CN107516304A - 一种图像去噪方法及装置 - Google Patents

一种图像去噪方法及装置 Download PDF

Info

Publication number
CN107516304A
CN107516304A CN201710801285.2A CN201710801285A CN107516304A CN 107516304 A CN107516304 A CN 107516304A CN 201710801285 A CN201710801285 A CN 201710801285A CN 107516304 A CN107516304 A CN 107516304A
Authority
CN
China
Prior art keywords
image
neural network
convolutional neural
convolutional
mrow
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
CN201710801285.2A
Other languages
English (en)
Inventor
蔡念
张福
伍吉修
岑冠东
陈新度
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710801285.2A priority Critical patent/CN107516304A/zh
Publication of CN107516304A publication Critical patent/CN107516304A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像去噪方法及装置，方法包括：将待处理图像输入训练好的卷积神经网络模型中，得到输出图像，所述卷积神经网络模型包括多层卷积层以及每一卷积层对应的激活函数，所述卷积神经网络用于对输入图像的噪声特征进行学习及提取；将待处理图像与输出图像进行相减运算，得到去噪后的图像。本发明图像去噪方法及装置，利用卷积神经网络对输入图像的噪声特征进行学习及提取，得到噪声图像，通过将原图像减去噪声图像得到去噪后的图像，实现图像去噪，与现有传统方法相比，能够得到良好的去噪效果。

Description

一种图像去噪方法及装置
技术领域
本发明涉及图像处理应用领域，特别是涉及一种图像去噪方法及装置。
背景技术
相比于20世纪人类传递和获取信息主要依赖于文字和语言，进入21世纪信息化时代，图像成为了人类获取信息及利用信息的重要来源，在人类生活中扮演着越来越重要的角色。
然而在现实生活中，获取的图像往往受到了噪声干扰。噪声恶化了图像质量，使图像模糊甚至淹没了图像特征，给进行图像处理、应用及分析带来了困难。图像去噪的目的就是从有噪声的图像中恢复潜在的清晰图像，图像去噪成为了图像处理、应用及分析等的必要预处理过程。
现有技术中，图像去噪方法是通过固定选取某些噪声特征进行图像去噪，通过这种选择性的方式进行图像去噪，难以实现很好的去噪效果。
发明内容
本发明的目的是提供一种图像去噪方法及装置，利用卷积神经网络对图像噪声特征进行学习和提取，来实现图像去噪，能够得到良好的去噪效果。
为实现上述目的，本发明提供如下技术方案：
一种图像去噪方法，包括：
将待处理图像输入训练好的卷积神经网络模型中，得到输出图像，所述卷积神经网络模型包括多层卷积层以及每一卷积层对应的激活函数，所述卷积神经网络用于对输入图像的噪声特征进行学习及提取；
将所述待处理图像与输出图像进行相减运算，得到去噪后的图像。
可选地，所述卷积神经网络所包含卷积层的层数d与输入图像的像素大小的关系满足：所述输入图像的像素大小表示为(4d+1)x(4d+1)。
可选地，所述卷积层的卷积核大小满足：当输入图像经过最后一层卷积层时，所述卷积神经网络覆盖所述输入图像的全部像素。
可选地，所述卷积层进行的卷积运算描述为：
其中，表示第l层卷积层输出的特征图，表示第l-1层卷积层输出的特征图，表示卷积运算的卷积核，Mj表示选择输入的特征图，表示偏置，F表示激活函数。
可选地，采用的激活函数为Relu函数，表示为f(x)＝max(x,0)，其中x表示输入。
可选地，还包括：使用作为训练样本的图像数据，对所述卷积神经网络进行训练；
在对所述卷积神经网络训练过程中，下降梯度的方法为：若当前梯度值β0≥θ，则将梯度值调整为其中θ为设定的梯度阈值。
可选地，在对所述卷积神经网络训练过程中，设定初始学习率，每进行预先设定的迭代次数后，学习率变动为上一学习率乘以预设值。
一种图像去噪装置，包括：
第一运算模块，用于将待处理图像输入训练好的卷积神经网络模型中，得到输出图像，所述卷积神经网络模型包括多层卷积层以及每一卷积层对应的激活函数，所述卷积神经网络用于对输入图像的噪声特征进行学习及提取；
第二运算模块，用于将所述待处理图像与输出图像进行相减运算，得到去噪后的图像。
由上述技术方案可知，本发明所提供的图像去噪方法及装置，将待处理图像输入训练好的卷积神经网络模型中，其中所述卷积神经网络模型包括多层卷积层以及每一卷积层对应的激活函数，所述卷积神经网络用于对输入图像的噪声特征进行学习及提取，由卷积神经网络模型输出的图像为噪声图像；然后将待处理图像与输出图像进行相减运算，得到去噪后的图像。
本发明图像去噪方法及装置，利用卷积神经网络对输入图像的噪声特征进行学习及提取，得到噪声图像，通过将原图像减去噪声图像得到去噪后的图像，实现图像去噪，与现有传统方法相比，能够得到良好的去噪效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像去噪方法的流程图；
图2为本发明实施例中对待处理图像去噪的方法示意图；
图3为本发明实施例中训练卷积神经网络模型的方法流程图；
图4为本发明实施例提供的一种图像去噪装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
请参考图1，本发明实施例提供一种图像去噪方法，包括步骤：
S10：将待处理图像输入训练好的卷积神经网络模型中，得到输出图像，所述卷积神经网络模型包括多层卷积层以及每一卷积层对应的激活函数，所述卷积神经网络用于对输入图像的噪声特征进行学习及提取。
本方法中，构建的卷积神经网络包括多层卷积层以及每一卷积层对应的激活函数，其中，卷积层对输入图像进行卷积运算，提取特征，本方法中所述卷积神经网络对图像中噪声特征进行提取和学习；激活函数用于对图像特征保留并映射出来，以保留特征，去除数据中的冗余信息。
待处理图像输入训练好的卷积神经网络模型中，依次经过各层卷积层运算，每一层卷积层输出一定数量特征图。可参考图2，图2为本实施例中对待处理图像去噪的方法示意图，待处理图像输入卷积神经网络模型中，依次经过卷积层1至卷积层d进行运算，输出图像为噪声特征图像。
在一种具体实施方式中，所述卷积层进行的卷积运算描述为：
其中，表示第l层卷积层输出的特征图，表示第l-1层卷积层输出的特征图，表示卷积运算的卷积核，Mj表示选择输入的特征图，表示偏置，F表示激活函数。
其中，激活函数可采用Relu函数，表示为f(x)＝max(x,0)，其中x表示输入。激活函数是卷积神经网络中解决非线性问题的关键。
S11：将所述待处理图像与输出图像进行相减运算，得到去噪后的图像。
可参考图2所示，由卷积神经网络模型输出的图像为噪声特征图像，将原待处理图像与输出的噪声图像进行相减运算，得到去噪后的图像。
本实施例图像去噪方法，利用卷积神经网络对输入图像的噪声特征进行学习及提取，输出噪声图像，将原待处理图像与输出的噪声图像进行相减运算得到去噪后的清晰图像，实现图像去噪，与现有传统方法相比，能够得到良好的去噪效果。
基于卷积神经网络的深度学习在图像处理领域应用较为广泛，基于卷积神经网络的深度学习具有以下优点：第一，具有较强的自我学习和提取特征的能力，无需严格设定特征；其二，仅需要设置合理的网络结构并给一定量的数据进行牵引学习，就能够达到预期想要的结果，因此无需太多复杂的参数设置和特征选择。本实施例图像去噪方法中采用卷积神经网络对图像噪声特征进行学习和提取，实现图像去噪，能够达到良好的图像去噪效果。
并且，本实施例方法中以图像中噪声特征作为学习和提取特征，相比于图像特征，噪声特征包含信息少，因此采用卷积神经网络对噪声特征进行学习和提取运算，直接输出噪声图像，能够减小网络学习负担，提高运算效率。
本实施例图像去噪方法，在采用训练好的卷积神经网络模型对待处理图像进行处理前，首先构建卷积神经网络以及对卷积神经网络进行训练，请参考图3，具体包括以下过程：
S20：构建卷积神经网络，所述卷积神经网络包括多层卷积层以及每一卷积层对应的激活函数，所述卷积神经网络用于对输入图像的噪声特征进行学习及提取。
在具体实施时，所构建的卷积神经网络中卷积层的层数以及卷积核的大小可以根据实际需求设置。具体的，所述卷积神经网络所包含卷积层的层数d与输入图像的像素大小的关系满足：所述输入图像的像素大小表示为(4d+1)x(4d+1)。根据输入图像的像素大小可以根据该关系式确定卷积神经网络的深度(即卷积神经网络所包含卷积层的层数)。
进一步再确定卷积核的大小。优选的，为了使卷积神经网络对输入图像在空间接受域上能得到最佳状态，要求所述卷积层的卷积核大小满足：当输入图像经过最后一层卷积层时，所述卷积神经网络覆盖所述输入图像的全部像素。
示例性的，在本实施例方法一种具体实例中，输入样本图像的像素大小为41x41，根据关系式(4d+1)x(4d+1)确定网络深度为10。进一步考虑卷积神经网络的空间接受域，设定卷积核的大小为5x5，这样当一张训练样本图像输入网络，当经过第一层卷积层时，卷积核大小为5x5，因此只覆盖了输入图像的5x5个像素。再经过下一层卷积层时，覆盖的像素会在长和高上分别增加4个像素。以此类推，当增加到第10层时就可以覆盖整张训练样本图像的像素。
另外本具体实例中，通过实验发现，当网络深度为4层到20层都可以达到比较好的图像去噪效果，但随着网络深度的加深，达到的去噪效果越好。
S21：使用作为训练样本的图像数据，对所述卷积神经网络进行训练。
将作为训练样本的图像数据输入到构建的卷积神经网络中，进行训练。其中，输出图像与输入图像一一对应，输出图像为对应输入图像的噪声图像。比如，输入图像为包含43x43个像素的图像，则输出图像为包含43x43个像素的噪声图像。
优选的本方法中，在对卷积神经网络训练过程中，根据以下方法下降梯度：若当前梯度值β0≥θ，则将梯度值调整为其中θ为设定的梯度阈值。
在卷积神经网络训练过程中，若使用传统的随机梯度下降方法，往往会导致出现梯度爆炸和收敛过慢的问题，本方法中采用上述梯度裁剪方法可以很快地将梯度下降到一个范围，解决了随机梯度下降方法带来的种种问题。在一种具体实例中，梯度阈值可设置为0.2。
另外本方法中，在卷积神经网络训练过程中，训练参数包括学习率和权重衰减。本方法中在对卷积神经网络训练过程中，设定初始学习率，每进行预先设定的迭代次数后，学习率变动为上一学习率乘以预设值。预设值的取值范围为：大于0且小于1。
示例性的，在一种具体实例中，设定初始学习率为0.1，随后进行20次迭代后学习率变为0.01(即上一学习率乘以0.1)；依次的，随后每进行20次迭代，学习率变动为上一学习率乘以0.1，其中一次迭代过程中所有样本图像要进行一次迭代训练。本实施例图像去噪方法在卷积神经网络训练过程中，按照一定规律变动学习率，有助于使卷积神经网络达到最佳的收敛效果。
相应的，请参考图4，本发明实施例还提供一种图像去噪装置，包括：
第一运算模块30，用于将待处理图像输入训练好的卷积神经网络模型中，得到输出图像，所述卷积神经网络模型包括多层卷积层以及每一卷积层对应的激活函数，所述卷积神经网络用于对输入图像的噪声特征进行学习及提取；
第二运算模块31，用于将所述待处理图像与输出图像进行相减运算，得到去噪后的图像。
可以看出，本实施例图像去噪装置，第一运算模块将待处理图像输入训练好的卷积神经网络模型中，其中所述卷积神经网络模型包括多层卷积层以及每一卷积层对应的激活函数，所述卷积神经网络用于对输入图像的噪声特征进行学习及提取，由卷积神经网络模型输出的图像为噪声图像；然后第二运算模块将待处理图像与输出图像进行相减运算，得到去噪后的图像。
本实施例图像去噪装置，利用卷积神经网络对输入图像的噪声特征进行学习及提取，得到噪声图像，通过将原图像减去噪声图像得到去噪后的图像，实现图像去噪，与现有传统方法相比，能够得到良好的去噪效果。
另外需要说明的是，本实施例图像去噪装置中各模块的具体处理方法，均可参考上一实施例图像去噪方法中的描述内容，本实施例中不再赘述。
以上对本发明所提供的一种图像去噪方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种图像去噪方法，其特征在于，包括：
将待处理图像输入训练好的卷积神经网络模型中，得到输出图像，所述卷积神经网络模型包括多层卷积层以及每一卷积层对应的激活函数，所述卷积神经网络用于对输入图像的噪声特征进行学习及提取；
将所述待处理图像与输出图像进行相减运算，得到去噪后的图像。
2.根据权利要求1所述的图像去噪方法，其特征在于，所述卷积神经网络所包含卷积层的层数d与输入图像的像素大小的关系满足：所述输入图像的像素大小表示为(4d+1)x(4d+1)。
3.根据权利要求2所述的图像去噪方法，其特征在于，所述卷积层的卷积核大小满足：当输入图像经过最后一层卷积层时，所述卷积神经网络覆盖所述输入图像的全部像素。
4.根据权利要求1所述的图像去噪方法，其特征在于，所述卷积层进行的卷积运算描述为：
<mrow> <msubsup> <mi>x</mi> <mi>i</mi> <mi>l</mi> </msubsup> <mo>=</mo> <mi>F</mi> <mrow> <mo>(</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>M</mi> <mi>j</mi> </msub> </mrow> </munder> <msubsup> <mi>x</mi> <mi>i</mi> <mrow> <mi>l</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>*</mo> <msubsup> <mi>w</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>l</mi> </msubsup> <mo>+</mo> <msubsup> <mi>b</mi> <mi>j</mi> <mi>l</mi> </msubsup> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
其中，表示第l层卷积层输出的特征图，表示第l-1层卷积层输出的特征图，表示卷积运算的卷积核，Mj表示选择输入的特征图，表示偏置，F表示激活函数。
5.根据权利要求4所述的图像去噪方法，其特征在于，采用的激活函数为Relu函数，表示为f(x)＝max(x,0)，其中x表示输入。
6.根据权利要求1所述的图像去噪方法，其特征在于，还包括：使用作为训练样本的图像数据，对所述卷积神经网络进行训练；
在对所述卷积神经网络训练过程中，下降梯度的方法为：若当前梯度值β0≥θ，则将梯度值调整为其中θ为设定的梯度阈值。
7.根据权利要求6所述的图像去噪方法，其特征在于，在对所述卷积神经网络训练过程中，设定初始学习率，每进行预先设定的迭代次数后，学习率变动为上一学习率乘以预设值。
8.一种图像去噪装置，其特征在于，包括：
第一运算模块，用于将待处理图像输入训练好的卷积神经网络模型中，得到输出图像，所述卷积神经网络模型包括多层卷积层以及每一卷积层对应的激活函数，所述卷积神经网络用于对输入图像的噪声特征进行学习及提取；
第二运算模块，用于将所述待处理图像与输出图像进行相减运算，得到去噪后的图像。
CN201710801285.2A 2017-09-07 2017-09-07 一种图像去噪方法及装置 Pending CN107516304A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710801285.2A CN107516304A (zh) 2017-09-07 2017-09-07 一种图像去噪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710801285.2A CN107516304A (zh) 2017-09-07 2017-09-07 一种图像去噪方法及装置

Publications (1)

Publication Number Publication Date
CN107516304A true CN107516304A (zh) 2017-12-26

Family

ID=60725209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710801285.2A Pending CN107516304A (zh) 2017-09-07 2017-09-07 一种图像去噪方法及装置

Country Status (1)

Country Link
CN (1) CN107516304A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564552A (zh) * 2018-04-28 2018-09-21 深圳市商汤科技有限公司 图像去模糊的方法及装置
CN109410149A (zh) * 2018-11-08 2019-03-01 安徽理工大学 一种基于并行特征提取的cnn去噪方法
CN110490824A (zh) * 2019-08-23 2019-11-22 广东浪潮大数据研究有限公司 图像去噪的方法及装置
CN110728627A (zh) * 2018-07-16 2020-01-24 宁波舜宇光电信息有限公司 图像降噪方法、装置、系统和存储介质
CN110826694A (zh) * 2019-10-30 2020-02-21 瀚博半导体(上海)有限公司 一种基于卷积神经网络的图像处理方法及装置
CN110880194A (zh) * 2019-12-03 2020-03-13 山东浪潮人工智能研究院有限公司 一种基于卷积神经网络的图像压缩方法
WO2020186765A1 (zh) * 2019-03-19 2020-09-24 深圳市商汤科技有限公司 视频处理方法、装置以及计算机存储介质
CN112801888A (zh) * 2021-01-06 2021-05-14 杭州海康威视数字技术股份有限公司 图像处理方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447834A (zh) * 2015-12-28 2016-03-30 浙江工业大学 一种基于特征分类的麻将图像光照不均校正方法
US20160125572A1 (en) * 2014-11-05 2016-05-05 Korea Advanced Institute Of Science And Technology Device and method to generate image using image learning model
CN106204468A (zh) * 2016-06-27 2016-12-07 深圳市未来媒体技术研究院 一种基于ReLU卷积神经网络的图像去噪方法
CN106408522A (zh) * 2016-06-27 2017-02-15 深圳市未来媒体技术研究院 一种基于卷积对神经网络的图像去噪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160125572A1 (en) * 2014-11-05 2016-05-05 Korea Advanced Institute Of Science And Technology Device and method to generate image using image learning model
CN105447834A (zh) * 2015-12-28 2016-03-30 浙江工业大学 一种基于特征分类的麻将图像光照不均校正方法
CN106204468A (zh) * 2016-06-27 2016-12-07 深圳市未来媒体技术研究院 一种基于ReLU卷积神经网络的图像去噪方法
CN106408522A (zh) * 2016-06-27 2017-02-15 深圳市未来媒体技术研究院 一种基于卷积对神经网络的图像去噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
曹明: "深度学习的57个专业术语", 《HTTPS://WWW.CNBLOGS.COM/THINK90/P/7080251.HTML》 *
朱留存等: "一种FMS训练系统的研究与改进", 《中国机械工程》 *
董军: "《"心迹"的计算 隐性知识的人工智能途径》", 31 December 2016, 上海科学技术出版社 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564552A (zh) * 2018-04-28 2018-09-21 深圳市商汤科技有限公司 图像去模糊的方法及装置
CN110728627A (zh) * 2018-07-16 2020-01-24 宁波舜宇光电信息有限公司 图像降噪方法、装置、系统和存储介质
CN109410149A (zh) * 2018-11-08 2019-03-01 安徽理工大学 一种基于并行特征提取的cnn去噪方法
WO2020186765A1 (zh) * 2019-03-19 2020-09-24 深圳市商汤科技有限公司 视频处理方法、装置以及计算机存储介质
CN109862208B (zh) * 2019-03-19 2021-07-02 深圳市商汤科技有限公司 视频处理方法、装置、计算机存储介质以及终端设备
CN110490824A (zh) * 2019-08-23 2019-11-22 广东浪潮大数据研究有限公司 图像去噪的方法及装置
CN110826694A (zh) * 2019-10-30 2020-02-21 瀚博半导体(上海)有限公司 一种基于卷积神经网络的图像处理方法及装置
CN110880194A (zh) * 2019-12-03 2020-03-13 山东浪潮人工智能研究院有限公司 一种基于卷积神经网络的图像压缩方法
CN112801888A (zh) * 2021-01-06 2021-05-14 杭州海康威视数字技术股份有限公司 图像处理方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN107516304A (zh) 一种图像去噪方法及装置
CN107689034B (zh) 一种去噪方法及装置
CN111311518B (zh) 基于多尺度混合注意力残差网络的图像去噪方法及装置
US20230080693A1 (en) Image processing method, electronic device and readable storage medium
CN111192211B (zh) 一种基于单个深度神经网络的多噪声类型盲去噪方法
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
CN106251303A (zh) 一种使用深度全卷积编码‑解码网络的图像降噪方法
CN110675339A (zh) 基于边缘修复和内容修复的图像修复方法及系统
CN110992295B (zh) 基于小波-red卷积神经网络的低剂量ct重建方法
CN111695421B (zh) 图像识别方法、装置及电子设备
CN110189260B (zh) 一种基于多尺度并行门控神经网络的图像降噪方法
CN110148088B (zh) 图像处理方法、图像去雨方法、装置、终端及介质
US9443286B2 (en) Gray image processing method and apparatus based on wavelet transformation
JP7353803B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN116012266B (zh) 图像去噪方法、系统、设备及存储介质
CN107993200A (zh) 基于深度学习的图像噪声水平估计方法
CN115358952B (zh) 一种基于元学习的图像增强方法、系统、设备和存储介质
Chen et al. Removing Gaussian noise for colour images by quaternion representation and optimisation of weights in non‐local means filter
CN114723630A (zh) 基于空洞双残差多尺度深度网络的图像去模糊方法及系统
CN109034070B (zh) 一种置换混叠图像盲分离方法及装置
CN117558288B (zh) 单通道语音增强模型的训练方法、装置、设备及存储介质
CN116452469B (zh) 一种基于深度学习的图像去雾处理方法及装置
CN115456908A (zh) 一种鲁棒的自监督图像去噪方法
CN113012071B (zh) 一种基于深度感知网络的图像失焦去模糊方法
CN115578274A (zh) 一种基于边缘约束的双分支图像去雾方法

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171226