CN110189260A - 一种基于多尺度并行门控神经网络的图像降噪方法 - Google Patents
一种基于多尺度并行门控神经网络的图像降噪方法 Download PDFInfo
- Publication number
- CN110189260A CN110189260A CN201910300009.7A CN201910300009A CN110189260A CN 110189260 A CN110189260 A CN 110189260A CN 201910300009 A CN201910300009 A CN 201910300009A CN 110189260 A CN110189260 A CN 110189260A
- Authority
- CN
- China
- Prior art keywords
- image
- output
- characteristic pattern
- noise reduction
- channels
- 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 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 230000001629 suppression Effects 0.000 claims abstract description 4
- 239000011248 coating agent Substances 0.000 claims description 14
- 238000000576 coating method Methods 0.000 claims description 14
- 238000002156 mixing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06T2207/20—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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度并行门控神经网络的图像降噪方法,包括以下步骤:将清晰图像和与清晰图像对应的噪声图像作为一个训练样本,以此构建训练集;构造图像降噪网络,该图像降噪网络包括用于提取图像特征的特征提取单元、用于对提取的图像特征进行逐步降噪的降噪处理单元、以及用于对降噪后的特征进行融合的特征重建单元;其中,降噪处理单元包含7个依次连接的多尺度门控模块;利用训练集训练图像降噪网络,获得图像降噪模型;应用时,将噪声图像输入至图像降噪模型中,经计算输出降噪图像。该方法能够充分利用多尺度信息,在去除噪声的同时最大程度保留图像原有信息。
Description
技术领域
本发明属于图像信号处理领域,具体涉及一种基于多尺度并行门控神经网络的图像降噪方法。
背景技术
图像是人们获取信息极其重要的来源。在如今的信息时代,随着数码设备的普及,数字图像已成为人们获取信息的重要手段,深入到生产和生活的方方面面,取得了巨大的社会和经济效益。
数字图像处理是通过计算机对图像进行降噪、增强、复原、分割等处理的方法和技术。20世纪后期到现在,各个应用领域对数字图像处理提出越来越高的要求,促进了该项技术的迅猛发展。然而在图像获取、处理、压缩、传输、存储及复制的过程中,不可避免会引入噪声,而噪声的存在会使图像本身的细节受到影响,不利于高层次的图像分析和理解。如何在清除图像中存在噪声的同时不损害有用的信息,是图像降噪中的首要目标。
图像降噪涉及光学系统、微电子技术、计算机科学、数学分析等诸多领域,是一门综合性极强的基础学科,且在图像处理领域有着极其重要的地位。传统的图像降噪方法根据滤波的信号域,可以分为三类:一类为空间域方法,其主要在图像空间域对像素点进行处理;一类为频域方法,其主要在图像频率域对像素点进行处理;另一类为变换域方法,其在变换域对图像系数进行修正处理,然后经过逆变换得到最终处理后的空域图像;
随着现代处理器计算能力和深度学习理论的高速发展,基于神经网络的图像降噪方法作为一种新型的图像降噪方法,已成为热点。与传统滤波器(高斯滤波器、中值滤波器)去噪相比,基于神经网络的图像降噪具有图像更清晰、时间更短等优点。尽管深度神经网络方法可以取得更好的效果,但这类方法目前仍存在一些缺点。比如,目前常见的深度网络模型往往采用单一的流模型,不能很好地利用多尺度信息,从而降噪得到的结果往往会丢失很早重要的细节。因此,如何更高效更简洁地通过构建训练一个能利用多尺度信息对图像实现去噪的神经网络方法,具有重要的工程实用价值和理论指导意义。
发明内容
本发明的目的是提供一种基于多尺度并行门控神经网络的图像降噪方法,该方法能够充分利用多尺度信息,在去除噪声的同时最大程度保留图像原有信息。
为实现上述发明目的,本发明提供以下技术方案:
一种基于多尺度并行门控神经网络的图像降噪方法,包括以下步骤:
将清晰图像和与清晰图像对应的噪声图像作为一个训练样本,以此构建训练集;
构造图像降噪网络,该图像降噪网络包括用于提取图像特征的特征提取单元、用于对提取的图像特征进行逐步降噪的降噪处理单元、以及用于对降噪后的特征进行融合的特征重建单元;其中,降噪处理单元包含7个依次连接的多尺度门控模块;
利用训练集训练图像降噪网络,获得图像降噪模型;
应用时,将噪声图像输入至图像降噪模型中,经计算输出降噪图像。
优选地,采用相同随机步长将清晰图像和与清晰图像对应的噪声图像分割成若干组大小为40×40的图像块,以每组图像块作为一个训练样本。
具体地,特征提取单元包含通道数为64、卷积核大小为3×3的卷积层和激活层,对输入的噪声图像块进行特征提取,输出图像特征。
多尺度门控模块包括从不同尺度获取特征信息的并行处理子模块,对对并行处理子模块的输出进行叠加的叠加操作,对叠加操作的输出进行过滤的门控模块,以及对门控模块的输出和叠加操作的输出进行融合的融合操作。
进一步地,多尺度门控模块包括:
第一路并行处理子模块,包括至少两个依次连接的第一处理组,每个第一处理组包括通道数为64、卷积核为3×3的卷积层、连接卷积层输出的归一化层,连接归一化层输出的激活层,输入为特征提取单元输出的图像特征或多尺度门控模块的第一路输出,输出为64通道的特征图;
第二路并行处理子模块,包括通道数为128、卷积核为3×3的卷积层,连接卷积层输出的激活层,其输入为2个特征提取单元输出的图像特征按照通道数拼接形成的特征图,或多尺度门控模块的第一路输出与多尺度门控模块的第二路输出按照通道数拼接形成的特征图;输出为64通道的特征图;
第三路并行处理子模块,包括至少两个依次连接的第三处理组,每个第三处理组包括通道数为64、卷积核为3×3的空洞卷积层、连接空洞卷积层输出的归一化层,连接归一化层输出的激活层,输入为特征提取单元输出的图像特征或多尺度门控模块的第二路输出,输出为64通道的特征图;
第一叠加操作,将第一路并行处理子模块输出的64通道的特征图与第二路并行处理子模块输出的64通道的特征图按照对应位置叠加,输出64通道的特征图;
第二叠加操作,将第二路并行处理子模块输出的64通道的特征图与第三路并行处理子模块输出的64通道的特征图按照对应位置叠加,输出64通道的特征图;
第一路门控模块,包括通道数为64、卷积核为3×3的卷积层、连接卷积层输出的激活层,其输入为第一叠加操作输出的64通道的特征图,其输出仍为64通道的特征图;
第二路门控模块,包括通道数为64、卷积核为3×3的卷积层、连接卷积层输出的激活层,其输入为第二叠加操作输出的64通道的特征图,其输出仍为64通道的特征图;
第一融合操作,对第二路门控模块输出的64通道的特征图和第一叠加操作输出的64通道的特征图按照对应位置相乘,输出64通道的特征图,作为多尺度门控模块的第一路输出;
第二融合操作,对第一路门控模块输出的64通道的特征图和第二叠加操作输出的64通道的特征图按照对应位置相乘,输出64通道的特征图,作为多尺度门控模块的第二路输出。
特征重建单元包含通道数为64、卷积核大小为3×3的卷积层,对降噪处理单元的两路输出进行融合,输出降噪后的图像。
该图像降噪方法具有的有益效果为:
本发明中图像降噪模型的结构区别于大多数网络,采用一种并行架构。同时在并行架构中加入了空洞卷积,可以在不增加参数的情况下提取到多尺度信息。此外,最后的门控模块可以对图像特征做更有效的滤波。最终,经过本模型降噪得到的图像与现有方法相比,具有较好的图像视觉效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是实施例提供的构建和训练图像降噪模型的流程图;
图2是实施例提供的图像降噪网络的结构示意图;
图3是图2中特征提取单元结构示意图;
图4是图2中重建单元的结构示意图;
图5是图2中多尺度门控模块的结构示意图;
图6是实施例提供的利用图像降噪模型进行图像降噪的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
如图1所示,本实施例提供的基于多尺度并行门控神经网络的图像降噪方法,包括图像降噪模型构建和利用该图像降噪模型对噪声图像去噪两个部分。
如图1所示,图像降噪模型构建的具体过程包括:
首先,构建训练集,即采用固定的噪声等级对清晰图像加上高斯噪声,得到与清晰图像对应的噪声图像,并将清晰图像和与清晰图像对应的噪声图像作为一个训练样本,以此构建训练集。
为了适应图像降噪模型的输入图像尺寸,采用相同随机步长将清晰图像和与清晰图像对应的噪声图像分割成若干组图像块,以每组图像块作为一个训练样本。具体地,可以将清晰图像和与清晰图像对应的噪声图像分割成40×40的图像块。
然后,构建图像降噪网络,如图2所示,该图像降噪网络包括用于提取图像特征的特征提取单元、用于对提取的图像特征进行逐步降噪的处理单元、以及用于对降噪后的特征进行融合的重建单元;其中,降噪处理单元包含7个依次连接的多尺度门控模块M1、多尺度门控模块M2…、多尺度门控模块M7。
如图3所示,特征提取单元包含通道数为64、卷积核大小为3×3的卷积层CONV和激活层ReLU,对输入的噪声图像块进行特征提取,输出图像特征;
如图4所示,重建单元包含通道数为64、卷积核大小为3×3的卷积层CONV,对处理单元的两路输出进行融合,输出降噪后的图像。
每个多尺度门控模块相同,均包括从不同尺度获取特征信息的并行处理子模块,对对并行处理子模块的输出进行叠加的叠加操作,对叠加操作的输出进行过滤的门控模块,以及对门控模块的输出和叠加操作的输出进行融合的融合操作。
具体地,如图5所示,多尺度门控模块包括:
第一路并行处理子模块,包括至少两个依次连接的第一处理组,每个第一处理组包括通道数为64、卷积核为3×3的卷积层CONV、连接卷积层输出的批归一化层BN,连接批归一化层BN输出的激活层ReLU,输入为特征提取单元输出的图像特征或多尺度门控模块的第一路输出,输出为64通道的特征图;
第二路并行处理子模块,包括通道数为128、卷积核为3×3的卷积层CONV,连接卷积层输出的激活层ReLU,其输入为2个特征提取单元输出的图像特征按照通道数拼接形成的特征图,或多尺度门控模块的第一路输出与多尺度门控模块的第二路输出按照通道数拼接形成的特征图;输出为64通道的特征图;
第三路并行处理子模块,包括至少两个依次连接的第三处理组,每个第三处理组包括通道数为64、卷积核为3×3的空洞卷积层d-CONV、连接空洞卷积层d-CONV输出的批归一化层BN,连接批归一化层BN输出的激活层ReLU,输入为特征提取单元输出的图像特征或多尺度门控模块的第二路输出,输出为64通道的特征图;
第一叠加操作⊕,将第一路并行处理子模块输出的64通道的特征图与第二路并行处理子模块输出的64通道的特征图按照对应位置叠加,输出64通道的特征图;
第二叠加操作⊕,将第二路并行处理子模块输出的64通道的特征图与第三路并行处理子模块输出的64通道的特征图按照对应位置叠加,输出64通道的特征图;
第一路门控模块,包括通道数为64、卷积核为3×3的卷积层CONV、连接卷积层CONV输出的激活层RELU,其输入为第一叠加操作输出的64通道的特征图,其输出仍为64通道的特征图;
第二路门控模块,包括通道数为64、卷积核为3×3的卷积层CONV、连接卷积层CONV输出的激活层RELU,其输入为第二叠加操作输出的64通道的特征图,其输出仍为64通道的特征图;
第一融合操作对第二路门控模块输出的64通道的特征图和第一叠加操作输出的64通道的特征图按照对应位置相乘,输出64通道的特征图,作为多尺度门控模块的第一路输出;
第二融合操作对第一路门控模块输出的64通道的特征图和第二叠加操作输出的64通道的特征图按照对应位置相乘,输出64通道的特征图,作为多尺度门控模块的第二路输出。
本实施例中,上述激活层CONV的激活函数均采用ReLU函数。
最后,利用训练集训练图像降噪网络,获得图像降噪模型。训练过程中,噪声图像依次经过图像降噪网络处理后,根据清晰图像计算图像降噪网络的最终损失,然后利用最终损失反向传播更新网络权重参数。当网络权重参数确定时,即可以获得图像降噪模型。
本实施例中,训练集为BSD500数据集的灰度图片,即对500张图片按照随机间隔步长切分成40×40的图像块,总计可以得到238400个图像块,作为训练集。
在训练图像降噪模型时,输入层大小为40×40;在进行图像复原操作时,输入图像可以为任意尺寸。训练时采用的损失函数为L2损失函数,采用的训练优化器为Adam优化器,初始学习率设置为0.0001。训练时采用的mini-batch尺寸大小为128,即每次送入128张大小为40×40的图像块进行训练:数据通过前向传播计算与清晰图像的L2损失,然后通过该损失反向传播更新模型参数。训练100个批次后,将模型参数保存。
利用该图像降噪模型对噪声图像去噪部分:
当图像降噪模型训练好后,应用时,如图6所示,将噪声图像输入至训练好的图像降噪模型中,加载保存好的模型参数,向前传递计算,输出复原后的无噪声图像。
最终,经过本模型降噪得到的图像与现有方法相比,具有较好的图像视觉效果。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于多尺度并行门控神经网络的图像降噪方法,包括以下步骤:
将清晰图像和与清晰图像对应的噪声图像作为一个训练样本,以此构建训练集;
构造图像降噪网络,该图像降噪网络包括用于提取图像特征的特征提取单元、用于对提取的图像特征进行逐步降噪的降噪处理单元、以及用于对降噪后的特征进行融合的特征重建单元;其中,降噪处理单元包含7个依次连接的多尺度门控模块;
利用训练集训练图像降噪网络,获得图像降噪模型;
应用时,将噪声图像输入至图像降噪模型中,经计算输出降噪图像。
2.如权利要求1所述的基于多尺度并行门控神经网络的图像降噪方法,其特征在于:
采用相同随机步长将清晰图像和与清晰图像对应的噪声图像分割成若干组大小为40×40的图像块,以每组图像块作为一个训练样本。
3.如权利要求1所述的基于多尺度并行门控神经网络的图像降噪方法,其特征在于:
特征提取单元包含通道数为64、卷积核大小为3×3的卷积层和激活层,对输入的噪声图像块进行特征提取,输出图像特征;
特征重建单元包含通道数为64、卷积核大小为3×3的卷积层,对降噪处理单元的两路输出进行融合,输出降噪后的图像。
4.如权利要求3所述的基于多尺度并行门控神经网络的图像降噪方法,其特征在于:
多尺度门控模块包括从不同尺度获取特征信息的并行处理子模块,对对并行处理子模块的输出进行叠加的叠加操作,对叠加操作的输出进行过滤的门控模块,以及对门控模块的输出和叠加操作的输出进行融合的融合操作。
5.如权利要求4所述的基于多尺度并行门控神经网络的图像降噪方法,其特征在于:
多尺度门控模块包括:
第一路并行处理子模块,包括至少两个依次连接的第一处理组,每个第一处理组包括通道数为64、卷积核为3×3的卷积层、连接卷积层输出的归一化层,连接归一化层输出的激活层,输入为特征提取单元输出的图像特征或多尺度门控模块的第一路输出,输出为64通道的特征图;
第二路并行处理子模块,包括通道数为128、卷积核为3×3的卷积层,连接卷积层输出的激活层,其输入为2个特征提取单元输出的图像特征按照通道数拼接形成的特征图,或多尺度门控模块的第一路输出与多尺度门控模块的第二路输出按照通道数拼接形成的特征图;输出为64通道的特征图;
第三路并行处理子模块,包括至少两个依次连接的第三处理组,每个第三处理组包括通道数为64、卷积核为3×3的空洞卷积层、连接空洞卷积层输出的归一化层,连接归一化层输出的激活层,输入为特征提取单元输出的图像特征或多尺度门控模块的第二路输出,输出为64通道的特征图;
第一叠加操作,将第一路并行处理子模块输出的64通道的特征图与第二路并行处理子模块输出的64通道的特征图按照对应位置叠加,输出64通道的特征图;
第二叠加操作,将第二路并行处理子模块输出的64通道的特征图与第三路并行处理子模块输出的64通道的特征图按照对应位置叠加,输出64通道的特征图;
第一路门控模块,包括通道数为64、卷积核为3×3的卷积层、连接卷积层输出的激活层,其输入为第一叠加操作输出的64通道的特征图,其输出仍为64通道的特征图;
第二路门控模块,包括通道数为64、卷积核为3×3的卷积层、连接卷积层输出的激活层,其输入为第二叠加操作输出的64通道的特征图,其输出仍为64通道的特征图;
第一融合操作,对第二路门控模块输出的64通道的特征图和第一叠加操作输出的64通道的特征图按照对应位置相乘,输出64通道的特征图,作为多尺度门控模块的第一路输出;
第二融合操作,对第一路门控模块输出的64通道的特征图和第二叠加操作输出的64通道的特征图按照对应位置相乘,输出64通道的特征图,作为多尺度门控模块的第二路输出。
6.如权利要求3~5任一项所述的基于多尺度并行门控神经网络的图像降噪方法,其特征在于:
激活层的激活函数均采用ReLU函数。
7.如权利要求6任一项所述的基于多尺度并行门控神经网络的图像降噪方法,其特征在于:
训练过程中,噪声图像依次经过图像降噪网络处理后,根据清晰图像计算图像降噪网络的最终损失,然后利用最终损失反向传播更新网络权重参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300009.7A CN110189260B (zh) | 2019-04-15 | 2019-04-15 | 一种基于多尺度并行门控神经网络的图像降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300009.7A CN110189260B (zh) | 2019-04-15 | 2019-04-15 | 一种基于多尺度并行门控神经网络的图像降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189260A true CN110189260A (zh) | 2019-08-30 |
CN110189260B CN110189260B (zh) | 2021-01-26 |
Family
ID=67714524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300009.7A Active CN110189260B (zh) | 2019-04-15 | 2019-04-15 | 一种基于多尺度并行门控神经网络的图像降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189260B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414988A (zh) * | 2020-02-13 | 2020-07-14 | 湖北工业大学 | 基于多尺度特征自适应融合网络的遥感影像超分辨率方法 |
CN111681177A (zh) * | 2020-05-18 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 视频处理方法及装置、计算机可读存储介质、电子设备 |
CN111899199A (zh) * | 2020-08-07 | 2020-11-06 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112488943A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 模型训练和图像去雾方法、装置、设备 |
CN115393227A (zh) * | 2022-09-23 | 2022-11-25 | 南京大学 | 基于深度学习的微光全彩视频图像自适应增强方法及系统 |
US11868912B2 (en) | 2020-02-06 | 2024-01-09 | Samsung Electronics Co., Ltd. | Multi-device based inference method and apparatus |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914814A (zh) * | 2012-12-28 | 2014-07-09 | 北京思创贯宇科技开发有限公司 | 一种ct冠脉图像与xa造影图像的图像融合方法及系统 |
CN106803062A (zh) * | 2016-12-20 | 2017-06-06 | 陕西师范大学 | 栈式降噪自编码神经网络手势图像的识别方法 |
WO2018092051A2 (en) * | 2016-11-16 | 2018-05-24 | Nanotronix Computing Inc. | Authentication using object imaging |
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 |
CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
CN109273021A (zh) * | 2018-08-09 | 2019-01-25 | 厦门亿联网络技术股份有限公司 | 一种基于rnn的实时会议降噪方法及装置 |
CN109410149A (zh) * | 2018-11-08 | 2019-03-01 | 安徽理工大学 | 一种基于并行特征提取的cnn去噪方法 |
-
2019
- 2019-04-15 CN CN201910300009.7A patent/CN110189260B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914814A (zh) * | 2012-12-28 | 2014-07-09 | 北京思创贯宇科技开发有限公司 | 一种ct冠脉图像与xa造影图像的图像融合方法及系统 |
WO2018092051A2 (en) * | 2016-11-16 | 2018-05-24 | Nanotronix Computing Inc. | Authentication using object imaging |
CN106803062A (zh) * | 2016-12-20 | 2017-06-06 | 陕西师范大学 | 栈式降噪自编码神经网络手势图像的识别方法 |
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 |
CN109273021A (zh) * | 2018-08-09 | 2019-01-25 | 厦门亿联网络技术股份有限公司 | 一种基于rnn的实时会议降噪方法及装置 |
CN109271926A (zh) * | 2018-09-14 | 2019-01-25 | 西安电子科技大学 | 基于gru深度卷积网络的智能辐射源识别方法 |
CN109410149A (zh) * | 2018-11-08 | 2019-03-01 | 安徽理工大学 | 一种基于并行特征提取的cnn去噪方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11868912B2 (en) | 2020-02-06 | 2024-01-09 | Samsung Electronics Co., Ltd. | Multi-device based inference method and apparatus |
CN111414988A (zh) * | 2020-02-13 | 2020-07-14 | 湖北工业大学 | 基于多尺度特征自适应融合网络的遥感影像超分辨率方法 |
CN111414988B (zh) * | 2020-02-13 | 2023-04-18 | 湖北工业大学 | 基于多尺度特征自适应融合网络的遥感影像超分辨率方法 |
CN111681177A (zh) * | 2020-05-18 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 视频处理方法及装置、计算机可读存储介质、电子设备 |
CN111681177B (zh) * | 2020-05-18 | 2022-02-25 | 腾讯科技(深圳)有限公司 | 视频处理方法及装置、计算机可读存储介质、电子设备 |
CN111899199A (zh) * | 2020-08-07 | 2020-11-06 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN111899199B (zh) * | 2020-08-07 | 2024-03-19 | 深圳市捷顺科技实业股份有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN112488943A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 模型训练和图像去雾方法、装置、设备 |
CN112488943B (zh) * | 2020-12-02 | 2024-02-02 | 北京字跳网络技术有限公司 | 模型训练和图像去雾方法、装置、设备 |
CN115393227A (zh) * | 2022-09-23 | 2022-11-25 | 南京大学 | 基于深度学习的微光全彩视频图像自适应增强方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110189260B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189260A (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
JP7379787B2 (ja) | フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法 | |
CN109671026A (zh) | 基于空洞卷积及自动编解码神经网络的灰度图像降噪方法 | |
Zhang et al. | A novel denoising method for CT images based on U-net and multi-attention | |
Li et al. | Densely connected network for impulse noise removal | |
Guo et al. | Multifeature extracting CNN with concatenation for image denoising | |
CN109859131A (zh) | 一种基于多尺度自相似性与共形约束的图像复原方法 | |
CN109685830A (zh) | 目标跟踪方法、装置和设备及计算机存储介质 | |
Ye et al. | An improved efficientNetV2 model based on visual attention mechanism: application to identification of cassava disease | |
Zeng et al. | Progressive feature fusion attention dense network for speckle noise removal in OCT images | |
Zhang et al. | Enhanced visual perception for underwater images based on multistage generative adversarial network | |
Zhang et al. | Deep joint neural model for single image haze removal and color correction | |
Chen et al. | Noisy image segmentation based on wavelet transform and active contour model | |
Luo et al. | A fast denoising fusion network using internal and external priors | |
CN112132768A (zh) | 一种基于多降噪器联合优化降噪的mri图像降噪方法 | |
Feng et al. | Study on the optimization of CNN based on image identification | |
Fu et al. | Double enhanced residual network for biological image denoising | |
Hudagi et al. | Bayes-probabilistic-based fusion method for image inpainting | |
Zhuge et al. | Single image denoising with a feature-enhanced network | |
Yang et al. | Underwater image restoration for seafloor targets with hybrid attention mechanisms and conditional generative adversarial network | |
CN115035408A (zh) | 基于迁移学习和注意力机制的无人机影像树种分类方法 | |
CN113361417B (zh) | 一种基于可变时序的人体行为识别方法 | |
Chen et al. | An image denoising method of picking robot vision based on feature pyramid network | |
Li et al. | Color layers-Based progressive network for Single image dehazing | |
Yang et al. | Bi-path network coupling for single image super-resolution |
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 |