CN109034070B - 一种置换混叠图像盲分离方法及装置 - Google Patents

一种置换混叠图像盲分离方法及装置 Download PDF

Info

Publication number
CN109034070B
CN109034070B CN201810848315.XA CN201810848315A CN109034070B CN 109034070 B CN109034070 B CN 109034070B CN 201810848315 A CN201810848315 A CN 201810848315A CN 109034070 B CN109034070 B CN 109034070B
Authority
CN
China
Prior art keywords
image
replacement
aliasing
neural network
convolutional neural
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.)
Active
Application number
CN201810848315.XA
Other languages
English (en)
Other versions
CN109034070A (zh
Inventor
段新涛
李飞飞
刘艺航
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.)
Henan Normal University
Original Assignee
Henan Normal 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 Henan Normal University filed Critical Henan Normal University
Priority to CN201810848315.XA priority Critical patent/CN109034070B/zh
Publication of CN109034070A publication Critical patent/CN109034070A/zh
Application granted granted Critical
Publication of CN109034070B publication Critical patent/CN109034070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种置换混叠图像盲分离方法及装置，该方法包括：根据至少两个已知置换区域位置的含噪声的置换混叠图像，获取训练数据集；构建卷积神经网络，将获取的训练数据集输入到卷积神经网络进行训练，获得训练好的卷积神经网络；将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。本发明采用卷积神经网络对置换混叠图像自动提取特征，提取的特征稳定，不受人为因素的影响，提高了图像分离的准确性；并且，通过将分离问题转为分类问题进行解决，简化了分离过程，提高了分离速度。

Description

一种置换混叠图像盲分离方法及装置
技术领域
本发明涉及一种置换混叠图像盲分离方法及装置，属于信号处理技术领域。
背景技术
盲源分离(Blind Source Separation,BSS)，又称为盲信号分离(Blind SignalSeparation,BSS)，是在不需要太多的源信号和信道先验信息的情况下，仅根据观测到的混合输出信号，分离出各输入源信号的过程，是信号处理领域的一个研究热点，被广泛应用于图像处理、数据传输、语音信号处理、移动通信、生物医学信号处理等领域。置换混叠图像盲分离是在置换区域的位置、大小、个数未知的情况下，将置换区域与被置换区域进行分离。之后，国内学者对此类置换混叠图像展开进一步研究，并获得了一些成果。
2009年方勇等人根据盲源分离的定义，首次概括出置换混叠信号的数学模型，并利用特征域可分的原理对其进行研究，提出特征域可分性的置换混叠区域的分离方法。2011年段新涛等人利用非零元个数约束的K-SVD算法对含噪声的置换混叠图像进行训练，得到稀疏表示的字典，利用学习得到的字典对置换混叠图像去噪。根据去噪后的图像与原图像的差图像，通过对差图像进行阈值化操作分离出置换图像，提出一种基于噪声检测的置换混叠图像盲分离算法。
由于置换混叠的方式与传统的叠加混合方式不同，所以目前已成熟的盲分离算法不再适用于这类新型的置换混叠图像，需要新的理论和方法来解决此类问题。现有的盲分离算法，采用人为选取的特征进行分离，由于人为选取特征易受人的主观原因或者外界环境因素影响，且特征选取的好坏直接影响分离的效果，所以利用人为选取的特征进行分离，不能达到很好的分离效果，因此需要新的算法对置换混叠图像进行分离。
发明内容
本发明的目的是提供一种置换混叠图像盲分离方法及装置，用于解决采用人为选取的特征进行分离会导致分离准确性较差的问题。
为解决上述技术问题，本发明提供了一种置换混叠图像盲分离方法，步骤如下：
将至少两个已知置换区域位置的含噪声的置换混叠图像转换为图片，赋值给train_x；并将所述已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原置换混叠图像大小一样的图像并将其转换成矩阵，赋值给train_y；
构建卷积神经网络，将train_x和train_y输入到卷积神经网络进行训练，获得训练好的卷积神经网络；
将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；
对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。
本发明的有益效果是：采用卷积神经网络对置换混叠图像自动提取特征，提取的特征稳定，不受人为因素的影响，提高了图像分离的准确性；并且，通过将分离问题转为分类问题进行解决，简化了分离过程，提高了分离速度。
进一步的，为了提高图像特征图的优化效果，将图像特征图的矩阵中像素为0的像素值及其附近的像素值修改为1，其他像素值修改为0，得到优化后的图像特征图。
进一步的，为了更准确地提取置换混叠图像的特征，所述卷积神经网络包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层和输出层。
本发明还提供了一种置换混叠图像盲分离装置，包括处理器和存储器，所述处理器用于处理存储在存储器中的指令以实现如下方法：
将至少两个已知置换区域位置的含噪声的置换混叠图像转换为图片，赋值给train_x；并将所述已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原置换混叠图像大小一样的图像并将其转换成矩阵，赋值给train_y；
构建卷积神经网络，将train_x和train_y输入到卷积神经网络进行训练，获得训练好的卷积神经网络；
将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；
对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。
进一步的，将图像特征图的矩阵中像素为0的像素值及其附近的像素值修改为1，其他像素值修改为0，得到优化后的图像特征图。
进一步的，所述卷积神经网络包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层和输出层。
附图说明
图1是本发明置换混叠图像盲分离方法的流程图；
图2是本发明卷积神经网络的结构示意图；
图3是同一图像间置换的置换混叠图像；
图4是本发明对图3进行分离的实验效果图；
图5是不同图像间置换的置换混叠图像；
图6是本发明对图5进行分离的实验效果图；
图7是含高斯噪声的置换混叠图像，其中噪声方差为0.005；
图8是含高斯噪声的置换混叠图像，其中噪声方差为0.05；
图9是含高斯噪声的置换混叠图像，其中噪声方差为0.2；
图10是本发明对图7进行分离的实验效果图；
图11是本发明对图8进行分离的实验效果图；
图12是本发明对图9进行分离的实验效果图；
图13是含椒盐噪声的置换混叠图像，其中噪声方差为0.005；
图14是含椒盐噪声的置换混叠图像，其中噪声方差为0.05；
图15是含椒盐噪声的置换混叠图像，其中噪声方差为0.2；
图16是本发明对图13进行分离的实验效果图；
图17是本发明对图14进行分离的实验效果图；
图18是本发明对图15进行分离的实验效果图；
图19是含乘性噪声的置换混叠图像，其中噪声方差为0.3；
图20是含乘性噪声的置换混叠图像，其中噪声方差为0.34；
图21是含乘性噪声的置换混叠图像，其中噪声方差为0.4；
图22是本发明对图19进行分离的实验效果图；
图23是本发明对图20进行分离的实验效果图；
图24是本发明对图21进行分离的实验效果图；
图25是只含有一个置换区域的置换混叠图像；
图26是本发明对图25进行分离的实验效果图；
图27是含有两个置换区域的置换混叠图像；
图28是本发明对图27进行分离的实验效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例对本发明进行进一步详细说明。
卷积神经网络是一种深度的监督学习下的机器学习模型，具有极强的适应性，善于挖掘数据局部特征，提取全局训练特征和分类，它的权值共享结构网络使之更类似于生物神经网络，在模式识别各个领域都取得了很好的成果。
针对置换区域和被置换区域存在噪声差异的置换混叠图像进行分析，利用卷积神经网络，本发明提供了一种置换混叠图像盲分离装置，该装置包括处理器和存储器，该处理器用于处理存储在存储器中的指令，以实现一种置换混叠图像盲分离方法。该置换混叠图像盲分离方法的流程图如图1所示，包括离线训练和在线检测两部分，其中离线训练是利用卷积神经网络对多个已知置换区域位置、大小、个数的含噪声的置换混叠图像进行训练，获得训练好参数的卷积神经网络；在线检测是根据训练好的卷积神经网络对置换区域未知的含噪声置换混叠图像进行检测，获得置换混叠区域。
具体的，离线训练的步骤如下：
(1)根据至少两个已知置换区域位置的含噪声的置换混叠图像，获取训练数据集。
假设图像Z(i,j)大小为N×N，是由自然图像L(i,j)中的一部分被图像S(i,j)中的一部分置换混叠而成。其中自然图像L(i,j)不含噪声，而置换图像S(i,j)含噪声，所以图像Z(i,j)的数学模型可表示为：
Z(i,j)＝L(i,j)+So(i,j)+Sn(i,j)
其中，
Figure BDA0001747062930000051
L(i,j)中i,j∈NL，Ns∪NL＝N，
Figure BDA0001747062930000052
So(i,j)表示置换图像中不含噪声的成分，Sn(i,j)表示置换图像中含噪声的成分，Ns表示噪声区域的所有像素点集合，NL表示不含噪声区域的所有像素点集合，N表示整个置换混叠图像的全部像素点集合。
对多个含噪声的置换混叠图像Z(i,j)进行预处理，获得可操作化数据集X，即将含噪声的置换混叠图像Z(i,j)转换为图片。在本实施例中，为了提高运算速度，将含噪声的置换混叠图像Z(i,j)转换成32×32×64大小的图片。并根据输入图像的信息，将这些已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原图大小一样的0,1图片，将其转换成64×1024大小的矩阵。获取的32×32×64大小的图片以及转换成的64×1024大小的矩阵即为获取的训练数据集。
(2)构建卷积神经网络，将获取的训练数据集输入到卷积神经网络进行卷积和池化操作，获得训练好的卷积神经网络。
构建卷积神经网络，设置卷积层个数和卷积核大小。在本实施例中，采用DeepLearning ToolBox中的CNN卷积神经网络模型进行改进，共包含7层，如图2所示，从左到右依次为输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层、输出层，对应的规格大小分别为32×32、24×24×6、12×12×6、8×8×12、4×4×12、300、1024×1。其中卷积核大小为5×5，池化层的窗口大小为2×2。
将含噪声的置换混叠图像Z(i,j)转换成的32×32×64大小的图片赋值给train_x，将转换成的64×1024大小的矩阵赋值给train_y，将train_x和train_y输入到生成的卷积神经网络中进行训练，获得训练好参数的卷积神经网络。由于卷积神经网络的构建方法、参数设置以及训练过程均为现有技术，此处不再赘述。
利用上述离线训练获取的训练好参数的卷积神经网络，对不知道置换区域位置的含噪声的待检测置换混叠图像进行在线检测，具体步骤如下：
1)将含噪声的待检测置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图。
在本实施例中，预处理过程为：将不知道置换区域位置的含噪声的待检测置换混叠图像转换为32×32×64大小的图片。将预处理后的待检测图片输入到训练好的卷积神经网络中行卷积和池化操作，利用前向传播算法进行训练，获得1024×64大小的特征矩阵，并将其转换成256×256大小矩阵的特征图。也就是，将预处理后的待检测图片输入到训练好的卷积神经网络中行卷积和池化操作，获取图像的特征图。
2)对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。
利用优化算法对卷积生成的图像特征图进行优化，即将图像特征图的矩阵中像素为0的像素值及其附近的像素修改为1，其他像素修改为0，得到优化后的0,1矩阵，并输出。最后将优化后的0,1矩阵与原待检测的置换混叠图像进行点乘操作，得到分离效果图，由于点乘操作过程属于现有技术，此处不再赘述。
与现有置换混叠图像盲分离技术相比，本发明的置换混叠图像盲分离方法采用卷积神经网络对置换混叠图像自动提取特征，提取的特征稳定，不受人为因素的影响；通过步骤2)将分离问题转为分类问题进行解决，简化了分离算法；对图像的来源和处理方式不限制，提高了含噪声置换混叠图像的盲分离效果的适应性。
实验结果表明，本发明的置换混叠图像盲分离方法对含噪声的置换混叠图像的盲分离正检率高于95％，能够有效的检测出含噪声的置换混叠区域。为了更好地说明本发明提出的基于卷积神经网络的置换混叠图像盲分离方法的可行性和有效性，下面以几幅典型的测试图像实验仿真结果和分析为例进行说明。
在本实施例中，所有实验是在主频为3.20GHz的CPU、内存为8GB的PC机64位Win7操作系统下用MATLABR2016a软件编程实现。为了确保实验结果的准确性，采用的图像都是在图像处理领域实验常用的标准图像，以下的实验结果是在多次实验的基础上得出的部分实验结果。
本部分实验针对置换区域位置、大小不同时的置换混叠图像进行仿真实验。由于图像的置换区域位置、大小都可能不同，这些因素都可能影响实验分离准确性。首先对同一图像间置换的baboon置换混叠图像进行实验，如图3所示，利用本发明的置换混叠图像盲分离方法分离后的效果图如图4所示。然后对不同图像间置换的置换混叠图像进行实验，选用的被置换图像是house图像，置换图像是peppers图像，如图5所示，利用本发明的置换混叠图像盲分离方法分离后的效果图如图6所示。从盲分离的效果图可以看出，本发明对于同一图像间和不同图像间置换的图像，都能有效的分离出置换区域，验证出本发明有很好的分离准确性和鲁棒性。
由于不同的噪声图像包含不同的噪声方差，为了验证本发明的鲁棒性，本实验分别针对噪声方差为0.005、0.05、0.2的含高斯噪声置换混叠图像进行盲分离，如图7、图8、图9所示，分离结果如图10、图11、图12所示；针对噪声方差为0.005、0.05、0.2的含椒盐噪声置换混叠图像进行盲分离，如图13、图14、图15所示，分离结果如图16、图17、图18所示；针对噪声方差为0.3、0.34、0.4的含乘性噪声置换混叠图像进行盲分离，如图19、图20、图21所示，分离结果如图22、图23、图24所示；从盲分离的效果图可以看出，本发明对含不同模糊度的图像和含高斯模糊或运动模糊的图像都能有效的分离出置换区域，证明了本发明的分离准确性。
为了验证置换区域的个数、大小、位置对本发明的影响，选用置换区域个数不同的两组图像进行实验对比。首先，选用只含有一个置换区域的rice置换混叠图像，其中置换区域的左上角坐标为[0,100]，大小为100×100像素，如图25所示，利用本发明置换混叠图像盲分离方法分离后的效果图如图26所示。其次，选用含有两个置换区域的置换混叠图像，其中一个置换区域的左上角坐标是[50,80]，大小为50×70像素，另一个置换区域的左上角坐标是[100,160]，大小为100×40像素，如图27所示，利用本发明置换混叠图像盲分离方法分离后的效果图如图28所示。从盲分离的效果图可以看出，本发明在置换区域个数、大小、位置不同时，能有效的分离出置换区域，证明本发明具有很好的分离准确性和鲁棒性。
本发明将卷积神经网络用于含噪声的置换混叠图像的盲分离，不仅提高了盲分离的准确性，而且增强了算法的鲁棒性；克服了传统盲分离算法的准确性不高、特征域不易选取的缺点；对于置换区域位置、大小、个数及噪声方差不同的置换混叠图像，均能有效分离出置换区域图像。

Claims (6)

1.一种置换混叠图像盲分离方法，其特征在于，步骤如下：
将已知置换区域位置的至少两个含噪声的置换混叠图像转换为图片，赋值给train_x；并将所述已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原置换混叠图像大小一样的图像并将其转换成矩阵，赋值给train_y；
构建卷积神经网络，将train_x和train_y输入到卷积神经网络进行训练，获得训练好的卷积神经网络；
将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；
对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。
2.根据权利要求1所述的置换混叠图像盲分离方法，其特征在于，将图像特征图的矩阵中像素为0的像素值及其附近的像素值修改为1，其他像素值修改为0，得到优化后的图像特征图。
3.根据权利要求1或2所述的置换混叠图像盲分离方法，其特征在于，所述卷积神经网络包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层和输出层。
4.一种置换混叠图像盲分离装置，其特征在于，包括处理器和存储器，所述处理器用于处理存储在存储器中的指令以实现如下方法：
将已知置换区域位置的至少两个含噪声的置换混叠图像转换为图片，赋值给train_x；并将所述已知置换区域位置的含噪声的置换混叠图像中含噪声的置换区域定义为1，不含噪声的区域定义为0，生成与原置换混叠图像大小一样的图像并将其转换成矩阵，赋值给train_y；
构建卷积神经网络，将train_x和train_y输入到卷积神经网络进行训练，获得训练好的卷积神经网络；
将待检测的置换混叠图像进行预处理，并输入到训练好的卷积神经网络，获取图像特征图；
对图像特征图进行优化，并将优化后的图像特征图与原待检测的置换混叠图像进行点乘操作，得到分离效果图。
5.根据权利要求4所述的置换混叠图像盲分离装置，其特征在于，将图像特征图的矩阵中像素为0的像素值及其附近的像素值修改为1，其他像素值修改为0，得到优化后的图像特征图。
6.根据权利要求4或5所述的置换混叠图像盲分离装置，其特征在于，所述卷积神经网络包括输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层和输出层。
CN201810848315.XA 2018-07-27 2018-07-27 一种置换混叠图像盲分离方法及装置 Active CN109034070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810848315.XA CN109034070B (zh) 2018-07-27 2018-07-27 一种置换混叠图像盲分离方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810848315.XA CN109034070B (zh) 2018-07-27 2018-07-27 一种置换混叠图像盲分离方法及装置

Publications (2)

Publication Number Publication Date
CN109034070A CN109034070A (zh) 2018-12-18
CN109034070B true CN109034070B (zh) 2021-09-14

Family

ID=64646489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810848315.XA Active CN109034070B (zh) 2018-07-27 2018-07-27 一种置换混叠图像盲分离方法及装置

Country Status (1)

Country Link
CN (1) CN109034070B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448749B (zh) * 2018-12-19 2022-02-15 中国科学院自动化研究所 基于有监督学习听觉注意的语音提取方法、系统、装置
CN111126199B (zh) * 2019-12-11 2023-05-30 复旦大学 基于回波测量数据的信号特征提取与数据挖掘方法
CN113271272B (zh) * 2021-05-13 2022-09-13 侯小琪 一种基于残差神经网络的单通道时频混叠信号盲分离方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424960B1 (en) * 1999-10-14 2002-07-23 The Salk Institute For Biological Studies Unsupervised adaptation and classification of multiple classes and sources in blind signal separation
CN102567987A (zh) * 2011-11-28 2012-07-11 贵州大学 图像合成篡改中人工模糊操作痕迹的检测方法
CN103295187A (zh) * 2012-02-23 2013-09-11 北京师范大学 基于反馈机制的抗混合噪声的盲图像源分离方法
CN105139353A (zh) * 2015-08-14 2015-12-09 河南师范大学 一种置换混叠图像的盲分离方法
CN105426912A (zh) * 2015-11-12 2016-03-23 河南师范大学 一种置换混叠图像的盲分离方法
CN108230224A (zh) * 2017-12-29 2018-06-29 湖北工业大学 一种针对校正后色盲图像的图像水印嵌入方法和提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10014002B2 (en) * 2016-02-16 2018-07-03 Red Pill VR, Inc. Real-time audio source separation using deep neural networks

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6424960B1 (en) * 1999-10-14 2002-07-23 The Salk Institute For Biological Studies Unsupervised adaptation and classification of multiple classes and sources in blind signal separation
CN102567987A (zh) * 2011-11-28 2012-07-11 贵州大学 图像合成篡改中人工模糊操作痕迹的检测方法
CN103295187A (zh) * 2012-02-23 2013-09-11 北京师范大学 基于反馈机制的抗混合噪声的盲图像源分离方法
CN105139353A (zh) * 2015-08-14 2015-12-09 河南师范大学 一种置换混叠图像的盲分离方法
CN105426912A (zh) * 2015-11-12 2016-03-23 河南师范大学 一种置换混叠图像的盲分离方法
CN108230224A (zh) * 2017-12-29 2018-06-29 湖北工业大学 一种针对校正后色盲图像的图像水印嵌入方法和提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Single-channel blind separation of JPEG permuted image using double compression;Wei Wang等;《2010 International Conference on Audio, Language and Image Processing》;20101231;第439-443页 *
基于盲源分离的模糊合成图像被动取证;王伟等;《小型微型计算机系统》;20131130;第2652-2656页 *
将稀疏自动编码器用于置换混叠图像盲分离;段新涛等;《信号处理》;20160531;第608-617页 *

Also Published As

Publication number Publication date
CN109034070A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN108198154B (zh) 图像去噪方法、装置、设备及存储介质
CN106897673B (zh) 一种基于retinex算法和卷积神经网络的行人再识别方法
CN107220990B (zh) 一种基于深度学习的头发分割方法
CN109034070B (zh) 一种置换混叠图像盲分离方法及装置
CN109377555B (zh) 自主水下机器人前景视场三维重建目标特征提取识别方法
CN111401293B (zh) 一种基于Head轻量化Mask Scoring R-CNN的手势识别方法
CN107464217B (zh) 一种图像处理方法及装置
CN111260591B (zh) 一种基于注意力机制的图像自适应去噪方法
CN111259940A (zh) 一种基于空间注意力地图的目标检测方法
CN108320306B (zh) 融合tld和kcf的视频目标跟踪方法
JP7353803B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN109753996B (zh) 基于三维轻量化深度网络的高光谱图像分类方法
CN111145102A (zh) 一种基于卷积神经网络的合成孔径雷达图像去噪方法
CN110991563A (zh) 一种基于特征融合的胶囊网络随机路由算法
CN111047618A (zh) 基于多尺度的无参考屏幕内容图像质量评估方法
CN110751667A (zh) 基于人类视觉系统的复杂背景下红外弱小目标检测方法
Babu et al. An efficient image dahazing using Googlenet based convolution neural networks
An et al. HFM: A hybrid fusion method for underwater image enhancement
CN107292275B (zh) 一种频域划分的人脸特征识别方法及系统
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
CN111369489B (zh) 一种图像识别方法、装置及终端设备
CN105303529A (zh) 一种基于直方图均衡化的数字图像去雾方法
CN113780301B (zh) 防御对抗攻击的自适应去噪机器学习应用方法
CN113256528B (zh) 基于多尺度级联深度残差网络的低照度视频增强方法
CN115223033A (zh) 一种合成孔径声呐图像目标分类方法及系统

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
GR01 Patent grant
GR01 Patent grant