CN109035163B - 一种基于深度学习的自适应图像去噪方法 - Google Patents
一种基于深度学习的自适应图像去噪方法 Download PDFInfo
- Publication number
- CN109035163B CN109035163B CN201810750492.4A CN201810750492A CN109035163B CN 109035163 B CN109035163 B CN 109035163B CN 201810750492 A CN201810750492 A CN 201810750492A CN 109035163 B CN109035163 B CN 109035163B
- Authority
- CN
- China
- Prior art keywords
- image
- adaptive
- neural network
- layer
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20024—Filtering details
-
- 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
本发明涉及一种基于深度学习的自适应图像去噪方法，包括如下步骤：步骤1）建立图像集；步骤2)构建自适应深度卷积神经网络；步骤3)训练自适应深度卷积神经网络：设置深度卷积神经网络网络的学习率和动量参数，通过深度学习框架训练所述自适应深度卷积神经网络直至训练达到迭代最大次数，生成训练后的自适应深度卷积神经网络模型；步骤4)图像去噪：将待去噪的图像输入至训练好的自适应深度卷积神经网络模型，得到对应的残差图像，再将待去噪的图像减去残差图像得到去噪后的图像。有益效果：该方法进一步提高和稳定卷积神经网络的训练性能，并且保证去噪性能，节省时间，无需手动调参，能实现未知噪声级图像的盲去噪。
Description
技术领域
本发明属于图像处理技术领域，特别涉及了一种基于深度学习的自适应图像去噪方法。
背景技术
图像在成像、存储和传输等过程中，由于受传感器缺陷、宽带限制、码流丢失、环境噪声、有损压缩和数模转换等问题影响，导致图像视觉效果变差。那么就会对后续的目标分割、识别、检测和跟踪等深层研究产生影响，进而对图像分析、描述、分类和解释造成干扰。尤其是在近年兴起的模式识别和人工智能领域，图像质量的高低对它们有着决定性的作用。所以，对污染的噪声进行图像去噪得到高质量的图像这一过程的分析是有必要的，同时更是图像处理方向最具基础和前景的学科之一。随着图像技术的广泛使用，图像去噪技术也已经渗透到人类生活的方方面面。
近年来，图像去噪方面各种去噪方法。这些去噪方法有三大缺点：第一，这些算法在测试阶段普遍存在复杂优化问题，以牺牲时间来达到高性能去噪效果，使得去噪时间延迟；第二，现有模型普遍是非凸的并且还有一部分是要手动选择参数从而提高去噪性能。第三，训练出的模型都是针对已知具体的噪声值，无法实现未训练图像的盲噪声去噪。
无论是以陈运锦等人提出的TNRD(Trainable Nonlinear Reaction Diffusion，TNRD)[Chen,Y.,&Pock,T.(2016).Trainable nonlinear reaction diffusion:aflexible framework for fast and effective image restoration.IEEE Transactionson Pattern Analysis&Machine Intelligence,39(6),1256-1272.]方法，还是Schmidt和Roth提出的CSF(Cascade of Shrinkage Fields，CSF)[Schmidt,U.,&Roth,S.(2014).Shrinkage Fields for Effective Image Restoration.IEEE Conference on ComputerVision and Pattern Recognition(pp.2774-2781).IEEE Computer Society.]方法,它们都较好的平衡了计算效率和去噪质量的关系，得到令人满意的结果。但是由于它们是基于先验知识的分析模型，具体而言，它们在获取图像全部特征结构时受到限制，以及在整个训练阶段都要手动的微调参数，此外这些方法训练出的模型都是针对已知具体的噪声级，无法实现未知噪声级图像的盲去噪。即使目前最优的DnCNN方法[Zhang K,Zuo W,Chen Y,etal.Beyond a Gaussian Denoiser:Residual Learning of Deep CNN for ImageDenoising.[J].IEEE Transactions on Image Processing,2017,26(7):3142-3155]打破了传统的去噪方法，利用残差学习完成去噪，也需要预先设定噪声训练图像的标准偏差。如果训练图像的所有标准偏差是相同的，则方法仅适用于特定的噪声级。因此该方法也无法实现未知噪声级图像的盲去噪。
发明内容
本发明的目的是克服上述背景技术的不足，提供一种基于深度学习的自适应图像去噪方法，保证去噪性能，节省时间，无需手动调参。为了实现上述技术目的，本发明的技术方案为：
所述基于深度学习的自适应图像去噪方法,包括如下步骤：
步骤1)建立图像集：设定有噪声的图像y、对应的理想无噪声图像u以及噪声v，则y＝u+v；
步骤2)构建自适应深度卷积神经网络；
步骤3)训练自适应深度卷积神经网络：设置深度卷积神经网络网络的学习率和动量参数，通过深度学习框架训练所述自适应深度卷积神经网络直至训练达到迭代最大次数，生成训练后的自适应深度卷积神经网络模型；
步骤4)图像去噪：将待去噪的图像输入至训练好的自适应深度卷积神经网络模型，得到对应的残差图像，再将待去噪的图像减去残差图像得到去噪后的图像。
所述基于深度学习的自适应图像去噪方法的进一步设计在于，所述步骤1)中噪声v的标准偏差设定为用于表示噪声级的σ。
所述基于深度学习的自适应图像去噪方法的进一步设计在于，所述步骤1)中建立图像集的过程具体为：获取伯克利BSDS500图像数据集并在互联网上下载无噪声的图像作为原始无噪声图像集，并采用y＝u+v添加不同σ值的噪声，噪声图像裁剪成n*n大小，处理得到N个噪声-干净训练图像和对应的噪声方标准差
其中下标i表示序列号。
所述基于深度学习的自适应图像去噪方法的进一步设计在于，所述步骤2)包括：步骤2-1)图像特征提取：对输入的噪声图像yi进行特征提取得到特征图a0,i：
a0,i＝fact(W0yi+b0) (1)
式(1)中W0是初始层的卷积滤波系数，b0是初始层的偏差，fact为激活层使用的激活函数，fact通过阈值法实现，fact满足：
步骤2-2)图像特征变换；将所述特征图进行l次的特征变换，每次变换都是从当前特征图的上一层al-1,i中进行滤波得到当前特征图al,i：
al,i＝fact(fbn(Wlal-1,i+bl)) (3)
式(3)中，fbn是批规范化函数，Wl是第l层的卷积滤波系数，bl是第l层的偏差；
步骤2-3)根据式(4)计算残差图像R(yi)；
R(yi)＝Wd-1ad-2,i+bd-1 (4)
式(4)中的Wd-1是第d-1层的卷积滤波系数，ad-,i是d-2层的特征图，bd-1是第d-1层的偏差。
所述基于深度学习的自适应图像去噪方法的进一步设计在于，所述步骤2-2)中每一特征图al,i的特征转换层都由一个卷积层、批规范化层和激活层组成，其中卷积核大小为3*3，并采用64个滤波器。
所述基于深度学习的自适应图像去噪方法的进一步设计在于，所述步骤3)中训练自适应深度卷积神经网络采用的损失函数如式(5)，
式(5)中，i表示序列号，Θ表示训练参数，R为残差图像。
有益效果：
本发明的基于深度学习的自适应图像去噪方法使用阈值法作为激活函数，模型中通过使用批规范化和残差学习进一步提高和稳定卷积神经网络的训练性能，并且保证去噪性能，节省时间，无需手动调参。该方法无论是峰值信噪比PSNR还是结构相似性MSSIM都超过其它去噪方法。该方法既保证了去噪精度和速度，又可以在不降低去噪性能情况下能完成未知噪声级图像的盲去噪，节省了训练成本。
附图说明
图1为基于深度学习的自适应图像去噪方法的流程图。
图2为构造深度残差学习网络的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步详细的说明。
本实施例的基于深度学习的自适应图像去噪方法包括如下步骤：
步骤1)建立图像集。
设有噪声的图像y，对应理想无噪声图像u，噪声v，则y＝u+v。噪声v的标准偏差为σ，σ表示噪声级。
获取伯克利BSDS500图像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，并用y＝u+v添加不同σ值的噪声，噪声图像裁剪成n*n大小(n为自然数)，处理得到N(N为自然数)个噪声-干净训练图像和对应的噪声方标准差
其中下标i表示序列号。
步骤2)构建自适应深度卷积神经网络。
步骤2-1)图像特征提取：对输入的第i个噪声图像yi进行特征提取得到特征图a0,i。
a0,i＝fact(W0yi+b0) (1)
W0是初始层的卷积滤波系数，b0是初始层的偏差。
式(1)中
该步骤中采用的卷积核大小为3*3，64个滤波器，激活层使用激活函数fact。
步骤2-2)图像特征变换。
根据步骤2-1)得到的特征图进行l次的特征变换，每次变换都是从它上一层al-1,i中进行滤波得到本层的特征图al,i。
al,i＝fact(fbn(Wlal-1,i+bl)) (3)
式(3)中fbn是批规范化函数，Wl是第l层的卷积滤波系数，bl是第l层的偏差。
每一个特征转换层都由一个卷积层、批规范化层和激活层组成，其中卷积核大小为3*3，64个滤波器，从而进行17次的特征转换。
步骤2-3)计算残差图像R(yi)；
R(yi)＝Wd-1ad-2,i+bd-1 (4)
Wd-1是第d-1层的卷积滤波系数，ad-,i是d-2层的特征图，bd-1是第d-1层的偏差。
步骤3)训练自适应深度卷积神经网络；
设置深度卷积神经网络网络的学习率和动量参数，利用深度学习框架用步骤1的图像集按步骤2)训练卷积神经网络直至代价损失减少到一定程度且训练达到迭代最大次数，生成训练后的自适应深度卷积神经网络模型。训练卷积神经网络采用的损失函数
其中i表示序列号，Θ表示训练参数，R为残差图像。
步骤4)图像去噪。
将待去噪的图像输入训练好的深度卷积神经网络，得到对应的残差图像。用待去噪的图像减去残差图像即得到去噪后的图像。
本实施例的基于深度学习的自适应图像去噪方法使用阈值法作为激活函数，模型中通过使用批规范化和残差学习来进一步提高和稳定卷积神经网络的训练性能，并且保证去噪性能，节省时间，无需手动调参。该方法实现了实现未知噪声级图像的盲去噪，客观评价值指标也都超过其它去噪方法。提出的方法既保证了去噪精度和速度，又可以在不降低去噪性能情况下能完成未知噪声级图像的盲去噪，节省了训练成本。
为了验证该方法的有效性与可靠性，与现有的去噪方法(包括两种非局部相似性方法：BM3D；一种生成式方法：EPLL；三种基于判别式训练方法：TNRD)进行比较。表1给出不同算法在BSD68数据集上的平均PSNR，表2给出BM3D、TNRD、DnCNN和本申请算法的MSSIM值比较的MSSIM。设置学习率为0.01，动量参数0.9，最大迭代次数100万次，n＝128，N＝400。
本实施例给出用于比较的三种基于判别式训练方法TNRD虽然都是基于判别式模型，但是这三种方法训练出来的模型只能对特定噪声级的图像去噪，比如训练σ＝25的模型，那么，测试时也只能用σ＝25的噪声图像进行去噪。
表1
表2
由表1、表2可知提出的方法无论是PSNR还是MSSIM都超过其它现有去噪方法，保证了去噪精度和速度，又可以在不降低去噪性能情况下完成未知噪声级图像的盲去噪，节省了训练成本。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围，包括但不限于用本方法以及其改进和变形方法用于其它图像处理方面，如图像分类、定位、识别、增强等。
Claims (5)
1.一种基于深度学习的自适应图像去噪方法，其特征在于包括如下步骤：
步骤1)建立图像集：设定有噪声的图像y、对应的理想无噪声图像u以及噪声v，则y＝u+v；
步骤2)构建自适应深度卷积神经网络；
步骤3)训练自适应深度卷积神经网络：设置深度卷积神经网络的学习率和动量参数，通过深度学习框架训练所述自适应深度卷积神经网络直至训练达到迭代最大次数，生成训练后的自适应深度卷积神经网络模型；
步骤4)图像去噪：将待去噪的图像输入至训练好的自适应深度卷积神经网络模型，得到对应的残差图像，再将待去噪的图像减去残差图像得到去噪后的图像；
所述步骤2)包括：步骤2-1)图像特征提取：对输入的第i个噪声图像yi进行特征提取得到特征图a0,i：
a0,i＝fact(W0yi+b0) (1)
式(1)中W0是初始层的卷积滤波系数，b0是初始层的偏差，fact为激活层使用的激活函数，fact通过阈值法实现，fact满足：
步骤2-2)图像特征变换；将所述特征图进行l次的特征变换，每次变换都是从当前特征图的上一层al-1,i中进行滤波得到当前特征图al,i：
al,i＝fact(fbn(Wlal-1,i+bl)) (3)
式(3)中，fbn是批规范化函数，Wl是第l层的卷积滤波系数，bl是第l层的偏差；
步骤2-3)根据式(4)计算残差图像R(yi)；
R(yi)＝Wd-1ad-2,i+bd-1 (4)
式(4)中的Wd-1是第d-1层的卷积滤波系数，ad-2 ,i是d-2层的特征图，bd-1是第d-1层的偏差。
2.根据权利要求1所述的基于深度学习的自适应图像去噪方法，其特征在于所述步骤1)中噪声v的标准偏差设定为用于表示噪声级的σ。
3.根据权利要求2所述的基于深度学习的自适应图像去噪方法，其特征在于所述步骤1)中建立图像集的过程具体为：获取伯克利BSDS500图像数据集并在互联网上下载无噪声的图像作为原始无噪声图像集，并采用y＝u+v添加不同σ值的噪声，噪声图像裁剪成n*n大小，处理得到N个噪声-干净训练图像和对应的噪声方标准差
其中下标i表示序列号。
4.根据权利要求1所述的基于深度学习的自适应图像去噪方法,其特征在于所述步骤2-2)中每一特征图al,i的特征转换层都由一个卷积层、批规范化层和激活层组成，其中卷积核大小为3*3，并采用64个滤波器。
5.根据权利要求3所述的基于深度学习的自适应图像去噪方法,其特征在于所述步骤3)中训练自适应深度卷积神经网络采用的损失函数如式(5)，
式(5)中，i表示序列号，Θ表示训练参数，R为残差图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810750492.4A CN109035163B (zh) | 2018-07-09 | 2018-07-09 | 一种基于深度学习的自适应图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810750492.4A CN109035163B (zh) | 2018-07-09 | 2018-07-09 | 一种基于深度学习的自适应图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109035163A CN109035163A (zh) | 2018-12-18 |
| CN109035163B true CN109035163B (zh) | 2022-02-15 |
Family
ID=64640677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810750492.4A Active CN109035163B (zh) | 2018-07-09 | 2018-07-09 | 一种基于深度学习的自适应图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109035163B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685743B (zh) * | 2018-12-30 | 2023-01-17 | 陕西师范大学 | 基于噪声学习神经网络模型的图像混合噪声消除方法 |
| CN109949235A (zh) * | 2019-02-26 | 2019-06-28 | 浙江工业大学 | 一种基于深度卷积神经网络的胸部x光片去噪方法 |
| CN110335202A (zh) * | 2019-04-08 | 2019-10-15 | 武汉理工大学 | 一种水下声纳图像噪声消除方法 |
| CN110097512B (zh) * | 2019-04-16 | 2021-06-04 | 四川大学 | 基于Wasserstein生成对抗网络的MRI图像去噪模型的构建方法及应用 |
| CN110197464A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学 | 深度相机深度图实时去噪方法和装置 |
| CN110163827B (zh) * | 2019-05-28 | 2023-01-10 | 腾讯科技（深圳）有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
| CN110211069B (zh) * | 2019-06-03 | 2021-09-03 | 广东工业大学 | 一种图像去噪模型训练方法、系统、设备、计算机介质 |
| 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 |
| CN111127356A (zh) * | 2019-12-18 | 2020-05-08 | 清华大学深圳国际研究生院 | 一种图像盲去噪系统 |
| CN111353958B (zh) | 2020-02-28 | 2023-07-25 | 北京东软医疗设备有限公司 | 图像处理方法、装置及系统 |
| CN111489306A (zh) * | 2020-03-31 | 2020-08-04 | 天津大学 | 基于强化学习的图像去噪方法 |
| CN111192226B (zh) * | 2020-04-15 | 2020-07-31 | 苏宁云计算有限公司 | 一种图像融合去噪方法及装置、系统 |
| CN111861886B (zh) * | 2020-07-15 | 2023-08-08 | 南京信息工程大学 | 一种基于多尺度反馈网络的图像超分辨率重建方法 |
| WO2022163440A1 (ja) * | 2021-01-29 | 2022-08-04 | 富士フイルム株式会社 | 情報処理装置、撮像装置、情報処理方法、及びプログラム |
| CN112818876B (zh) * | 2021-02-04 | 2022-09-20 | 成都理工大学 | 一种基于深度卷积神经网络的电磁信号提取与处理方法 |
| 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 |
| CN116843582B (zh) * | 2023-08-31 | 2023-11-03 | 南京诺源医疗器械有限公司 | 基于深度学习的2cmos相机的去噪增强系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2269155C2 (ru) * | 2003-08-22 | 2006-01-27 | Евгений Александрович Самойлин | Модель нейрона, реализующая логическую функцию неравнозначности |
| CN107507141A (zh) * | 2017-08-07 | 2017-12-22 | 清华大学深圳研究生院 | 一种基于自适应残差神经网络的图像复原方法 |
-
2018
- 2018-07-09 CN CN201810750492.4A patent/CN109035163B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2269155C2 (ru) * | 2003-08-22 | 2006-01-27 | Евгений Александрович Самойлин | Модель нейрона, реализующая логическую функцию неравнозначности |
| CN107507141A (zh) * | 2017-08-07 | 2017-12-22 | 清华大学深圳研究生院 | 一种基于自适应残差神经网络的图像复原方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》;Zhang K,et al;《IEEE Transactions on Image Processing》;20170201;3142-3155 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109035163A (zh) | 2018-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035163B (zh) | 一种基于深度学习的自适应图像去噪方法 | |
| CN108596258B (zh) | 一种基于卷积神经网络随机池化的图像分类方法 | |
| CN108009520B (zh) | 基于卷积变分自编码器网络的手指静脉识别方法及系统 | |
| CN109872288B (zh) | 用于图像去噪的网络训练方法、装置、终端及存储介质 | |
| Xu et al. | Multi-channel weighted nuclear norm minimization for real color image denoising | |
| CN109754017B (zh) | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 | |
| CN108898180B (zh) | 一种面向单颗粒冷冻电镜图像的深度聚类方法 | |
| CN109410127B (zh) | 一种基于深度学习与多尺度图像增强的图像去噪方法 | |
| CN103279931B (zh) | 基于透射率的去雾图像去噪方法 | |
| CN111062880A (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
| CN108416740B (zh) | 一种消除椒盐噪声的迭代自适应中值滤波方法 | |
| CN110992292B (zh) | 一种增强型低秩稀疏分解模型医学ct图像去噪方法 | |
| CN111127504B (zh) | 心房间隔闭塞患者心脏医学影像分割方法及系统 | |
| CN111260591B (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
| CN110880010A (zh) | 基于卷积神经网络的视觉slam闭环检测算法 | |
| CN105678245A (zh) | 一种基于哈尔特征的靶位识别方法 | |
| CN112733929A (zh) | 一种改进Yolo水下图像小目标和遮挡目标的检测方法 | |
| CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
| CN107292855B (zh) | 一种结合自适应非局部样本和低秩的图像去噪方法 | |
| CN114283829B (zh) | 一种基于动态门控卷积循环网络的语音增强方法 | |
| CN107301629A (zh) | 一种基于变换域联合稀疏表示的图像重构方法 | |
| CN107944393B (zh) | 人脸鼻尖定位方法 | |
| CN110503608A (zh) | 基于多视角的卷积神经网络的图像去噪方法 | |
| CN111639555B (zh) | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 | |
| CN105574831B (zh) | 一种修正的图像块期望对数似然估计的图像去噪方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230104 Address after: 211500 No. 59 Wang Qiao Road, Xiongzhou Street, Liuhe District, Nanjing City, Jiangsu Province Patentee after: Nanjing Xiaoyang Electronic Technology Co.,Ltd. Address before: 210019 No. 69 Olympic Sports street, Jianye District, Jiangsu, Nanjing Patentee before: Nanjing University of Information Science and Technology |