图像处理方法、装置、电子设备和存储介质 |
CN108229525B (zh) * | 2017-05-31 | 2021-12-28 | 商汤集团有限公司 | 神经网络训练及图像处理方法、装置、电子设备和存储介质 |
CN107403415A (zh) * | 2017-07-21 | 2017-11-28 | 深圳大学 | 基于全卷积神经网络的压缩深度图质量增强方法及装置 |
CN107945125A (zh) * | 2017-11-17 | 2018-04-20 | 福州大学 | 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 |
CN107945125B (zh) * | 2017-11-17 | 2021-06-22 | 福州大学 | 一种融合频谱估计法和卷积神经网络的模糊图像处理方法 |
CN108038832A (zh) * | 2017-12-25 | 2018-05-15 | 中国科学院深圳先进技术研究院 | 一种水下图像增强方法及系统 |
CN108335267A (zh) * | 2017-12-29 | 2018-07-27 | 上海玮舟微电子科技有限公司 | 一种深度图像的处理方法、装置、设备和存储介质 |
CN108305236A (zh) * | 2018-01-16 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像增强处理方法及装置 |
CN108765333A (zh) * | 2018-05-24 | 2018-11-06 | 华南理工大学 | 一种基于深度卷积神经网络的深度图完善方法 |
CN108765333B (zh) * | 2018-05-24 | 2021-08-10 | 华南理工大学 | 一种基于深度卷积神经网络的深度图完善方法 |
CN108876735A (zh) * | 2018-06-01 | 2018-11-23 | 武汉大学 | 一种基于深度残差网络的真实图像盲去噪方法 |
CN108876735B (zh) * | 2018-06-01 | 2021-11-02 | 武汉大学 | 一种基于深度残差网络的真实图像盲去噪方法 |
CN110619607B (zh) * | 2018-06-20 | 2022-04-15 | 浙江大学 | 图像去噪和包含图像去噪的图像编解码方法及装置 |
CN110619607A (zh) * | 2018-06-20 | 2019-12-27 | 浙江大学 | 基于神经网络的图像去噪方法及装置和基于神经网络图像去噪的图像编解码方法及装置 |
CN109102468A (zh) * | 2018-06-27 | 2018-12-28 | 广州视源电子科技股份有限公司 | 图像增强方法、装置、终端设备及存储介质 |
CN109102468B (zh) * | 2018-06-27 | 2021-06-01 | 广州视源电子科技股份有限公司 | 图像增强方法、装置、终端设备及存储介质 |
CN108961184A (zh) * | 2018-06-28 | 2018-12-07 | 北京邮电大学 | 一种深度图像的校正方法、装置及设备 |
CN108961184B (zh) * | 2018-06-28 | 2021-04-20 | 北京邮电大学 | 一种深度图像的校正方法、装置及设备 |
CN109117738A (zh) * | 2018-07-19 | 2019-01-01 | 江苏黄金屋教育发展股份有限公司 | 基于人工智能的阅卷方法 |
CN108986542A (zh) * | 2018-07-26 | 2018-12-11 | 华南理工大学 | 一种城市交叉路口事故隐患黑点的自动判别方法 |
CN108986542B (zh) * | 2018-07-26 | 2021-03-30 | 华南理工大学 | 一种城市交叉路口事故隐患黑点的自动判别方法 |
CN109087269A (zh) * | 2018-08-21 | 2018-12-25 | 厦门美图之家科技有限公司 | 弱光图像增强方法及装置 |
CN109087269B (zh) * | 2018-08-21 | 2020-08-04 | 厦门美图之家科技有限公司 | 弱光图像增强方法及装置 |
CN109544585A (zh) * | 2018-12-19 | 2019-03-29 | 中国石油大学(华东) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
CN109886985B (zh) * | 2019-01-22 | 2021-02-12 | 浙江大学 | 融合深度学习网络和分水岭算法的图像精确分割方法 |
CN109886985A (zh) * | 2019-01-22 | 2019-06-14 | 浙江大学 | 融合深度学习网络和分水岭算法的图像精确分割方法 |
CN109829907A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于深度学习的金属轴表面缺陷识别方法 |
CN110493508A (zh) * | 2019-05-30 | 2019-11-22 | 福建知鱼科技有限公司 | 一种抓拍系统 |
CN110308151A (zh) * | 2019-07-22 | 2019-10-08 | 重庆大学 | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 |
CN112070689A (zh) * | 2020-08-24 | 2020-12-11 | 中国人民解放军陆军装甲兵学院 | 一种基于深度图像的数据增强方法 |
CN112419182A (zh) * | 2020-11-19 | 2021-02-26 | 中国石油大学(华东) | 基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质 |
WO2022110027A1 (en) * | 2020-11-27 | 2022-06-02 | Boe Technology Group Co., Ltd. | Computer-implemented image-processing method, image-enhancing convolutional neural network, and computer product |
CN113001559A (zh) * | 2021-02-24 | 2021-06-22 | 汕头大学 | 一种带压堵漏机器人自主漏点定位方法 |
CN112991223A (zh) * | 2021-04-06 | 2021-06-18 | 深圳棱镜空间智能科技有限公司 | 基于可逆神经网络的图像增强方法、装置、设备及介质 |
CN113469897A (zh) * | 2021-05-24 | 2021-10-01 | 苏州市科远软件技术开发有限公司 | 图像增强模型的训练、图像增强方法、装置及电子设备 |
CN114757950A (zh) * | 2022-06-15 | 2022-07-15 | 深圳瀚维智能医疗科技有限公司 | 超声图像处理方法、装置以及计算机可读存储介质 |
CN114757950B (zh) * | 2022-06-15 | 2022-11-01 | 深圳瀚维智能医疗科技有限公司 | 超声图像处理方法、装置以及计算机可读存储介质 |
CN115482422A (zh) * | 2022-09-20 | 2022-12-16 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、图像处理方法和装置 |
CN115482422B (zh) * | 2022-09-20 | 2023-10-17 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、图像处理方法和装置 |
CN115358952A (zh) * | 2022-10-20 | 2022-11-18 | 福建亿榕信息技术有限公司 | 一种基于元学习的图像增强方法、系统、设备和存储介质 |
CN115861740A (zh) * | 2023-02-27 | 2023-03-28 | 常州微亿智造科技有限公司 | 工业检测中的样本生成方法、样本生成装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105825484B (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825484A (zh) | 一种基于深度学习的深度图像去噪及增强方法 | |
CN101980284B (zh) | 基于两尺度稀疏表示的彩色图像降噪方法 | |
CN110544251B (zh) | 基于多迁移学习模型融合的大坝裂缝检测方法 | |
CN106228512A (zh) | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 | |
CN106408522A (zh) | 一种基于卷积对神经网络的图像去噪方法 | |
CN105760859A (zh) | 基于多任务卷积神经网络的网纹人脸图像识别方法及装置 | |
CN103824309B (zh) | 一种城市建成区边界自动提取方法 | |
CN103699900B (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
CN107273791A (zh) | 一种基于无人机航拍图像技术的仓库货物盘点方法 | |
CN104504652A (zh) | 一种快速有效保留边缘及方向特征的图像去噪方法 | |
CN105590301B (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
CN104036479A (zh) | 一种基于非负矩阵分解的多聚焦图像融合方法 | |
CN103208097A (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN102663702A (zh) | 基于区域划分的自然图像去噪方法 | |
CN109858487A (zh) | 基于分水岭算法和图像类别标签的弱监督语义分割方法 | |
CN113989271A (zh) | 基于双注意力机制和U-net网络的漆面图像分割系统及方法 | |
CN103208104B (zh) | 一种基于非局部理论的图像去噪方法 | |
CN107784469A (zh) | 一种基于无人机航拍图像技术的仓库货物盘点方法 | |
CN107292852A (zh) | 一种基于低秩理论的图像去噪算法 | |
CN106651813A (zh) | 一种多图像块融合的非局部均值去噪方法 | |
CN110335322B (zh) | 基于图像的道路识别方法及道路识别装置 | |
CN104809733A (zh) | 一种古建墙壁受污题记文字图像边缘提取方法 | |
CN105930811A (zh) | 基于图像处理的手掌纹理特征检测方法 | |
CN105469358A (zh) | 一种图像处理方法 | |
CN108648199A (zh) | 基于分水岭和cv模型的超声相控阵ndt图像分割方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180622 |
|
CF01 | Termination of patent right due to non-payment of annual fee |