CN107993200A - 基于深度学习的图像噪声水平估计方法 - Google Patents
基于深度学习的图像噪声水平估计方法 Download PDFInfo
- Publication number
- CN107993200A CN107993200A CN201711065002.9A CN201711065002A CN107993200A CN 107993200 A CN107993200 A CN 107993200A CN 201711065002 A CN201711065002 A CN 201711065002A CN 107993200 A CN107993200 A CN 107993200A
- Authority
- CN
- China
- Prior art keywords
- noise
- mrow
- msub
- layer
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000001419 dependent effect Effects 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 230000007935 neutral effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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)
- Image Processing (AREA)
Abstract
本发明属于计算机图像处理领域，为提出一种基于深度学习的框架，对图像噪声水平进行有效的估计。为实现上述目的，本发明采取以下技术方案：基于深度学习的图像噪声水平估计方法，步骤如下：步骤1、提出信号相关噪声(SDN)模型：步骤2、进行数据预处理；步骤3、构建神经网络结构；骤4、设置好网络的学习率和动量参数，利用深度学习框架caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型，代价损失函数选用；步骤5、将有噪声图像输入至训练好的模型中，输出噪声水平函数。本发明主要应用于计算机图像处理。
Description
技术领域
本发明属于计算机图像处理领域，涉及电荷耦合器件噪声水平估计和卷积神经网络。具体讲，通过卷积神经网络提取图像特征，学习信号相关噪声分布，建立端到端的噪声图像和相应噪声水平函数之间的映射关系。
背景技术
电荷耦合器件(Charge-coupled Device，CCD)，作为数码相机的核心器件，在成像过程中会产生复杂的噪声。这种噪声并不是简单的加性高斯白噪声(Additive GaussianWhite Noise，AWGN)，而是一种严重依赖于信号强度的噪声(Signal-dependent Noise，SDN)。获知CCD(电荷耦合器件)的噪声水平不仅可以用来评价图像传感器的质量，还可以用来调整许多计算机视觉算法的参数，因此准确估计CCD的噪声水平函数具有重要意义。
常见的噪声估计算法都是针对高斯白噪声设计，对于这种依赖于信号的噪声并不适用。因此研究并提出一种有效的方法对CCD图像进行噪声估计，显得尤为迫切且更有价值。近年来，随着深度学习技术的不断发展，越来越多的被用于图像处理领域，且获得了较好的效果。利用卷积神经网络学习图像噪声分布，为CCD噪声水平估计提供了有效的解决方案。
卷积神经网络不仅能有效较少网络的训练参数，使得神经网络简单化，而且具有很强的适应性。
发明内容
本发明旨在提出一种基于深度学习的框架，对图像噪声水平进行有效的估计。为实现上述目的，本发明采取以下技术方案：基于深度学习的图像噪声水平估计方法，步骤如下：
步骤1、提出信号相关噪声(SDN)模型：
I＝f(LI)
IN＝f(LI+ns+nc)+nq
其中，I表示理想的无噪声图像，IN表示CCD相机实际得到的噪声图像，f(·)表示相机响应函数，表示依赖于光照强度LI的噪声分量，表示跟信号无关的噪声分量，nq表示量化噪声予以忽略，这里的ns和nc的噪声参数假设为
步骤2、进行数据预处理
步骤2.1、获取伯克利图像分割BSD500数据集以及在网上下载无噪声的图像作为原始无噪声图像集；
步骤2.2、对无噪声图像集利用步骤1提出的噪声模型人工添加噪声，合成带噪声图像，则噪声图像噪声水平函数表示为进一步扩展为：
其中I表示原始的无噪声图像，IN表示带噪声图像，IN(·)表示噪声合成过程；
步骤2.3、将合成的带噪声图像裁剪成256*256大小的图像块，得到60000多个不同噪声水平的图像块作为训练数据，相对应的噪声水平函数样本点作为训练标签；
步骤3、构建神经网络结构
步骤3.1、噪声图像分别输入三路平行的卷积神经网络之中，三路神经网络的结构分别是 (1)卷积层，卷积核大小5*5，—平均池化层，核大小为2*2—卷积层，卷积核大小3*3—平均池化层，核大小为2*2—卷积层，卷积核大小3*3—卷积层，卷积核大小3*3(2) 卷积层，卷积核大小7*7—平均池化层，核大小为2*2—卷积层，卷积核大小5*5—平均池化层，核大小为2*2—卷积层，卷积核大小5*5—卷积层，卷积核大小5*5(3)卷积层，卷积核大小9*9—平均池化层，核大小为2*2—卷积层，卷积核大小7*7—平均池化层，核大小为2*2—卷积层，卷积核大小7*7—卷积层，卷积核大小7*7，接下来每路神经网络经过第四个卷积层的输出串联，接下来经过空间金字塔池化层，接着经过两个全连接层输出256噪声水平样本点，拟合得到噪声水平函数曲线；
步骤3.2、每一个卷积网络层后面都会跟着一个批量标准化层以及激活函数层，选用参数修正线性单元ReLu为激活函数；
步骤4、设置好网络的学习率和动量参数，利用深度学习框架caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型。代价损失函数选用
其中Ij代表训练样本中第j个噪声图像，pj代表相应的噪声水平；
步骤5、将有噪声图像输入至训练好的模型中，输出噪声水平函数。
步骤4所述的训练过程为：
步骤4.1、网络结构确定以后，将训练样本和测试样本输入网络；
步骤4.2、在网络的训练阶段，学习率设置为0.0001，防止不收敛，设置每十万次迭代，学习率变为原来的0.8倍，动量参数设置为0.9；最大迭代次数设置为100万次；
步骤4.3、进行训练，得到噪声图像和噪声水平函数之间的映射关系。
本发明的技术特点及效果：
本发明方法针对电荷耦合器件噪声，通过深度学习及卷积神经网络，有效对噪声水平函数进行了估计，具有以下特点：
1、本文提出的算法是基于大量数据的训练，通过卷积神经网络学习噪声分布情况，不需要手动设计的模型。
2、本文提出的算法具有较强的鲁棒性，在现今大部分方法估计不准确的低噪声水平下，有较准确的估计效果。
3、对各种不同水平的噪声分布都具有较好的估计效果，具有一定的普适性。
附图说明
图1是算法流程图；
图2是算法输入输出示意图；
图3是卷积神经网络结构图；
图4是分界矩形和拟合矩形示意图。
具体实施方式
本发明采用的技术方案是：
步骤1、提出信号相关噪声(SDN)模型：
I＝f(LI)
IN＝f(LI+ns+nc)+nq
其中，I表示理想的无噪声图像，IN表示CCD相机实际得到的噪声图像，f(·)表示相机响应函数，表示依赖于光照强度LI的噪声分量，表示跟信号无关的噪声分量，nq表示量化噪声。由于跟其他噪声相比，量化噪声的强度较小，所以该分量可以被忽略。这里的ns和nc的噪声参数假设为
步骤2、进行数据预处理
步骤2.1、获取BSD500(伯克利图像分割)数据集以及在网上下载无噪声的图像作为原始无噪声图像集。
步骤2.2、对无噪声图像集利用步骤1提出的噪声模型人工添加噪声，合成带噪声图像。则噪声图像噪声水平函数表示为可以进一步扩展为其中I表示原始的无噪声图像，IN表示带噪声图像，IN(·)表示噪声合成过程。
步骤2.3、将合成的带噪声图像裁剪成256*256大小的图像块，得到60000多个不同噪声水平的图像块作为训练数据，相对应的噪声水平函数样本点作为训练标签。
步骤3、构建神经网络结构
步骤3.1、噪声图像分别输入三路平行的卷积神经网络之中，三路神经网络的结构分别是 (1)卷积层(卷积核大小5*5)—平均池化层(核大小为2*2)—卷积层(卷积核大小3*3)—平均池化层(核大小为2*2)—卷积层(卷积核大小3*3)—卷积层(卷积核大小3*3)(2)卷积层(卷积核大小7*7)—平均池化层(核大小为2*2)—卷积层(卷积核大小5*5)—平均池化层(核大小为2*2)—卷积层(卷积核大小5*5)—卷积层(卷积核大小5*5)(3)卷积层(卷积核大小9*9)—平均池化层(核大小为2*2)—卷积层 (卷积核大小7*7)—平均池化层(核大小为2*2)—卷积层(卷积核大小7*7)—卷积层(卷积核大小7*7)，接下来每路神经网络经过第四个卷积层的输出串联，接下来经过空间金字塔池化层，接着经过两个全连接层输出256噪声水平样本点，拟合得到噪声水平函数曲线。
步骤3.2、每一个卷积网络层后面都会跟着一个批量标准化层以及激活函数层，这里我们选用参数修正线性单元ReLu为激活函数。
步骤4、设置好网络的学习率和动量参数，利用深度学习框架caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型。代价损失函数选用
其中Ij代表训练样本中第j个噪声图像，pj代表相应的噪声水平
步骤5、将有噪声图像输入至训练好的模型中，输出噪声水平函数。
步骤4所述的训练过程为：
步骤4.1、网络结构确定以后，将训练样本和测试样本输入网络；
步骤4.2、在网络的训练阶段，学习率设置为0.0001，防止不收敛，设置每十万次迭代，学习率变为原来的0.8倍，动量参数设置为0.9；最大迭代次数设置为100万次；
步骤4.3、进行训练，得到噪声图像和噪声水平函数之间的映射关系。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (2)
1.一种基于深度学习的图像噪声水平估计方法，其特征是，步骤如下：
步骤1、提出信号相关噪声SDN模型：
I＝f(LI)
IN＝f(LI+ns+nc)+nq
其中，I表示理想的无噪声图像，IN表示CCD相机实际得到的噪声图像，f(·)表示相机响应函数，表示依赖于光照强度LI的噪声分量，表示跟信号无关的噪声分量，nq表示量化噪声予以忽略，这里的ns和nc的噪声参数假设为E(ns)＝0,E(nc)＝0,
步骤2、进行数据预处理
步骤2.1、获取伯克利图像分割BSD500数据集以及在网上下载无噪声的图像作为原始无噪声图像集；
步骤2.2、对无噪声图像集利用步骤1提出的噪声模型人工添加噪声，合成带噪声图像，则噪声图像噪声水平函数表示为进一步扩展为：
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>;</mo>
<mi>f</mi>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<mi>E</mi>
<mo>&lsqb;</mo>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>N</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>f</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
<mo>,</mo>
<mi>f</mi>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>c</mi>
</msub>
<mo>-</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
</msqrt>
</mrow>
其中I表示原始的无噪声图像，IN表示带噪声图像，IN(·)表示噪声合成过程；
步骤2.3、将合成的带噪声图像裁剪成256*256大小的图像块，得到60000多个不同噪声水平的图像块作为训练数据，相对应的噪声水平函数样本点作为训练标签；
步骤3、构建神经网络结构
步骤3.1、噪声图像分别输入三路平行的卷积神经网络之中，三路神经网络的结构分别是(1)卷积层，卷积核大小5*5，—平均池化层，核大小为2*2—卷积层，卷积核大小3*3—平均池化层，核大小为2*2—卷积层，卷积核大小3*3—卷积层，卷积核大小3*3(2)卷积层，卷积核大小7*7—平均池化层，核大小为2*2—卷积层，卷积核大小5*5—平均池化层，核大小为2*2—卷积层，卷积核大小5*5—卷积层，卷积核大小5*5(3)卷积层，卷积核大小9*9—平均池化层，核大小为2*2—卷积层，卷积核大小7*7—平均池化层，核大小为2*2—卷积层，卷积核大小7*7—卷积层，卷积核大小7*7，接下来每路神经网络经过第四个卷积层的输出串联，接下来经过空间金字塔池化层，接着经过两个全连接层输出256噪声水平样本点，拟合得到噪声水平函数曲线；
步骤3.2、每一个卷积网络层后面都会跟着一个批量标准化层以及激活函数层，选用参数修正线性单元ReLu为激活函数；
步骤4、设置好网络的学习率和动量参数，利用深度学习框架caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型。代价损失函数选用
<mrow>
<mi>L</mi>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
</mrow>
</munder>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>N</mi>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mover>
<mi>&Theta;</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
其中Ij代表训练样本中第j个噪声图像，pj代表相应的噪声水平；
步骤5、将有噪声图像输入至训练好的模型中，输出噪声水平函数。
2.如权利要求1所述的基于深度学习的图像噪声水平估计方法，其特征是，步骤4所述的训练过程为：
步骤4.1、网络结构确定以后，将训练样本和测试样本输入网络；
步骤4.2、在网络的训练阶段，学习率设置为0.0001，防止不收敛，设置每十万次迭代，学习率变为原来的0.8倍，动量参数设置为0.9；最大迭代次数设置为100万次；
步骤4.3、进行训练，得到噪声图像和噪声水平函数之间的映射关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711065002.9A CN107993200A (zh) | 2017-11-02 | 2017-11-02 | 基于深度学习的图像噪声水平估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711065002.9A CN107993200A (zh) | 2017-11-02 | 2017-11-02 | 基于深度学习的图像噪声水平估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107993200A true CN107993200A (zh) | 2018-05-04 |
Family
ID=62030194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711065002.9A Pending CN107993200A (zh) | 2017-11-02 | 2017-11-02 | 基于深度学习的图像噪声水平估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107993200A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109753864A (zh) * | 2018-09-24 | 2019-05-14 | 天津大学 | 一种基于caffe深度学习框架的人脸识别方法 |
| CN110544234A (zh) * | 2019-07-30 | 2019-12-06 | 北京达佳互联信息技术有限公司 | 图像噪声检测方法、装置、电子设备及存储介质 |
| CN110730280A (zh) * | 2018-07-17 | 2020-01-24 | 瑞昱半导体股份有限公司 | 噪声等化方法与噪声去除方法 |
| CN110852966A (zh) * | 2019-11-04 | 2020-02-28 | 西北工业大学 | 基于深度卷积神经网络的图像噪声估计方法 |
| CN110858391A (zh) * | 2018-08-23 | 2020-03-03 | 通用电气公司 | 患者专用的深度学习图像降噪方法和系统 |
| CN111489300A (zh) * | 2020-03-11 | 2020-08-04 | 天津大学 | 基于无监督学习的屏幕图像去摩尔纹方法 |
| CN113168671A (zh) * | 2019-03-21 | 2021-07-23 | 华为技术有限公司 | 噪点估计 |
| WO2023202447A1 (zh) * | 2022-04-20 | 2023-10-26 | 中兴通讯股份有限公司 | 画质提升模型的训练方法和视频会议系统画质的提升方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609914A (zh) * | 2012-01-17 | 2012-07-25 | 天津大学 | 图像传感器的信号相关噪声估计方法 |
| CN104915930A (zh) * | 2014-03-14 | 2015-09-16 | 深圳迈瑞生物医疗电子股份有限公司 | 对图像进行灰度补偿和噪声抑制的方法及装置 |
| CN105139394A (zh) * | 2015-08-19 | 2015-12-09 | 杭州电子科技大学 | 结合仿射重建和噪声散点直方图的噪声图像质量评价方法 |
| CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
| CN106780446A (zh) * | 2016-12-01 | 2017-05-31 | 重庆邮电大学 | 一种无参考混合失真图像质量评价方法 |
| CN107133948A (zh) * | 2017-05-09 | 2017-09-05 | 电子科技大学 | 基于多任务卷积神经网络的图像模糊与噪声评测方法 |
-
2017
- 2017-11-02 CN CN201711065002.9A patent/CN107993200A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609914A (zh) * | 2012-01-17 | 2012-07-25 | 天津大学 | 图像传感器的信号相关噪声估计方法 |
| CN104915930A (zh) * | 2014-03-14 | 2015-09-16 | 深圳迈瑞生物医疗电子股份有限公司 | 对图像进行灰度补偿和噪声抑制的方法及装置 |
| CN105139394A (zh) * | 2015-08-19 | 2015-12-09 | 杭州电子科技大学 | 结合仿射重建和噪声散点直方图的噪声图像质量评价方法 |
| CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技（上海）股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
| CN106780446A (zh) * | 2016-12-01 | 2017-05-31 | 重庆邮电大学 | 一种无参考混合失真图像质量评价方法 |
| CN107133948A (zh) * | 2017-05-09 | 2017-09-05 | 电子科技大学 | 基于多任务卷积神经网络的图像模糊与噪声评测方法 |
Non-Patent Citations (4)
| Title |
|---|
| BRUNO AIAZZI,AT EL.: ""Unsupervised estimation of signal-dependen CCD camera noise"", 《EURASIP JOURNAL ON ADCANCES IN SIGNAL PROCESSING》 * |
| JINGYU YANG,AT EL.: ""Estimation of signal-dependent noise level function using multi-column convolutional neural network"", 《2017 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
| M RAKHSHANFAR,AT EL.: ""Estimaton of Gaussian,Poissonian-Gaussian,and Processed Visual Noise and Its Level Function"", 《IEEE》 * |
| 吴兆阳: ""基于稀疏表示的CCD噪声估计及滤除"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110730280A (zh) * | 2018-07-17 | 2020-01-24 | 瑞昱半导体股份有限公司 | 噪声等化方法与噪声去除方法 |
| CN110730280B (zh) * | 2018-07-17 | 2021-08-31 | 瑞昱半导体股份有限公司 | 噪声等化方法与噪声去除方法 |
| CN110858391A (zh) * | 2018-08-23 | 2020-03-03 | 通用电气公司 | 患者专用的深度学习图像降噪方法和系统 |
| CN110858391B (zh) * | 2018-08-23 | 2023-10-10 | 通用电气公司 | 患者专用的深度学习图像降噪方法和系统 |
| CN109753864A (zh) * | 2018-09-24 | 2019-05-14 | 天津大学 | 一种基于caffe深度学习框架的人脸识别方法 |
| CN113168671A (zh) * | 2019-03-21 | 2021-07-23 | 华为技术有限公司 | 噪点估计 |
| CN110544234A (zh) * | 2019-07-30 | 2019-12-06 | 北京达佳互联信息技术有限公司 | 图像噪声检测方法、装置、电子设备及存储介质 |
| CN110852966A (zh) * | 2019-11-04 | 2020-02-28 | 西北工业大学 | 基于深度卷积神经网络的图像噪声估计方法 |
| CN110852966B (zh) * | 2019-11-04 | 2022-04-22 | 西北工业大学 | 基于深度卷积神经网络的图像噪声估计方法 |
| CN111489300A (zh) * | 2020-03-11 | 2020-08-04 | 天津大学 | 基于无监督学习的屏幕图像去摩尔纹方法 |
| CN111489300B (zh) * | 2020-03-11 | 2022-07-08 | 天津大学 | 基于无监督学习的屏幕图像去摩尔纹方法 |
| WO2023202447A1 (zh) * | 2022-04-20 | 2023-10-26 | 中兴通讯股份有限公司 | 画质提升模型的训练方法和视频会议系统画质的提升方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107993200A (zh) | 基于深度学习的图像噪声水平估计方法 | |
| CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
| CN108229338B (zh) | 一种基于深度卷积特征的视频行为识别方法 | |
| CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
| CN107393542B (zh) | 一种基于双通道神经网络的鸟类物种识别方法 | |
| CN103686194B (zh) | 基于非局部均值的视频去噪方法和装置 | |
| CN103295191B (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
| CN109214990A (zh) | 一种基于Inception模型的深度卷积神经网络图像去噪方法 | |
| CN107689034A (zh) | 一种神经网络的训练方法、去噪方法及装置 | |
| CN108961227B (zh) | 一种基于空域和变换域多特征融合的图像质量评价方法 | |
| CN107464217B (zh) | 一种图像处理方法及装置 | |
| CN107169417B (zh) | 基于多核增强和显著性融合的rgbd图像协同显著性检测方法 | |
| CN109410135B (zh) | 一种对抗学习型图像去雾、加雾方法 | |
| CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
| CN105809643B (zh) | 一种基于自适应块通道拉伸的图像增强方法 | |
| CN108847223A (zh) | 一种基于深度残差神经网络的语音识别方法 | |
| CN107516304A (zh) | 一种图像去噪方法及装置 | |
| CN106846261A (zh) | 基于卷积神经网络的水下图像处理方法 | |
| CN108765407A (zh) | 一种人像图片质量判定方法及装置 | |
| Ma et al. | DBDnet: A deep boosting strategy for image denoising | |
| CN114022732B (zh) | 一种基于raw图像的极暗光物体检测方法 | |
| Jin et al. | Perceptual image quality assessment using block-based multi-metric fusion (BMMF) | |
| CN111028203A (zh) | 一种基于显著性的cnn盲图像质量评估方法 | |
| CN106991428A (zh) | 基于自适应池化模型的害虫图像识别方法 | |
| CN111028171A (zh) | 确定图像噪声等级的方法、装置和服务器 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |