CN109685743A - 基于噪声学习神经网络模型的图像混合噪声消除方法 - Google Patents

基于噪声学习神经网络模型的图像混合噪声消除方法 Download PDF

Info

Publication number
CN109685743A
CN109685743A CN201811649125.1A CN201811649125A CN109685743A CN 109685743 A CN109685743 A CN 109685743A CN 201811649125 A CN201811649125 A CN 201811649125A CN 109685743 A CN109685743 A CN 109685743A
Authority
CN
China
Prior art keywords
noise
image
unit
network model
neural network
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.)
Granted
Application number
CN201811649125.1A
Other languages
English (en)
Other versions
CN109685743B (zh
Inventor
郭敏
吕琼帅
彭亚丽
裴炤
肖冰
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.)
Shaanxi Normal University
Original Assignee
Shaanxi 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 Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN201811649125.1A priority Critical patent/CN109685743B/zh
Publication of CN109685743A publication Critical patent/CN109685743A/zh
Application granted granted Critical
Publication of CN109685743B publication Critical patent/CN109685743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial 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

基于噪声学习神经网络模型的图像混合噪声消除方法,由构建训练模型数据集、噪声学习神经网络模型构建、噪声学习神经网络模型训练及初始参数的确定、对混合噪声图像进行去噪四部分组成。本发明通过构建训练模型数据集对噪声学习神经网络模型进行训练,通过第一噪声特征抽取单元提取混合噪声的特征,利用中间层的噪声特征强化模块和第一正则化单元增强混合噪声的特征,在第二噪声特征抽取单元产生预测的噪声残差图像;将带有混合噪声的测试图像输入到噪声学习神经网络模型中,输出残差图像,用带有混合噪声的图像减去残差图像可得到清晰的图像。本发明具有自适应能力高,泛化能力强,测试时间短等优点,可用于图像的混合噪声消除。

Description

基于噪声学习神经网络模型的图像混合噪声消除方法
技术领域
本发明属于图像处理领域,具体涉及一种基于噪声学习神经网络模型的图像混合噪声消除方法。
背景技术
在图像成像过程中,由于传感器温度和环境的低照度会使采集到的图像中包含混合噪声。噪声的引入,不仅降低了图像的质量,而且会严重影响图像的高级视觉处理任务。因此,消去图像中包含的混合噪声是一个基本而又重要的步骤。近年来,许多学者提出了不同的方法来消除图像中包含的混合噪声,如何更好地保留图像的边缘、纹理等信息,成为图像去噪中的重要研究内容。
一种加权编码与稀疏非局部正则化方法被提出来实现消去混合噪声。在该方法中,将重加权l2范数引入到最小平方的式子中,可以同时处理高斯噪声和脉冲噪声的混合噪声。但是,其中心化稀疏约束过于严格,没有考虑到相似图像块之间的差异;Lichen Liu提出了一种加权联合稀疏表示模型来抑制混合噪声,但由于字典学习采用了贪婪算法,计算成本较高。Tao Huang提出了一种Laplacian混合模型和非局部低秩正则化模型,实现了良好的混合噪声去除效果。然而,这种方法非常耗时,涉及到复杂的优化过程,并需要人工设置模型的参数。
上述的这些混合噪声去噪方法共同的缺点是:其一,都使用到了稀疏表示模型和基于图像块的方法,需要手动设置模型参数,并涉及到复杂的模型优化过程;其二,对图像消去混合噪声的时间长,其三,需要对异常点噪声像素的位置进行检测,严重影响去噪的效果。
发明内容
本发明所要解决的主要技术问题在于克服上述现有方法的缺陷,提供一种不需要异常点检测,自适应能力高,泛化能力强,测试时间短的基于噪声学习神经网络模型的图像混合噪声消除方法。
解决上述技术问题所采用的技术方案由下述步骤组成:
(1)构建模型训练数据集
灰度图像数据集为X,根据图像分辨率的大小,将图像数据集X中每张图像分割成像素为p×p的图像块,将图像块进行数据增强后构成图像块数据集PX1,对数据集PX1中的图像块加入混合噪声,得到混合噪声图像块集合NPX2,用混合噪声图像块集合NPX2中的图像块减去图像块集合PX1中的对应的图像块,得到只含有混合噪声的残差图像块,所有的残差图像块构成残差图像块数据集NPY,则(NPX2,NPY)组成用于监督训练的数据集;
(2)噪声学习神经网络模型构建
噪声学习神经网络模型的第一层为第一噪声特征抽取单元,中间层由N∈[5,16]个集成层串联组成,集成层由噪声特征强化模块和第一正则化单元构成,最后一层为第二噪声特征抽取单元,所述的第一噪声特征抽取单元将混合噪声图像块集合NPX2作为输入,所述的噪声特征强化模块用于强化和传递提取的噪声特征,所述的第一正则化单元用于加速和稳定训练过程,所述的第二噪声特征抽取单元用于产生预测的残差图像块;
所述的噪声特征强化模块由第一空洞卷积单元、第二正则化单元、带泄露线性整流单元、第二空洞卷积单元、第三正则化单元、指数映射单元、特征融合单元构成,第一空洞卷积单元的输出分两支,一支输出到第二正则化单元,另一支输出到特征融合单元,第二正则化单元输出到带泄露线性整流单元,带泄露线性整流单元输出到第二空洞卷积单元,第二空洞卷积单元输出到第三正则化单元,第三正则化单元输出到指数映射单元,指数映射单元输出到特征融合单元;
(3)噪声学习神经网络模型训练及初始参数的确定
(3.1)网络模型参数初始化:网络参数的初始值按照如下公式进行:
A=randn(n,n,in,out) (I)
i,~,~]=SVD(A×α×chi) (2)
公式(1)中n表示卷积核的大小,in表示输入的特征图数量,out表示输出的特征图数量,randn表示生成n×n×in×out四维的具有高斯分布的矩阵,公式(2)中θi是当前卷积层的参数矩阵,符号~表示忽略该处的矩阵值,SVD表示执行奇异值分解操作,A是参数矩阵,α是参数变化率,chi表示当前卷积层的通道数;
(3.2)使用训练数据集(NPX2,NPY)对噪声学习神经网络模型进行训练,利用随机梯度下降算法来最小化损失函数L(θ),通过对损失函数L(θ)不断地迭代优化,直到迭代次数达到迭代次数上限,即完成噪声学习神经网络模型的训练和参数的优化,其中,噪声学习神经网络模型的损失函数L(θ)如下所示:
公式(3)中K表示训练数据集(NPX2,NPY)中样本的个数,表示执行l2范数操作,R(yi;θ)表示在噪声学习神经网络模型的参数为θ的条件下,预测出的第i张残差图像yi,NPYi表示第i张预测的残差图像对应的真实的残差图像,γ∈(0,1)是正则化系数,d(R(yi;θ),NPYi)表示距离函数;
所述距离函数d(R(yi;θ),NPYi)为:
d(R(yi;θ),NPYi)=(R(yi;θ)-NPYi)T×[βI-MTM]×(R(yi;θ)-NPYi) (4)
公式(4)中I是单位矩阵,M是二进制对角矩阵,β是距离调整参数,β取值为δ×c,δ是控制因子,c为M的最大特征值,满足βI>||M||2=1;
(4)对混合噪声图像进行去噪
利用训练好的噪声学习神经网络模型对带有混合噪声的图像进行处理,输出残差图像,用带有混合噪声的图像减去残差图像可得到清晰图像。
作为一种优选的方案,所述的步骤(2)中噪声特征强化模块中,噪声特征强化模块的噪声特征强化公式为:
outputi=f(inPuti) (5)
公式(5)中f(inputi)是噪声特征强化模块的特征强化函数,inputi和outputi分别是第i个噪声特征强化模块的输入和输出;
所述的噪声特征强化模块的特征强化函数f(inputi)为:
f(inputi)=exp{-(Dconv(LReLU(BN(Dconv(inputi)))))2}×Dconv(inputi) (6)
公式(6)中Dconv是执行空洞卷积操作,BN是执行正则化操作,LReLU是执行带泄露线性整流操作,exp{·}是执行指数操作。
作为一种优选的方案,所述的步骤(2)中,噪声特征强化模块和第一正则化单元构成集成层的方式为:
boutputj=BN(f(inputj)) (7)
公式(7)中的boutputj是第j个集成层的输出。
作为一种优选的方案,所述的步骤(3.1)中卷积核大小n∈{3,5,7,9};初始变化率α∈(0.001,0.01)。
作为一种优选的方案,所述步骤(3.2)中,控制因子δ∈(1,2)。
作为一种优选的方案,所述的步骤(1)中p∈{40,50,60}。
作为一种优选的方案,所述的步骤(1)和步骤(4)中混合噪声由高斯噪声级别σ∈(0,50)的高斯噪声、椒盐噪声比率s∈(0,0.4)的椒盐噪声、随机噪声比率r∈(0,0.3)的随机噪声中的两种或三种组成。
本发明的有益效果如下:
本发明采用训练数据集(NPX2,NPY)对噪声学习神经网络模型进行训练,充分学习混合噪声的特征分布,通过第一层的第一噪声特征抽取单元提取混合噪声的特征,利用中间层的噪声特征强化模块和正则化单元增强混合噪声的特征,并进行复杂的空间处理和非线性变换,在最后一层的第二噪声特征抽取单元产生预测的噪声残差图像;通过对损失函数L(θ)的不断迭代,得到训练好的噪声学习神经网络模型,将带有混合噪声的测试图像输入到噪声学习神经网络模型中,输出残差图像,用带有混合噪声的图像减去残差图像可得到清晰的图像。本发明具有自适应能力高,泛化能力强,测试时间短等优点,可用于图像的混合噪声消除。
附图说明
图1是基于噪声学习神经网络模型的图像混合噪声消除方法的流程图。
图2是噪声学习神经网络模型的结构示意图。
图3是噪声特征强化模块的结构示意图。
图4是图像去噪前与去噪后的效果对比图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明,但本发明不限于这些实施例。
实施例1
如图1所示,本实施例的基于噪声学习神经网络模型的图像混合噪声消除方法包括以下步骤:
(1)构建模型训练数据集
从Berkeley Segmentation Data Set数据集中选取400张图像作为训练数据集,选取4张图像作为测试图像,将训练数据集和测试图像都转换灰度图,将训练数据集中的每张图像分割成像素为60×60的图像块,也可以分割成像素为40×40的图像块,也可以分割成像素为50×50的图像块,将图像块进行数据增强后构成图像块数据集PX1,对数据集PX1中的图像块加入高斯噪声的噪声级别为σ=15,椒盐噪声的噪声比率s=0.3,随机噪声的噪声比率为r=0.2的混合噪声,得到混合噪声图像块集合NPX2,用混合噪声图像块集合NPX2中的图像块减去图像块集合PX1中的对应的图像块,得到只含有混合噪声的残差图像块,所有的残差图像块构成残差图像块数据集NPY,则(NPX2,NPY)组成用于监督训练的数据集;
(2)噪声学习神经网络模型构建
噪声学习神经网络模型是由噪声特征抽取单元,噪声特征强化模块和正则化单元构成,噪声特征抽取单元用于对输入的带有混合噪声的图像块进行噪声特征提取,噪声特征强化模块用于强化和传递提取的噪声特征,正则化单元用于加速和稳定训练过程;
在图2中,噪声学习神经网络模型的第一层为第一噪声特征抽取单元,中间层由N=5个集成层串联组成,集成层由噪声特征强化模块和第一正则化单元构成,最后一层为第二噪声特征抽取单元,第一噪声特征抽取单元将混合噪声图像块集合NPX2作为输入,第一噪声特征抽取单元中的卷积神经网络的卷积核大小n为5,也可以为3或7或9,输入特征图数量in为1,输出特征图数量out为64;噪声特征强化模块用于强化和传递提取的噪声特征,第一正则化单元用于加速和稳定训练过程,第二噪声特征抽取单元用于产生预测的残差图像块,第二噪声特征抽取单元中的卷积神经网络的卷积核大小n为5,输入特征图数量in为64,输出特征图数量out为1;
在图3中,噪声特征强化模块由第一空洞卷积单元、第二正则化单元、带泄露线性整流单元、第二空洞卷积单元、第三正则化单元、指数映射单元、特征融合单元构成,第一空洞卷积单元和第二空洞卷积单元网络结构相同,第二正则化单元和第三正则化单元网络结构相同,第一空洞卷积单元的卷积核n大小为5,也可以为3或7或9,膨胀因子为2,输入特征图数量in为64,输出特征图数量out为64,第一空洞卷积单元的输出分两支,一支输出到第二正则化单元,另一支输出到特征融合单元,第二正则化单元输出到带泄露线性整流单元,带泄露线性整流单元输出到第二空洞卷积单元,第二空洞卷积单元输出到第三正则化单元,第三正则化单元输出到指数映射单元,指数映射单元输出到特征融合单元;
(3)噪声学习神经网络模型训练及初始参数的确定
(3.1)网络模型参数初始化:网络参数的初始值按照如下公式进行:
A=randn(n,n,in,out) (1)
i,~,~]=SVD(A×α×chi) (2)
公式(1)中n表示卷积核的大小,in表示输入的特征图数量,out表示输出的特征图数量,randn表示生成n×n×in×out四维的具有高斯分布的矩阵,公式(2)中θi是当前卷积层的参数矩阵,符号~表示忽略该处的矩阵值,SVD表示执行奇异值分解操作,A是参数矩阵,α是参数变化率,chi表示当前卷积层的通道数;
(3.2)使用训练数据集(NPX2,NPY)对噪声学习神经网络模型进行训练,利用随机梯度下降算法来最小化损失函数L(θ),通过对损失函数L(θ)不断地迭代优化,直到迭代次数达1600次,即完成噪声学习神经网络模型的训练和参数的优化,其中,噪声学习神经网络模型的损失函数L(θ)如下所示:
公式(3)中K表示训练数据集(NPX2,NPY)中样本的个数,表示执行l2范数操作,R(yi;θ)表示在噪声学习神经网络模型的参数为θ的条件下,预测出的第i张残差图像yi,NPYi表示第i张预测的残差图像对应的真实的残差图像,γ是正则化系数,取值为0.36,d(R(yi;θ),NPYi)表示距离函数;
所述距离函数d(R(yi;θ),NPYi)为:
d(R(yi;θ),NPYi)=(R(yi;θ)-NPYi)T×[βI-MTM]×(R(yi;θ)-NPYi) (4)
公式(4)中I是单位矩阵,M是二进制对角矩阵,β是距离调整参数,β取值为δ×c,δ是控制因子,δ取值为1.3,c为M的最大特征值,满足βI>||M||2=1;
(4)对混合噪声图像进行去噪
将4张带有高斯噪声的噪声级别为σ=15,椒盐噪声的噪声比率s=0.3,随机噪声的噪声比率为r=0.2的混合噪声的测试图像输入到训练好的噪声学习神经网络模型,输出残差图像,用带有混合噪声的图像减去残差图像可得到对应的清晰图像,如图4所示。

Claims (7)

1.一种基于噪声学习神经网络模型的图像混合噪声消除方法,其特征在于由下述步骤组成:
(1)构建模型训练数据集
灰度图像数据集为X,根据图像分辨率的大小,将图像数据集X中每张图像分割成像素为p×p的图像块,将图像块进行数据增强后构成图像块数据集PX1,对数据集PX1中的图像块加入混合噪声,得到混合噪声图像块集合NPX2,用混合噪声图像块集合NPX2中的图像块减去图像块集合PX1中的对应的图像块,得到只含有混合噪声的残差图像块,所有的残差图像块构成残差图像块数据集NPY,则(NPX2,NPY)组成用于监督训练的数据集;
(2)噪声学习神经网络模型构建
噪声学习神经网络模型的第一层为第一噪声特征抽取单元,中间层由N∈[5,16]个集成层串联组成,集成层由噪声特征强化模块和第一正则化单元构成,最后一层为第二噪声特征抽取单元,所述的第一噪声特征抽取单元将混合噪声图像块集合NPX2作为输入,所述的噪声特征强化模块用于强化和传递提取的噪声特征,所述的第一正则化单元用于加速和稳定训练过程,所述的第二噪声特征抽取单元用于产生预测的残差图像块;
所述的噪声特征强化模块由第一空洞卷积单元、第二正则化单元、带泄露线性整流单元、第二空洞卷积单元、第三正则化单元、指数映射单元、特征融合单元构成,第一空洞卷积单元的输出分两支,一支输出到第二正则化单元,另一支输出到特征融合单元,第二正则化单元输出到带泄露线性整流单元,带泄露线性整流单元输出到第二空洞卷积单元,第二空洞卷积单元输出到第三正则化单元,第三正则化单元输出到指数映射单元,指数映射单元输出到特征融合单元;
(3)噪声学习神经网络模型训练及初始参数的确定
(3.1)网络模型参数初始化:网络参数的初始值按照如下公式进行:
A=randn(n,n,in,out) (1)
i,~,~]=SVD(A×α×chi) (2)
公式(1)中n表示卷积核的大小,in表示输入的特征图数量,out表示输出的特征图数量,randn表示生成n×n×in×out四维的具有高斯分布的矩阵,公式(2)中θi是当前卷积层的参数矩阵,符号~表示忽略该处的矩阵值,SVD表示执行奇异值分解操作,A是参数矩阵,α是参数变化率,chi表示当前卷积层的通道数;
(3.2)使用训练数据集(NPX2,NPY)对噪声学习神经网络模型进行训练,利用随机梯度下降算法来最小化损失函数L(θ),通过对损失函数L(θ)不断地迭代优化,直到迭代次数达到迭代次数上限,即完成噪声学习神经网络模型的训练和参数的优化,其中,噪声学习神经网络模型的损失函数L(θ)如下所示:
公式(3)中K表示训练数据集(NPX2,NPY)中样本的个数,表示执行l2范数操作,R(yi;θ)表示在噪声学习神经网络模型的参数为θ的条件下,预测出的第i张残差图像yi,NPYi表示第i张预测的残差图像对应的真实的残差图像,γ∈(0,1)是正则化系数,d(R(yi;θ),NPYi)表示距离函数;
所述距离函数d(R(yi;θ),NPYi)为:
d(R(yi;θ),NPYi)=(R(yi;θ)-NPYi)T×[βI-MTM]×(R(yi;θ)-NPYi) (4)
公式(4)中I是单位矩阵,M是二进制对角矩阵,β是距离调整参数,β取值为δ×c,δ是控制因子,c为M的最大特征值,满足βI>||M||2=1;
(4)对混合噪声图像进行去噪
利用训练好的噪声学习神经网络模型对带有混合噪声的图像进行处理,输出残差图像,用带有混合噪声的图像减去残差图像可得到清晰图像。
2.根据权利要求1所述的基于噪声学习神经网络模型的图像混合噪声消除方法,其特征在于:
所述的步骤(2)中噪声特征强化模块中,噪声特征强化模块的噪声特征强化公式为:
outputi=f(inputi) (5)
公式(5)中f(inputi)是噪声特征强化模块的特征强化函数,inputi和outputi分别是第i个噪声特征强化模块的输入和输出;
所述的噪声特征强化模块的特征强化函数f(inputi)为:
f(inputi)=exp{-(Dconv(LReLU(BN(Dconv(inputi)))))2}×Dconv(inputi) (6)
公式(6)中Dconv是执行空洞卷积操作,BN是执行正则化操作,LReLU是执行带泄露线性整流操作,exp{.}是执行指数操作。
3.根据权利要求2所述的基于噪声学习神经网络模型的图像混合噪声消除方法,其特征在于:
所述的步骤(2)中,噪声特征强化模块和第一正则化单元构成集成层的方式为:
boutputj=BN(f(inputj)) (7)
公式(7)中的boutputj是第j个集成层的输出。
4.根据权利要求1所述的基于噪声学习神经网络模型的图像混合噪声消除方法,其特征在于:所述的步骤(3.1)中卷积核大小n∈{3,5,7,9};初始变化率α∈(0.001,0.01)。
5.根据权利要求1所述的基于噪声学习神经网络模型的图像混合噪声消除方法,其特征在于:所述步骤(3.2)中,控制因子δ∈(1,2)。
6.根据权利要求1所述的基于噪声学习神经网络模型的图像混合噪声消除方法,其特征在于:所述的步骤(1)中p∈{40,50,60}。
7.根据权利要求1所述的基于噪声学习神经网络模型的图像混合噪声消除方法,其特征在于:所述的步骤(1)和步骤(4)中混合噪声由高斯噪声级别σ∈(0,50]的高斯噪声、椒盐噪声比率s∈(0,0.4]的椒盐噪声、随机噪声比率r∈(0,0.3]的随机噪声中的两种或三种组成。
CN201811649125.1A 2018-12-30 2018-12-30 基于噪声学习神经网络模型的图像混合噪声消除方法 Active CN109685743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811649125.1A CN109685743B (zh) 2018-12-30 2018-12-30 基于噪声学习神经网络模型的图像混合噪声消除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811649125.1A CN109685743B (zh) 2018-12-30 2018-12-30 基于噪声学习神经网络模型的图像混合噪声消除方法

Publications (2)

Publication Number Publication Date
CN109685743A true CN109685743A (zh) 2019-04-26
CN109685743B CN109685743B (zh) 2023-01-17

Family

ID=66191568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811649125.1A Active CN109685743B (zh) 2018-12-30 2018-12-30 基于噪声学习神经网络模型的图像混合噪声消除方法

Country Status (1)

Country Link
CN (1) CN109685743B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110349103A (zh) * 2019-07-01 2019-10-18 昆明理工大学 一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法
CN110930332A (zh) * 2019-11-22 2020-03-27 河北工程大学 一种基于人工智能的数字全息图像去噪方法
CN111028163A (zh) * 2019-11-28 2020-04-17 湖北工业大学 一种基于卷积神经网络的联合图像去噪与弱光增强方法
CN111738932A (zh) * 2020-05-13 2020-10-02 合肥师范学院 一种车载摄像头拍照图像自动去雨方法
CN111932514A (zh) * 2020-08-07 2020-11-13 上海媒智科技有限公司 一种图像噪声水平估计、抑制方法、装置及电子设备
CN112417990A (zh) * 2020-10-30 2021-02-26 四川天翼网络服务有限公司 一种考试学生违规行为识别方法及系统
CN112581414A (zh) * 2019-09-30 2021-03-30 京东方科技集团股份有限公司 一种卷积神经网络、图像处理的方法及电子设备
CN113112536A (zh) * 2021-03-19 2021-07-13 北京达佳互联信息技术有限公司 图像处理模型训练方法、图像处理方法及装置
CN113538277A (zh) * 2021-07-16 2021-10-22 唯智医疗科技(佛山)有限公司 一种基于神经网络的断层扫描图降噪方法及装置
CN114299004A (zh) * 2021-12-25 2022-04-08 宁波凯德科技服务有限公司 一种基于椒盐噪声全变分数据增广的图像语义分割方法
CN117611484A (zh) * 2024-01-19 2024-02-27 武汉大学 一种基于去噪自解码网络的图像去噪方法及系统

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002099736A1 (en) * 2001-03-13 2002-12-12 Physiome Sciences, Inc. Biological modeling utilizing image data
US20040208390A1 (en) * 2003-04-18 2004-10-21 Medispectra, Inc. Methods and apparatus for processing image data for use in tissue characterization
US20090303371A1 (en) * 2008-06-09 2009-12-10 Sony Corporation Solid-state imaging device, drive method thereof and electronic apparatus
CN101807298A (zh) * 2010-01-22 2010-08-18 陕西师范大学 确定图像中斑点噪声强度的方法
CN203163698U (zh) * 2012-12-25 2013-08-28 平顶山学院 基于图像处理的植物叶片厚度测量装置
US20160125572A1 (en) * 2014-11-05 2016-05-05 Korea Advanced Institute Of Science And Technology Device and method to generate image using image learning model
US20160171727A1 (en) * 2014-12-16 2016-06-16 The Regents Of The University Of California Feature-preserving noise removal
GB201617444D0 (en) * 2016-10-14 2016-11-30 Fujitsu Ltd Processing digital image to remove unwanted portion
CN106204467A (zh) * 2016-06-27 2016-12-07 深圳市未来媒体技术研究院 一种基于级联残差神经网络的图像去噪方法
CN106408522A (zh) * 2016-06-27 2017-02-15 深圳市未来媒体技术研究院 一种基于卷积对神经网络的图像去噪方法
CN107248144A (zh) * 2017-04-27 2017-10-13 东南大学 一种基于压缩型卷积神经网络的图像去噪方法
CN107545277A (zh) * 2017-08-11 2018-01-05 腾讯科技(上海)有限公司 模型训练、身份验证方法、装置、存储介质和计算机设备
CN108280811A (zh) * 2018-01-23 2018-07-13 哈尔滨工业大学深圳研究生院 一种基于神经网络的图像去噪方法和系统
US20180240219A1 (en) * 2017-02-22 2018-08-23 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
CN108564555A (zh) * 2018-05-11 2018-09-21 中北大学 一种基于nsst和cnn的数字图像降噪方法
EP3404611A1 (en) * 2017-05-19 2018-11-21 RetinAI Medical GmbH Reducing noise in an image
CN108876737A (zh) * 2018-06-06 2018-11-23 武汉大学 一种联合残差学习和结构相似度的图像去噪方法
US20180357753A1 (en) * 2017-06-12 2018-12-13 Nvidia Corporation Systems and methods for training neural networks for regression without ground truth training samples
CN109035163A (zh) * 2018-07-09 2018-12-18 南京信息工程大学 一种基于深度学习的自适应图像去噪方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002099736A1 (en) * 2001-03-13 2002-12-12 Physiome Sciences, Inc. Biological modeling utilizing image data
US20040208390A1 (en) * 2003-04-18 2004-10-21 Medispectra, Inc. Methods and apparatus for processing image data for use in tissue characterization
US20090303371A1 (en) * 2008-06-09 2009-12-10 Sony Corporation Solid-state imaging device, drive method thereof and electronic apparatus
CN101807298A (zh) * 2010-01-22 2010-08-18 陕西师范大学 确定图像中斑点噪声强度的方法
CN203163698U (zh) * 2012-12-25 2013-08-28 平顶山学院 基于图像处理的植物叶片厚度测量装置
US20160125572A1 (en) * 2014-11-05 2016-05-05 Korea Advanced Institute Of Science And Technology Device and method to generate image using image learning model
US20160171727A1 (en) * 2014-12-16 2016-06-16 The Regents Of The University Of California Feature-preserving noise removal
CN106204467A (zh) * 2016-06-27 2016-12-07 深圳市未来媒体技术研究院 一种基于级联残差神经网络的图像去噪方法
CN106408522A (zh) * 2016-06-27 2017-02-15 深圳市未来媒体技术研究院 一种基于卷积对神经网络的图像去噪方法
GB201617444D0 (en) * 2016-10-14 2016-11-30 Fujitsu Ltd Processing digital image to remove unwanted portion
US20180240219A1 (en) * 2017-02-22 2018-08-23 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
CN107248144A (zh) * 2017-04-27 2017-10-13 东南大学 一种基于压缩型卷积神经网络的图像去噪方法
EP3404611A1 (en) * 2017-05-19 2018-11-21 RetinAI Medical GmbH Reducing noise in an image
US20180357753A1 (en) * 2017-06-12 2018-12-13 Nvidia Corporation Systems and methods for training neural networks for regression without ground truth training samples
CN107545277A (zh) * 2017-08-11 2018-01-05 腾讯科技(上海)有限公司 模型训练、身份验证方法、装置、存储介质和计算机设备
CN108280811A (zh) * 2018-01-23 2018-07-13 哈尔滨工业大学深圳研究生院 一种基于神经网络的图像去噪方法和系统
CN108564555A (zh) * 2018-05-11 2018-09-21 中北大学 一种基于nsst和cnn的数字图像降噪方法
CN108876737A (zh) * 2018-06-06 2018-11-23 武汉大学 一种联合残差学习和结构相似度的图像去噪方法
CN109035163A (zh) * 2018-07-09 2018-12-18 南京信息工程大学 一种基于深度学习的自适应图像去噪方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
LV QIONGSHUAI: "Study on particle image velocimetry technique in the surface flow field of river model", 《PROCEEDINGS 2013 INTERNATIONAL CONFERENCE ON MECHATRONIC SCIENCES, ELECTRIC ENGINEERING AND COMPUTER (MEC)》 *
MACK JIANHUA DU: "Study for image optimal filter based on neural network", 《2016 INTERNATIONAL CONFERENCE ON AUDIO, LANGUAGE AND IMAGE PROCESSING (ICALIP)》 *
XIAOFENG LI: "Digital image edge detection based on LVQ neural network", 《2016 IEEE 11TH CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA)》 *
吕琼帅: "BP神经网络的优化与研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
彭亚丽: "基于深度反卷积神经网络的图像超分辨率算法", 《软件学报》 *
李珅: "基于稀疏表示的图像去噪和超分辨率重建研究", 《中国博士学位论文全文数据库信息科技辑》 *
杨昊: "图像去噪中几种优化算法的相关研究", 《中国博士学位论文全文数据库信息科技辑》 *
祝严刚: "图像去噪和图像匹配中若干问题的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110349103A (zh) * 2019-07-01 2019-10-18 昆明理工大学 一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法
CN112581414A (zh) * 2019-09-30 2021-03-30 京东方科技集团股份有限公司 一种卷积神经网络、图像处理的方法及电子设备
CN112581414B (zh) * 2019-09-30 2024-04-23 京东方科技集团股份有限公司 一种卷积神经网络、图像处理的方法及电子设备
CN110930332A (zh) * 2019-11-22 2020-03-27 河北工程大学 一种基于人工智能的数字全息图像去噪方法
CN110930332B (zh) * 2019-11-22 2020-12-01 河北工程大学 一种基于人工智能的数字全息图像去噪方法
CN111028163A (zh) * 2019-11-28 2020-04-17 湖北工业大学 一种基于卷积神经网络的联合图像去噪与弱光增强方法
CN111028163B (zh) * 2019-11-28 2024-02-27 湖北工业大学 一种基于卷积神经网络的联合图像去噪与弱光增强方法
CN111738932A (zh) * 2020-05-13 2020-10-02 合肥师范学院 一种车载摄像头拍照图像自动去雨方法
CN111932514A (zh) * 2020-08-07 2020-11-13 上海媒智科技有限公司 一种图像噪声水平估计、抑制方法、装置及电子设备
CN112417990B (zh) * 2020-10-30 2023-05-09 四川天翼网络股份有限公司 一种考试学生违规行为识别方法及系统
CN112417990A (zh) * 2020-10-30 2021-02-26 四川天翼网络服务有限公司 一种考试学生违规行为识别方法及系统
CN113112536A (zh) * 2021-03-19 2021-07-13 北京达佳互联信息技术有限公司 图像处理模型训练方法、图像处理方法及装置
CN113538277A (zh) * 2021-07-16 2021-10-22 唯智医疗科技(佛山)有限公司 一种基于神经网络的断层扫描图降噪方法及装置
CN114299004A (zh) * 2021-12-25 2022-04-08 宁波凯德科技服务有限公司 一种基于椒盐噪声全变分数据增广的图像语义分割方法
CN117611484A (zh) * 2024-01-19 2024-02-27 武汉大学 一种基于去噪自解码网络的图像去噪方法及系统
CN117611484B (zh) * 2024-01-19 2024-04-02 武汉大学 一种基于去噪自解码网络的图像去噪方法及系统

Also Published As

Publication number Publication date
CN109685743B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN109685743A (zh) 基于噪声学习神经网络模型的图像混合噪声消除方法
CN107833183B (zh) 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法
CN108986050A (zh) 一种基于多分支卷积神经网络的图像和视频增强方法
CN109214470B (zh) 一种基于编码网络微调的图像能见度检测方法
CN107886510A (zh) 一种基于三维全卷积神经网络的前列腺mri分割方法
CN112115967B (zh) 一种基于数据保护的图像增量学习方法
CN112861690B (zh) 多方法融合的遥感影像变化检测方法及系统
CN108052881A (zh) 一种实时检测施工现场图像中多类实体对象的方法及设备
CN111160128B (zh) 一种基于对抗神经网络模型的遥感图像处理方法及系统
CN105657402A (zh) 一种深度图恢复方法
CN107506792B (zh) 一种半监督的显著对象检测方法
CN109711401A (zh) 一种基于Faster Rcnn的自然场景图像中的文本检测方法
CN110717953A (zh) 基于cnn-lstm组合模型的黑白图片的着色方法和系统
CN109543585A (zh) 基于卷积神经网络的水下光学目标检测与识别方法
CN112991371B (zh) 一种基于着色溢出约束的图像自动着色方法及系统
CN112766340B (zh) 基于自适应空间模式的深度胶囊网络图像分类方法及系统
CN112884668A (zh) 基于多尺度的轻量级低光图像增强方法
Wang et al. Metalantis: A Comprehensive Underwater Image Enhancement Framework
CN115861333A (zh) 基于涂鸦标注的医学图像分割模型训练方法、装置及终端
CN113436060A (zh) 一种异源遥感图像风格迁移方法和装置
CN117451716A (zh) 一种工业产品表面缺陷检测方法
CN115527103A (zh) 无人艇感知实验平台系统
Shang et al. Spatiotemporal reflectance fusion using a generative adversarial network
CN115439738A (zh) 一种基于自监督协同重构的水下目标检测方法
CN111104976A (zh) 一种基于时间序列图像的蓝藻覆盖率计算方法

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