CN110033417A - 一种基于深度学习的图像增强方法 - Google Patents
一种基于深度学习的图像增强方法 Download PDFInfo
- Publication number
- CN110033417A CN110033417A CN201910295414.4A CN201910295414A CN110033417A CN 110033417 A CN110033417 A CN 110033417A CN 201910295414 A CN201910295414 A CN 201910295414A CN 110033417 A CN110033417 A CN 110033417A
- Authority
- CN
- China
- Prior art keywords
- image
- original image
- method based
- deep learning
- data set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000003416 augmentation Effects 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 5
- 230000003014 reinforcing effect Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 9
- 230000002708 enhancing effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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 Processing (AREA)
Abstract
本发明公开了一种基于深度学习的图像增强方法，包括以下步骤：原始图像的采集及处理、原始图像的增广处理、目标图像的锐化处理、构建训练集、构建数据集以及去除数据集中的类不平衡现象、利用小波变换去除训练集中的冗余和利用卷积神经网络对数据集和训练集进行训练；本发明通过对原始图像的灰度处理可以有效的去出原始图像中的冗余信息，配合利用小波变换去除冗余可以综合有效的提高原始图像在后期作为训练集时的训练精度和有效性，过程中还可以对图像实时的进行去噪，可以获得视觉效果好的图像，通过对类不平衡现象采用基于插值的SMOTE方法进行去除可以有效解决样本类不平衡问题，保证图像的增强效果稳定。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种基于深度学习的图像增强方法。
背景技术
图像作为一种有效的信息载体，是人类获取和交换信息的主要来源，据此，图像处理的应用领域必然涉及到人类生活和工作的方方面面，图像增强是对图像的低层次处理，处于图像处理的预处理阶段。但它是图像处理的一个重要环节，在整个图像处理过程中起着承前启后的重要作用，对图像高层次处理的成败至关重要，其目的就是为了改善图像的质量和视觉效果，或将图像转换成更适合于人眼观察或机器分析识别的形式，以便从图像中获取更加有用的信息。
图像的传播离不开网络的传输，由于带宽的限制，图像在传输时必然要进行压缩，压缩的本质是削弱图像的高频分量，这必然会带来图像的模糊，在压缩率较大时，在图像边缘附近还会出现一些弱纹理，整体感觉图像变脏，同时在自然场景下由于图像本身包含的动态范围、光照条件、图像捕获设备或者是摄影者自身技术水平所限，以及图像本身特性的受到一定程度的修改，都会对后期的图像前后景分割、目标识别、目标跟踪和最终的图像理解以及预测分析等带来困难，因此，本发明提出一种基于深度学习的图像增强方法，以解决现有技术中的不足之处。
发明内容
针对上述问题，本发明通过对原始图像的灰度处理可以有效的去出原始图像中的冗余信息，配合利用小波变换去除冗余可以综合有效的提高原始图像在后期作为训练集时的训练精度和有效性，过程中还可以对图像实时的进行去噪，可以获得视觉效果好的图像，通过对类不平衡现象采用基于插值的SMOTE方法进行去除可以有效解决样本类不平衡问题，保证图像的增强效果稳定。
本发明提出一种基于深度学习的图像增强方法，包括以下步骤：
步骤一：原始图像的采集及处理，采集一个自然场景下的原始图像，输入原始图像并对输入的原始图像进行预处理，首先将需要预处理的原始图像进行灰度处理，转换为灰度图像序列，然后利用直方图均衡化对转换后的灰度图像进行低照度图像增强，并对增强后的图像进行基于小波阈值的图像降噪处理；
步骤二：降噪处理后对原始图像进行增广处理，包括进行高斯模糊、改变亮度和对比度、仿射变换、透视变和动态模糊处理、图像变换、图像裁剪、色彩抖动以及噪声扰动处理，得到一个目标图像；
步骤三：对目标图像进行锐化处理，输入目标图像时对目标图像的各个波段采用高通滤波的方式进行锐化处理；
步骤四：将锐化处理后的目标图像、灰度处理后得到的灰度图像序列以及图像降噪处理后得到的原始图像作为训练集；
步骤五：将进行图像变换、图像裁剪、色彩抖动以及噪声扰动处理后得到的目标图像进行归一化处理，归一化至至[0,1]范围内，作为数据集，并去除数据集中的类不平衡现象；
步骤六：训练集清洗，利用小波变换去除训练集中的冗余；
步骤七：构建卷积神经网络，利用卷积神经网络对数据集和训练集进行训练，将数据集和训练集图像输入卷积神经网络，得到的输出即为结果。
进一步改进在于：所述步骤一中灰度处理采用加权平均法进行灰度处理。
进一步改进在于：所述步骤二中对原始图像进行图像变换包括对原始图像进行角度旋转，旋转角度分别为90°、180°和270°三种角度，旋转后得到的新原始图像。
进一步改进在于：所述步骤二中对原始图像进行图像变换还包括对原始图像进行上下翻转、左右翻转以及进行90°、180°和270°的翻转。
进一步改进在于：所述步骤二中图像裁剪时采用对图像随机剪裁的方式,考虑到图像大小范围，使用一个大于(36*36)的窗口进行图像裁剪截图。
进一步改进在于：所述步骤五中去除数据集中的类不平衡现象采用基于插值的SMOTE方法进行去除，首先定义好特征空间，将每个图像样本对应到特征空间中的某一点，再根据数据集中图像不平衡比例确定采样倍率，对每一个小样本类样本图像按欧氏距离找K个最近邻样本，让从中随机选取一个图像样本点，在特征空间中图像样本点与最近邻图像样本点的连线段上随机选取一点作为新图像样本点，最后重复选取取样，直到大、小图像样本数量平衡。
进一步改进在于：所述步骤六中利用小波变换去除冗余的具体为：首先利用小波变换算法将图像分解为大小、位置和方向都不同的分量，然后进行逆变换处理，通过在逆变换处理过程前改变小波变换域中相关系数的大小，再根据需要选择性的放大感兴趣的分量而衰减不重要的分量，达到去除训练集中的冗余，以及达到图像增强的目的。
进一步改进在于：所述步骤七中构建深卷积神经网络的过程为：首先，构建一个简单的3层卷积神经网络，第一层卷积网络标记为f1(x)，第一层卷积网络标记为f1(x)的激活函数选择纠正线性单元“ReLU,max(0,x)”，第二层卷积网络标记为f2(x)，第二层卷积网络标记为f2(x)的激活函数依然选择“ReLU”，第三层卷积网络标记为f3(x)。
本发明的有益效果为：通过对原始图像的灰度处理可以有效的去出原始图像中的冗余信息，配合利用小波变换去除冗余可以综合有效的提高原始图像在后期作为训练集时的训练精度和有效性，通过构建一个简单的3层卷积神经网络进行图像的增强训练，具有操作简单，效果显著的优点，过程中还可以对图像实时的进行去噪，可以获得视觉效果好的图像，通过对类不平衡现象采用基于插值的SMOTE方法进行去除可以有效解决样本类不平衡问题，保证图像的增强效果稳定。
附图说明
图1本发明方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据图1所示，本实施例提出一种基于深度学习的图像增强方法，包括以下步骤：
步骤一：原始图像的采集及处理，采集一个自然场景下的原始图像，输入原始图像并对输入的原始图像进行预处理，首先将需要预处理的原始图像进行灰度处理，转换为灰度图像序列，灰度处理采用加权平均法进行灰度处理，然后利用直方图均衡化对转换后的灰度图像进行低照度图像增强，并对增强后的图像进行基于小波阈值的图像降噪处理；
步骤二：降噪处理后对原始图像进行增广处理，包括进行高斯模糊、改变亮度和对比度、仿射变换、透视变和动态模糊处理、图像变换、图像裁剪、色彩抖动以及噪声扰动处理，得到一个目标图像，图像变换包括对原始图像进行角度旋转以及翻转，旋转角度分别为90°、180°和270°三种角度，旋转后得到的新原始图像，翻转包括对原始图像进行上下翻转、左右翻转以及进行90°、180°和270°的翻转，图像裁剪时采用对图像随机剪裁的方式,考虑到图像大小范围，使用一个大于(36*36)的窗口进行图像裁剪截图；
步骤三：对目标图像进行锐化处理，输入目标图像时对目标图像的各个波段采用高通滤波的方式进行锐化处理；
步骤四：将锐化处理后的目标图像、灰度处理后得到的灰度图像序列以及图像降噪处理后得到的原始图像作为训练集；
步骤五：将进行图像变换、图像裁剪、色彩抖动以及噪声扰动处理后得到的目标图像进行归一化处理，归一化至至[0,1]范围内，作为数据集，并去除数据集中的类不平衡现象，去除数据集中的类不平衡现象采用基于插值的SMOTE方法进行去除，首先定义好特征空间，将每个图像样本对应到特征空间中的某一点，再根据数据集中图像不平衡比例确定采样倍率，对每一个小样本类样本图像按欧氏距离找K个最近邻样本，让从中随机选取一个图像样本点，在特征空间中图像样本点与最近邻图像样本点的连线段上随机选取一点作为新图像样本点，最后重复选取取样，直到大、小图像样本数量平衡；
步骤六：训练集清洗，利用小波变换去除训练集中的冗余，利用小波变换去除冗余的具体为：首先利用小波变换算法将图像分解为大小、位置和方向都不同的分量，然后进行逆变换处理，通过在逆变换处理过程前改变小波变换域中相关系数的大小，再根据需要选择性的放大感兴趣的分量而衰减不重要的分量，达到去除训练集中的冗余，以及达到图像增强的目的；
步骤七：构建卷积神经网络，首先，构建一个简单的3层卷积神经网络，第一层卷积网络标记为f1(x)，第一层卷积网络标记为f1(x)的激活函数选择纠正线性单元“ReLU,max(0,x)”，第二层卷积网络标记为f2(x)，第二层卷积网络标记为f2(x)的激活函数依然选择“ReLU”，第三层卷积网络标记为f3(x)，利用卷积神经网络对数据集和训练集进行训练，将数据集和训练集图像输入卷积神经网络，得到的输出即为结果。
通过对原始图像的灰度处理可以有效的去出原始图像中的冗余信息，配合利用小波变换去除冗余可以综合有效的提高原始图像在后期作为训练集时的训练精度和有效性，通过构建一个简单的3层卷积神经网络进行图像的增强训练，具有操作简单，效果显著的优点，过程中还可以对图像实时的进行去噪，可以获得视觉效果好的图像，通过对类不平衡现象采用基于插值的SMOTE方法进行去除可以有效解决样本类不平衡问题，保证图像的增强效果稳定。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于深度学习的图像增强方法，其特征在于：包括以下步骤：
步骤一：原始图像的采集及处理，采集一个自然场景下的原始图像，输入原始图像并对输入的原始图像进行预处理，首先将需要预处理的原始图像进行灰度处理，转换为灰度图像序列，然后利用直方图均衡化对转换后的灰度图像进行低照度图像增强，并对增强后的图像进行基于小波阈值的图像降噪处理；
步骤二：降噪处理后对原始图像进行增广处理，包括进行高斯模糊、改变亮度和对比度、仿射变换、透视变和动态模糊处理、图像变换、图像裁剪、色彩抖动以及噪声扰动处理，得到一个目标图像；
步骤三：对目标图像进行锐化处理，输入目标图像时对目标图像的各个波段采用高通滤波的方式进行锐化处理；
步骤四：将锐化处理后的目标图像、灰度处理后得到的灰度图像序列以及图像降噪处理后得到的原始图像作为训练集；
步骤五：将进行图像变换、图像裁剪、色彩抖动以及噪声扰动处理后得到的目标图像进行归一化处理，归一化至至[0,1]范围内，作为数据集，并去除数据集中的类不平衡现象；
步骤六：训练集清洗，利用小波变换去除训练集中的冗余；
步骤七：构建卷积神经网络，利用卷积神经网络对数据集和训练集进行训练，将数据集和训练集图像输入卷积神经网络，得到的输出即为结果。
2.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于：所述步骤一中灰度处理采用加权平均法进行灰度处理。
3.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于：所述步骤二中对原始图像进行图像变换包括对原始图像进行角度旋转，旋转角度分别为90°、180°和270°三种角度，旋转后得到的新原始图像。
4.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于：所述步骤二中对原始图像进行图像变换还包括对原始图像进行上下翻转、左右翻转以及进行90°、180°和270°的翻转。
5.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于：所述步骤二中图像裁剪时采用对图像随机剪裁的方式,考虑到图像大小范围，使用一个大于(36*36)的窗口进行图像裁剪截图。
6.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于：所述步骤五中去除数据集中的类不平衡现象采用基于插值的SMOTE方法进行去除，首先定义好特征空间，将每个图像样本对应到特征空间中的某一点，再根据数据集中图像不平衡比例确定采样倍率，对每一个小样本类样本图像按欧氏距离找K个最近邻样本，让从中随机选取一个图像样本点，在特征空间中图像样本点与最近邻图像样本点的连线段上随机选取一点作为新图像样本点，最后重复选取取样，直到大、小图像样本数量平衡。
7.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于：所述步骤六中利用小波变换去除冗余的具体为：首先利用小波变换算法将图像分解为大小、位置和方向都不同的分量，然后进行逆变换处理，通过在逆变换处理过程前改变小波变换域中相关系数的大小，再根据需要选择性的放大感兴趣的分量而衰减不重要的分量，达到去除训练集中的冗余，以及达到图像增强的目的。
8.根据权利要求1所述的一种基于深度学习的图像增强方法，其特征在于：所述步骤七中构建深卷积神经网络的过程为：首先，构建一个简单的3层卷积神经网络，第一层卷积网络标记为f1(x)，第一层卷积网络标记为f1(x)的激活函数选择纠正线性单元“ReLU,max(0,x)”，第二层卷积网络标记为f2(x)，第二层卷积网络标记为f2(x)的激活函数依然选择“ReLU”，第三层卷积网络标记为f3(x)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910295414.4A CN110033417B (zh) | 2019-04-12 | 2019-04-12 | 一种基于深度学习的图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910295414.4A CN110033417B (zh) | 2019-04-12 | 2019-04-12 | 一种基于深度学习的图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110033417A true CN110033417A (zh) | 2019-07-19 |
| CN110033417B CN110033417B (zh) | 2023-06-13 |
Family
ID=67238279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910295414.4A Active CN110033417B (zh) | 2019-04-12 | 2019-04-12 | 一种基于深度学习的图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033417B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110481635A (zh) * | 2019-08-13 | 2019-11-22 | 中山大学 | 基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法 |
| CN110503020A (zh) * | 2019-08-16 | 2019-11-26 | 华东师范大学 | 一种基于深度学习航空遥感目标检测的方法 |
| CN111161181A (zh) * | 2019-12-26 | 2020-05-15 | 深圳市优必选科技股份有限公司 | 图像数据的增强方法、模型的训练方法、设备和存储介质 |
| CN111259968A (zh) * | 2020-01-17 | 2020-06-09 | 腾讯科技（深圳）有限公司 | 非法图像识别方法、装置、设备和计算机可读存储介质 |
| CN111292291A (zh) * | 2020-01-15 | 2020-06-16 | 李东航 | 一种基于pca或m波段小波域的癌症ct图像判断装置 |
| CN111968048A (zh) * | 2020-07-30 | 2020-11-20 | 国网智能科技股份有限公司 | 电力巡检少样本图像数据增强方法及系统 |
| CN112270653A (zh) * | 2020-10-27 | 2021-01-26 | 中国计量大学 | 一种针对图像样本不平衡的数据增强方法 |
| CN112287772A (zh) * | 2020-10-10 | 2021-01-29 | 深圳市中达瑞和科技有限公司 | 指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 |
| CN112966757A (zh) * | 2021-03-11 | 2021-06-15 | 江苏禹空间科技有限公司 | 训练样本的扩展方法、装置、存储介质及设备 |
| CN114313728A (zh) * | 2021-12-20 | 2022-04-12 | 北京东土科技股份有限公司 | 一种巷道堆垛机的防撞人系统 |
| CN115860067A (zh) * | 2023-02-16 | 2023-03-28 | 深圳华声医疗技术股份有限公司 | 生成对抗网络训练方法、装置、计算机设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739671A (zh) * | 2009-12-30 | 2010-06-16 | 中兴通讯股份有限公司 | 一种含噪图像的降噪处理方法及系统 |
| CN104881847A (zh) * | 2015-04-17 | 2015-09-02 | 广西科技大学 | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 |
| CN105574820A (zh) * | 2015-12-04 | 2016-05-11 | 南京云石医疗科技有限公司 | 一种基于深度学习的自适应超声图像增强方法 |
| CN107729926A (zh) * | 2017-09-28 | 2018-02-23 | 西北大学 | 一种基于高维空间变换的数据扩增方法、机器识别系统 |
| CN107944379A (zh) * | 2017-11-20 | 2018-04-20 | 中国科学院自动化研究所 | 基于深度学习的眼白图像超分辨率重建与图像增强方法 |
| CN109118434A (zh) * | 2017-06-26 | 2019-01-01 | 南京东大智能化系统有限公司 | 一种图像预处理方法 |
| CN109146899A (zh) * | 2018-08-28 | 2019-01-04 | 众安信息技术服务有限公司 | Ct图像的危及器官分割方法及装置 |
| CN109410127A (zh) * | 2018-09-17 | 2019-03-01 | 西安电子科技大学 | 一种基于深度学习与多尺度图像增强的图像去噪方法 |
-
2019
- 2019-04-12 CN CN201910295414.4A patent/CN110033417B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739671A (zh) * | 2009-12-30 | 2010-06-16 | 中兴通讯股份有限公司 | 一种含噪图像的降噪处理方法及系统 |
| CN104881847A (zh) * | 2015-04-17 | 2015-09-02 | 广西科技大学 | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 |
| CN105574820A (zh) * | 2015-12-04 | 2016-05-11 | 南京云石医疗科技有限公司 | 一种基于深度学习的自适应超声图像增强方法 |
| CN109118434A (zh) * | 2017-06-26 | 2019-01-01 | 南京东大智能化系统有限公司 | 一种图像预处理方法 |
| CN107729926A (zh) * | 2017-09-28 | 2018-02-23 | 西北大学 | 一种基于高维空间变换的数据扩增方法、机器识别系统 |
| CN107944379A (zh) * | 2017-11-20 | 2018-04-20 | 中国科学院自动化研究所 | 基于深度学习的眼白图像超分辨率重建与图像增强方法 |
| CN109146899A (zh) * | 2018-08-28 | 2019-01-04 | 众安信息技术服务有限公司 | Ct图像的危及器官分割方法及装置 |
| CN109410127A (zh) * | 2018-09-17 | 2019-03-01 | 西安电子科技大学 | 一种基于深度学习与多尺度图像增强的图像去噪方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110481635A (zh) * | 2019-08-13 | 2019-11-22 | 中山大学 | 基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法 |
| CN110481635B (zh) * | 2019-08-13 | 2021-12-10 | 中山大学 | 基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法 |
| CN110503020A (zh) * | 2019-08-16 | 2019-11-26 | 华东师范大学 | 一种基于深度学习航空遥感目标检测的方法 |
| CN111161181A (zh) * | 2019-12-26 | 2020-05-15 | 深圳市优必选科技股份有限公司 | 图像数据的增强方法、模型的训练方法、设备和存储介质 |
| CN111292291B (zh) * | 2020-01-15 | 2024-02-02 | 李东航 | 一种基于pca或m波段小波域的癌症ct图像判断装置 |
| CN111292291A (zh) * | 2020-01-15 | 2020-06-16 | 李东航 | 一种基于pca或m波段小波域的癌症ct图像判断装置 |
| CN111259968A (zh) * | 2020-01-17 | 2020-06-09 | 腾讯科技（深圳）有限公司 | 非法图像识别方法、装置、设备和计算机可读存储介质 |
| CN111968048A (zh) * | 2020-07-30 | 2020-11-20 | 国网智能科技股份有限公司 | 电力巡检少样本图像数据增强方法及系统 |
| CN111968048B (zh) * | 2020-07-30 | 2024-03-26 | 国网智能科技股份有限公司 | 电力巡检少样本图像数据增强方法及系统 |
| CN112287772A (zh) * | 2020-10-10 | 2021-01-29 | 深圳市中达瑞和科技有限公司 | 指纹痕迹检测方法、指纹检测装置及计算机可读存储介质 |
| CN112270653A (zh) * | 2020-10-27 | 2021-01-26 | 中国计量大学 | 一种针对图像样本不平衡的数据增强方法 |
| CN112966757A (zh) * | 2021-03-11 | 2021-06-15 | 江苏禹空间科技有限公司 | 训练样本的扩展方法、装置、存储介质及设备 |
| CN114313728A (zh) * | 2021-12-20 | 2022-04-12 | 北京东土科技股份有限公司 | 一种巷道堆垛机的防撞人系统 |
| CN114313728B (zh) * | 2021-12-20 | 2024-06-07 | 北京东土科技股份有限公司 | 一种巷道堆垛机的防撞人系统 |
| CN115860067B (zh) * | 2023-02-16 | 2023-09-05 | 深圳华声医疗技术股份有限公司 | 生成对抗网络训练方法、装置、计算机设备及存储介质 |
| CN115860067A (zh) * | 2023-02-16 | 2023-03-28 | 深圳华声医疗技术股份有限公司 | 生成对抗网络训练方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110033417B (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033417A (zh) | 一种基于深度学习的图像增强方法 | |
| CN107577985B (zh) | 基于循环生成对抗网络的人脸头像卡通化的实现方法 | |
| CN110706242B (zh) | 一种基于深度残差网络的对象级边缘检测方法 | |
| CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
| CN109035189B (zh) | 基于柯西模糊函数的红外与弱可见光图像融合方法 | |
| CN112085677A (zh) | 一种图像处理方法、系统和计算机存储介质 | |
| CN111080522B (zh) | 一种基于双向对抗网络的图像超分辨率重建方法 | |
| CN110473144B (zh) | 一种基于拉普拉斯金字塔网络的图像超分辨率重建方法 | |
| CN110148088B (zh) | 图像处理方法、图像去雨方法、装置、终端及介质 | |
| CN110009622B (zh) | 一种显示面板外观缺陷检测网络及其缺陷检测方法 | |
| CN110533614B (zh) | 一种结合频域和空域的水下图像增强方法 | |
| CN112200720B (zh) | 一种基于滤波器融合的超分辨率图像重建方法及系统 | |
| CN112560918A (zh) | 一种基于改进YOLO v3的菜品识别方法 | |
| CN110415176A (zh) | 一种文本图像超分辨率方法 | |
| CN110490816A (zh) | 一种水下异构信息数据降噪方法 | |
| CN116029902A (zh) | 一种基于知识蒸馏的无监督真实世界图像超分辨方法 | |
| CN111524060B (zh) | 一种实时人像背景虚化的系统、方法、存储介质和设备 | |
| CN116433518A (zh) | 一种基于改进Cycle-Dehaze神经网络的火灾图像烟雾去除方法 | |
| CN111369451B (zh) | 一种基于复杂任务分解正则化的图像复原模型、方法及设备 | |
| CN116452469B (zh) | 一种基于深度学习的图像去雾处理方法及装置 | |
| 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 | |
| CN111325149A (zh) | 一种基于投票的时序关联模型的视频动作识别方法 | |
| CN114037843B (zh) | 一种基于改进生成对抗网络的提高水下图像分辨率方法 | |
| CN113256528B (zh) | 基于多尺度级联深度残差网络的低照度视频增强方法 | |
| CN114219738A (zh) | 单幅图像多尺度超分辨重建网络结构及方法 |
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 |