CN109410127B - 一种基于深度学习与多尺度图像增强的图像去噪方法 - Google Patents
一种基于深度学习与多尺度图像增强的图像去噪方法 Download PDFInfo
- Publication number
- CN109410127B CN109410127B CN201811082938.7A CN201811082938A CN109410127B CN 109410127 B CN109410127 B CN 109410127B CN 201811082938 A CN201811082938 A CN 201811082938A CN 109410127 B CN109410127 B CN 109410127B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- detail
- network model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003462 vein Anatomy 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习与多尺度图像增强的图像去噪方法,包括:对待处理的原始图像进行多尺度图像信息增强,得到增强后图像;利用图像去噪卷积神经网络模型对所述增强后图像进行处理,得到去噪后图像。该图像去噪方法增加了多尺度增强信息的预处理过程,提升了图像像素之间的对比度,图像灰度级变得均衡,且图像的灰度级范围变宽,从而能够得到图像的重要细节和纹理,将该增强图像输入到后续的卷积神经网络模型中,能够实现去噪图像视觉效果的增强。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于深度学习与多尺度图像增强的图像去噪方法。
背景技术
图像去噪一直是图像处理领域的一个重要问题。由于成像设备及成像条件的限制,图像在采集、转换及传输过程中不可避免地受到噪声的污染。因此,为了改善图像质量,提高图像的可识别性,图像去噪就成了一种常用的图像预处理方法。
由于图像中的噪声信号是相关的,没有一个能将其表达的确切分布,因此实现图像去噪具有很大的挑战性。近年来,图像去噪方法有很多,主要分为两类:传统方法和深度学习方法。传统方法不需要卷积神经网络,使用各种算法来建模图像先验,此类传统方法确实能达到不错的去噪效果,但存在两个缺点:第一,传统方法的去噪模型一般涉及到调参数,调参数是个很复杂的问题;第二,由于去噪模型存在复杂的优化问题,图像处理速度会变慢。深度学习方法是利用了卷积神经网络。例如,Chen等人在文献“Trainable nonlinearreaction diffusion:A flexible framework for fast and effective imagerestoration,IEEE transactions on Pattern Analysis and Machine Intelligence,vol.PP,no.99,pp.1-1,2016.”中提出了一种可训练非线性反映传播(TrainableNonnlinear Reactuin Diffusion,TNRD)模型,该模型通过展开固定数目的梯度下降推导步骤来学习一个改进的图像先验。尽管TNRD在缩小计算效率和去噪质量方面有很好的效果,但其本质上受限于先验的特定形式,且涉及许多手动调控的参数。
Zhang等人在文献“Beyond a Gaussian denoiser:residual learning of deepCNN for image denoising,in IEEE Transactions on Image Processing,2017,pp.3142-3155.”中提出了一种利用较深的卷积神经网络进行去噪的算法(DenoisingConvolutional Neral Network,DnCNN),该算法利用残差学习和批标准化的策略使得训练速度和去噪性能得以提升。
虽然Zhang提出的方法在图像去噪上取得了很好的性能,但是从图像处理的结果来看,纹理和细节效果上仍然存在不足。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于深度学习与多尺度图像增强的图像去噪方法。本发明要解决的技术问题通过以下技术方案实现:
本发明提供了一种基于深度学习与多尺度图像增强的图像去噪方法,所述方法包括:
对待处理的原始图像进行多尺度图像信息增强,得到增强后图像;
利用图像去噪卷积神经网络模型对所述增强后图像进行处理,得到去噪后图像。
在本发明的一个实施例中,利用图像去噪卷积神经网络模型对所述增强后图像进行处理,得到去噪后图像之前,还包括:
搭建卷积神经网络模型;
对所述卷积神经网络模型进行训练,形成图像去噪卷积神经网络模型。
在本发明的一个实施例中,搭建卷积神经网络模型,包括:
配置第一卷积模块,所述第一卷积模块包括一层卷积层和对应的激活层;
配置第二卷积模块,所述第二卷积模块包括多层卷积层以及每一层卷积层对应的激活层;
配置第三卷积模块,所述第三卷积模块包括一层卷积层和对应的激活层;
将所述第一卷积模块的输出作为所述第二卷积模块的输入,将所述第二卷积模块的输出作为所述第三卷积模块的输入,将所述第三卷积模块的输出作为所述卷积神经网络模型的输出,以完成所述卷积神经网络的搭建。
在本发明的一个实施例中,在所述第二卷积模块中,所述多层卷积层中每一层与相应的激活层之间还包括批标准化层。
在本发明的一个实施例中,对所述卷积神经网络模型进行训练,形成图像去噪卷积神经网络模型,包括:
选取训练集,并设置所述卷积神经网络模型的训练参数;
根据所述卷积神经网络模型及所述训练参数,以最小化损失函数为目标,训练所述卷积神经网络模型以形成所述图像去噪卷积神经网络模型。
在本发明的一个实施例中,对待处理的原始图像进行多尺度图像信息增强,得到增强后图像,包括:
根据高斯核函数获取所述原始图像的整体细节图像;
将所述整体细节图像添加至所述原始图像中,得到增强后图像。
在本发明的一个实施例中,根据高斯核函数获取所述原始图像的整体细节图像,包括:
根据高斯核函数计算所述原始图像的第一模糊图像、第二模糊图像和第三模糊图像;
根据所述第一模糊图像、所述第二模糊图像和所述第三模糊图像提取第一细节、第二细节和第三细节;
根据所述第一细节、所述第二细节和所述第三细节计算所述原始图像的整体细节图像。
在本发明的一个实施例中,根据高斯核函数计算所述原始图像的第一模糊图像、第二模糊图像和第三模糊图像,包括:
确定高斯核函数;
根据模糊半径和方差计算第一高斯模糊权重矩阵、第二高斯模糊权重矩阵和第三高斯模糊权重矩阵;
将所述第一高斯模糊权重矩阵、所述第二高斯模糊权重矩阵和所述第三高斯模糊权重矩阵分别与所述原始图像进行卷积操作,得到第一模糊图像、第二模糊图像和第三模糊图像。
在本发明的一个实施例中,根据所述第一细节、所述第二细节和所述第三细节计算所述原始图像的整体细节图像,包括:
将所述第一细节D1、所述第二细节D2和所述第三细节D3按照权重进行计算,得到整体细节图像D*,计算公式为:
D*=w1×D1+w2×D2+w3×D3,
其中,w1、w2、w3分别为第一细节D1、第二细节D2和第三细节D3的权重。
在本发明的一个实施例中,利用图像去噪卷积神经网络模型对所述增强后图像进行处理,得到去噪后图像,包括:
将所述增强后图像输入到经过训练的图像去噪卷积神经网络模型中;
通过所述图像去噪卷积神经网络模型提取特征图谱,并输出去噪后的图像。
与现有技术相比,本发明的有益效果在于:
1、本发明的图像去噪方法增加了多尺度增强信息的预处理过程,提升了图像像素之间的对比度,图像灰度级变得均衡,且图像的灰度级范围变宽,从而得到图像重要细节和纹理,将该增强图像输入到后续的卷积神经网络模型中,能够实现去噪图像视觉效果的增强。
2、本发明的图像去噪方法在卷积神经网络图片去噪之前加入了多尺度增强图像信息处理,多尺度增强图像信息的图片预处理过程大幅度提高了该网络提取图片特征的能力,且避免了许多手动调控的参数,大多参数可以自动优化,从而将优化问题简单化,使得处理速度更快。
附图说明
图1是本发明实施例提供的一种基于深度学习与多尺度图像增强的图像去噪方法的流程图;
图2是本发明实施例提供的一种图像去噪卷积神经网络模型的示意图;
图3是本发明实施例所使用的测试集中的原始图像;
图4a至图4e分别是现有技术的四种去噪方法以及本发明实施例的图像去噪方法对图3中原始图像的去噪效果图。
具体实施方式
下面将结合具体实施例对本发明做详细描述,但本发明的实施方式不限于此。
请参见图1,图1是本发明实施例提供的一种基于深度学习与多尺度图像增强的图像去噪方法的流程图。本实施例的图像去噪方法包括:
S1:对待处理的原始图像进行多尺度图像信息增强,得到增强后图像;
S2:利用图像去噪卷积神经网络模型对所述增强后图像进行处理,得到去噪后图像。
在本实施例中,在所述S1之前还包括
S01:搭建卷积神经网络模型;
在本实施例中,设置卷积神经网络模型的深度为17,接收域大小为35×35。具体地,请参见图2,图2是本发明实施例提供的一种图像去噪卷积神经网络模型的示意图。步骤S01包括:
配置第一卷积模块,所述第一卷积模块包括一层卷积层Conv和对应的激活层ReLU;
具体地,卷积层的卷积核大小为3×3,卷积核的数量为64。
配置第二卷积模块,所述第二卷积模块包括多层卷积层Conv以及位于所述多层卷积层中每一层之后的激活层ReLU;
在本实施例中,所述第二卷积模块包括十五层卷积层Conv和相应的十五层激活层ReLU,每个卷积层的卷积核大小为3×3,卷积核的数量为64。进一步地,在每层卷积层Conv与激活层ReLU之间还包括批标准化层BN,为了克服神经网络层数加深,收敛速度变慢,导致梯度消失或梯度爆炸的问题,通过引入批标准化来规范某些层或者所有层的输入,从而固定每层输入信号的均值与方差。
配置第三卷积模块,所述第三卷积模块包括一层卷积层Conv和对应的激活层ReLU;
具体地,卷积层的卷积核大小为3×3,卷积核的数量为64。
在本实施例中,所述激活层为ReLU激活函数。ReLU激活函数具体为修正线性单元(Rectified Linear Unit,简称ReLU),能够使网络中参数的分布更加稀疏,从而加速收敛过程。ReLU激活函数的数学表示为:
f(x)=max(0,x),
其中,x是卷积层的输出。
需要说明的是,在本发明中,卷积核的大小、卷积核的数量也可以设定为其他数值,具体按照实际需求进行设定。
随后,将所述第一卷积模块的输出作为所述第二卷积模块的输入,将所述第二卷积模块的输出作为所述第三卷积模块的输入,将所述第三卷积模块的输出作为所述卷积神经网络模型的输出,以完成所述卷积神经网络的搭建。
S02:对所述卷积神经网络模型进行训练,形成图像去噪卷积神经网络模型。
进一步地,选取训练集,并设置所述卷积神经网络模型的训练参数;根据所述卷积神经网络模型及所述训练参数,以最小化损失函数为目标训练所述卷积神经网络模型,形成图像去噪卷积神经网络模型。
具体地,选取BSD数据集(The Berkeley Segmentation Dataset,简称BSD)中的400张图片作为本实施例的训练集,每张图像分别有对应的有噪声图像和干净图像;设置卷积神经网络的训练参数,即设置三个噪声级15、25和50,最小批处理样本数为128,学习率为0.01,训练周期为60,并且填充方式为零填充。
所述损失函数l(θ)为:
在本实施例中,所述S02中训练所述卷积神经网络模型的过程中,所述卷积神经网络模型的权重θ由高斯随机函数生成,所述损失函数由反向传播算法进行优化。
进一步地,所述S1包括:
S11:根据高斯核函数获取所述原始图像的整体细节图像;
S12:将所述整体细节图像添加至所述原始图像中,得到增强后图像。
具体地,所述S11包括:
S111:根据高斯核函数计算第一模糊图像B1、第二模糊图像B2和第三模糊图像B3。
具体地,将高斯核函数与所述原始图像进行卷积操作得到高斯模糊图像。
首先,确定高斯核函数,由于在卷积操作中高斯核函数的中心点是原点,故高斯核函数的均值μ=0,得到高斯核函数的表达式为:
其中,σ为方差,(m,n)为高斯模糊权重矩阵各元素的坐标。
接着,根据模糊半径r1和方差σ1=1.0,计算第一高斯模糊权重矩阵G1;根据模糊半径r2=2r1-1和方差σ2=2.0,计算第二高斯模糊权重矩阵G2;根据模糊半径r3=4r1-1和方差σ3=4.0,计算第三高斯模糊权重矩阵G3。
具体地,计算三个高斯模糊权重矩阵的高斯核函数分别为
最后,将三个不同的高斯模糊权重矩阵G1、G2和G3分别与所述原始图像进行卷积操作得到对应的第一模糊图像B1,第二模糊图像B2和第三模糊图像B3,计算公式为:
B1=G1*I,B2=G2*I,B3=G3*I;
其中,I为待处理的原始图像。
所述模糊图像,是指图像中每一个像素都取周围像素的加权平均值,高斯函数可以计算权重,从而得到模糊图像。
S112:提取第一细节D1、第二细节D2和第三细节D3;
具体地,对所述原始图像I、第一模糊图像B1、第二模糊图像B2以及第三模糊图像B3进行差分计算,得到不同程度的细节,即第一细节D1、第二细节D2和第三细节D3,计算公式为:
D1=I-B1,D2=B1-B2,D3=B2-B3;
其中,第一细节D1指精细的细节,第二细节D2指中等的细节,第三细节D3指粗细节。
S113:计算所述原始图像的整体细节图像D*;
首先,根据sgn()函数调整第一细节D1的权重,将其正分量缩小,负分量放大,计算公式为:
w1=1-0.5×sgn(D1)。
随后,将不同程度的细节(第一细节D1、第二细节D2和第三细节D3)按其所占权重融合一起,生成整体细节图像D*,计算公式为:
D*=w1×D1+w2×D2+w3×D3,
其中,w1、w2、w3分别为第一细节D1、第二细节D2和第三细节D3的权重;在本实施例中,选取w2为0.5、w3为0.25。
S114:将所述整体细节图像D*添加至所述原始图像中,得到增强后图像。
在本实施例中,将整体细节图像D*添加至所述原始图像中,提升了图像像素之间的对比度,图像灰度级变得均衡,且图像的灰度级范围变宽,从而能够得到图像的重要细节和纹理。
进一步地,所述S2包括:
S21:将所述增强后图像输入到经过训练的图像去噪卷积神经网络模型中;
S22:通过所述图像去噪卷积神经网络模型提取特征图谱,并输出去噪后的图像。
在本实施例中,所述S22之后还包括:
计算峰值信噪比(PSNR),计算公式为:
其中,MSE为去噪后图像与原始图像之间均方差,MAXI为输出的去噪后图像的灰度级,一般取255。
本实施例的图像去噪方法增加了多尺度增强信息的预处理过程,提升了图像像素之间的对比度,图像灰度级变得均衡,而且图像的灰度级范围变宽,从而得到图像重要细节和纹理,将该增强图像输入到后续的卷积神经网络模型中,能够实现去噪图像视觉效果的增强。
本实施例图像去噪方法的去噪效果可以通过以下仿真实验进一步说明:
比较本实施例的去噪方法和现有技术的四种图像去噪方法对噪声图像去噪的效果,其中,现有技术的四种去噪方法分别为非局部均值算法(NLM)、三维块匹配算法(BM3D)、可训练非线性反映传播(TNRD)方法以及去噪卷积神经网络(DnCNN)方法。
请参见图3和图4a-4e,图3是本发明实施例所使用的测试集中的原始图像,图4a至图4e分别是现有技术的四种去噪方法以及本发明实施例的图像去噪方法对图3的原始图像的去噪效果图,其中,图4a为NLM对图3进行去噪后的效果图,图4b为BM3D对图3进行去噪后的效果图,图4c为TNRD对图3进行去噪后的效果图,图4d为DnCNN对图3进行去噪后的效果图,图4e本发明实施例的去噪方法对图3进行去噪后的效果图。
从图4a至图4e中可以看出,NLM、BM3D对噪声图像的去噪结果产生了过于光滑的边缘和纹理;TNRD的去噪结果虽然有清晰的边缘和细节,但是却在平滑区域产生了伪影;DnCNN不会在平滑区域产生伪影,有良好的细节和纹理,优于前三种去噪方法,但是精细的细节和纹理仍然达不到理想结果;而本实施例的去噪结果则相较之下有更多精细的细节和清晰的纹理,还能在平滑区域产生视觉上令人可喜的结果。
本实施例的图像去噪方法在卷积神经网络图片去噪之前加入了多尺度增强图像信息处理,多尺度增强图像信息的图片预处理过程大幅度提高了该网络提取图片特征的能力,而且避免了许多手动调控的参数,大多参数可以自动优化,将优化问题简单化,从而处理速度更快。
本发明实施例的图像去噪方法可用于照相机以及医学成像领域等。在相机拍摄出的图像中,噪声是不可避免的,本实施例提供了一种深度学习结合多尺度增强信息的图像去噪方法,能够使照相机拍出来的照片相比之下,照片低噪,品质更高,更加清晰,有更多的细节和纹理信息,达到令人可喜的视觉效果。在医学成像领域,本实施例的图像去噪方法,能够使医学成像的边界分明且组织结构有更多细节,脉络纹理清晰,利于医生正确识别图像信息,为患者做出准确及时的诊断。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于深度学习与多尺度图像增强的图像去噪方法,其特征在于,所述方法包括:
对待处理的原始图像进行多尺度图像信息增强,得到增强后图像;
利用图像去噪卷积神经网络模型对所述增强后图像进行处理,得到去噪后图像,
其中,对待处理的原始图像进行多尺度图像信息增强,得到增强后图像,包括:
根据高斯核函数获取所述原始图像的整体细节图像;
将所述整体细节图像添加至所述原始图像中,得到增强后图像,
具体地,根据高斯核函数获取所述原始图像的整体细节图像,包括:
根据高斯核函数计算所述原始图像的第一模糊图像、第二模糊图像和第三模糊图像;
根据所述第一模糊图像、所述第二模糊图像和所述第三模糊图像提取第一细节、第二细节和第三细节;
根据所述第一细节、所述第二细节和所述第三细节计算所述原始图像的整体细节图像。
2.根据权利要求1所述的图像去噪方法,其特征在于,利用图像去噪卷积神经网络模型对所述增强后图像进行处理,得到去噪后图像之前,还包括:
搭建卷积神经网络模型;
对所述卷积神经网络模型进行训练,形成图像去噪卷积神经网络模型。
3.根据权利要求2所述的图像去噪方法,其特征在于,搭建卷积神经网络模型,包括:
配置第一卷积模块,所述第一卷积模块包括一层卷积层和对应的激活层;
配置第二卷积模块,所述第二卷积模块包括多层卷积层以及每一层卷积层对应的激活层;
配置第三卷积模块,所述第三卷积模块包括一层卷积层和对应的激活层;
将所述第一卷积模块的输出作为所述第二卷积模块的输入,将所述第二卷积模块的输出作为所述第三卷积模块的输入,将所述第三卷积模块的输出作为所述卷积神经网络模型的输出,以完成所述卷积神经网络的搭建。
4.根据权利要求3所述的图像去噪方法,其特征在于,在所述第二卷积模块中,所述多层卷积层中每一层与相应的激活层之间还包括批标准化层。
5.根据权利要求2所述的图像去噪方法,其特征在于,对所述卷积神经网络模型进行训练,形成图像去噪卷积神经网络模型,包括:
选取训练集,并设置所述卷积神经网络模型的训练参数;
根据所述卷积神经网络模型及所述训练参数,以最小化损失函数为目标,训练所述卷积神经网络模型以形成所述图像去噪卷积神经网络模型。
6.根据权利要求1所述的图像去噪方法,其特征在于,根据高斯核函数计算所述原始图像的第一模糊图像、第二模糊图像和第三模糊图像,包括:
确定高斯核函数;
根据模糊半径和方差计算第一高斯模糊权重矩阵、第二高斯模糊权重矩阵和第三高斯模糊权重矩阵;
将所述第一高斯模糊权重矩阵、所述第二高斯模糊权重矩阵和所述第三高斯模糊权重矩阵分别与所述原始图像进行卷积操作,得到第一模糊图像、第二模糊图像和第三模糊图像。
7.根据权利要求1所述的图像去噪方法,其特征在于,根据所述第一细节、所述第二细节和所述第三细节计算所述原始图像的整体细节图像,包括:
将所述第一细节D1、所述第二细节D2和所述第三细节D3按照权重进行计算,得到整体细节图像D*,计算公式为:
D*=w1×D1+w2×D2+w3×D3,
其中,w1、w2、w3分别为第一细节D1、第二细节D2和第三细节D3的权重。
8.根据权利要求2-7中任一项所述的图像去噪方法,其特征在于,利用图像去噪卷积神经网络模型对所述增强后图像进行处理,得到去噪后图像,包括:
将所述增强后图像输入到经过训练的图像去噪卷积神经网络模型中;
通过所述图像去噪卷积神经网络模型提取特征图谱,并输出去噪后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811082938.7A CN109410127B (zh) | 2018-09-17 | 2018-09-17 | 一种基于深度学习与多尺度图像增强的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811082938.7A CN109410127B (zh) | 2018-09-17 | 2018-09-17 | 一种基于深度学习与多尺度图像增强的图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410127A CN109410127A (zh) | 2019-03-01 |
CN109410127B true CN109410127B (zh) | 2020-09-01 |
Family
ID=65464916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811082938.7A Active CN109410127B (zh) | 2018-09-17 | 2018-09-17 | 一种基于深度学习与多尺度图像增强的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410127B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978778B (zh) * | 2019-03-06 | 2020-11-13 | 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 |
CN110033417B (zh) * | 2019-04-12 | 2023-06-13 | 江西财经大学 | 一种基于深度学习的图像增强方法 |
CN110189303B (zh) * | 2019-05-07 | 2020-12-25 | 武汉楚精灵医疗科技有限公司 | 一种基于深度学习和图像增强的nbi图像处理方法及其应用 |
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 |
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 |
CN110232670B (zh) * | 2019-06-19 | 2023-05-12 | 重庆大学 | 一种基于高低频分离的图像视觉效果增强的方法 |
CN110503608B (zh) * | 2019-07-13 | 2023-08-08 | 贵州大学 | 基于多视角的卷积神经网络的图像去噪方法 |
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 |
CN110599530B (zh) * | 2019-09-03 | 2022-03-04 | 西安电子科技大学 | 基于双正则约束的mvct图像纹理增强方法 |
CN110599419A (zh) * | 2019-09-09 | 2019-12-20 | 合肥工业大学 | 一种防止图像边缘信息丢失的图像去噪方法 |
CN110610467B (zh) * | 2019-09-11 | 2022-04-15 | 杭州当虹科技股份有限公司 | 一种基于深度学习的多帧视频去压缩噪声方法 |
CN113658050A (zh) * | 2020-05-12 | 2021-11-16 | 武汉Tcl集团工业研究院有限公司 | 一种图像的去噪方法、去噪装置、移动终端及存储介质 |
CN112561804A (zh) * | 2020-10-09 | 2021-03-26 | 天津大学 | 基于多尺度细节增强的低光照水下图像增强方法 |
CN113852759B (zh) * | 2021-09-24 | 2023-04-18 | 豪威科技(武汉)有限公司 | 图像增强方法及拍摄装置 |
CN114897725A (zh) * | 2022-05-09 | 2022-08-12 | 马上消费金融股份有限公司 | 图像降噪方法、装置、设备及存储介质 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727658B (zh) * | 2008-10-14 | 2012-12-26 | 深圳迈瑞生物医疗电子股份有限公司 | 图像处理方法及装置 |
CN105723416B (zh) * | 2013-11-18 | 2019-01-08 | 爱克发医疗保健公司 | 图像降噪方法 |
CN105426847A (zh) * | 2015-11-19 | 2016-03-23 | 北京理工大学 | 低质量自然光虹膜图像非线性增强方法 |
CN105825472A (zh) * | 2016-05-26 | 2016-08-03 | 重庆邮电大学 | 一种快速的基于多尺度高斯滤波器的色调映射系统及方法 |
CN106204468B (zh) * | 2016-06-27 | 2019-04-26 | 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 |
EP3507773A1 (en) * | 2016-09-02 | 2019-07-10 | Artomatix Ltd. | Systems and methods for providing convolutional neural network based image synthesis using stable and controllable parametric models, a multiscale synthesis framework and novel network architectures |
CN108198185B (zh) * | 2017-11-20 | 2020-10-16 | 海纳医信(北京)软件科技有限责任公司 | 眼底病灶图像的分割方法及、装置、存储介质、处理器 |
-
2018
- 2018-09-17 CN CN201811082938.7A patent/CN109410127B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109410127A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Tian et al. | Deep learning on image denoising: An overview | |
CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
CN110827216B (zh) | 图像去噪的多生成器生成对抗网络学习方法 | |
Pan et al. | Physics-based generative adversarial models for image restoration and beyond | |
CN108564549B (zh) | 一种基于多尺度稠密连接网络的图像去雾方法 | |
CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
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 | |
Liu et al. | Gradnet image denoising | |
CN111161178A (zh) | 基于生成式对抗网络的单幅低光图像增强方法 | |
CN111260591B (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
Wang et al. | MAGAN: Unsupervised low-light image enhancement guided by mixed-attention | |
Wang et al. | Joint iterative color correction and dehazing for underwater image enhancement | |
Liu et al. | Learning hadamard-product-propagation for image dehazing and beyond | |
JP7353803B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN110728626A (zh) | 图像去模糊方法和装置及其训练 | |
CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
CN114897728A (zh) | 图像增强方法、装置、终端设备以及存储介质 | |
Saleem et al. | A non-reference evaluation of underwater image enhancement methods using a new underwater image dataset | |
Wang et al. | Single-image dehazing using color attenuation prior based on haze-lines | |
CN117392036A (zh) | 基于照明幅度的低光图像增强方法 | |
CN115880176A (zh) | 多尺度非成对水下图像增强方法 | |
CN113012067B (zh) | 基于Retinex理论和端到端深度网络的水下图像复原方法 | |
CN114066760A (zh) | 图像去噪方法、网络模型的训练方法、装置、介质和设备 |
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 |