CN110009579B - 一种基于头脑风暴优化算法的图像复原方法及系统 - Google Patents

一种基于头脑风暴优化算法的图像复原方法及系统 Download PDF

Info

Publication number
CN110009579B
CN110009579B CN201910193958.XA CN201910193958A CN110009579B CN 110009579 B CN110009579 B CN 110009579B CN 201910193958 A CN201910193958 A CN 201910193958A CN 110009579 B CN110009579 B CN 110009579B
Authority
CN
China
Prior art keywords
restoration
image
parameters
recovery
blurred image
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
Application number
CN201910193958.XA
Other languages
English (en)
Other versions
CN110009579A (zh
Inventor
郭振军
梁晓萍
张余明
朱昌洪
邓维
柯捷
刘洪林
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.)
Guilin University of Aerospace Technology
Original Assignee
Guilin University of Aerospace Technology
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 Guilin University of Aerospace Technology filed Critical Guilin University of Aerospace Technology
Priority to CN201910193958.XA priority Critical patent/CN110009579B/zh
Publication of CN110009579A publication Critical patent/CN110009579A/zh
Application granted granted Critical
Publication of CN110009579B publication Critical patent/CN110009579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于头脑风暴优化算法的图像复原方法及系统，所述方法包括步骤一：根据获取的用于复原的模糊图像和BP神经网络生成所述模糊图像的至少两个复原参数；步骤二：通过DBSCAN聚类算法对所述至少两个复原参数进行聚类；步骤三：计算所述每个复原参数的适应度值，并将每个聚类中适应度值最优的复原参数作为所述复原参数聚类的中心；步骤四：判断所述至少两个复原参数是否满足所述BP神经网络训练的终止条件，满足条件则转入步骤六，否则进入步骤五；步骤五：通过BSO算法对所述至少两个复原参数进行变异处理并转入步骤二；步骤六：将所述至少两个复原参数导入所述BP神经网络对所述模糊图像进行训练，并输出所述模糊图像对应的复原图像。

Description

一种基于头脑风暴优化算法的图像复原方法及系统
技术领域
本发明涉及计算机图像处理领域，具体的说，是一种基于头脑风暴优化算法的图像复原方法及系统。
背景技术
数字图像的模糊是一种常见的降晰过程，图像还原的过程就是将模糊图像由降晰恢复到清晰图像的运算。图像模糊产生的原因有很多，比如大气气流、相机的抖动以及镜头聚焦不准等。图像复原方法可以分为经典复原技术和现代复原技术两大类。维纳滤波图像复原法是一种经典的图像复原技术，其计算量小，复原效果较好，但同时会带来振铃效应。
现代图像复原技术主要包括神经网络法和小波分析等。神经网络具有很强的平行运算能力、非线性映射能力和自适应能力。BP神经网络是一种按误差反向传播训练的多层前馈网络，具有很强的非线性映射能力。但BP网络初始权值和阈值是随机的，网络性能会因此受到很大的影响、图像复原结果很难重现、容易陷入局部极小值。
发明内容
有鉴于此，本发明提供了一种基于头脑风暴优化算法的图像复原方法及系统。
本发明解决上述技术问题的技术方案如下：一种基于头脑风暴优化算法的图像复原方法，包括：
步骤一：获取用于复原的模糊图像，并根据所述模糊图像和BP神经网络生成所述模糊图像的至少两个复原参数，所述复原参数用于所述模糊图像的复原；
步骤二：通过DBSCAN聚类算法对所述至少两个复原参数进行聚类；
步骤三：引用网络训练误差计算所述每个复原参数的适应度值，并将每个聚类中适应度值最优的复原参数作为所述复原参数聚类的中心；
步骤四：判断所述至少两个复原参数是否满足所述BP神经网络训练的终止条件，满足条件则转入步骤六，否则进入步骤五；
步骤五：通过BSO算法对所述至少两个复原参数进行变异处理并转入步骤二；
步骤六：将所述至少两个复原参数导入所述BP神经网络对所述模糊图像进行训练，并输出所述模糊图像对应的复原图像。
进一步，所述步骤三，具体包括：
将所述至少两个复原参数导入所述BP神经网络，对所述模糊图像进行复原，得到复原后的图像；
根据所述模糊图像和所述复原后的图像，引用网络训练误差，计算所述每个复原参数的适应度值；
将每个聚类中适应度最优的复原参数作为所述复原参数聚类的中心。
进一步，所述终止条件包括预先设定的所述至少两个复原参数变异迭代的上限或所述网络训练误差在[1e-4，1e-2)的范围内。
进一步，所述迭代的上限在15次到20次之间。
一种基于头脑风暴优化算法的图像复原系统，其特征在于，包括：
生成模块，所述生成模块用于根据所述获取的用于复原的模糊图像和BP神经网络生成所述模糊图像的至少两个复原参数，所述复原参数用于所述模糊图像的复原；
聚类模块，所述聚类模块用于通过DBSCAN聚类算法对所述至少两个复原参数进行聚类；
计算模块，所述计算模块用于引用网络训练误差计算所述每个复原参数的适应度值，并将每个聚类中适应度值最优的复原参数作为所述复原参数聚类的中心；
判断模块，所述判断模块用于判断所述至少两个复原参数是否满足所述BP神经网络训练的终止条件；
变异模块，所述变异模块用于通过BSO算法对所述至少两个复原参数进行变异处理；
训练模块，所述训练模块用于将所述至少两个复原参数导入所述BP神经网络对所述模糊图像进行训练，并输出所述模糊图像对应的复原图像。
进一步，所述计算模块具体用于：
将所述至少两个复原参数导入所述BP神经网络，对所述模糊图像进行复原，得到复原后的图像；
根据所述模糊图像和所述复原后的图像，引用网络训练误差，计算所述每个复原参数的适应度值；
将每个聚类中适应度最优的复原参数作为所述复原参数聚类的中心。
进一步，所述终止条件包括预先设定的所述至少两个复原参数变异迭代的上限或所述网络训练误差在[1e-4，1e-2)的范围内。
进一步，所述迭代的上限在15次到20次之间。
本发明的有益效果是：针对BP神经网络图像复原算法的不足，通过对头脑风暴优化算法进行部分改动，自动搜寻BP神经网络训练需要的较优的初始参数，以减少BP神经网路对其初始参数的敏感性，避免网络陷入局部最优解，增加了网络的收敛速度，减小网络误差，提高了图像还原的质量。
附图说明
图1为本发明实施例提供的一种基于头脑风暴优化算法的图像复原方法的流程示意图；
图2为本发明实施例提供的一种BP神经网络的结构示意图。
图3为本发明实施例提供的图像还原实验psnr对比折线图；
图4为本发明实施例提供的一种基于头脑风暴优化算法的图像复原系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示为本发明实施例提供的一种基于头脑风暴优化算法的图像复原方法的流程示意图，一种基于头脑风暴优化算法的图像复原方法，包括：
步骤一：获取用于复原的模糊图像，并根据所述模糊图像和BP神经网络生成所述模糊图像的至少两个复原参数，所述复原参数用于所述模糊图像的复原；
BP神经网络是一种按误差反向传播的多层前馈网络，具有很强的非线性映射能力、学习能力和泛化能力，能够在没有PSF先验情况下，将训练样本输入网络进行训练，拟合模糊图像和原始图像间的非线性映射关系。高斯模糊后某点像素值是其邻域的加权平均值，且距离越近，权值越大，距离越远权值越小。一个单隐含层的BP神经网络可以逼近任意的多维之间的映射关系，如图2所示为本发明一种三层BP神经网络结构图，三层BP神经网络已经足够表示高斯模糊的映射关系。
但是由于所述BP神经网络图像复原所需要的初始的复原参数是随机的，并且在图像复原的效果受复原参数的影响很大，所以在步骤一中，我们对于所述用于复原的模糊图像，根据所述BP神经网络，随机初始化一个初代种群，初代种群的规模是个体的总数，所述初代种群中包括若干个个体，所述个体就是用于模糊图像复原的复原参数。
步骤二：通过DBSCAN聚类算法对所述至少两个复原参数进行聚类；
采用DBSCAN聚类算法代替原始的K-means算法进行聚类，DBSCAN聚类算法是一个比较有代表性的基于密度的聚类算法，与K-means算法相比，DBSCAN不需要事先知道要形成的簇类的数量、并能够发现任意形状的簇类，同时，DBSCAN能够识别出噪声点。
DBSCAN算法进行聚类，主要包括：
确定扫半径(eps)和最小包含个体数。任选一个未被访问的个体开始，找出与其距离在eps之内(包括eps)的所有附近个体；
如果附近个体的数量大于最小包含个体数(包括等于最小包含个体数)，则当前个体与其附近个体形成一个簇，并且出发个体被标记为已访问。然后递归，以相同的方法处理该簇内所有未被标记为已访问的个体，从而对簇进行扩展；
如果附近个体的数量小于最小包含个体数，则该点暂时被标记作为噪声个体；
如果簇充分的被扩展，即簇类的所有点被标记为已访问，然后用同样的算法去处理未被访问的个体。
步骤三：引用网络训练误差计算所述每个复原参数的适应度值，并将每个聚类中适应度值最优的复原参数作为所述复原参数聚类的中心；
所述步骤三，具体包括：
将所述初代种群或变异种群导入所述BP神经网络，对所述模糊图像进行复原，得到复原后的图像；
根据所述模糊图像和所述复原后的图像，引用网络训练误差，计算每个个体的适应度值；
将适应度最优的个体作为所述个体聚类的中心。
步骤四：判断所述至少两个复原参数是否满足所述BP神经网络训练的终止条件，满足条件则转入步骤六，否则进入步骤五；
判断所述初代种群或变异种群是否满足可以进行BP神经网络图像复原的训练的终止条件，所述终止条件有两种，终止条件一：所述变异种群达到预先设定的迭代上限，所述迭代上限在15-20次左右；本方法每迭代一次，网络性能就更佳。直到最佳，如图3所示为本发明图像还原实验psnr对比折线图，在经过15-20次的迭代之后，网络的效果就已经能达到一个较好地效果了；
终止条件二：所述初代种群或变异种群的网络训练误差在[1e-4，1e-2)的范围内。
步骤五：通过BSO算法对所述至少两个复原参数进行变异处理并转入步骤二；
在将所述初代种群或所述变异种群判断为不满足所述终止条件之后，对所述初代种群或变异种群进行变异处理。
BSO算法变异主要有四种方式，分别是：
方式一：在随机一个类中心，即该类最优个体上添加随机扰动产生新的个体；
方式二：在随机一个类中随机选择一个个体添加随机扰动产生新的个体；
方式三：随机融合两个类中心，并添加随机扰动产生新的个体；
方式四：随机融合两个类中随机的两个个体，并添加随机扰动产生新的个体；
上述四种方式每个聚类中心，即类中最优个体被选中的概率为：
Figure BDA0001995155830000061
Figure BDA0001995155830000062
其中，|Mj|代表j类中个体的数量。新个体产生公式为：
xnewd＝xselected+ξ*Norm(0,1)d
ξ＝log sig((0.5*T-t)/k)*random(0,1)
其中，xnewd是新的d维个体，xselected是选中的个体，T和t分别表示设置的最大迭代次数和当前迭代次数，k调节log sig()函数的坡度，Norm(0,1)d是d维标准正态分布随机值，random(0,1)是0～1的随机值。
将变异过后的变异种群进入步骤二，重新进行步骤二到步骤四的循环。
步骤六：将所述至少两个复原参数导入所述BP神经网络对所述模糊图像进行训练，并输出所述模糊图像对应的复原图像。
将达到终止条件的所述初代种群或变异种群导入所述BP神经网络对所述模糊图像进行训练，并输出所述模糊图像对应的复原图像。
本发明针对BP神经网络图像复原算法的不足，通过对头脑风暴优化算法进行部分改动，自动搜寻BP神经网络训练需要的较优的复原参数，以减少BP神经网路对其复原参数的敏感性，避免网络陷入局部最优解，增加了网络的收敛速度，减小网络误差，提高了图像还原的质量。
如图4所示为本发明实施例提供的一种基于头脑风暴优化算法的图像复原系统的结构示意图，一种基于头脑风暴优化算法的图像复原系统，包括：生成模块、聚类模块、计算模块、判断模块、变异模块和训练模块。
基于所述系统，获取用于复原的模糊图像，所述生成模块根据所述获取的用于复原的模糊图像以及BP神经网络，随机初始化初代种群，所述初代种群包括至少两个个体，所述个体为所述模糊图像在BP神经网络进行图像复原所使用的的复原参数。
所述聚类模块用于通过DBSCAN聚类算法对所述初代种群或变异种群进行聚类，所述聚类模块具体用于：
确定扫半径(eps)和最小包含个体数。任选一个未被访问的个体开始，找出与其距离在eps之内(包括eps)的所有附近个体；
如果附近个体的数量大于最小包含个体数(包括等于最小包含个体数)，则当前个体与其附近个体形成一个簇，并且出发个体被标记为已访问。然后递归，以相同的方法处理该簇内所有未被标记为已访问的个体，从而对簇进行扩展；
如果附近个体的数量小于最小包含个体数，则该点暂时被标记作为噪声个体；
如果簇充分的被扩展，即簇类的所有点被标记为已访问，然后用同样的算法去处理未被访问的个体。
所述计算模块用于引用网络训练误差对所述初代种群和所述变异种群中的所有个体计算适应度值，并将适应度最优的个体作为所述个体聚类的中心，所述计算模块具体用于：
将所述初代种群或变异种群导入所述BP神经网络，对所述模糊图像进行复原，得到复原后的图像；
根据所述模糊图像和所述复原后的图像，引用网络训练误差，计算每个个体的适应度值；
将每个聚类中适应度最优的个体作为所述个体聚类的中心。
所述判断模块用于判断所述初代种群或变异种群是否满足所述BP神经网络训练的终止条件，满足所述终止条件的种群将被导入BP神经网络进行训练，不满足所述终止条件的将会进行变异操作；
所述终止条件有两种，终止条件一：所述至少两个复原参数达到预先设定的迭代上限，所述迭代上限在15-20次左右，本方法每迭代一次，网络性能就更佳；
终止条件二：所述种群的网络训练误差在[1e-4，1e-2)的范围内。
所述变异模块用于通过BSO算法对所述不满足所述终止条件的所述初代种群和所述变异种群进行变异处理，所述变异模块具体用于：
在随机一个类中心，即该类最优个体上添加随机扰动产生新的个体；
在随机一个类中随机选择一个个体添加随机扰动产生新的个体；
随机融合两个类中心，并添加随机扰动产生新的个体；
随机融合两个类中随机的两个个体，并添加随机扰动产生新的个体；
所述训练模块用于将满足终止条件的所述初代种群或所述变异种群导入所述BP神经网络对所述模糊图像进行训练，并输出所述模糊图像对应的复原图像。
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 (8)

1.一种基于头脑风暴优化算法的图像复原方法，其特征在于，包括：
步骤一：获取用于复原的模糊图像，并根据所述模糊图像和BP神经网络生成所述模糊图像的至少两个复原参数，所述复原参数用于所述模糊图像的复原；
步骤二：通过DBSCAN聚类算法对所述至少两个复原参数进行聚类；
步骤三：引用网络训练误差计算所述每个复原参数的适应度值，并将每个聚类中适应度值最优的复原参数作为所述复原参数聚类的中心；
步骤四：判断所述至少两个复原参数是否满足所述BP神经网络训练的终止条件，满足条件则转入步骤六，否则进入步骤五；
步骤五：通过BSO算法对所述至少两个复原参数进行变异处理并转入步骤二；
步骤六：将所述至少两个复原参数导入所述BP神经网络对所述模糊图像进行训练，并输出所述模糊图像对应的复原图像。
2.根据权利要求1所述一种基于头脑风暴优化算法的图像复原方法，其特征在于，所述步骤三，具体包括：
将所述至少两个复原参数导入所述BP神经网络，对所述模糊图像进行复原，得到复原后的图像；
根据所述模糊图像和所述复原后的图像，引用网络训练误差，计算所述每个复原参数的适应度值；
将每个聚类中适应度最优的复原参数作为所述复原参数聚类的中心。
3.根据权利要求1所述一种基于头脑风暴优化算法的图像复原方法，其特征在于，所述终止条件包括预先设定的所述至少两个复原参数变异迭代的上限或所述网络训练误差在[1e-4，1e-2)的范围内。
4.根据权利要求3所述一种基于头脑风暴优化算法的图像复原方法，其特征在于，所述迭代的上限在15次到20次之间。
5.一种基于头脑风暴优化算法的图像复原系统，其特征在于，包括：
生成模块，所述生成模块用于根据获取的用于复原的模糊图像和BP神经网络生成所述模糊图像的至少两个复原参数，所述复原参数用于所述模糊图像的复原；
聚类模块，所述聚类模块用于通过DBSCAN聚类算法对所述至少两个复原参数进行聚类；
计算模块，所述计算模块用于引用网络训练误差计算所述每个复原参数的适应度值，并将每个聚类中适应度值最优的复原参数作为所述复原参数聚类的中心；
判断模块，所述判断模块用于判断所述至少两个复原参数是否满足所述BP神经网络训练的终止条件；
变异模块，所述变异模块用于通过BSO算法对所述至少两个复原参数进行变异处理；
训练模块，所述训练模块用于将所述至少两个复原参数导入所述BP神经网络对所述模糊图像进行训练，并输出所述模糊图像对应的复原图像。
6.根据权利要求5所述一种基于头脑风暴优化算法的图像复原系统，其特征在于，所述计算模块具体用于：
将所述至少两个复原参数导入所述BP神经网络，对所述模糊图像进行复原，得到复原后的图像；
根据所述模糊图像和所述复原后的图像，引用网络训练误差，计算所述每个复原参数的适应度值；
将每个聚类中适应度最优的复原参数作为所述复原参数聚类的中心。
7.根据权利要求5所述一种基于头脑风暴优化算法的图像复原系统，其特征在于，所述终止条件包括预先设定的所述至少两个复原参数变异迭代的上限或所述网络训练误差在[1e-4，1e-2)的范围内。
8.根据权利要求7所述一种基于头脑风暴优化算法的图像复原系统，其特征在于，所述迭代的上限在15次到20次之间。
CN201910193958.XA 2019-03-14 2019-03-14 一种基于头脑风暴优化算法的图像复原方法及系统 Active CN110009579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910193958.XA CN110009579B (zh) 2019-03-14 2019-03-14 一种基于头脑风暴优化算法的图像复原方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910193958.XA CN110009579B (zh) 2019-03-14 2019-03-14 一种基于头脑风暴优化算法的图像复原方法及系统

Publications (2)

Publication Number Publication Date
CN110009579A CN110009579A (zh) 2019-07-12
CN110009579B true CN110009579B (zh) 2020-11-24

Family

ID=67167122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910193958.XA Active CN110009579B (zh) 2019-03-14 2019-03-14 一种基于头脑风暴优化算法的图像复原方法及系统

Country Status (1)

Country Link
CN (1) CN110009579B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310801B (zh) * 2020-01-20 2024-02-02 桂林航天工业学院 一种基于卷积神经网络的混合维度流量分类方法及其系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018022752A1 (en) * 2016-07-27 2018-02-01 James R. Glidewell Dental Ceramics, Inc. Dental cad automation using deep learning
CN109118438A (zh) * 2018-06-29 2019-01-01 上海航天控制技术研究所 一种基于生成对抗网络的高斯模糊图像复原方法
CN109345474A (zh) * 2018-05-22 2019-02-15 南京信息工程大学 基于梯度域和深度学习的图像运动模糊盲去除方法
CN109388858A (zh) * 2018-09-17 2019-02-26 西安航空电子科技有限公司 基于头脑风暴优化算法的非线性传感器校正方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403417A (zh) * 2017-07-27 2017-11-28 重庆高铁计量检测有限公司 一种基于单目视觉的三次元图像校准方法
CN108288048B (zh) * 2018-02-09 2021-11-23 中国矿业大学 基于改进头脑风暴优化算法的面部情绪识别特征选择方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018022752A1 (en) * 2016-07-27 2018-02-01 James R. Glidewell Dental Ceramics, Inc. Dental cad automation using deep learning
CN109345474A (zh) * 2018-05-22 2019-02-15 南京信息工程大学 基于梯度域和深度学习的图像运动模糊盲去除方法
CN109118438A (zh) * 2018-06-29 2019-01-01 上海航天控制技术研究所 一种基于生成对抗网络的高斯模糊图像复原方法
CN109388858A (zh) * 2018-09-17 2019-02-26 西安航空电子科技有限公司 基于头脑风暴优化算法的非线性传感器校正方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"Noisy image restoration based on optimized cellular neural network";Nima Aberomand 等;《2015 2nd International Conference on Knowledge-Based Engineering and Innovation (KBEI)》;20160321;1194-1197 *
"Restoration of motion blurred image in scenes with moving objects";Jinwu Li 等;《Proceedings of the 30th Chinese Control Conference》;20110830;3287-3291 *
"利用BP神经网络实现监控图像盲复原";李青峰 等;《计算机仿真》;20090531;第26卷(第5期);223-226 *
"头脑风暴算法在多阈值Otsu分割法中的应用";陈宏伟 等;《湖北工业大学学报》;20171031;第32卷(第5期);2980-2986 *
"新型群智能优化算法综述";林诗洁 等;《计算机工程与应用》;20180630;第54卷(第12期);1-9 *
"运动模糊图像经典复原算法";季亚男 等;《西南大学学报(自然科学版)》;20180831;第40卷(第8期);162-171 *

Also Published As

Publication number Publication date
CN110009579A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN108846826B (zh) 物体检测方法、装置、图像处理设备及存储介质
CN112181971A (zh) 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质
CN107886169B (zh) 一种基于文本-图像生成对抗网络模型的多尺度卷积核方法
CN112231562A (zh) 一种网络谣言识别方法及系统
CN111680702B (zh) 一种使用检测框实现弱监督图像显著性检测的方法
CN111260591B (zh) 一种基于注意力机制的图像自适应去噪方法
CN111783551A (zh) 基于贝叶斯卷积神经网络的对抗样本防御方法
CN111178504B (zh) 基于深度神经网络的鲁棒压缩模型的信息处理方法及系统
CN114693983B (zh) 基于图像-实例对齐网络的训练方法和跨域目标检测方法
CN115081532A (zh) 基于记忆重放和差分隐私的联邦持续学习训练方法
CN115455471A (zh) 提升隐私和鲁棒的联邦推荐方法、装置、设备及存储介质
CN114863226A (zh) 一种网络物理系统入侵检测方法
CN115358952B (zh) 一种基于元学习的图像增强方法、系统、设备和存储介质
CN111931686A (zh) 一种基于背景知识增强的视频卫星目标跟踪方法
CN112489168A (zh) 一种图像数据集生成制作方法、装置、设备及存储介质
CN114663392A (zh) 一种基于知识蒸馏的工业图像缺陷检测方法
CN113283577A (zh) 一种基于元学习和生成对抗网络的工业平行数据生成方法
CN110009579B (zh) 一种基于头脑风暴优化算法的图像复原方法及系统
CN107633527B (zh) 基于全卷积神经网络的目标追踪方法及装置
CN114708479A (zh) 一种基于图结构和特征的自适应防御方法
CN109003247B (zh) 彩色图像混合噪声的去除方法
CN116416212B (zh) 路面破损检测神经网络训练方法及路面破损检测神经网络
CN111291078B (zh) 一种域名匹配检测方法及装置
CN111861931A (zh) 模型训练、图像增强方法和装置、电子设备及存储介质
CN113780301B (zh) 防御对抗攻击的自适应去噪机器学习应用方法

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