CN106780434A - 水下图像视觉质量评价方法 - Google Patents

水下图像视觉质量评价方法 Download PDF

Info

Publication number
CN106780434A
CN106780434A CN201611030114.6A CN201611030114A CN106780434A CN 106780434 A CN106780434 A CN 106780434A CN 201611030114 A CN201611030114 A CN 201611030114A CN 106780434 A CN106780434 A CN 106780434A
Authority
CN
China
Prior art keywords
underwater picture
image
visual quality
layer
network
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.)
Pending
Application number
CN201611030114.6A
Other languages
English (en)
Inventor
郭继昌
李重仪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201611030114.6A priority Critical patent/CN106780434A/zh
Publication of CN106780434A publication Critical patent/CN106780434A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像处理、计算机视觉技术领域，为在全面准确地衡量水下图像的视觉质量，提出实现无需参考图像、避免参数调整、省去手工设计特征，并且具有更好的准确性和鲁棒性的水下图像视觉质量评价方法。本发明采用的技术方案是，水下图像视觉质量评价方法，步骤如下：1)建立深度神经网络VGG16 Net结构2)训练阶段3)测试阶段测试阶段，将待预测的水下图像送入VGG16 Net深度神经网络提取4096维特征，再将提取的特征送入已经训练好的随机森林回归模型进行预测，最终输出水下图像的视觉质量分数。本发明主要应用于图像处理场合。

Description

水下图像视觉质量评价方法
技术领域
本发明属于图像处理、计算机视觉技术领域，涉及一种水下图像视觉质量评价方法。
背景技术
近几年来，水下图像清晰化技术已经取得了显著的效果，并且受到了广泛的应用。然而，水下图像清晰化研究领域还欠缺有效的、鲁棒的、高认可度的水下图像视觉质量评价方法。没有完善的评价体系，会影响实际应用中对原始水下图像和水下图像清晰化算法的选择，从而限制该研究领域的发展和进步。为推动水下图像清晰化研究领域的发展和实际应用中对清晰化算法的选取，发明一种有效的水下图像视觉质量评价方法具有重要研究意义，并且是该研究领域目前所急需的。
目前，水下图像视觉质量评价方法存在以下几个方面的问题：1)水下图像清晰化研究领域的发展历史并不长，研究人员对评价方法的设计和选取还未达成共识；2)目前缺少公开的水下图像数据集，并且用来参考的清晰水下图像通常难以获得，导致没有理想图像作为评价参考；3)水下图像清晰化算法效果评价应当符合人类视觉感知，但人类视觉感知能力易受到观测者的个人因素影响，因此设计与之对应的评价体系较为困难；4)不同于普通图像，水下图像具有特殊的成像环境和光照条件。因此，传统的图像质量评价方法(全参考方法、部分参考方法、无参考方法)无法直接应用到水下图像。
发明内容
为克服现有技术的不足，本发明旨在全面准确地衡量水下图像的视觉质量，提出实现无需参考图像、避免参数调整、省去手工设计特征，并且具有更好的准确性和鲁棒性的水下图像视觉质量评价方法。本发明采用的技术方案是，水下图像视觉质量评价方法，步骤如下：
1)建立深度神经网络VGG16 Net结构
VGG16 Net网络结构总共包含5个堆栈式的卷积神经网络ConvNet，每个ConvNet又由多个卷积层Conv组成，Conv层之后紧跟着非线性映射层ReLU,每个ConvNet后为池化层Pooling,最后为3个全连接层和1个最大化层soft-max，其中每个全连接层具有4096个通道，soft-max层具有1000个通道。该网络引入较小的卷积核，增加了ReLU层，卷积层和全连接层的输入都直接连接ReLU层，同时在全连接层全连接第6层fc6和全连接第7层fc7使用正则化方法Dropout；
2)训练阶段
收集一个总共包含400幅图像并且拥有多种退化类型的水下图像数据集，邀请20位观察者，以色彩、对比度、清晰度、噪声、亮度为判断依据，凭借人类的视觉感知能力为该数据集400幅图像的质量依次打分；具体打分方式如下：20位观察者分别对该数据集中的400幅图像打分，分数从0.1到1分以0.1为步长分为10个等级，分数越高代表该幅图像越符合人类视觉感知，具有越好的视觉质量，针对每一幅图像，去掉最高和最低分数，剩下18位观察者给出分数的平均值记作有效分数；
为省去手工设计特征和测量分量，采用深度神经网络VGG16 Net提取的高维特征来表征水下图像的视觉质量，为提高VGG16 Net的兼容性，使用海量数据集Image Net初始化该深度网络的参数，将最后的最大化层soft-max transform去掉，以倒数第2个全连接层4096个通道的输出作为特征，接下来，将收集到的水下图像数据集中的300幅图像分别送入VGG16 Net进行特征提取。输入的图像经过网络中的卷积、池化以及非线性映射处理，逐步从具体的图像转变为具有更强表征能力的抽象特征，图像独特的部分由此凸显；
接下来，将VGG16 Net提取每幅图像的4096维特征和对应的符合人类视觉感知的质量分数送入随机森林回归模型进行训练，从而获得根据VGG16 Net网络提取的图像特征判断其视觉质量的预测模型；
3)测试阶段
测试阶段，将待预测的水下图像送入VGG16 Net深度神经网络提取4096维特征，再将提取的特征送入已经训练好的随机森林回归模型进行预测，最终输出水下图像的视觉质量分数。
随机森林回归模型选用800颗树进行预测。
本发明的特点及有益效果是：
1)本发明首次将深度学习网络模型与回归模型相结合，构建了无参考的水下图像视觉质量评价方法；
2)本发明从人类直观感知角度出发，建立的评价方法可以保证输出的水下图像质量分数与人类视觉感知相一致的结果；
3)本发明无需参考图像、避免参数调整、省去手工设计特征，具有更好的准确性和鲁棒性。
附图说明：
图1给出了本发明评价水下图像视觉质量的流程；
图2给出了本发明所使用的VGG16 Net网络结构。
具体实施方式
本发明将深度神经网络(VGG16 Net)模型与随机森林回归模型相结合，实现了一种无需参考图像、避免参数调整、省去手工设计特征的水下图像视觉质量评价方法。该方法主要包括训练阶段和测试阶段：
1深度神经网络(VGG16 Net)结构
VGG16 Net网络结构总共包含5个堆栈式的卷积神经网络(ConvNet)，每个ConvNet又由多个卷积层(Conv)组成，Conv层之后紧跟着非线性映射层(ReLU),每个ConvNet后为池化层(Pooling),最后为3个全连接层和1个soft-max(最大化层)，其中每个全连接层具有4096个通道，soft-max层具有1000个通道(根据具体的任务，可以选择不同的输出数目)。该网络引入较小的卷积核(3×3)，增加了ReLU层，卷积层和全连接层的输入都直接连接ReLU层，同时在全连接层fc6和fc7使用了一种正则化方法(Dropout),这样的网络结构大大缩短了训练时间，增大了网络的灵活性，同时防止出现过拟合现象。本发明综合考虑网络模型的学习和表征能力、结构的灵活性以及训练时间等因素，选取VGG16 Net作为本发明的特征提取器。
2训练阶段
为训练随机森林回归模型，本发明收集了一个总共包含400幅图像并且拥有多种退化类型的水下图像数据集。此外，还邀请了20位观察者(大多数观察者具有图像处理相关研究背景)，以色彩、对比度、清晰度、噪声、亮度为判断依据，凭借人类的视觉感知能力为该数据集400幅图像的质量依次打分。具体打分方式如下：20位观察者分别对该数据集中的400幅图像打分。分数从0.1到1分以0.1为步长分为10个等级，分数越高代表该幅图像越符合人类视觉感知，具有越好的视觉质量。针对每一幅图像，去掉最高和最低分数，剩下18位观察者给出分数的平均值记作有效分数。这样的打分方式一方面保证了结果与人类主观感知的一致性，另一方面保证最终分数不受个别观察者的主观因素影响，同时增加了结果的可靠性。
为省去手工设计特征和测量分量，采用深度神经网络VGG16 Net提取的高维特征来表征水下图像的视觉质量。为提高VGG16 Net的兼容性，使用海量数据集Image Net初始化该深度网络的参数。由于本发明仅仅需要采用该网络提取水下图像的特征(未涉及分类和识别等问题)，因此将其最后的soft-max transform层去掉，以倒数第2个全连接层4096个通道的输出作为特征。本发明仅使用深度学习网络框架提取水下图像特征，因此暂时并没有使用fine-tuning(参数调优)等进一步处理。接下来，将收集到的水下图像数据集中的300幅图像分别送入VGG16 Net进行特征提取。输入的图像经过网络中的卷积、池化以及非线性映射等处理，逐步从具体的图像转变为具有更强表征能力的抽象特征，图像独特的部分由此凸显。
接下来，将VGG16 Net提取每幅图像的4096维特征和对应的符合人类视觉感知的质量分数送入随机森林回归模型进行训练，从而获得可以根据VGG16 Net网络提取的图像特征判断其视觉质量的预测模型。本发明使用的随机森林回归模型选用800颗树进行预测。
3测试阶段
测试阶段，本发明将待预测的水下图像送入VGG16 Net深度神经网络提取4096维特征，再将提取的特征送入已经训练好的随机森林回归模型进行预测，最终输出水下图像的视觉质量分数。
下面结合流程框图对本发明进行详细的描述。
如图1所示，本发明提供一种深度神经网络模型和随机森林模型相结合的水下图像视觉质量评价方法，其包括以下步骤：
步骤1：训练深度神经网络模型和随机森林模型构建的视觉质量评价模型
本发明首先收集了一个总共包含400幅图像并且拥有多种退化类型的水下图像数据集。此外，还邀请了20位观察者以色彩、对比度、清晰度、噪声、亮度为判断依据，凭借人类的视觉感知能力为该数据集400幅图像的质量依次打分。具体打分方式如下：20位观察者分别对该数据集中的400幅图像打分。分数从0.1到1分以0.1为步长分为10个等级，分数越高代表该幅图像越符合人类视觉感知，具有越好的视觉质量。针对每一幅图像，去掉最高和最低分数，剩下18位观察者给出分数的平均值记作有效分数。这样的打分方式一方面保证了结果与人类主观感知的一致性，另一方面保证最终分数不受个别观察者的主观因素影响，同时增加了结果的可靠性。
为省去手工设计特征和测量分量，采用深度神经网络VGG16 Net提取的高维特征来表征水下图像的视觉质量。为提高VGG16 Net的兼容性，使用海量数据集Image Net初始化该深度网络的参数。由于本发明仅仅需要采用该网络提取水下图像的特征(未涉及分类和识别等问题)，因此将其最后的soft-max transform层去掉，以倒数第2个全连接层4096个通道的输出作为特征。接下来，将收集到的水下图像数据集中的300幅图像分别送入VGG16 Net进行特征提取。输入的图像经过网络中的卷积、池化以及非线性映射等处理，逐步从具体的图像转变为具有更强表征能力的抽象特征，图像独特的部分由此凸显。
接下来，将VGG16 Net提取每幅图像的4096维特征和对应的符合人类视觉感知的质量分数送入随机森林回归模型进行训练，从而获得可以根据VGG16 Net网络提取的图像特征判断其视觉质量的预测模型。本发明使用的随机森林回归模型选用800颗树进行预测。
步骤2：使用训练好的模型预测水下图像的视觉质量
本发明将待预测的水下图像送入VGG16 Net深度神经网络提取4096维特征，再将提取的特征送入已经训练好的随机森林回归模型进行预测，最终输出水下图像的视觉质量分数。

Claims (2)

1.一种水下图像视觉质量评价方法，其特征是，步骤如下：
1)建立深度神经网络VGG16Net结构
VGG16Net网络结构总共包含5个堆栈式的卷积神经网络ConvNet，每个ConvNet又由多个卷积层Conv组成，Conv层之后紧跟着非线性映射层ReLU,每个ConvNet后为池化层Pooling,最后为3个全连接层和1个最大化层soft-max，其中每个全连接层具有4096个通道，soft-max层具有1000个通道。该网络引入较小的卷积核，增加了ReLU层，卷积层和全连接层的输入都直接连接ReLU层，同时在全连接层全连接第6层fc6和全连接第7层fc7使用正则化方法Dropout；
2)训练阶段
收集一个总共包含400幅图像并且拥有多种退化类型的水下图像数据集，邀请20位观察者，以色彩、对比度、清晰度、噪声、亮度为判断依据，凭借人类的视觉感知能力为该数据集400幅图像的质量依次打分；具体打分方式如下：20位观察者分别对该数据集中的400幅图像打分，分数从0.1到1分以0.1为步长分为10个等级，分数越高代表该幅图像越符合人类视觉感知，具有越好的视觉质量，针对每一幅图像，去掉最高和最低分数，剩下18位观察者给出分数的平均值记作有效分数；
为省去手工设计特征和测量分量，采用深度神经网络VGG16Net提取的高维特征来表征水下图像的视觉质量，为提高VGG16Net的兼容性，使用海量数据集Image Net初始化该深度网络的参数，将最后的最大化层soft-max transform去掉，以倒数第2个全连接层4096个通道的输出作为特征，接下来，将收集到的水下图像数据集中的300幅图像分别送入VGG16Net进行特征提取。输入的图像经过网络中的卷积、池化以及非线性映射处理，逐步从具体的图像转变为具有更强表征能力的抽象特征，图像独特的部分由此凸显；
接下来，将VGG16Net提取每幅图像的4096维特征和对应的符合人类视觉感知的质量分数送入随机森林回归模型进行训练，从而获得根据VGG16Net网络提取的图像特征判断其视觉质量的预测模型；
3)测试阶段
测试阶段，将待预测的水下图像送入VGG16Net深度神经网络提取4096维特征，再将提取的特征送入已经训练好的随机森林回归模型进行预测，最终输出水下图像的视觉质量分数。
2.如权利要求1所述的水下图像视觉质量评价方法，其特征是，随机森林回归模型选用800颗树进行预测。
CN201611030114.6A 2016-11-15 2016-11-15 水下图像视觉质量评价方法 Pending CN106780434A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611030114.6A CN106780434A (zh) 2016-11-15 2016-11-15 水下图像视觉质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611030114.6A CN106780434A (zh) 2016-11-15 2016-11-15 水下图像视觉质量评价方法

Publications (1)

Publication Number Publication Date
CN106780434A true CN106780434A (zh) 2017-05-31

Family

ID=58971492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611030114.6A Pending CN106780434A (zh) 2016-11-15 2016-11-15 水下图像视觉质量评价方法

Country Status (1)

Country Link
CN (1) CN106780434A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107132266A (zh) * 2017-06-21 2017-09-05 佛山科学技术学院 一种基于随机森林的水质分类方法及系统
CN107292015A (zh) * 2017-06-15 2017-10-24 武汉理工大学 基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法
CN107743225A (zh) * 2017-10-16 2018-02-27 杭州电子科技大学 一种利用多层深度表征进行无参考图像质量预测的方法
CN107862695A (zh) * 2017-12-06 2018-03-30 电子科技大学 一种基于全卷积神经网络的改进型图像分割训练方法
CN107992800A (zh) * 2017-11-10 2018-05-04 杭州晟元数据安全技术股份有限公司 一种基于svm和随机森林的指纹图像质量判断方法
CN108009600A (zh) * 2017-11-30 2018-05-08 北京小米移动软件有限公司 模型优化、质量检测方法、装置、设备及存储介质
CN108288475A (zh) * 2018-02-12 2018-07-17 成都睿码科技有限责任公司 一种基于深度学习的体育视频集锦剪辑方法
CN109308692A (zh) * 2018-07-30 2019-02-05 西北大学 基于改进Resnet与SVR混合模型的OCT图像质量评价方法
CN109859180A (zh) * 2019-01-25 2019-06-07 东华大学 融合多种度量准则的图像集质量增强评价方法
CN109948773A (zh) * 2017-12-20 2019-06-28 北京京东尚科信息技术有限公司 生成信息的方法和装置
CN110049441A (zh) * 2019-05-05 2019-07-23 山东科技大学 基于深度集成学习的WiFi室内定位方法
CN110298827A (zh) * 2019-06-19 2019-10-01 桂林电子科技大学 一种基于图像处理的图像质量识别方法
WO2021043023A1 (zh) * 2019-09-02 2021-03-11 京东方科技集团股份有限公司 图像处理方法及装置、分类器训练方法以及可读存储介质
CN112598614A (zh) * 2019-09-17 2021-04-02 南京大学 一种基于深度神经网络的司法图像质量度量方法
CN115457029A (zh) * 2022-10-17 2022-12-09 江苏海洋大学 一种基于感知特征的水下图像质量测量方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544705A (zh) * 2013-10-25 2014-01-29 华南理工大学 一种基于深度卷积神经网络的图像质量测试方法
CN105160678A (zh) * 2015-09-02 2015-12-16 山东大学 基于卷积神经网络的无参考立体图像质量评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544705A (zh) * 2013-10-25 2014-01-29 华南理工大学 一种基于深度卷积神经网络的图像质量测试方法
CN105160678A (zh) * 2015-09-02 2015-12-16 山东大学 基于卷积神经网络的无参考立体图像质量评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PANETTA K ET AL.: "Human-visual-inspired underwater image quality measures", 《IEEE JOURNAL OF OCEANIC ENGINEERING》 *
曹贵宝: "随机森林和卷积神经网络在神经细胞图像分割中的应用研究", 《万方数据库》 *
朱陶 等: "一种基于深度卷积神经网络的摄像机覆盖质量评价算法", 《江西师范大学学报（自然科学版）》 *
王伟凝 等: "基于并行深度卷积神经网络的图像美感分类", 《自动化学报》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292015B (zh) * 2017-06-15 2020-09-01 武汉理工大学 基于神经网络算法的水下航行器均衡潜浮模型评估方法
CN107292015A (zh) * 2017-06-15 2017-10-24 武汉理工大学 基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法
CN107132266A (zh) * 2017-06-21 2017-09-05 佛山科学技术学院 一种基于随机森林的水质分类方法及系统
CN107743225A (zh) * 2017-10-16 2018-02-27 杭州电子科技大学 一种利用多层深度表征进行无参考图像质量预测的方法
CN107992800A (zh) * 2017-11-10 2018-05-04 杭州晟元数据安全技术股份有限公司 一种基于svm和随机森林的指纹图像质量判断方法
CN108009600A (zh) * 2017-11-30 2018-05-08 北京小米移动软件有限公司 模型优化、质量检测方法、装置、设备及存储介质
CN107862695A (zh) * 2017-12-06 2018-03-30 电子科技大学 一种基于全卷积神经网络的改进型图像分割训练方法
CN109948773A (zh) * 2017-12-20 2019-06-28 北京京东尚科信息技术有限公司 生成信息的方法和装置
CN108288475A (zh) * 2018-02-12 2018-07-17 成都睿码科技有限责任公司 一种基于深度学习的体育视频集锦剪辑方法
CN109308692A (zh) * 2018-07-30 2019-02-05 西北大学 基于改进Resnet与SVR混合模型的OCT图像质量评价方法
CN109308692B (zh) * 2018-07-30 2022-05-17 西北大学 基于改进Resnet与SVR混合模型的OCT图像质量评价方法
CN109859180A (zh) * 2019-01-25 2019-06-07 东华大学 融合多种度量准则的图像集质量增强评价方法
CN110049441A (zh) * 2019-05-05 2019-07-23 山东科技大学 基于深度集成学习的WiFi室内定位方法
CN110049441B (zh) * 2019-05-05 2020-09-22 山东科技大学 基于深度集成学习的WiFi室内定位方法
CN110298827A (zh) * 2019-06-19 2019-10-01 桂林电子科技大学 一种基于图像处理的图像质量识别方法
WO2021043023A1 (zh) * 2019-09-02 2021-03-11 京东方科技集团股份有限公司 图像处理方法及装置、分类器训练方法以及可读存储介质
US11961327B2 (en) 2019-09-02 2024-04-16 Boe Technology Group Co., Ltd. Image processing method and device, classifier training method, and readable storage medium
CN112598614A (zh) * 2019-09-17 2021-04-02 南京大学 一种基于深度神经网络的司法图像质量度量方法
CN115457029A (zh) * 2022-10-17 2022-12-09 江苏海洋大学 一种基于感知特征的水下图像质量测量方法
CN115457029B (zh) * 2022-10-17 2023-08-15 江苏海洋大学 一种基于感知特征的水下图像质量测量方法

Similar Documents

Publication Publication Date Title
CN106780434A (zh) 水下图像视觉质量评价方法
CN110992275B (zh) 一种基于生成对抗网络的细化单幅图像去雨方法
CN107220980B (zh) 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN102567731B (zh) 一种感兴趣区域提取方法
CN110378985B (zh) 一种基于gan的动漫绘画辅助创作方法
CN105069746B (zh) 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统
CN106462771A (zh) 一种3d图像的显著性检测方法
CN104102919B (zh) 一种有效防止卷积神经网络过拟合的图像分类方法
CN110120020A (zh) 一种基于多尺度空洞残差注意力网络的sar图像去噪方法
CN112287940A (zh) 一种基于深度学习的注意力机制的语义分割的方法
CN107578390A (zh) 一种使用神经网络进行图像白平衡校正的方法及装置
CN108537733A (zh) 基于多路径深度卷积神经网络的超分辨率重建方法
CN106446942A (zh) 基于增量学习的农作物病害识别方法
CN108960257A (zh) 一种基于深度学习的糖尿病视网膜病变等级分级方法
CN112819910A (zh) 基于双鬼注意力机制网络的高光谱图像重建方法
CN104573731A (zh) 基于卷积神经网络的快速目标检测方法
CN105469100A (zh) 基于深度学习的皮肤活检图像病理特性识别方法
CN109902558A (zh) 一种基于cnn-lstm的人体健康深度学习预测方法
CN110188708A (zh) 一种基于卷积神经网络的人脸表情识别方法
CN106874929B (zh) 一种基于深度学习的珍珠分类方法
CN105550989B (zh) 基于非局部高斯过程回归的图像超分辨方法
CN111127360B (zh) 一种基于自动编码器的灰度图像迁移学习方法
CN108447048B (zh) 基于关注层的卷积神经网络图像特征处理方法
CN110363072B (zh) 舌象识别方法、装置、计算机设备及计算机可读存储介质
CN107292346B (zh) 一种基于局部子空间学习的mr图像海马体分割算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170531