CN109118435A - 一种基于PReLU的深度残差卷积神经网络图像去噪方法 - Google Patents
一种基于PReLU的深度残差卷积神经网络图像去噪方法 Download PDFInfo
- Publication number
- CN109118435A CN109118435A CN201810621701.5A CN201810621701A CN109118435A CN 109118435 A CN109118435 A CN 109118435A CN 201810621701 A CN201810621701 A CN 201810621701A CN 109118435 A CN109118435 A CN 109118435A
- Authority
- CN
- China
- Prior art keywords
- image
- neural networks
- convolutional neural
- prelu
- depth
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 22
- 239000011248 coating agent Substances 0.000 claims description 8
- 238000000576 coating method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 101001013832 Homo sapiens Mitochondrial peptide methionine sulfoxide reductase Proteins 0.000 claims description 3
- 102100031767 Mitochondrial peptide methionine sulfoxide reductase Human genes 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims 1
- 230000004913 activation Effects 0.000 abstract description 6
- 238000013507 mapping Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 14
- 238000001914 filtration Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007519 figuring Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
Abstract
本发明涉及一种基于PReLU的深度残差卷积神经网络图像去噪方法,以深度卷积神经网络为基础,结合高斯噪音模拟未知的真实噪音图像去噪任务,通过一种针对图像去噪的深度卷积神经网络结构,使用PReLU激活函数代替Sigmoid和ReLU函数,增加残差学习减少映射的复杂度,采用优化的网络训练技巧和网络参数设置,全面提升网络的去噪能力。与现有的其它去噪算法相比,本发明在各种不同标准方差混合的高斯噪音环境下性能表现十分优异,在消除噪声的同时能很好地保留图像中的细节信息。
Description
技术领域
本发明涉及图像去噪的技术领域,尤其涉及到一种基于PReLU的深度残差卷积神经网络图像去噪方法。
背景技术
人们在图像获取或传输的过程中,会由于一些不可抗拒因素,比如光照、温度、天气和图像成像设备等外界条件的影响以及电阻、电磁和元器件干扰等内部条件的影响,产生噪声,得到质量下降,特征模糊的含噪图像,给后续的信息传播以及图像分析和处理造成影响。因此,在图像处理领域,图像去噪技术一直是不可缺少的研究课题,是诸多相关图像算法预处理部分的必备过程,具有非常重要的理论价值和实际意义。
针对不同图像自身的特点和噪声的规律,图像去噪的解决方案主要有:采用空域滤波和频域滤波的传统方法、基于小波变换的图像去噪方法,基于偏微分方程的图像去噪方法、基于非局部特性的图像去噪方法以及基于稀疏表示理论的图像去噪方法等。然而,上述的几种图像去噪方案均存在各自的缺陷:
对于空域去噪算法来说,图像中的噪声能够有效地被这种算法消弱,但是也同时带来了另外的麻烦——图像的模糊和细节的丢失。空域去噪类算法的原理都是对图像的整体进行处理而不考虑图像的细节,细节丢失和图像模糊的问题依然没有得到改善;开关中值滤波算法存在着很大的缺陷,一是虽然对于含有较低噪声的图像的滤波效果非常理想,但是如果图像含的噪声较低的话,它的去噪性能却急剧下降。二是如何设置阈值会对滤波的结果产生极其严重的影响。由于椒盐噪声与图像像素点灰度值相差极大,极值中值滤波算法正是考虑到了这一特性,根据图像局部灰度值与像素点的灰度值的极值是否近似来判断该像素点是否为噪声点;由于在图像局部总是存在极小值和极大值,但不一定存在噪声点,因此这种去噪方法存在瑕施。
对于频域去噪算法来说,频域图像去噪则因为振铃现象,常常会模糊掉边缘和部分高频纹理信息,这些信息在经过频域变换映射时被丢失,让图像损失部分的高频信息。
基于小波变换的图像去噪方法,较于传统的傅式频域去噪和空域去噪,小波变换引入小波基将频域和空域同时考虑进来,可以综合空域去噪和频域去噪的优点。然和,因为图像本身的复杂度高,选取合适的小波基去分离噪声和信号,是一项比较困难,且需要经验的工作。
偏微分方程的去噪方法是根据偏微分方程具有各向异性的特点,旨在去噪声的同时保持良好的边缘信息。但是,因为偏微分方程的去噪方法在引入高阶微分方程的同时,提高了求解问题的复杂性,有时候容易把问题建模成病态问题使得去噪性能在实际应用中存在较大的不确定性。
基于稀疏表示理论的去噪方法,通过求解最小超完备字典,和构建系数矩阵重新表示原有图像,某种程度而言。这也是现行深度学习的宗旨。然而,超完备的字典构建并不是意见容易的事情,因为其提出的字典并不像深度学习中抽取的特征分为低维和高维的特征结构。所以这个超完备字典对于重建内在特征结构复杂的图像,常常不具备足够的模型深度其表示图像信号。
非局部算法中的BM3D被认为是当前最好的去噪算法,它不依赖概率性的图像先验,充分利用自然图像中的自相似性,有较好的去噪效果。但是,当图像噪声强度增大时,图像内部能够利用的有用信息减少,根据噪声图片内部的信息进行去噪BM3D方法的去噪效果就会变差。
发明内容
本发明的目的在于克服现有技术的不足,提供一种在各种不同标准方差混合的高斯噪音环境下性能表现优异、且在消除噪声的同时能很好地保留图像中的细节信息的基于PReLU的深度残差卷积神经网络图像去噪方法。
本发明的技术方案是这样实现的:
一种基于PReLU的深度残差卷积神经网络图像去噪方法,包括以下步骤:
S1:搭建由多个卷积与激活层组成的深度卷积神经网络模型,神经网络最后的输出与源图像相加,构成残差学习层;
S2:选取训练集,并设置步骤S1中深度卷积神经网络模型的学习速率,衰减速率,训练次数;
S3:根据步骤S2中设置的超参数和步骤S1中深度卷积神经网络的结构,设定损失函数;
S4:使用随机梯度下降算法,不断最小化步骤S3中设定的损失函数,得到新的深度卷积神经网络模型;
S5:将含噪图像输入步骤S4最后得到的模型中,输出去噪后的图像。
进一步地,所述步骤S1搭建的深度卷积神经网络模型中的激活层采用PRelu函数。
进一步地,所述深度卷积神经网络模型中的卷积子网充分利用卷积神经网络的特征学习能力,通过调整卷积核的大小,特征图的数量和隐含层的数目的方式调节网络结构,从而组合学习出更多的特征。
进一步地,所述深度卷积神经网络模型中每层卷积层的结构由不同数量的尺寸不一的卷积核组成。
进一步地,步骤S2所述的训练集包括多种含噪图像和相应的原始图像,且包含的噪声图像以步长为20分割成40X40的噪声图像块。
进一步地,所述步骤S3中的损失函数为欧氏距离函数:
式中,N为样本总数,x1i和x2i为所述训练集中图像的噪声图像和原始图像。
进一步地,所述步骤S4中的网络模型的权值初始化使用MSRA算法生成,随机梯度下降算法使用其改进的Adam优化算法。
进一步地,所述步骤S5中采用的网络模型根据最优化损失函数获得的卷积层权值组成。
进一步地,所述步骤S2中选取的训练集包含一种固定方差的高斯白噪声,步骤S4中分别以同一个模型训练不同固定方差的训练集,以得到针对特定方差的网络模型,步骤S5中将待去噪的图像输入到相应的方差模型下,最后得到去噪后的图像。
与现有技术相比,本方案原理和优点如下:
1、搭建的深度卷积神经网络模型的多个卷积核大小,和每一层需要过滤学习出的特征图数,都是经过实验后,优化网络参数的配置得来,综合了性能和去噪效果,避免为了过深网络层次结构带来的巨大的计算开销。
2、针对多种不同的方差的高斯白噪声来训练不同的去噪网络,以此取得针对不同强度噪声的良好的去噪效果,比将多种噪声混合进行训练得到的神经网络参数的去噪效果更好,也能避免模型结构过于复杂所带来的过拟合问题,和性能消耗。
3、使用PRelu激活函数,与在其它深度神经网络中常用的Relu函数相比,有更丰富的非线性能力,同时也避免了Sigmoid函数在随机梯度下降优化算法中,反向迭代产生的梯度爆炸效果。
4、增加了残差学习,以最小化残差为目标,损失函数为欧式距离函数通过不断最小化损失函数获取更高的峰值信噪比(PeakSignal to Noise Ratio,PNSR)值。由于残差的映射复杂度要小于原始图像本身的映射复杂度,引入残差学习可以有效避免过拟合并加快网络的收敛速度。
附图说明
图1为本发明一种基于PReLU的深度残差卷积神经网络图像去噪方法的流程图;
图2为本发明实施例中的深度卷积神经网络模型内部的结构示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
如图1所示,一种基于PReLU的深度残差卷积神经网络图像去噪方法,包括以下步骤:
S1:搭建由多个卷积与激活层组成的深度卷积神经网络模型,神经网络最后的输出与源图像相加,构成残差学习层;其中激活层采用Parametric Rectified Linear Unit(PRelu)激活函数;
本实施例的深度卷积神经网络模型包括多个卷积核尺寸和大小都不一样的卷积层;如图2所示,网络结构共有8个卷积层,各个卷积核的尺寸分别为:3x3,3x3,3x3,9x9,7x7,5x5,1x1,5x5;各层的特征数分别设置为:8,16,32,64,32,16,8,1。其中前三层采用3x3的卷积核,3x3的卷积核是能够出去图像局部特征的最小卷积核。在图像的前三层使用小卷积核过滤,目的在于尽可能的发掘图像内部最小的特征;之后,再尝试用大的卷积核,把前部网络采集到的最小特征作为,进行特征组合,以逼近图像内部的噪声结构;最后使用PRelu函数作为每个卷积层后的激活层,与常见的Relu激活函数相比,PRelu函数的非线性能力更强。对比起sigmoid激活函数和tanz激活函数,又不会带来因为反向迭代算法带来的梯度消失或梯度爆炸现象。
S2:选取训练集,并设置步骤S1中深度卷积神经网络模型的学习速率,衰减速率,训练次数等;
本实施例选取伯克利图像分割数据集和分支(The Berkeley SegmentationDataset and Benchmark)所提供的300张图像数据(分辨率大小为321x418),根据随机数算法在源图像集合中抽取400次,并将每次抽取的图片随机截取为分辨率更小的图像(180x180)作为训练集;然后随机选取68张(321x418)作为测试数据。然后设置深度卷积神经网络的训练参数,包括每次输入模型的图像块数量,输入图像块和输出图像块的大小,图像深度,学习速率等。为增大数据量,将训练集中的图像进行了平移翻转等,数据扩张。在实际操作中,本发明的效果在于将噪声图像和原始图像分割成40x40的图像块,使得在训练的过程中,更容易被卷积核提取到特征;每次输入的图像块批量数目为128。将图像的深度设置为1(如果针对彩色图像去噪则深度设置为3);学习速率设置为0.0001,每次训练时的衰减速率设置为0.0001;每训练500次进行一次测试,观察目前模型的效果和修正的参数值,总共迭代训练1000000次。
S3:根据步骤S2中设置的超参数和步骤S1中深度卷积神经网络的结构,设定损失函数;
其中的损失函数为欧氏距离函数:
式中,N为样本总数,x1i和x2i为所述训练集中图像的噪声图像和原始图像。
S4:使用随机梯度下降算法,不断最小化步骤S3中设定的损失函数,得到新的深度卷积神经网络模型;
在本实施例中,优化网络结构的算法选用的是Adam,其中Adam优化方法是梯度下降算法的一个改进版,引入了可变的学习率和衰减量。其方式是,每时间步长迭代一次,计算一次平均梯度和平均梯度的平方根衰减量。因此能够一定程度地表面梯度下降法收敛于局部最优解的缺陷。其中初始化权值的算法采用了MSRA,避免了因为卷积核尺寸不一样而导致的收敛慢问题。使得生成的权值足够随机,从而更能在一定范围内收敛到最接近全局最优的解。
S5:将含噪图像输入步骤S4最后得到的模型中,输出去噪后的图像;
本实施例的网络模型由卷积层和激活层构成,输入层直接将含噪的二维图像输入到神经网络,卷积子网充分利用卷积神经网络的特征学习能力,通过调整卷积核的大小,特征图的数量和隐含层的数目的方式调节网络结构,从而组合学习出更多的特征,输出层输出噪声并与输入相加,合成完整的去噪图像,形成由含噪图像到噪声的非线性映射。本发明通过实验分析了训练数据以及模型本身对去噪效果的影响,实验结果表明,大量训练样本和大尺度训练片段能够取得更好的去噪效果,卷积神经网络层数的增加在充分调优的结构下有助于提高去噪效果,单纯地叠加层数,会增大去噪的计算量,使得算法在计算资源比较有限的场景下受到局限。通过与常用的去噪方法及其他深度学习去噪方法对比,显示出本发明构建的深度卷积神经网络能取得更好的去噪效果。
从表1和表2可以得出,本实施例的模型比传统网络的去噪效果要好。比网络结构特别深的DnCnn来说,取得不相上下的结果。本实施例使用了和DnCnn几乎相同的结构,包括残差学习,抛弃池化层等。但是希望集成SRCNN和ARCNN的轻结构,尽量避免把网络结构堆积得太深。DnCnn模型参照了VGGNet整个网络仅仅使用3x3的卷积核。希望这种小卷积核能够提取到图像包括上下左右最小的特征。
表1:不同去噪方法的PNSR(σ=25)
表2:不同去噪方法的SSIM(σ=25)
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (9)
1.一种基于PReLU的深度残差卷积神经网络图像去噪方法,其特征在于,包括以下步骤:
S1:搭建由多个卷积与激活层组成的深度卷积神经网络模型,神经网络最后的输出与源图像相加,构成残差学习层;
S2:选取训练集,并设置步骤S1中深度卷积神经网络模型的学习速率,衰减速率,训练次数;
S3:根据步骤S2中设置的超参数和步骤S1中深度卷积神经网络的结构,设定损失函数;
S4:使用随机梯度下降算法,不断最小化步骤S3中设定的损失函数,得到新的深度卷积神经网络模型;
S5:将含噪图像输入步骤S4最后得到的模型中,输出去噪后的图像。
2.根据权利要求1所述的一种基于PReLU的深度残差卷积神经网络图像去噪方法,其特征在于,所述步骤S1搭建的深度卷积神经网络模型中的激活层采用PRelu函数。
3.根据权利要求1所述的一种基于PReLU的深度残差卷积神经网络图像去噪方法,其特征在于,所述深度卷积神经网络模型中的卷积子网充分利用卷积神经网络的特征学习能力,通过调整卷积核的大小,特征图的数量和隐含层的数目的方式调节网络结构,从而组合学习出更多的特征。
4.根据权利要求3所述的一种基于PReLU的深度残差卷积神经网络图像去噪方法,其特征在于,所述深度卷积神经网络模型中每层卷积层的结构由不同数量的尺寸不一的卷积核组成。
5.根据权利要求1所述的一种基于PReLU的深度残差卷积神经网络图像去噪方法,其特征在于,步骤S2所述的训练集包括多种含噪图像和相应的原始图像,且包含的噪声图像以步长为20分割成40X40的噪声图像块。
6.根据权利要求1所述的一种基于PReLU的深度残差卷积神经网络图像去噪方法,其特征在于,所述步骤S3中的损失函数为欧氏距离函数:
式中,N为样本总数,x1i和x2i为所述训练集中图像的噪声图像和原始图像。
7.根据权利要求1所述的一种基于PReLU的深度残差卷积神经网络图像去噪方法,其特征在于,所述步骤S4中的网络模型的权值初始化使用MSRA算法生成,随机梯度下降算法使用其改进的Adam优化算法。
8.根据权利要求1所述的一种基于PReLU的深度残差卷积神经网络图像去噪方法,其特征在于,所述步骤S5中采用的网络模型根据最优化损失函数获得的卷积层权值组成。
9.根据权利要求1所述的一种基于PReLU的深度残差卷积神经网络图像去噪方法,其特征在于,所述步骤S2中选取的训练集包含一种固定方差的高斯白噪声,步骤S4中分别以同一个模型训练不同固定方差的训练集,以得到针对特定方差的网络模型,步骤S5中将待去噪的图像输入到相应的方差模型下,最后得到去噪后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810621701.5A CN109118435A (zh) | 2018-06-15 | 2018-06-15 | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810621701.5A CN109118435A (zh) | 2018-06-15 | 2018-06-15 | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109118435A true CN109118435A (zh) | 2019-01-01 |
Family
ID=64822329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810621701.5A Pending CN109118435A (zh) | 2018-06-15 | 2018-06-15 | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118435A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859147A (zh) * | 2019-03-01 | 2019-06-07 | 武汉大学 | 一种基于生成对抗网络噪声建模的真实图像去噪方法 |
CN109872288A (zh) * | 2019-01-31 | 2019-06-11 | 深圳大学 | 用于图像去噪的网络训练方法、装置、终端及存储介质 |
CN109934761A (zh) * | 2019-01-31 | 2019-06-25 | 中山大学 | 基于卷积神经网络的jpeg图像隐写分析方法 |
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 |
CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
CN110222173A (zh) * | 2019-05-16 | 2019-09-10 | 吉林大学 | 基于神经网络的短文本情感分类方法及装置 |
CN110322407A (zh) * | 2019-06-03 | 2019-10-11 | 辽宁师范大学 | 基于深度残差网络的图像椒盐噪声去除方法 |
CN110322530A (zh) * | 2019-06-21 | 2019-10-11 | 湖南大学 | 一种基于深度残差网络的可交互图像着色 |
CN110390646A (zh) * | 2019-06-12 | 2019-10-29 | 西南科技大学 | 一种细节保持图像去噪方法 |
CN110426075A (zh) * | 2019-06-20 | 2019-11-08 | 中国人民解放军战略支援部队信息工程大学 | 一种野外基线长度确定方法及装置 |
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 |
CN110910329A (zh) * | 2019-11-27 | 2020-03-24 | 中国科学技术大学 | 一种以需求为导向的图像去噪方法 |
CN111310666A (zh) * | 2020-02-18 | 2020-06-19 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
CN111563858A (zh) * | 2020-05-14 | 2020-08-21 | 大连理工大学 | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 |
CN111580162A (zh) * | 2020-05-21 | 2020-08-25 | 长江大学 | 基于残差卷积神经网络的地震资料随机噪音压制方法 |
CN111724318A (zh) * | 2020-06-15 | 2020-09-29 | 石家庄铁道大学 | 基于混合高阶偏微分方程模型的图像去噪方法 |
CN111899199A (zh) * | 2020-08-07 | 2020-11-06 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112818876A (zh) * | 2021-02-04 | 2021-05-18 | 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 |
CN113034373A (zh) * | 2019-12-24 | 2021-06-25 | 无锡祥生医疗科技股份有限公司 | 超声图像去噪神经网络、去噪方法及超声诊断设备 |
CN113284042A (zh) * | 2021-05-31 | 2021-08-20 | 大连民族大学 | 一种多路并行图像内容特征优化风格迁移方法及系统 |
DE102020104704A1 (de) | 2020-02-21 | 2021-08-26 | Carl Zeiss Microscopy Gmbh | Verfahren zur Verarbeitung von Bildern, Computerprogrammprodukt, Bildbearbeitungsvorrichtung und Strahlvorrichtung zum Ausführen des Verfahrens |
CN113362250A (zh) * | 2021-06-25 | 2021-09-07 | 南昌航空大学 | 一种基于双树四元小波与深度学习的图像去噪方法及系统 |
CN114399440A (zh) * | 2022-01-13 | 2022-04-26 | 马上消费金融股份有限公司 | 图像处理方法、图像处理网络训练方法、装置及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2018
- 2018-06-15 CN CN201810621701.5A patent/CN109118435A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (3)
Title |
---|
KAI ZHANG ET AL.: "Beyond a Gaussian Denoiser Residual Learning of Deep CNN for Image Denoising", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
章云港 等: "基于卷积神经网络的低剂量CT图像去噪方法", 《光学学报》 * |
龙法宁 等: "基于深层卷积网络的单幅图像超分辨率重建模型", 《广西科学》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872288A (zh) * | 2019-01-31 | 2019-06-11 | 深圳大学 | 用于图像去噪的网络训练方法、装置、终端及存储介质 |
CN109934761A (zh) * | 2019-01-31 | 2019-06-25 | 中山大学 | 基于卷积神经网络的jpeg图像隐写分析方法 |
CN109934761B (zh) * | 2019-01-31 | 2022-11-29 | 中山大学 | 基于卷积神经网络的jpeg图像隐写分析方法 |
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 |
CN109859147A (zh) * | 2019-03-01 | 2019-06-07 | 武汉大学 | 一种基于生成对抗网络噪声建模的真实图像去噪方法 |
CN109859147B (zh) * | 2019-03-01 | 2021-05-04 | 武汉大学 | 一种基于生成对抗网络噪声建模的真实图像去噪方法 |
CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110222173A (zh) * | 2019-05-16 | 2019-09-10 | 吉林大学 | 基于神经网络的短文本情感分类方法及装置 |
CN110222173B (zh) * | 2019-05-16 | 2022-11-04 | 吉林大学 | 基于神经网络的短文本情感分类方法及装置 |
CN110322407A (zh) * | 2019-06-03 | 2019-10-11 | 辽宁师范大学 | 基于深度残差网络的图像椒盐噪声去除方法 |
CN110390646A (zh) * | 2019-06-12 | 2019-10-29 | 西南科技大学 | 一种细节保持图像去噪方法 |
CN110390646B (zh) * | 2019-06-12 | 2023-10-17 | 西南科技大学 | 一种细节保持图像去噪方法 |
CN110426075A (zh) * | 2019-06-20 | 2019-11-08 | 中国人民解放军战略支援部队信息工程大学 | 一种野外基线长度确定方法及装置 |
CN110322530A (zh) * | 2019-06-21 | 2019-10-11 | 湖南大学 | 一种基于深度残差网络的可交互图像着色 |
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 |
CN110910329A (zh) * | 2019-11-27 | 2020-03-24 | 中国科学技术大学 | 一种以需求为导向的图像去噪方法 |
CN110910329B (zh) * | 2019-11-27 | 2022-09-02 | 中国科学技术大学 | 一种以需求为导向的图像去噪方法 |
CN113034373A (zh) * | 2019-12-24 | 2021-06-25 | 无锡祥生医疗科技股份有限公司 | 超声图像去噪神经网络、去噪方法及超声诊断设备 |
CN111310666A (zh) * | 2020-02-18 | 2020-06-19 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
CN111310666B (zh) * | 2020-02-18 | 2022-03-18 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
DE102020104704A1 (de) | 2020-02-21 | 2021-08-26 | Carl Zeiss Microscopy Gmbh | Verfahren zur Verarbeitung von Bildern, Computerprogrammprodukt, Bildbearbeitungsvorrichtung und Strahlvorrichtung zum Ausführen des Verfahrens |
CN111563858B (zh) * | 2020-05-14 | 2023-08-22 | 大连理工大学 | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 |
CN111563858A (zh) * | 2020-05-14 | 2020-08-21 | 大连理工大学 | 基于深度卷积神经网络的人类胚胎心脏超声图像的去噪方法 |
CN111580162A (zh) * | 2020-05-21 | 2020-08-25 | 长江大学 | 基于残差卷积神经网络的地震资料随机噪音压制方法 |
CN111724318B (zh) * | 2020-06-15 | 2022-04-08 | 石家庄铁道大学 | 基于混合高阶偏微分方程模型的图像去噪方法 |
CN111724318A (zh) * | 2020-06-15 | 2020-09-29 | 石家庄铁道大学 | 基于混合高阶偏微分方程模型的图像去噪方法 |
CN111899199A (zh) * | 2020-08-07 | 2020-11-06 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN111899199B (zh) * | 2020-08-07 | 2024-03-19 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112818876A (zh) * | 2021-02-04 | 2021-05-18 | 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 |
CN113284042A (zh) * | 2021-05-31 | 2021-08-20 | 大连民族大学 | 一种多路并行图像内容特征优化风格迁移方法及系统 |
CN113284042B (zh) * | 2021-05-31 | 2023-11-07 | 大连民族大学 | 一种多路并行图像内容特征优化风格迁移方法及系统 |
CN113362250B (zh) * | 2021-06-25 | 2022-03-22 | 南昌航空大学 | 一种基于双树四元小波与深度学习的图像去噪方法及系统 |
CN113362250A (zh) * | 2021-06-25 | 2021-09-07 | 南昌航空大学 | 一种基于双树四元小波与深度学习的图像去噪方法及系统 |
CN114399440A (zh) * | 2022-01-13 | 2022-04-26 | 马上消费金融股份有限公司 | 图像处理方法、图像处理网络训练方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118435A (zh) | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 | |
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 | |
CN110210486B (zh) | 一种基于素描标注信息的生成对抗迁移学习方法 | |
CN109658344A (zh) | 基于深度学习的图像去噪方法、装置、设备和存储介质 | |
CN106204468B (zh) | 一种基于ReLU卷积神经网络的图像去噪方法 | |
CN109214990A (zh) | 一种基于Inception模型的深度卷积神经网络图像去噪方法 | |
CN108416755A (zh) | 一种基于深度学习的图像去噪方法及系统 | |
CN106204482B (zh) | 基于加权稀疏的混合噪声去除方法 | |
CN111861906B (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
CN110084288B (zh) | 一种基于自学习神经单元的图像融合方法 | |
CN114240797B (zh) | 一种oct图像去噪方法、装置、设备及介质 | |
CN109410149A (zh) | 一种基于并行特征提取的cnn去噪方法 | |
CN112435162B (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
CN110490816A (zh) | 一种水下异构信息数据降噪方法 | |
CN113256508A (zh) | 一种改进的小波变换与卷积神经网络图像去噪声的方法 | |
CN113256510A (zh) | 基于cnn的带有颜色恢复和边缘锐化效果的低照度图像增强方法 | |
CN112785539A (zh) | 基于图像自适应分解及参数自适应的多聚焦图像融合方法 | |
Kumar et al. | A framework for image denoising using first and second order fractional overlapping group sparsity (HF-OLGS) regularizer | |
CN106934398B (zh) | 基于超像素聚类和稀疏表示的图像去噪方法 | |
CN112488934B (zh) | 一种基于cs-tcgan的指静脉图像去噪方法 | |
Zeng et al. | Progressive feature fusion attention dense network for speckle noise removal in OCT images | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
CN109887023B (zh) | 一种基于加权梯度幅度的双目融合立体图像质量评价方法 | |
Zou et al. | EDCNN: a novel network for image denoising | |
CN115937302A (zh) | 结合边缘保持的高光谱图像亚像元定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |
|
RJ01 | Rejection of invention patent application after publication |