CN110120020A - 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 - Google Patents
一种基于多尺度空洞残差注意力网络的sar图像去噪方法 Download PDFInfo
- Publication number
- CN110120020A CN110120020A CN201910358602.7A CN201910358602A CN110120020A CN 110120020 A CN110120020 A CN 110120020A CN 201910358602 A CN201910358602 A CN 201910358602A CN 110120020 A CN110120020 A CN 110120020A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- layers
- sar
- size
- 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 21
- 230000001427 coherent effect Effects 0.000 claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 claims description 3
- 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
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 239000012141 concentrate Substances 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000032258 transport 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
- G06N3/048—Activation functions
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
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 Analysis (AREA)
Abstract
本发明涉及一种基于多尺度空洞残差注意力网络的SAR图像去噪方法。通过多尺度卷积组提取图像不同尺度的特征,利用空洞卷积增大卷积核感受野,提取图像更多的上下文信息,使用跳跃连接将浅层的特征信息传递到深层的卷积层以保持图像细节,添加注意力机制集中提取与噪声相关的特征,结合残差学习策略自动学习SAR图像相干斑噪声的分布形式,以达到去除相干斑噪声的目的。实验结果表明,本发明相比于传统的SAR图像噪声去除方法,不仅相干斑噪声去除效果好,人工痕迹少,保持了图像的细节信息,而且利用GPU计算速度也更快。
Description
技术领域
本发明涉及一种基于多尺度空洞残差注意力网络的SAR图像乘性相干斑噪声去除方法,属遥感图像处理领域。
背景技术
合成孔径雷达(SAR)是一种相干成像传感器,可以获取大量高质量的地表数据。由于能够在夜间以及薄云和雾霾等恶劣天气条件下运行,SAR已逐渐成为地理测绘,资源调查和军事侦察等领域的遥感数据的重要来源。然而,SAR图像经常受到由散射现象的相干性引起的乘性噪声即相干斑噪声的影响。相干斑噪声的存在严重影响了SAR图像的质量,并大大降低了SAR图像解译任务如目标检测、实例分割的效率。因此,去除SAR图像的相干斑噪声是进行SAR图像解译的必不可少的预处理步骤,并已成为一个热门的研究问题。
为了去除SAR图像的相干斑噪声,国内外的专家学者已经提出了许多方法包括空间线性滤波、基于小波滤波的方法、非局部均值和基于变分的方法等。空间线性滤波器如Lee滤波器、Kuan滤波器、Frost滤波器等可以平滑相干斑噪声,但会丢失一定程度的边缘和细节信息。基于小波滤波的方法可以保留更多的边缘信息,但其滤波去除相干斑噪声的效果并不理想。非局部均值在相干斑减少和细节保留之间提供了良好的折衷,但搜索相似图像块带来的繁重计算负担限制了它的应用。基于变分的方法由于其稳定性和灵活性逐渐被用于SAR图像去噪,它通过解决能量优化问题突破了传统的滤波器思想。虽然总变分模型、稀疏表示等基于变分的方法在相干斑噪声去除上取得了良好的效果,但噪声去除结果通常取决于模型参数和先验知识的选择,需要消耗大量时间。另外,基于变分的方法不能准确地描述相干斑噪声的分布,这也限制了相干斑噪声去除的性能。
尽管目前已经提出了许多的SAR图像去噪方法,但它们有时不能保留边缘和细节信息,或者甚至在原SAR图像中产生一些人工痕迹。近年来,深度卷积神经网络已经证明可以在各种计算机视觉和图像处理任务如图像分类、图像分割、图像去噪、目标检测等上产生先进的结果,并且与传统的浅层结构滤波算法相比,深度卷积神经网络更有利于处理复杂的非线性问题。图像特征的多尺度学习是解决计算机视觉问题的常用技术。多尺度学习可以利用不同级别的特征映射,消除人工痕迹,改善网络的泛化性能。空洞卷积在不增加参数量的前提下扩大卷积核的感受野,使得深度卷积神经网络能进行稠密的特征提取并增强图像的上下文信息。跳跃连接可以保持图像细节信息,避免梯度消失问题。残差学习解决了网络退化问题,使得深度卷积神经网络在增加深度的同时获得高性能,并且加速训练过程。注意力机制使得深度卷积神经网络更重视图像中重要的特征,进而提高网络性能。因此,基于多尺度学习、空洞卷积、跳跃连接、残差学习和注意力机制的深度卷积神经网络能有效保持图像细节信息,消除人工痕迹,适用于解决SAR图像去噪问题。
发明内容
要解决的技术问题
针对SAR成像过程中由散射现象的相干性引起的相干斑噪声而造成的SAR图像质量降低问题,设计一种高性能、高精度的SAR图像去噪算法来获得干净无噪声的SAR图像,以提高SAR图像解译任务的效率和准确度。
技术方案
一种基于多尺度空洞残差注意力网络的SAR图像去噪方法,其特征在于步骤如下:
步骤1:生成训练样本对:选取UCMerced_LandUse数据集中的410张图像作为训练集用以模拟不同视数的SAR图像,UCMerced_LandUse数据集包含21个类别,每个类别包含100张图像;首先,从每个类别中分别选取20张大小为256x 256的图像,总计410张图像,将所有图像变为灰度图得到干净的无噪声图像,向所有灰度无噪声图像中添加不同视数幅度形式的相干斑噪声得到模拟SAR噪声图像:对于单视的幅度图来说,幅度图的相干斑噪声服从均值为1,方差为(4/π-1)的Rayleigh分布;通过对L个幅度样本取平均即可得到一个L视数的幅度图像,其中L越大,噪声越小;然后,将得到的410对干净无噪声图像和模拟SAR噪声图像以10为步长切成40x40大小的图像,共得到198440对干净无噪声图像和模拟SAR噪声图像作为训练样本对;
步骤2:数据预处理:将所有训练样本对用最大最小值归一化方法归一化到0~1之间;
步骤3:构建网络模型:模型包括1个多尺度卷积组、7个空洞卷积层、2个跳跃连接、2个注意力模块;具体结构如下:
L1层为多尺度卷积组,用于提取图像的多尺度特征,由大小为3x3、5x5、7x7三个不同尺寸的卷积核组成,其对应的特征图数量分别为32、20、12,即L1层提取的总特征图数量为64;L2、L3、L4层分别为空洞率等于1、2、3,卷积核大小为3x3的空洞卷积层,其对应的特征图数量均为64;接在L4层后是一个注意力模块M1,注意力模块由通道注意力和空间注意力串联而成,L4层的特征图先生成通道注意力权值并与自身在通道维度上进行元素点乘运算,然后得到的结果再生成空间注意力权值并与自身在空间维度上进行元素点乘运算最终得到添加了注意力机制的特征图;所述的通道注意力权值是由特征图在通道维度上经过平均池化和Sigmoid函数生成,空间注意力权值是在空间维度上先经过平均池化和最大池化,将两个池化结果再经过一个卷积核为7x7的卷积和Sigmoid函数生成;L5、L6、L7层分别为空洞率等于4、3、2,卷积核大小为3x3的空洞卷积层,其对应的特征图数量都为64;L8层为空洞率等于1,卷积核大小为3x3的空洞卷积层,同时也为网络的最后一层,输出只有1个通道的残差图像;L2层和L4层之间、L5和L7层之间分别有一个跳跃连接用于将浅层特征传递给深层卷积层;L7层后是注意力模块M2,M2与M1结构相同;除了L8层以外,其他卷积层的卷积后都会跟着一个ReLu激活函数;
步骤4:训练网络模型:将归一化后的模拟SAR噪声图像训练样本输入到网络模型中进行训练,以模拟SAR噪声图像和干净无噪声图像的残差即相干斑噪声作为训练学习目标,不断学习模拟SAR噪声图像与相干斑噪声之间的映射关系,直到网络收敛;
步骤5:生成去噪图像:将模拟或真实SAR噪声图像直接输入到已经训练好的网络模型中,得到学习到的噪声,用原输入的模拟或真实SAR噪声图像减去学习到的噪声即可获得去完噪声的结果图像。
步骤4中训练模型时采用的训练样本对是大小为40x40的模拟SAR噪声图像和干净无噪声图像;训练轮数为50,Batch_size大小为32,优化器采用Adam,损失函数为均方差损失;模型中所有层和模块得到的特征图尺寸以及最后的输出图像尺寸均与输入图像尺寸一样。
有益效果
本发明提出的一种基于多尺度空洞残差注意力网络的SAR图像去噪方法,通过训练多尺度空洞残差注意力网络,提取图像不同尺度的特征,利用空洞卷积增大卷积核感受野,提取图像更多的上下文信息,使用跳跃连接将浅层的特征信息传递到深层的卷积层以保持图像细节,添加注意力机制集中提取与噪声相关的特征,结合残差学习策略自动学习SAR图像相干斑噪声的分布形式,以达到去除相干斑噪声的目的。实验结果表明,本发明相比于传统的SAR图像噪声去除方法,不仅相干斑噪声去除效果好,人工痕迹少,保持了图像的细节信息,而且利用GPU计算速度也更快。
附图说明
图1:基于多尺度空洞残差注意力网络的SAR图像去噪方法流程图
图2:多尺度空洞残差注意力网络模型结构示意图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明通过多尺度卷积群对图像进行多尺度特征提取,利用空洞卷积增大卷积核感受野,提取图像更多的上下文信息,使用跳跃连接将浅层的特征信息传递到深层的卷积层以保持图像细节,添加注意力机制集中提取与噪声相关的特征,结合残差学习来学习原相干斑噪声图像与相干斑噪声之间复杂的映射关系。具体如下:
步骤1:生成训练样本对。由于目前很难获得没有相干斑噪声的干净SAR图像,故需要使用模拟SAR图像作为训练数据。本发明选取UCMerced_LandUse数据集中的410张图像作为训练集用以模拟不同视数的SAR图像。UCMerced_LandUse数据集包含21个类别,每个类别包含100张图像。首先,从每个类别中分别选取20张大小为256x 256的图像,总计410张图像,将所有图像变为灰度图得到干净的无噪声图像,向所有灰度无噪声图像中添加不同视数幅度形式的相干斑噪声得到模拟SAR噪声图像(对于单视的幅度图来说,幅度图的相干斑噪声服从均值为1,方差为(4/π-1)的Rayleigh分布。通过对L个幅度样本取平均即可得到一个L视数的幅度图像,其中L越大,噪声越小。);然后,将得到的410对干净无噪声图像和模拟SAR噪声图像以10为步长切成40x40大小的图像,共得到198440对干净无噪声图像和模拟SAR噪声图像作为训练样本对。
步骤2:数据预处理。将所有训练样本对用最大最小值归一化方法归一化到0~1之间。
步骤3:构建网络模型。本发明的模型结构如图2所示,包括1个多尺度卷积组、7个空洞卷积层、2个跳跃连接、2个注意力模块。L1层为多尺度卷积组,用于提取图像的多尺度特征,由大小为3x3、5x5、7x7三个不同尺寸的卷积核组成,其对应的特征图数量分别为32、20、12,即L1层提取的总特征图数量为64。L2、L3、L4层分别为空洞率等于1、2、3,卷积核大小为3x3的空洞卷积层,其对应的特征图数量均为64。接在L4层后是一个注意力模块M1。注意力模块由通道注意力和空间注意力串联而成,L4层的特征图先生成通道注意力权值并与自身在通道维度上进行元素点乘运算,然后得到的结果再生成空间注意力权值并与自身在空间维度上进行元素点乘运算最终得到添加了注意力机制的特征图。本发明中通道注意力权值是由特征图在通道维度上经过平均池化和Sigmoid函数生成,空间注意力权值是在空间维度上先经过平均池化和最大池化,将两个池化结果再经过一个卷积核为7x7的卷积和Sigmoid函数生成。L5、L6、L7层分别为空洞率等于4、3、2,卷积核大小为3x3的空洞卷积层,其对应的特征图数量都为64。L8层为空洞率等于1,卷积核大小为3x3的空洞卷积层,同时也为网络的最后一层,输出只有1个通道的残差图像。L2层和L4层之间、L5和L7层之间分别有一个跳跃连接用于将浅层特征传递给深层卷积层。L7层后是注意力模块M2,M2与M1结构相同。除了L8层以外,其他卷积层的卷积后都会跟着一个ReLu激活函数。
步骤4:训练网络模型。将归一化后的模拟SAR噪声图像训练样本输入到网络中进行训练,以模拟SAR噪声图像和干净无噪声图像的残差即相干斑噪声作为训练学习目标,不断学习模拟SAR噪声图像与相干斑噪声之间的映射关系,直到网络收敛。本发明训练模型时采用的训练样本对是大小为40x40的模拟SAR噪声图像和干净无噪声图像。训练轮数为50,Batch_size大小为32,优化器采用Adam,损失函数为均方差损失。模型中所有层和模块得到的特征图尺寸以及最后的输出图像尺寸均与输入图像尺寸一样。
步骤5:生成去噪图像。将模拟或真实的SAR噪声图像直接输入到已经训练好的网络模型中,得到学习到的噪声,用原输入的模拟或真实的SAR噪声图像减去学习到的噪声即可获得去完噪声的结果图像。
Claims (2)
1.一种基于多尺度空洞残差注意力网络的SAR图像去噪方法,其特征在于步骤如下:
步骤1:生成训练样本对:选取UCMerced_LandUse数据集中的410张图像作为训练集用以模拟不同视数的SAR图像,UCMerced_LandUse数据集包含21个类别,每个类别包含100张图像;首先,从每个类别中分别选取20张大小为256x256的图像,总计410张图像,将所有图像变为灰度图得到干净的无噪声图像,向所有灰度无噪声图像中添加不同视数幅度形式的相干斑噪声得到模拟SAR噪声图像:对于单视的幅度图来说,幅度图的相干斑噪声服从均值为1,方差为(4/π-1)的Rayleigh分布;通过对L个幅度样本取平均即可得到一个L视数的幅度图像,其中L越大,噪声越小;然后,将得到的410对干净无噪声图像和模拟SAR噪声图像以10为步长切成40x40大小的图像,共得到198440对干净无噪声图像和模拟SAR噪声图像作为训练样本对;
步骤2:数据预处理:将所有训练样本对用最大最小值归一化方法归一化到0~1之间;
步骤3:构建网络模型:模型包括1个多尺度卷积组、7个空洞卷积层、2个跳跃连接、2个注意力模块;具体结构如下:
L1层为多尺度卷积组,用于提取图像的多尺度特征,由大小为3x3、5x5、7x7三个不同尺寸的卷积核组成,其对应的特征图数量分别为32、20、12,即L1层提取的总特征图数量为64;L2、L3、L4层分别为空洞率等于1、2、3,卷积核大小为3x3的空洞卷积层,其对应的特征图数量均为64;接在L4层后是一个注意力模块M1,注意力模块由通道注意力和空间注意力串联而成,L4层的特征图先生成通道注意力权值并与自身在通道维度上进行元素点乘运算,然后得到的结果再生成空间注意力权值并与自身在空间维度上进行元素点乘运算最终得到添加了注意力机制的特征图;所述的通道注意力权值是由特征图在通道维度上经过平均池化和Sigmoid函数生成,空间注意力权值是在空间维度上先经过平均池化和最大池化,将两个池化结果再经过一个卷积核为7x7的卷积和Sigmoid函数生成;L5、L6、L7层分别为空洞率等于4、3、2,卷积核大小为3x3的空洞卷积层,其对应的特征图数量都为64;L8层为空洞率等于1,卷积核大小为3x3的空洞卷积层,同时也为网络的最后一层,输出只有1个通道的残差图像;L2层和L4层之间、L5和L7层之间分别有一个跳跃连接用于将浅层特征传递给深层卷积层;L7层后是注意力模块M2,M2与M1结构相同;除了L8层以外,其他卷积层的卷积后都会跟着一个ReLu激活函数;
步骤4:训练网络模型:将归一化后的模拟SAR噪声图像训练样本输入到网络模型中进行训练,以模拟SAR噪声图像和干净无噪声图像的残差即相干斑噪声作为训练学习目标,不断学习模拟SAR噪声图像与相干斑噪声之间的映射关系,直到网络收敛;
步骤5:生成去噪图像:将模拟或真实SAR噪声图像直接输入到已经训练好的网络模型中,得到学习到的噪声,用原输入的模拟或真实SAR噪声图像减去学习到的噪声即可获得去完噪声的结果图像。
2.根据权利要求1所述的一种基于多尺度空洞残差注意力网络的SAR图像去噪方法,其特征在于步骤4中训练模型时采用的训练样本对是大小为40x40的模拟SAR噪声图像和干净无噪声图像;训练轮数为50,Batch_size大小为32,优化器采用Adam,损失函数为均方差损失;模型中所有层和模块得到的特征图尺寸以及最后的输出图像尺寸均与输入图像尺寸一样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910358602.7A CN110120020A (zh) | 2019-04-30 | 2019-04-30 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910358602.7A CN110120020A (zh) | 2019-04-30 | 2019-04-30 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110120020A true CN110120020A (zh) | 2019-08-13 |
Family
ID=67521674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910358602.7A Pending CN110120020A (zh) | 2019-04-30 | 2019-04-30 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110120020A (zh) |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674930A (zh) * | 2019-09-27 | 2020-01-10 | 南昌航空大学 | 一种基于学习下采样和跳跃连接网络sar图像去噪方法 |
CN110706181A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学技术大学 | 一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统 |
CN110910329A (zh) * | 2019-11-27 | 2020-03-24 | 中国科学技术大学 | 一种以需求为导向的图像去噪方法 |
CN110991511A (zh) * | 2019-11-26 | 2020-04-10 | 中原工学院 | 一种基于深度卷积神经网络的向日葵作物种子分拣方法 |
CN110974217A (zh) * | 2020-01-03 | 2020-04-10 | 苏州大学 | 基于卷积自编码器的双阶段心电信号降噪方法 |
CN111047515A (zh) * | 2019-12-29 | 2020-04-21 | 兰州理工大学 | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 |
CN111080541A (zh) * | 2019-12-06 | 2020-04-28 | 广东启迪图卫科技股份有限公司 | 基于比特分层和注意力融合机制的彩色图像去噪方法 |
CN111079825A (zh) * | 2019-12-09 | 2020-04-28 | 中国科学技术大学 | 针对医学图像的细胞核自动检测方法 |
CN111242846A (zh) * | 2020-01-07 | 2020-06-05 | 福州大学 | 基于非局部增强网络的细粒度尺度图像超分辨率方法 |
CN111259982A (zh) * | 2020-02-13 | 2020-06-09 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
CN111275643A (zh) * | 2020-01-20 | 2020-06-12 | 西南科技大学 | 基于通道和空间注意力的真实噪声盲去噪网络模型及方法 |
CN111292259A (zh) * | 2020-01-14 | 2020-06-16 | 西安交通大学 | 一种综合多尺度与注意力机制的深度学习图像去噪方法 |
CN111311518A (zh) * | 2020-03-04 | 2020-06-19 | 清华大学深圳国际研究生院 | 基于多尺度混合注意力残差网络的图像去噪方法及装置 |
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 |
CN112233026A (zh) * | 2020-09-29 | 2021-01-15 | 南京理工大学 | 一种基于多尺度残差注意力网络的sar图像去噪方法 |
CN112363216A (zh) * | 2020-08-19 | 2021-02-12 | 中国石油大学(华东) | 基于注意力机制的地震数据去噪方法 |
CN112419197A (zh) * | 2020-11-26 | 2021-02-26 | 武汉大学 | 一种通用的单、多时相sar影像相干斑噪声去除方法 |
WO2021051520A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 图像识别、训练识别模型的方法、相关设备及存储介质 |
CN112767258A (zh) * | 2020-12-18 | 2021-05-07 | 闽江学院 | 一种端到端的图像去沙尘暴方法 |
CN112836696A (zh) * | 2019-11-22 | 2021-05-25 | 搜狗(杭州)智能科技有限公司 | 一种文字数据的检测方法、装置及电子设备 |
CN112926448A (zh) * | 2021-02-24 | 2021-06-08 | 重庆交通大学 | 一种相干斑模式起伏稳健的sar图像分类方法 |
CN113033448A (zh) * | 2021-04-02 | 2021-06-25 | 东北林业大学 | 一种基于多尺度卷积和注意力的遥感影像去云残差神经网络系统、方法、设备及存储介质 |
CN113034373A (zh) * | 2019-12-24 | 2021-06-25 | 无锡祥生医疗科技股份有限公司 | 超声图像去噪神经网络、去噪方法及超声诊断设备 |
CN113066023A (zh) * | 2021-03-19 | 2021-07-02 | 哈尔滨工程大学 | 一种基于自校准卷积神经网络的sar图像去斑方法 |
CN113191983A (zh) * | 2021-05-18 | 2021-07-30 | 陕西师范大学 | 一种基于深度学习注意力机制的图像去噪方法及装置 |
CN113256526A (zh) * | 2021-05-25 | 2021-08-13 | 烟台艾睿光电科技有限公司 | 一种红外图像增强方法、装置、设备及存储介质 |
CN113362250A (zh) * | 2021-06-25 | 2021-09-07 | 南昌航空大学 | 一种基于双树四元小波与深度学习的图像去噪方法及系统 |
CN113486716A (zh) * | 2021-06-04 | 2021-10-08 | 电子科技大学长三角研究院(衢州) | 机场场面目标分割方法及其系统 |
CN113554156A (zh) * | 2021-09-22 | 2021-10-26 | 中国海洋大学 | 基于注意力机制与可变形卷积的多任务学习模型构建方法 |
CN113807206A (zh) * | 2021-08-30 | 2021-12-17 | 电子科技大学 | 一种基于去噪任务辅助的sar图像目标识别方法 |
CN113962873A (zh) * | 2020-07-21 | 2022-01-21 | 武汉Tcl集团工业研究院有限公司 | 一种图像去噪方法、存储介质及终端设备 |
CN114299305A (zh) * | 2021-12-30 | 2022-04-08 | 安徽理工大学 | 聚合密集和注意力多尺度特征的显著性目标检测算法 |
WO2022095253A1 (zh) * | 2020-11-04 | 2022-05-12 | 常州工学院 | 一种基于深度通道感知的去除云雾方法 |
CN114782695A (zh) * | 2022-04-19 | 2022-07-22 | 青岛海洋地质研究所 | 基于阶梯型多尺度卷积神经网络的非均匀噪声去除方法 |
CN114972130A (zh) * | 2022-08-02 | 2022-08-30 | 深圳精智达技术股份有限公司 | 一种去噪神经网络的训练方法、装置及训练设备 |
WO2022188425A1 (zh) * | 2021-03-11 | 2022-09-15 | 合肥工业大学 | 一种融入先验知识的深度学习故障诊断方法 |
CN115905996A (zh) * | 2022-09-19 | 2023-04-04 | 山东省人工智能研究院 | 一种多尺度膨胀卷积残差密集网络的心电信号降噪方法 |
CN116228609A (zh) * | 2023-05-10 | 2023-06-06 | 中国人民解放军国防科技大学 | 一种基于零样本学习的雷达图像相干斑滤波方法及装置 |
CN116453199A (zh) * | 2023-05-19 | 2023-07-18 | 山东省人工智能研究院 | 基于复杂纹理区域伪造痕迹的gan生成人脸检测方法 |
CN116645298A (zh) * | 2023-07-26 | 2023-08-25 | 广东电网有限责任公司珠海供电局 | 一种架空输电线路视频监控图像去雾方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407903A (zh) * | 2016-08-31 | 2017-02-15 | 四川瞳知科技有限公司 | 基于多尺度卷积神经网络的实时人体异常行为识别方法 |
CN107103585A (zh) * | 2017-04-28 | 2017-08-29 | 广东工业大学 | 一种图像超分辨率系统 |
CN107240066A (zh) * | 2017-04-28 | 2017-10-10 | 天津大学 | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 |
CN107463949A (zh) * | 2017-07-14 | 2017-12-12 | 北京协同创新研究院 | 一种视频动作分类的处理方法及装置 |
CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
US20180240221A1 (en) * | 2017-02-17 | 2018-08-23 | Cogisen S.R.L. | Method for image processing and video compression |
CN108596108A (zh) * | 2018-04-26 | 2018-09-28 | 中国科学院电子学研究所 | 基于三元组语义关系学习的航拍遥感图像变化检测方法 |
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 |
CN109003240A (zh) * | 2018-07-16 | 2018-12-14 | 安徽理工大学 | 一种基于多尺度并行cnn的图像去噪方法 |
CN109063584A (zh) * | 2018-07-11 | 2018-12-21 | 深圳大学 | 基于级联回归的面部特征点定位方法、装置、设备及介质 |
CN109165697A (zh) * | 2018-10-12 | 2019-01-08 | 福州大学 | 一种基于注意力机制卷积神经网络的自然场景文字检测方法 |
CN109344779A (zh) * | 2018-10-11 | 2019-02-15 | 高新兴科技集团股份有限公司 | 一种基于卷积神经网络的匝道场景下的人脸检测方法 |
CN109472263A (zh) * | 2018-10-12 | 2019-03-15 | 东南大学 | 一种结合全局和局部信息的大脑磁共振图像分割方法 |
CN109522857A (zh) * | 2018-11-26 | 2019-03-26 | 山东大学 | 一种基于生成式对抗网络模型的人数估计方法 |
CN109671023A (zh) * | 2019-01-24 | 2019-04-23 | 江苏大学 | 一种人脸图像超分辨率二次重建方法 |
-
2019
- 2019-04-30 CN CN201910358602.7A patent/CN110120020A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407903A (zh) * | 2016-08-31 | 2017-02-15 | 四川瞳知科技有限公司 | 基于多尺度卷积神经网络的实时人体异常行为识别方法 |
US20180240221A1 (en) * | 2017-02-17 | 2018-08-23 | Cogisen S.R.L. | Method for image processing and video compression |
CN107103585A (zh) * | 2017-04-28 | 2017-08-29 | 广东工业大学 | 一种图像超分辨率系统 |
CN107240066A (zh) * | 2017-04-28 | 2017-10-10 | 天津大学 | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 |
CN107463949A (zh) * | 2017-07-14 | 2017-12-12 | 北京协同创新研究院 | 一种视频动作分类的处理方法及装置 |
CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
CN108596108A (zh) * | 2018-04-26 | 2018-09-28 | 中国科学院电子学研究所 | 基于三元组语义关系学习的航拍遥感图像变化检测方法 |
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 |
CN109063584A (zh) * | 2018-07-11 | 2018-12-21 | 深圳大学 | 基于级联回归的面部特征点定位方法、装置、设备及介质 |
CN109003240A (zh) * | 2018-07-16 | 2018-12-14 | 安徽理工大学 | 一种基于多尺度并行cnn的图像去噪方法 |
CN109344779A (zh) * | 2018-10-11 | 2019-02-15 | 高新兴科技集团股份有限公司 | 一种基于卷积神经网络的匝道场景下的人脸检测方法 |
CN109165697A (zh) * | 2018-10-12 | 2019-01-08 | 福州大学 | 一种基于注意力机制卷积神经网络的自然场景文字检测方法 |
CN109472263A (zh) * | 2018-10-12 | 2019-03-15 | 东南大学 | 一种结合全局和局部信息的大脑磁共振图像分割方法 |
CN109522857A (zh) * | 2018-11-26 | 2019-03-26 | 山东大学 | 一种基于生成式对抗网络模型的人数估计方法 |
CN109671023A (zh) * | 2019-01-24 | 2019-04-23 | 江苏大学 | 一种人脸图像超分辨率二次重建方法 |
Non-Patent Citations (5)
Title |
---|
QIANG ZHANG ET AL: "Learning a Dilated Residual Network for SAR Image Despeckling", 《REMOTE SENSING》 * |
QU ZHIPING ET AL: "A New Generative Adversarial Network for Texture Preserving Image Denoising", 《2018 EIGHTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS (IPTA)》 * |
SANGHYUN WOO ET AL: "CBAM: Convolutional Block Attention Module", 《ARXIV:1807.06521V2》 * |
WEI LIU ET AL: "A 3-D Atrous Convolution Neural Network for Hyperspectral Image Denoising", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
吕晓琪等: "基于深度卷积神经网络的低剂量CT肺部去噪", 《电子与信息学报》 * |
Cited By (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021051520A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 图像识别、训练识别模型的方法、相关设备及存储介质 |
CN110674930A (zh) * | 2019-09-27 | 2020-01-10 | 南昌航空大学 | 一种基于学习下采样和跳跃连接网络sar图像去噪方法 |
CN110706181A (zh) * | 2019-10-09 | 2020-01-17 | 中国科学技术大学 | 一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统 |
CN112836696A (zh) * | 2019-11-22 | 2021-05-25 | 搜狗(杭州)智能科技有限公司 | 一种文字数据的检测方法、装置及电子设备 |
CN110991511A (zh) * | 2019-11-26 | 2020-04-10 | 中原工学院 | 一种基于深度卷积神经网络的向日葵作物种子分拣方法 |
CN110910329B (zh) * | 2019-11-27 | 2022-09-02 | 中国科学技术大学 | 一种以需求为导向的图像去噪方法 |
CN110910329A (zh) * | 2019-11-27 | 2020-03-24 | 中国科学技术大学 | 一种以需求为导向的图像去噪方法 |
CN111080541A (zh) * | 2019-12-06 | 2020-04-28 | 广东启迪图卫科技股份有限公司 | 基于比特分层和注意力融合机制的彩色图像去噪方法 |
CN111079825A (zh) * | 2019-12-09 | 2020-04-28 | 中国科学技术大学 | 针对医学图像的细胞核自动检测方法 |
CN111079825B (zh) * | 2019-12-09 | 2022-09-30 | 中国科学技术大学 | 针对医学图像的细胞核自动检测方法 |
CN113034373A (zh) * | 2019-12-24 | 2021-06-25 | 无锡祥生医疗科技股份有限公司 | 超声图像去噪神经网络、去噪方法及超声诊断设备 |
CN111047515A (zh) * | 2019-12-29 | 2020-04-21 | 兰州理工大学 | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 |
CN111047515B (zh) * | 2019-12-29 | 2024-01-09 | 兰州理工大学 | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 |
CN110974217A (zh) * | 2020-01-03 | 2020-04-10 | 苏州大学 | 基于卷积自编码器的双阶段心电信号降噪方法 |
CN111242846A (zh) * | 2020-01-07 | 2020-06-05 | 福州大学 | 基于非局部增强网络的细粒度尺度图像超分辨率方法 |
CN111242846B (zh) * | 2020-01-07 | 2022-03-22 | 福州大学 | 基于非局部增强网络的细粒度尺度图像超分辨率方法 |
CN111292259A (zh) * | 2020-01-14 | 2020-06-16 | 西安交通大学 | 一种综合多尺度与注意力机制的深度学习图像去噪方法 |
CN111275643B (zh) * | 2020-01-20 | 2022-09-02 | 西南科技大学 | 基于通道和空间注意力的真实噪声盲去噪网络系统及方法 |
CN111275643A (zh) * | 2020-01-20 | 2020-06-12 | 西南科技大学 | 基于通道和空间注意力的真实噪声盲去噪网络模型及方法 |
CN111259982B (zh) * | 2020-02-13 | 2023-05-12 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
CN111259982A (zh) * | 2020-02-13 | 2020-06-09 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
CN111311518A (zh) * | 2020-03-04 | 2020-06-19 | 清华大学深圳国际研究生院 | 基于多尺度混合注意力残差网络的图像去噪方法及装置 |
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 |
CN113962873A (zh) * | 2020-07-21 | 2022-01-21 | 武汉Tcl集团工业研究院有限公司 | 一种图像去噪方法、存储介质及终端设备 |
CN112363216A (zh) * | 2020-08-19 | 2021-02-12 | 中国石油大学(华东) | 基于注意力机制的地震数据去噪方法 |
CN112233026A (zh) * | 2020-09-29 | 2021-01-15 | 南京理工大学 | 一种基于多尺度残差注意力网络的sar图像去噪方法 |
WO2022095253A1 (zh) * | 2020-11-04 | 2022-05-12 | 常州工学院 | 一种基于深度通道感知的去除云雾方法 |
CN112419197A (zh) * | 2020-11-26 | 2021-02-26 | 武汉大学 | 一种通用的单、多时相sar影像相干斑噪声去除方法 |
CN112767258A (zh) * | 2020-12-18 | 2021-05-07 | 闽江学院 | 一种端到端的图像去沙尘暴方法 |
CN112767258B (zh) * | 2020-12-18 | 2023-10-31 | 闽江学院 | 一种端到端的图像去沙尘暴方法 |
CN112926448A (zh) * | 2021-02-24 | 2021-06-08 | 重庆交通大学 | 一种相干斑模式起伏稳健的sar图像分类方法 |
CN112926448B (zh) * | 2021-02-24 | 2022-06-14 | 重庆交通大学 | 一种相干斑模式起伏稳健的sar图像分类方法 |
WO2022188425A1 (zh) * | 2021-03-11 | 2022-09-15 | 合肥工业大学 | 一种融入先验知识的深度学习故障诊断方法 |
CN113066023A (zh) * | 2021-03-19 | 2021-07-02 | 哈尔滨工程大学 | 一种基于自校准卷积神经网络的sar图像去斑方法 |
CN113066023B (zh) * | 2021-03-19 | 2022-12-13 | 哈尔滨工程大学 | 一种基于自校准卷积神经网络的sar图像去斑方法 |
CN113033448A (zh) * | 2021-04-02 | 2021-06-25 | 东北林业大学 | 一种基于多尺度卷积和注意力的遥感影像去云残差神经网络系统、方法、设备及存储介质 |
CN113191983A (zh) * | 2021-05-18 | 2021-07-30 | 陕西师范大学 | 一种基于深度学习注意力机制的图像去噪方法及装置 |
CN113256526A (zh) * | 2021-05-25 | 2021-08-13 | 烟台艾睿光电科技有限公司 | 一种红外图像增强方法、装置、设备及存储介质 |
CN113486716B (zh) * | 2021-06-04 | 2022-06-14 | 电子科技大学长三角研究院(衢州) | 机场场面目标分割方法及其系统 |
CN113486716A (zh) * | 2021-06-04 | 2021-10-08 | 电子科技大学长三角研究院(衢州) | 机场场面目标分割方法及其系统 |
CN113362250B (zh) * | 2021-06-25 | 2022-03-22 | 南昌航空大学 | 一种基于双树四元小波与深度学习的图像去噪方法及系统 |
CN113362250A (zh) * | 2021-06-25 | 2021-09-07 | 南昌航空大学 | 一种基于双树四元小波与深度学习的图像去噪方法及系统 |
CN113807206A (zh) * | 2021-08-30 | 2021-12-17 | 电子科技大学 | 一种基于去噪任务辅助的sar图像目标识别方法 |
CN113807206B (zh) * | 2021-08-30 | 2023-04-07 | 电子科技大学 | 一种基于去噪任务辅助的sar图像目标识别方法 |
CN113554156A (zh) * | 2021-09-22 | 2021-10-26 | 中国海洋大学 | 基于注意力机制与可变形卷积的多任务学习模型构建方法 |
CN114299305A (zh) * | 2021-12-30 | 2022-04-08 | 安徽理工大学 | 聚合密集和注意力多尺度特征的显著性目标检测算法 |
CN114782695B (zh) * | 2022-04-19 | 2024-04-09 | 青岛海洋地质研究所 | 基于阶梯型多尺度卷积神经网络的非均匀噪声去除方法 |
CN114782695A (zh) * | 2022-04-19 | 2022-07-22 | 青岛海洋地质研究所 | 基于阶梯型多尺度卷积神经网络的非均匀噪声去除方法 |
CN114972130A (zh) * | 2022-08-02 | 2022-08-30 | 深圳精智达技术股份有限公司 | 一种去噪神经网络的训练方法、装置及训练设备 |
CN115905996B (zh) * | 2022-09-19 | 2023-08-08 | 山东省人工智能研究院 | 一种多尺度膨胀卷积残差密集网络的心电信号降噪方法 |
CN115905996A (zh) * | 2022-09-19 | 2023-04-04 | 山东省人工智能研究院 | 一种多尺度膨胀卷积残差密集网络的心电信号降噪方法 |
CN116228609A (zh) * | 2023-05-10 | 2023-06-06 | 中国人民解放军国防科技大学 | 一种基于零样本学习的雷达图像相干斑滤波方法及装置 |
CN116453199A (zh) * | 2023-05-19 | 2023-07-18 | 山东省人工智能研究院 | 基于复杂纹理区域伪造痕迹的gan生成人脸检测方法 |
CN116453199B (zh) * | 2023-05-19 | 2024-01-26 | 山东省人工智能研究院 | 基于复杂纹理区域伪造痕迹的gan生成人脸检测方法 |
CN116645298A (zh) * | 2023-07-26 | 2023-08-25 | 广东电网有限责任公司珠海供电局 | 一种架空输电线路视频监控图像去雾方法及装置 |
CN116645298B (zh) * | 2023-07-26 | 2024-01-26 | 广东电网有限责任公司珠海供电局 | 一种架空输电线路视频监控图像去雾方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110120020A (zh) | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 | |
CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
Han et al. | Underwater image processing and object detection based on deep CNN method | |
CN109086824B (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
CN107644415B (zh) | 一种文本图像质量评估方法及设备 | |
Liu et al. | Random noise suppression in seismic data: What can deep learning do? | |
Wang et al. | Dehazing for images with large sky region | |
CN111310862A (zh) | 复杂环境下基于图像增强的深度神经网络车牌定位方法 | |
CN112052886A (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
CN104299006A (zh) | 一种基于深度神经网络的车牌识别方法 | |
CN107679462A (zh) | 一种基于小波的深度多特征融合分类方法 | |
CN105657402A (zh) | 一种深度图恢复方法 | |
CN109376589A (zh) | 基于卷积核筛选ssd网络的rov形变目标与小目标识别方法 | |
CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN112365514A (zh) | 基于改进PSPNet的语义分割方法 | |
CN111046917B (zh) | 基于深度神经网络的对象性增强目标检测方法 | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN104298974A (zh) | 一种基于深度视频序列的人体行为识别方法 | |
CN106203350B (zh) | 一种运动目标跨尺度跟踪方法和装置 | |
CN105405132A (zh) | 基于视觉反差和信息熵的sar图像人造目标检测方法 | |
CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN112818920B (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
CN113111758A (zh) | 一种基于脉冲神经网络的sar图像舰船目标识别方法 | |
Qi et al. | A new heterogeneous neural network model and its application in image enhancement | |
CN113066025A (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 |
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 |