CN109977966A - 基于深度学习的电子散斑条纹批量全自动滤波方法 - Google Patents
基于深度学习的电子散斑条纹批量全自动滤波方法 Download PDFInfo
- Publication number
- CN109977966A CN109977966A CN201910152778.7A CN201910152778A CN109977966A CN 109977966 A CN109977966 A CN 109977966A CN 201910152778 A CN201910152778 A CN 201910152778A CN 109977966 A CN109977966 A CN 109977966A
- Authority
- CN
- China
- Prior art keywords
- network
- bar graph
- image
- noise
- striped
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001914 filtration Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000002474 experimental method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005305 interferometry Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明属于光学检测和图像处理技术领域，为实现批量ESPI条纹图中散斑噪声的移除，本发明构建一个端到端的ESPI条纹图去噪的网络，实现为多幅ESPI条纹图批量全自动滤波。基于深度学习的电子散斑条纹批量全自动滤波方法，包括以下步骤：步骤1：构建训练数据集；步骤2：构建电子散斑条纹去噪网络模型；步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练；步骤4：将模拟条纹图和实验所得条纹图作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像。本发明主要应用于光学检测和图像处理场合。
Description
技术领域
本发明属于光学检测和图像处理技术领域，涉及一种基于深度学习的电子散斑干涉条纹批量全自动滤波方法。
背景技术
电子散斑干涉(Electronic Speckle Pattern Interferometry,简称ESPI)测量技术，是一种对光学粗糙表面进行全场无损测量的技术，由于它具有实时性、结构简单、高灵敏度、全场非接触测量等优点，因此，被广泛地应用于微小形变、位移、表面形貌和医学诊断等各方面的测量中。电子散斑干涉技术通过记录变形前后被测试件的散斑场光强信息，并利用减模式或加模式对两幅带有散斑光场信息的图像进行处理，从而得到表示物体位移、变形的散斑干涉条纹图，或在变形前后引入相移法获得表征物体变形信息的相位图。[1-4]
然而，我们获取的条纹图中总是伴有很强的颗粒性噪声，而且条纹的对比度低、可见性差，这便降低了图像的质量，导致无法直接利用这些条纹图获取正确的相位信息。因此对电子散斑干涉条纹图的去噪处理便成为了电子散斑干涉测量技术中的关键步骤之一。同时当ESPI技术用于动态和实时测量时，需要记录大量的条纹图。通过使用传统的方法，必须逐帧处理条纹图，这是不方便且耗时的。因此，我们希望找到一种能够实时批量自动去除条纹散斑噪声的智能方法。[5-7]
深度学习是机器学习的一个重要分支，深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习本质上是构建含有多隐层的机器学习架构模型，通过大规模数据进行训练，得到大量更具代表性的特征信息，从而对样本进行分类和预测，提高分类和预测的精度。近年来，由于深度学习特别是卷积神经网络(CNN)在图像识别、语音、自然语言等领域取得了显著地进展，而深层的非线性神经网络结构也适用于图像去噪，因此基于深度学习的图像去噪方法也被提出并得到了发展。通过训练各种去噪网络实现从含噪声图像到去噪图像的端到端的非线性映射。[8-9]
参考文献
[1]佟景伟，李鸿琦，光力学原理及测试技术，北京：科学出版社，2009。
[2]王任达，全息和散斑检测，北京：机械工业出版社，2005:100～119。
[3]W.H.Peters,W.F.Ranson,Digital imaging techniques in experimentalstress analysis.Opt.Eng.1982,21:427～431.
[4]Bavigadda V,Jallapuram R,Mihaylova E.Electronic speckle-patterninterferometer using holographic optical elements for vibrationmeasurements.Optics Letters,2010,35(19):3273-3275.
[5]Federico A,Kaufmann G H.Comparative study of wavelet thresholdingtechniques for denoising electronic speckle pattern interferometryfringes.Optical Engineering,2001,40(11):2598-2604.
[6]Su X Y,Chen W J,et al.Fourier transform profilometry:areview.Optics and Lasers in Engineering,2001,35(5):263-284.
[7]Zhao M,Qian KM.Multicore implementation of the windowed Fouriertransform algorithms for fringe pattern analysis.Applied Optics,2015,54(3):587-594.
[8]G.E.Hinton,R.R.Salakhutdinov.Reducing the Dimensionality of Datawith Neural Networks.Science 313,504–507(2006).
[9]V.Jain,S.H.Seung.Natural Image Denoising with ConvolutionalNetworks.NIPS,769-776(2008).
发明内容
为克服现有技术的不足，本发明旨在实现批量ESPI条纹图中散斑噪声的移除，本发明构建一个端到端的ESPI条纹图去噪的网络，实现为多幅ESPI条纹图批量全自动滤波。
基于深度学习的电子散斑条纹批量全自动滤波方法，包括以下步骤：
步骤1：构建训练数据集；
步骤2：构建电子散斑条纹去噪网络模型；
步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练；
步骤4：将模拟条纹图和实验所得条纹图作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像。
步骤1：构建训练数据集，具体步骤如下：
步骤1-1：使用传统的模拟电子散斑条纹图方法，生成条纹形状不同的无噪声的条纹图；
步骤1-2：将每幅条纹图分割，生成细分无噪声的条纹图；
步骤1-3：从中选取部分细分无噪声的条纹图，且满足每幅条纹图的形状各不相同，由选出的无噪声的条纹图构成训练数据集。
步骤2：构建电子散斑条纹去噪网络模型，具体步骤如下：
电子散斑条纹去噪网络模型采用了残差学习的方式，在网络的隐层隐式地移除无噪声的图像x，即输入为带噪声的条纹图像y，输出为移除了干净图像的噪声图像v，用残差学习刻画恒等映射或近似的恒等映射R(y)＝v，该网络期望学习R(y)≈v，得到去噪后的条纹图
步骤2-1：设置网络深度为20层，第一层由Conv+ReLU构成，即对输入条纹图像卷积，然后使用校正线性单元ReLU进行激活处理；第二层及以最后层之前各层，使用Conv+BN+ReLU的组合，也就是在卷积层和ReLU之间加了一层批量归一化BatchNormalization，最后一层仅使用卷积层Conv来重建输出层；
步骤2-2：设置卷积核的大小，网络的代价函数是残差图像(v)与网络学习出的噪声图像R(y)之间的均方差：
式(1)中θ表示网络学习的参数；R(y；θ)表示网络预测的噪声图像；N表示训练数据的数量。
步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练，具体步骤如下：
步骤3-1：按照下面公式为训练集中的条纹图像加上噪声，以模拟电子散斑条纹图：
y＝x×n1(α,β)+n2(σ) (2)
式(2)中n1(α,β)表示符合伽马分布的噪声，它的大小由参数α和β决定，其中α代表形状参数，β代表反尺度参数；n2(σ)表示均值为0，方差为σ的符合正态分布的噪声；
步骤3-2：设置参数：在训练当中采用Adam优化方式，网络的初始学习率设为0.001，batch size设为100，设置α，β，σ的值，一共训练50个epoch；
步骤3-3：将上述模拟电子散斑条纹图与对应的无噪的条纹图组成训练数据对输入网络开始训练。
步骤4：将模拟条纹图和实验所得条纹图作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像，具体步骤如下：
步骤4-1：用模拟条纹图进行测试：用计算机模拟若干幅无噪声的条纹图，此处模拟的无噪声条纹图与训练图像条纹形状不同，采用步骤3中加噪声方式为模拟出的无噪声条纹图加上模拟噪声，以此来模拟电子散斑条纹图，将其输入步骤3中训练好的网络中，然后用输入图像减去网络输出图像即网络学习到的噪声图像得到去噪后的图像；
步骤4-2：用实验条纹图进行测试：将若干幅由实验获得的电子散斑条纹图输入步骤3中训练好的网络中，得到去噪后的图像。
本发明的特点及有益效果是：
本发明提出的基于深度学习的电子散斑条纹批量全自动滤波方法，相比于传统的电子散斑条纹滤波方法可以实现对多幅电子散斑条纹图的批量滤波，滤波效果较好，且不需要复杂的参数设定与调整。
附图说明：
图1是本发明基于深度学习的电子散斑条纹批量全自动滤波网络的结构示意图；
图2-图4是以模拟条纹图作为测试数据得到滤波结果，图2-4中从左往右依次是模拟无噪声条纹图、模拟条纹图、去噪后的条纹图；
图5(a)是由实验获得的一幅电子散斑干涉条纹图；
图5(b)是图5(a)经网络滤波后的结果；
图6(a)是由实验获得的一幅电子散斑干涉条纹图；
图6(b)是图6(a)经网络滤波后的结果；
图7(a)是由实验获得的一幅电子散斑干涉条纹图；
图7(b)是图7(a)经网络滤波后的结果；
图8(a)是由实验获得的一幅电子散斑干涉条纹图；
图8(b)是图8(a)经网络滤波后的结果；
具体实施方式
接下来应用本发明提出的基于深度学习的电子散斑条纹批量全自动滤波方法对电子散斑条纹图滤波。具体步骤如下：
步骤1：构建训练数据集。具体步骤如下：
步骤1-1：使用传统的模拟电子散斑条纹图方法，生成30幅条纹形状不同的无噪声的条纹图，条纹图的大小为720×720像素。
步骤1-2：将每幅条纹图分割为180×180像素的16幅图像，共生成480幅180×180像素的无噪声的条纹图。
步骤1-3：从中选取400幅条纹图且满足每幅条纹图的形状各不相同。由这400幅无噪声的条纹图构成训练数据集。
步骤2：构建电子散斑条纹去噪网络模型。具体步骤如下：
电子散斑条纹去噪网络模型采用了残差学习的方式，在网络的隐层隐式地移除无噪声的图像(x)，即输入为带噪声的条纹图像(y)，输出为移除了干净图像的噪声图像(v)。这样做的动机是，用残差学习刻画恒等映射或近似的恒等映射R(y)＝v，该网络期望学习R(y)≈v，这样就可以得到去噪后的条纹图网络结构如图1所示。
步骤2-1：网络的深度设置为20层。第一层由Conv+ReLU构成，即对输入条纹图像卷积，然后使用校正线性单元(ReLU)进行激活处理。第二层到第十九层使用了Conv+BN+ReLU的组合。也就是在卷积层和ReLU之间加了一层批量归一化(Batch Normalization)，采用批量归一化可以加快训练的收敛，从而大幅提高训练速度。最后一层仅使用卷积层(Conv)来重建输出层。
步骤2-2：卷积核的大小设置为3×3。网络的代价函数是残差图像(v)与网络估计出的噪声图像R(y)之间的均方差：
式(1)中θ表示网络学习的参数；x,y分别表示模拟的无噪声的条纹图和模拟的带噪声的条纹图；R(y；θ)表示网络预测的噪声图像；N表示训练数据的数量。
步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练。具体步骤如下：
步骤3-1：按照下面公式为训练集中的条纹图像加上噪声，以模拟电子散斑条纹图：
y＝x×n1(α,β)+n2(σ) (2)
式(2)中n1(α,β)表示符合伽马分布的噪声，它的大小由参数α和β决定，其中α代表形状参数，β代表反尺度参数；n2(σ)表示均值为0符合正态分布的噪声，它的大小由方差σ决定。
步骤3-2：设置参数：在训练当中采用Adam优化方式，网络的初始学习率设为0.001，batch size设为100，α设为1，β设为9，σ设为50(α，β，σ的值可根据实际情况作出调整)，一共训练50个epoch。
步骤3-3：将上述模拟电子散斑条纹图与对应的无噪的条纹图组成训练数据对输入网络开始训练。
步骤4：将模拟条纹图和实验所得条纹图作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像。具体步骤如下：
步骤4-1：用模拟条纹图进行测试：用计算机模拟若干幅无噪声的条纹图(此处模拟的无噪声条纹图与训练图像条纹形状不同)，采用步骤3中加噪声方式为模拟出的无噪声条纹图加上模拟噪声，以此来模拟电子散斑条纹图。将其输入步骤3中训练好的网络中，然后用输入图像减去网络输出图像(即网络学习到的噪声图像)得到去噪后的图像，其去噪效果如图2-图4所示。
步骤4-2：用实验条纹图进行测试：将若干幅由实验获得的电子散斑条纹图输入步骤3中训练好的网络中，得到去噪后的图像，其去噪效果如图5-图8所示。
为了验证方法的有效性，给出实验结果。
图2-图4是以模拟条纹图作为测试数据得到滤波结果，图2-4中个图的左侧是使用计算机模拟的无噪声条纹图，中间是采用步骤3中方法给模拟无噪声条纹图加上模拟散斑噪声得到的对应的模拟电子散斑条纹图，右侧是经训练好的去噪网络去除噪声后的条纹图，即我们期望得到的结果。
图5-图8是以实验获得的电子散斑条纹图作为测试数据得到滤波结果，其中图5(a)、6(a)、7(a)、8(a)是实验获得的四幅电子散斑干涉条纹图，图5(b)、6(b)、7(b)、8(b)分别是图5(a)、6(a)、7(a)、8(a)经本发明中训练好的去噪网络去噪后的结果。
尽管上面结合图示对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以作出很多变形，这些均属于本发明的保护之内。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的电子散斑条纹批量全自动滤波方法，其特征是，包括以下步骤：
步骤1：构建训练数据集；
步骤2：构建电子散斑条纹去噪网络模型；
步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练；
步骤4：将模拟条纹图和实验所得条纹图作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像。
2.如权利要求1所述的基于深度学习的电子散斑条纹批量全自动滤波方法，其特征是，步骤1：构建训练数据集，具体步骤如下：
步骤1-1：使用传统的模拟电子散斑条纹图方法，生成条纹形状不同的无噪声的条纹图；
步骤1-2：将每幅条纹图分割，生成细分无噪声的条纹图；
步骤1-3：从中选取部分细分无噪声的条纹图，且满足每幅条纹图的形状各不相同，由选出的无噪声的条纹图构成训练数据集。
3.如权利要求1所述的基于深度学习的电子散斑条纹批量全自动滤波方法，其特征是，步骤2：构建电子散斑条纹去噪网络模型，具体步骤如下：
电子散斑条纹去噪网络模型采用了残差学习的方式，在网络的隐层隐式地移除无噪声的图像x，即输入为带噪声的条纹图像y，输出为移除了干净图像的噪声图像v，用残差学习刻画恒等映射或近似的恒等映射R(y)＝v，该网络期望学习R(y)≈v，得到去噪后的条纹图
步骤2-1：设置网络深度为20层，第一层由Conv+ReLU构成，即对输入条纹图像卷积，然后使用校正线性单元ReLU进行激活处理；第二层及以最后层之前各层，使用Conv+BN+ReLU的组合，也就是在卷积层和ReLU之间加了一层批量归一化Batch Normalization，最后一层仅使用卷积层Conv来重建输出层；
步骤2-2：设置卷积核的大小，网络的代价函数是残差图像(v)与网络学习出的噪声图像R(y)之间的均方差：
式(1)中θ表示网络学习的参数；R(y；θ)表示网络预测的噪声图像；N表示训练数据的数量。
4.如权利要求3所述的基于深度学习的电子散斑条纹批量全自动滤波方法，其特征是，步骤3：将训练数据集输入网络，利用训练数据集对网络模型进行训练，具体步骤如下：
步骤3-1：按照下面公式为训练集中的条纹图像加上噪声，以模拟电子散斑条纹图：
y＝x×n1(α,β)+n2(σ) (2)
式(2)中n1(α,β)表示符合伽马分布的噪声，它的大小由参数α和β决定，其中α代表形状参数，β代表反尺度参数；n2(σ)表示均值为0，方差为σ的符合正态分布的噪声；
步骤3-2：设置参数：在训练当中采用Adam优化方式，网络的初始学习率设为0.001，batch size设为100，设置α，β，σ的值，一共训练50个epoch；
步骤3-3：将上述模拟电子散斑条纹图与对应的无噪的条纹图组成训练数据对输入网络开始训练。
5.如权利要求3所述的基于深度学习的电子散斑条纹批量全自动滤波方法，其特征是，步骤4：将模拟条纹图和实验所得条纹图作为测试集输入到训练好的网络中，并用所述测试集图像减去网络的输出图像，得到清晰的去噪图像，具体步骤如下：
步骤4-1：用模拟条纹图进行测试：用计算机模拟若干幅无噪声的条纹图，此处模拟的无噪声条纹图与训练图像条纹形状不同，采用步骤3中加噪声方式为模拟出的无噪声条纹图加上模拟噪声，以此来模拟电子散斑条纹图，将其输入步骤3中训练好的网络中，然后用输入图像减去网络输出图像即网络学习到的噪声图像得到去噪后的图像；
步骤4-2：用实验条纹图进行测试：将若干幅由实验获得的电子散斑条纹图输入步骤3中训练好的网络中，得到去噪后的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910152778.7A CN109977966A (zh) | 2019-02-28 | 2019-02-28 | 基于深度学习的电子散斑条纹批量全自动滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910152778.7A CN109977966A (zh) | 2019-02-28 | 2019-02-28 | 基于深度学习的电子散斑条纹批量全自动滤波方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109977966A true CN109977966A (zh) | 2019-07-05 |
Family
ID=67077545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910152778.7A Pending CN109977966A (zh) | 2019-02-28 | 2019-02-28 | 基于深度学习的电子散斑条纹批量全自动滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109977966A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472637A (zh) * | 2019-07-29 | 2019-11-19 | 天津大学 | 深度学习变密度低质量电子散斑条纹方向提取方法 |
| CN110493072A (zh) * | 2019-07-11 | 2019-11-22 | 网宿科技股份有限公司 | 基于深度学习的带宽滤波方法、装置、服务器及存储介质 |
| CN111768349A (zh) * | 2020-06-09 | 2020-10-13 | 山东师范大学 | 一种基于深度学习的espi图像降噪方法及系统 |
| CN112184563A (zh) * | 2020-08-03 | 2021-01-05 | 天津大学 | 基于深度学习人类视网膜光学相干层析图像批量滤波方法 |
| CN112233034A (zh) * | 2020-10-20 | 2021-01-15 | 常州机电职业技术学院 | 一种用于干涉术的深度学习相移干涉条纹图盲去噪方法 |
| US11005689B2 (en) | 2019-07-11 | 2021-05-11 | Wangsu Science & Technology Co., Ltd. | Method and apparatus for bandwidth filtering based on deep learning, server and storage medium |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1216199A (zh) * | 1997-01-30 | 1999-05-05 | 松下电器产业株式会社 | 数字图象填补方法、图象处理装置及数据记录媒体 |
| CN102158283A (zh) * | 2011-03-08 | 2011-08-17 | 西安理工大学 | 一种副载波调制无线光通信大气噪声抑制方法 |
| CN103886639A (zh) * | 2014-03-14 | 2014-06-25 | 湖州师范学院 | 一种基于抗噪的混合像元分解模型的构建方法 |
| CN104657951A (zh) * | 2015-03-02 | 2015-05-27 | 桂林电子科技大学 | 图像乘性噪声移除方法 |
| CN105976340A (zh) * | 2016-05-20 | 2016-09-28 | 山东师范大学 | 改进的基于小波分解的旋滤波算法 |
| US20180051976A1 (en) * | 2016-08-19 | 2018-02-22 | Beijing Institute Of Technology | Physical parameter estimating method, physical parameter estimating device, and electronic apparatus |
| CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
| CN108765330A (zh) * | 2018-05-21 | 2018-11-06 | 西北大学 | 基于全局和局部先验联合约束的图像去噪方法和装置 |
| CN108830809A (zh) * | 2018-06-05 | 2018-11-16 | 陕西师范大学 | 一种基于膨胀卷积图像去噪方法 |
-
2019
- 2019-02-28 CN CN201910152778.7A patent/CN109977966A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1216199A (zh) * | 1997-01-30 | 1999-05-05 | 松下电器产业株式会社 | 数字图象填补方法、图象处理装置及数据记录媒体 |
| CN102158283A (zh) * | 2011-03-08 | 2011-08-17 | 西安理工大学 | 一种副载波调制无线光通信大气噪声抑制方法 |
| CN103886639A (zh) * | 2014-03-14 | 2014-06-25 | 湖州师范学院 | 一种基于抗噪的混合像元分解模型的构建方法 |
| CN104657951A (zh) * | 2015-03-02 | 2015-05-27 | 桂林电子科技大学 | 图像乘性噪声移除方法 |
| CN105976340A (zh) * | 2016-05-20 | 2016-09-28 | 山东师范大学 | 改进的基于小波分解的旋滤波算法 |
| US20180051976A1 (en) * | 2016-08-19 | 2018-02-22 | Beijing Institute Of Technology | Physical parameter estimating method, physical parameter estimating device, and electronic apparatus |
| CN108765319A (zh) * | 2018-05-09 | 2018-11-06 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
| CN108765330A (zh) * | 2018-05-21 | 2018-11-06 | 西北大学 | 基于全局和局部先验联合约束的图像去噪方法和装置 |
| CN108830809A (zh) * | 2018-06-05 | 2018-11-16 | 陕西师范大学 | 一种基于膨胀卷积图像去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| KAI ZHANG, WANGMENG ZUO, YUNJIN CHEN AND ET AL: ""Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising"", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 杨光义: ""图像质量评价及其在图像去噪中的应用研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110493072A (zh) * | 2019-07-11 | 2019-11-22 | 网宿科技股份有限公司 | 基于深度学习的带宽滤波方法、装置、服务器及存储介质 |
| US11005689B2 (en) | 2019-07-11 | 2021-05-11 | Wangsu Science & Technology Co., Ltd. | Method and apparatus for bandwidth filtering based on deep learning, server and storage medium |
| CN110472637A (zh) * | 2019-07-29 | 2019-11-19 | 天津大学 | 深度学习变密度低质量电子散斑条纹方向提取方法 |
| CN111768349A (zh) * | 2020-06-09 | 2020-10-13 | 山东师范大学 | 一种基于深度学习的espi图像降噪方法及系统 |
| CN112184563A (zh) * | 2020-08-03 | 2021-01-05 | 天津大学 | 基于深度学习人类视网膜光学相干层析图像批量滤波方法 |
| CN112233034A (zh) * | 2020-10-20 | 2021-01-15 | 常州机电职业技术学院 | 一种用于干涉术的深度学习相移干涉条纹图盲去噪方法 |
| CN112233034B (zh) * | 2020-10-20 | 2022-05-13 | 常州机电职业技术学院 | 一种用于干涉术的深度学习相移干涉条纹图盲去噪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109977966A (zh) | 基于深度学习的电子散斑条纹批量全自动滤波方法 | |
| 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 | |
| Lin et al. | Optical fringe patterns filtering based on multi-stage convolution neural network | |
| Trusiak et al. | Advanced processing of optical fringe patterns by automated selective reconstruction and enhanced fast empirical mode decomposition | |
| CN109711283B (zh) | 一种联合双字典和误差矩阵的遮挡表情识别方法 | |
| CN109509170A (zh) | 一种压铸件缺陷检测方法及装置 | |
| Gurrola-Ramos et al. | U-Net based neural network for fringe pattern denoising | |
| CN105894498A (zh) | 一种视网膜光学相干图像分割方法 | |
| CN106645190A (zh) | 基于模板匹配的带钢表面缺陷精准检测方法 | |
| CN110472637A (zh) | 深度学习变密度低质量电子散斑条纹方向提取方法 | |
| CN106447716B (zh) | 用于条纹投影图像的方向偏微分方程滤波方法 | |
| Zhang et al. | Noise attenuation for seismic image using a deep residual learning | |
| CN111768349A (zh) | 一种基于深度学习的espi图像降噪方法及系统 | |
| CN113389541B (zh) | 一种油井动液面信号高精度提取方法 | |
| CN112381731A (zh) | 一种基于图像去噪的单帧条纹图像相位分析方法及系统 | |
| CN111928794B (zh) | 基于深度学习的闭合条纹兼容单幅干涉图解相方法及装置 | |
| CN113052866A (zh) | 基于局部二值拟合模型的超声图像舌轮廓提取方法 | |
| CN113935906B (zh) | 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 | |
| Karthiha et al. | Speckle Noise Suppression in Ultrasound Images Using Modular Neural Networks. | |
| Xu et al. | A shape-preserving oriented partial differential equation based on a new fidelity term for electronic speckle pattern interferometry fringe patterns denoising | |
| CN110211075A (zh) | 照度不均匀电子散斑干涉条纹图像增强方法 | |
| Xiao et al. | ESPI filtering method based on anisotropic coherence diffusion and Perona-Malik diffusion | |
| CN113034475B (zh) | 基于轻量级三维卷积神经网络的手指oct体数据去噪方法 | |
| CN112556601B (zh) | 基于深度学习的单幅闭合条纹干涉图解相方法及装置 | |
| CN103310424A (zh) | 一种基于结构相似度与全变差混合模型的图像去噪方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |