CN110533608B - 图像条带噪声抑制方法及其装置、电子设备、存储介质 - Google Patents
图像条带噪声抑制方法及其装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN110533608B CN110533608B CN201910730933.9A CN201910730933A CN110533608B CN 110533608 B CN110533608 B CN 110533608B CN 201910730933 A CN201910730933 A CN 201910730933A CN 110533608 B CN110533608 B CN 110533608B
- Authority
- CN
- China
- Prior art keywords
- noise
- output
- convolution
- time domain
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000001629 suppression Effects 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 198
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 81
- 230000005540 biological transmission Effects 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000012546 transfer Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- 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)
- Picture Signal Circuits (AREA)
Abstract
本发明公开了一种图像条带噪声抑制方法及其装置、电子设备、存储介质，该方法包括：将噪声图像转化为第一时域张量和第二时域张量；根据第一时域张量得到第一门控循环卷积单元的输出；根据第二时域张量得到第二门控循环卷积单元的输出；根据第一门控循环卷积单元的输出和第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出；根据双向门控循环卷积单元的输出得到条带噪声时空特征；根据条带噪声时空特征构建条带噪声；根据噪声图像和条带噪声得到去噪后的图像。本发明充分利用了噪声图像在时域与空域的信息，并通过门控策略对噪声图像信息进行有效聚合，去除了条带噪声的同时，更好的保持了去噪后图像的边缘以及细节信息。
Description
技术领域
本发明属于数字图像处理技术领域，具体涉及一种图像条带噪声抑制方法及其装置、电子设备、存储介质。
背景技术
在红外以及多光谱成像系统中，由于像素传感器制造工艺的限制以及成像过程中外在的干扰，导致图像受到条带噪声的干扰，严重破坏了图像的细节信息，从而对后续的目标识别、资源普查以及天气预报的精度产生影响。通过对条带噪声进行抑制，可以明显恢复图像中的细节信息，现在条带噪声抑制方法己经被广泛应用于遥感、社会安全、国防等领域。
现有的图像条带噪声抑制方法主要包括：基于先验信息的条带噪声抑制方法和基于深度学习的条带噪声抑制方法。基于先验信息的条带噪声抑制方法，例如单向全变分和中值直方图均衡法，均利用手工设计的先验信息，结合条带噪声的特性进行噪声抑制，这种方法计算量小，从而获得广泛应用；基于深度学习的条带噪声抑制方法，例如DLSNUC方法(He Z,Cao Y,Dong Y,et al.“Single-image-based nonuniformity correction ofuncooled long-wave infrared detectors:A deep-learning approach”,Appliedoptics,Vol.57,No.18,pp.155-164,2018.)，以及ICSRN方法(Xiao P,Guo Y,Zhuang P.“Removing Stripe Noise From Infrared Cloud Images via Deep ConvolutionalNetworks”,IEEE Photonics Journal,Vol.10,No.4,pp.1-14,2018.)，均利用深度卷积神经网络的特征提取能力，恢复图像中损失的像素信息，并取得了条带噪声抑制效果。
但上述基于先验信息的条带噪声抑制方法无法有效抑制密集且强度较强的条带噪声，基于深度学习的条带噪声抑制方法在抑制噪声的同时会导致图像过平滑，使图像损失细节信息。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种图像条带噪声抑制方法及其装置、电子设备、存储介质。
本发明提供了一种图像条带噪声抑制方法，该方法包括：
将噪声图像转化为第一时域张量和第二时域张量；
根据所述第一时域张量得到第一门控循环卷积单元的输出；
根据所述第二时域张量得到第二门控循环卷积单元的输出；
根据所述第一门控循环卷积单元的输出和所述第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出；
根据所述双向门控循环卷积单元的输出得到条带噪声时空特征；
根据所述条带噪声时空特征构建条带噪声；
根据所述噪声图像和所述条带噪声得到去噪后的图像。
在本发明的一个实施例中，将所述噪声图像转化为第一时域张量和第二时域张量，包括：
对所述噪声图像进行旋转处理，得到旋转后的噪声图像；
对所述旋转后的噪声图像进行切分得到N个噪声图像块，N为大于0的整数；
将所述N个噪声图像块按第一方向进行拼接得到所述第一时域张量；
将所述N个噪声图像块按第二方向进行拼接得到所述第二时域张量。
在本发明的一个实施例中，根据所述第一时域张量得到所述第一门控循环卷积单元的输出，包括：
根据所述第一时域张量、第一卷积核和第一卷积偏置，构建第一记忆传输门；
根据所述第一时域张量、第二卷积核和第二卷积偏置，构建第一状态更新门；
根据所述第一时域张量、所述第一状态更新门和第三卷积核，得到所述第一门控循环卷积单元的当前状态；
根据所述第一门控循环卷积单元的当前状态和所述第一记忆传输门，得到所述第一门控循环卷积单元的输出。
在本发明的一个实施例中，根据所述第二时域张量得到所述第二门控循环卷积单元的输出，包括：
根据所述第二时域张量、第四卷积核和第四卷积偏置，构建第二记忆传输门；
根据所述第二时域张量、第五卷积核和第五卷积偏置，构建第二状态更新门；
根据所述第二时域张量、所述第二状态更新门和第六卷积核，得到所述第二门控循环卷积单元的当前状态；
根据所述第二门控循环卷积单元的当前状态和所述第二记忆传输门，得到所述第二门控循环卷积单元的输出。
在本发明的一个实施例中，根据所述第一门控循环卷积单元的输出和所述第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出，包括：
根据所述第一门控循环卷积单元的输出、所述第二门控循环卷积单元的输出、第七卷积核和第七卷积偏置，得到所述双向门控循环卷积单元的输出。
在本发明的一个实施例中，根据所述双向门控循环卷积单元的输出得到条带噪声时空特征，包括：
根据所述双向门控循环卷积单元的输出、第八卷积核和第八卷积偏置，构建第三记忆传输门；
根据所述双向门控循环卷积单元的输出、第九卷积核和第九卷积偏置，构建第三状态更新门；
根据所述双向门控循环卷积单元的输出、所述第三状态更新门和第十卷积核，得到所述双向门控循环卷积单元的当前状态；
根据所述双向门控循环卷积单元的当前状态和所述第三记忆传输门，得到所述条带噪声时空特征。
在本发明的一个实施例中，根据所述条带噪声时空特征构建条带噪声，包括：
根据所述条带噪声时空特征、第十一卷积核和第十一卷积偏置，得到所述条带噪声。
本发明另一实施例提供了一种图像条带噪声抑制装置，所述装置包括：
数据处理模块，用于将所述噪声图像转化为所述第一时域张量和所述第二时域张量；
第一门控卷积处理模块，用于根据所述第一时域张量得到所述第一门控循环卷积单元的输出；
第二门控卷积处理模块，用于根据所述第二时域张量得到所述第二门控循环卷积单元的输出；
双向门控卷积模型构建模块，用于根据所述第一门控循环卷积单元的输出和所述第二门控循环卷积单元的输出，得到所述双向门控循环卷积单元的输出；
双向门控卷积处理模块，用于根据所述双向门控循环卷积单元的输出，得到所述条带噪声时空特征；
噪声模型构建模块，用于根据所述条带噪声时空特征构建所述条带噪声；
数据确定模块，用于根据所述噪声图像和所述条带噪声得到所述去噪后的图像。
本发明再一个实施例提供了一种图像条带噪声抑制电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现上述任一所述的图像条带噪声抑制方法。
本发明又一个实施例提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的图像条带噪声抑制方法。
与现有技术相比，本发明的有益效果：
本发明充分利用了噪声图像在时域与空域的信息，并通过门控策略对噪声图像信息进行有效聚合，去除了条带噪声的同时，更好的保持了去噪后图像的边缘以及细节信息。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种图像条带噪声抑制方法的流程示意图；
图2a～2d是本发明实施例提供的原始噪声图像与三种图像条带噪声抑制方法的去噪结果示意图；
图3是本发明实施例提供的一种图像条带噪声抑制装置的结构示意图；
图4是本发明实施例提供的一种图像条带噪声抑制电子设备的结构示意图；
图5是本发明实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
目前，现有的图像条带噪声抑制方法包括基于先验信息的条带噪声抑制方法和基于深度学习的条带噪声抑制方法，基于先验信息的条带噪声抑制方法计算量小，但无法有效抑制密集且强度较强的条带噪声，基于深度学习的条带噪声抑制方法取得了条带噪声抑制效果，但该方法在抑制噪声的同时会导致去噪后图像过于平滑，使去噪后图像损失细节信息。
基于上述存在的问题，请参见图1，图1是本发明实施例提供的一种图像条带噪声抑制方法的流程示意图，本实施例提供了一种图像条带噪声抑制方法，该方法包括：
步骤1、将噪声图像转化为第一时域张量和第二时域张量；
步骤2、根据第一时域张量得到第一门控循环卷积单元的输出；
步骤3、根据第二时域张量得到第二门控循环卷积单元的输出；
步骤4、根据第一门控循环卷积单元的输出和第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出；
步骤5、根据双向门控循环卷积单元的输出得到条带噪声时空特征；
步骤6、根据条带噪声时空特征构建条带噪声；
步骤7、根据噪声图像和条带噪声得到去噪后的图像。
具体而言，本实施例通过将输入的噪声图像转换为时间域的第一时域张量和第二时域张量，再结合门控策略根据第一时域张量计算得到第一门控循环卷积单元的输出，结合门控策略根据第二时域张量计算得到第二门控循环卷积单元的输出，实现了选择性地捕捉与条带噪声相关的特征，并抑制冗余特征，然后通过第一门控循环卷积单元的输出和第二门控循环卷积单元的输出，构建得到双向门控循环卷积单元的输出，所得到双向门控循环卷积单元的输出可以抑制图像伪影的产生，以及更加精确得捕捉与条带噪声相关的特征，结合门控策略根据双向门控循环卷积单元的输出得到条带噪声时空特征，实现了空间域条带噪声特征的聚合，进一步抑制了冗余特征，根据条带噪声时空特征构建条带噪声，在空间域重建条带噪声，准确地估计出噪声图像中存在的条带噪声，最后通过噪声图像和条带噪声以获得准确的去噪图像。
进一步地，本实施例步骤1将噪声图像转化为第一时域张量和第二时域张量。
具体而言，本实施例输入的噪声图像Y具体为条带噪声图像，该噪声图像Y的大小为H×W，其中，H为噪声图像Y的高，W为噪声图像Y的宽。在对噪声图像去噪前，本实施例首先获取噪声图像中条带噪声的时域特性，具体步骤1包括步骤1.1、步骤1.2、步骤1.3：
步骤1.1、对噪声图像进行旋转处理，得到旋转后的噪声图像。
具体而言，本实施例若噪声图像Y中的条带噪声处于水平方向时，将噪声图像Y旋转90度，得到旋转后的噪声图像
旋转90度是为了使噪声图像Y中的条带噪声处于竖直方向；若噪声图像Y中的条带噪声处于竖直方向时，则不需要对噪声图像Y进行旋转，将噪声图像Y直接作为旋转后的噪声图像
其中，旋转90度对于是逆时针旋转还是顺时针旋转没有要求，而且具体旋转角度不一定是90度，旋转后只需要保证噪声图像Y中的条带噪声旋转后处于竖直方向。
步骤1.2、对旋转后的噪声图像进行切分处理，得到N个噪声图像块，N为大于0的整数。
具体而言，本实施例对步骤1.1得到的旋转后的噪声图像
进行切分处理，具体地，将旋转后的噪声图像
按平行于条带噪声的方向进行切分，分为N个噪声图像块，比如平行于条带噪声的方向为噪声图像
的宽W，则本实施例N个噪声图像块的切分间隔为S＝H/N，将噪声图像
沿高H切分为N块。
步骤1.3、将N个噪声图像块按第一方向进行拼接，得到第一时域张量。
具体而言，本实施例将步骤1.2获得的N个噪声图像块按第一方向进行拼接，得到第一时域张量T，具体地第一时域张量T设计为：
其中，n表示每个噪声图像块的编号，1≤n≤N。{…}表示按第一方向拼接的操作，
表示旋转后的噪声图像
的第1行至第S行的像素值，
表示旋转后的噪声图像
的第S+1行至第S×2行的像素值，其他拼接噪声图像块依次类推。
步骤1.4、将N个噪声图像块按第二方向进行拼接，得到第二时域张量。
具体而言，本实施例将步骤1.2获得的N个噪声图像块按第二方向进行拼接，得到第二时域张量Tr，具体地第二时域张量Tr设计为：
可见，本实施例公式(2)得到的第二时域张量Tr与公式(1)得到的第一时域张量T拼接方向相反，若第一方向为通道方向，则第二方向为通道反方向，第一方向并非一定为通道方向，第一方向与第二方向互为反方向即可，在时间域上得到的图像信息互补。
本实施例通过设计时间域上信息互补的第一时域张量T、第二时域张量Tr，可以更好的挖掘提条带噪声的时域特性，进而提高图像去噪的性能。
进一步地，本实施例步骤2根据第一时域张量得到第一门控循环卷积单元的输出。
本实施例将第一时域张量通过第一门控卷积单元转换为空间域的输出，即为第一门控循环卷积单元的输出，通过门控策略选择性地捕捉与条带噪声相关的特征，并抑制冗余特征，具体步骤2包括步骤2.1、步骤2.2、步骤2.3、步骤2.4：
步骤2.1、根据第一时域张量、第一卷积核和第一卷积偏置，构建第一记忆传输门。
具体而言，本实施例根据第一时域张量、第一卷积核和第一卷积偏置构建第一记忆传输门Gm1，该第一记忆传输门Gm1具体设计为：
其中，f表示激活函数，T表示第一时域张量，Km1表示第一卷积核，具体为第一记忆传输门Gm1的卷积核，
代表卷积操作，bm1表示第一卷积偏置，具体为第一记忆传输门Gm1的卷积偏置，
表示第n-1噪声图像块对应的第一门控循环卷积单元的输出，
初始化全零向量。
优选地，激活函数f为修正线性单元(rectified linear unit，简称ReLU)。
步骤2.2、根据第一时域张量、第二卷积核和第二卷积偏置，构建第一状态更新门。
具体而言，本实施例根据第一时域张量T、第二卷积核和第二卷积偏置构建第一状态更新门Gu1，该第一状态更新门Gu1具体设计为：
其中，f表示上述激活函数，Ku1表示第二卷积核，具体为第一状态更新门Gu1的卷积核，
代表卷积操作，bu1表示第二卷积偏置，具体为第一状态更新门Gu1的卷积偏置。
步骤2.3、根据第一时域张量、第一状态更新门和第三卷积核，得到第一门控循环卷积单元的当前状态。
具体而言，本实施例根据第一时域张量T、第一状态更新门Gu1和第三卷积核计算第一门控循环卷积单元的当前状态
该当前状态
具体设计为：
其中，Kh1表示第三卷积核，具体为第一门控循环卷积单元的当前状态
的卷积核，*代表点对点相乘。
步骤2.4、根据第一门控循环卷积单元的当前状态和第一记忆传输门，得到第一门控循环卷积单元的输出。
具体而言，本实施例根据第一门控循环卷积单元的当前状态
和第一记忆传输门Gm1计算每块噪声图像块的第一门控循环卷积单元的输出，该输出具体设计为：
通过公式(6)依次计算第一门控循环卷积单元的输出
至
由
至
构成第一门控循环卷积单元的输出h1。
本实施例通过第一记忆传输门Gm1实现对第一时域张量T的当前信息以及历史信息处理，决定第一时域张量T中哪些特征应该被记忆，本实施例通过第一状态更新门Gu1来决定第一时域张量T中哪些历史信息应该被长期记忆，从而更好地选择与条带噪声相关的特征。
进一步地，本实施例步骤3根据第二时域张量得到第二门控循环卷积单元的输出。
具体而言，本实施例将第二时域张量通过第二门控卷积单元转换为空间域的输出，即为第二门控循环卷积单元的输出，同步骤1，通过门控策略选择性地捕捉与条带噪声相关的特征，并抑制冗余特征，具体步骤3包括步骤3.1、步骤3.2、步骤3.3、步骤3.4：
步骤3.1、根据第二时域张量、第四卷积核和第四卷积偏置，构建第二记忆传输门。
具体而言，本实施例根据第二时域张量、第四卷积核和第四卷积偏置构建第二记忆传输门Gm2，该第一记忆传输门Gm2具体设计为：
其中，f表示上述激活函数，Tr表示第二时域张量，Km2表示第四卷积核，具体为第二记忆传输门Gm2的卷积核，bm2表示第四卷积偏置，具体为第二记忆传输门Gm2的卷积偏置，
表示第n-1噪声图像块对应的第二门控循环卷积单元的输出，
初始化全零向量。
步骤3.2、根据第二时域张量、第五卷积核和第五卷积偏置，构建第二状态更新门。
具体而言，本实施例根据第二时域张量Tr、第五卷积核和第五卷积偏置构建第二状态更新门Gu2，该第二状态更新门Gu2具体设计为：
其中，f表示上述激活函数，Ku2表示第五卷积核，具体为第二状态更新门Gu2的卷积核，
代表卷积操作，bu2表示第五卷积偏置，具体为第二状态更新门Gu2的卷积偏置。
步骤3.3、根据第二时域张量、第二状态更新门和第六卷积核，得到第二门控循环卷积单元的当前状态。
具体而言，本实施例根据第二时域张量Tr、第二状态更新门Gu2和第六卷积核计算第二门控循环卷积单元的当前状态
该当前状态
具体设计为：
其中，Kh2表示第六卷积核，具体为第二门控循环卷积单元的当前状态
的卷积核，*代表点对点相乘。
步骤3.4、根据第二门控循环卷积单元的当前状态和第二记忆传输门，得到第二门控循环卷积单元的输出。
具体而言，本实施例根据第二门控循环卷积单元的当前状态
和第二记忆传输门Gm2计算每块噪声图像块的第二门控循环卷积单元的输出，该输出具体设计为：
通过公式(10)依次计算第二门控循环卷积单元的输出
至
由
至
构成第二门控循环卷积单元的输出h2。
本实施例通过第二记忆传输门Gm2实现对第二时域张量Tr的当前信息以及历史信息处理，决定第二时域张量Tr中哪些特征应该被记忆，本实施例通过第二状态更新门Gu2来决定第二时域张量Tr中哪些历史信息应该被长期记忆，从而更好地选择与条带噪声相关的特征。
进一步地，本实施例步骤4根据第一门控循环卷积单元的输出和第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出。
具体而言，本实施例根据第一门控循环卷积单元的输出h1、第二门控循环卷积单元的输出h2、第七卷积核和第七卷积偏置构建双向门控循环卷积单元的输出y，该双向门控循环卷积单元的输出y具体设计为：
其中，f表示上述激活函数，Ky表示第七卷积核，具体为双向门控循环卷积单元的输出y的卷积核，by表示第七卷积偏置，具体为双向门控循环卷积单元的输出y的卷积偏置。
本实施例通过融合了2个方向的互补信息，抑制了图像伪影的产生，以及可以更加精确地捕捉与条带噪声相关的特征，其中，融合的2个方向的互补信息具体为第一方向的第一时域张量对应的第一门控循环卷积单元的输出h1，以及第二方向的第二时域张量对应的第二门控循环卷积单元的输出h2。
进一步地，本实施例步骤5根据双向门控循环卷积单元的输出，得到条带噪声时空特征。
具体而言，为了进一步地抑制噪声图像中的冗余特征，本实施例结合门控策略通过双向门控循环卷积单元的输出来构建条带噪声时空特征，具体步骤5包括步骤5.1、步骤5.2、步骤5.3、步骤5.4：
步骤5.1、根据双向门控循环卷积单元的输出、第八卷积核和第八卷积偏置，构建第三记忆传输门。
具体而言，本实施例根据双向门控循环卷积单元的输出y、第八卷积核和第八卷积偏置构建第三记忆传输门Gm3，该第三记忆传输门Gm3具体设计为：
其中，f表示上述激活函数，y表示双向门控循环卷积单元的输出，Km3表示第八卷积核，具体为第三记忆传输门Gm3的卷积核，
代表卷积操作，bm3表示第八卷积偏置，具体为第三记忆传输门Gm3的卷积偏置，
表示第n-1噪声图像块对应的双向门控循环卷积单元的输出，
初始化全零向量。
步骤5.2、根据双向门控循环卷积单元的输出、第九卷积核和第九卷积偏置，构建第三状态更新门。
具体而言，本实施例根据双向门控循环卷积单元的输出y、第九卷积核和第九卷积偏置构建第三状态更新门Gu3来，该第三状态更新门Gu3来具体设计为：
其中，f表示上述激活函数，Ku3表示第九卷积核，具体为第三状态更新门Gu3来的卷积核，
代表卷积操作，bu3表示第九卷积偏置，具体为第三状态更新门Gu3来的卷积偏置。
步骤5.3、根据双向门控循环卷积单元的输出、第三状态更新门和第十卷积核，得到双向门控循环卷积单元的当前状态。
具体而言，本实施例根据双向门控循环卷积单元的输出y、第三状态更新门Gu3来和第十卷积核计算每个噪声图像块的双向门控循环卷积单元的当前状态
该当前状态
具体设计为：
其中，Kh3表示第十卷积核，具体为双向门控循环卷积单元的当前状态
的卷积核，*代表点对点相乘。
步骤5.4、根据双向门控循环卷积单元的当前状态和第三记忆传输门，得到条带噪声时空特征。
具体而言，本实施例根据双向门控循环卷积单元的当前状态
和第三记忆传输门Gm3算得到条带噪声时空特征
该条带噪声时空特征
具体设计为：
本实施例通过第三记忆传输门Gm3实现对双向门控循环卷积单元的输出y的当前信息以及历史信息处理，决定双向门控循环卷积单元的输出y中哪些特征应该被记忆，本实施例通过第三状态更新门Gu3来决定双向门控循环卷积单元的输出y中哪些历史信息应该被长期记忆，从而更好地选择与条带噪声相关的特征。
进一步地，本实施例步骤6根据条带噪声时空特征构建条带噪声。
具体而言，本实施例根据步骤5得到的条带噪声时空特征
第十一卷积核和第十一卷积偏置构建条带噪声L，该条带噪声L具体设计为：
其中，f表示上述激活函数，KL表示第十一卷积核，具体为条带噪声L的卷积核，bL表示第十一卷积偏置，具体为条带噪声L的卷积偏置。
本实施例通过将条带噪声时空特征融合进空间域，在空间域重建噪声L。
进一步地，本实施例步骤7根据噪声图像和条带噪声，得到去噪后的图像。
具体而言，本实施例得到的去噪后的图像为
Y表示噪声图像，L表示噪声图像Y中的条带噪声，
代表点对点相减，从而得到本实施例去噪后的图像
进一步地，本实施例在步骤2中涉及的第一卷积核、第一卷积偏置、第二卷积核、第二卷积偏置、第三卷积核，步骤3中涉及的第四卷积核、第四卷积偏置、第五卷积核、第五卷积偏置、第六卷积核，步骤4中涉及的第七卷积核、第七卷积偏置，步骤5中涉及的第八卷积核、第八卷积偏置、第九卷积核、第九卷积偏置、第十卷积核，步骤6中涉及的第十一卷积核、第十一卷积偏置均是通过卷积神经网络提前训练得到的。
具体而言，本实施例在训练时选取的数据集为伯克利图像分割数据集500(Berkeley Segmentation Data Set and Benchmarks 500，简称：BSDS500)，在此数据集中截取大小为60×60像素的20万张原始图像，作为原始图像集Dground，优选地，在此数据集中使用翻转、缩放的数据增强方式；然后对原始图像集Dground增加条带噪声，得到样本训练集Dtrain，具体地，向原始图像集Dground的每张原始图像随机添加均值为0、标准差为0～0.25的条带噪声，得到样本训练集Dtrain。
初始化上述第一卷积核至第十一卷积核，以及第一卷积偏置至第十一卷积偏置，具体地，本实施例第一卷积核至第十一卷积核均初始化为方差为0.01，均值为0的高斯矩阵，第一卷积偏置至第十一卷积偏置均初始化为0；然后通过现有的卷积神经网络方法结合已有的随时间反传算法(Backpropagation through time，简称BPTT)和自适应动量估计方法(Adaptive Moment Estimation，简称Adam)训练得到第一卷积核至第十一卷积核，以及第一卷积偏置至第十一卷积偏置，第一卷积核至第十一卷积核未必相等，第一卷积偏置至第十一卷积偏置未必相等，具体由卷积神经网络方法训练结果决定。因为第一卷积核至第十一卷积核，以及第一卷积偏置至第十一卷积偏置都是随机初始化的值，并不能满足任务要求，因此需要利用BPTT方法和Adam方法对第一卷积核至第十一卷积核的值，以及第一卷积偏置至第十一卷积偏置的值进行修正处理，具体地，在修正过程中，本实施例根据损失函数实时计算样本训练集Dtrain与原始图像集Dground之间的误差，并利用该误差指导第一卷积核至第十一卷积核，以及第一卷积偏置至第十一卷积偏置的修正，以及进一步利用卷积神经网络方法进行训练。其中，损失函数loss具体设计为：
其中，L表示条带噪声，具体根据上述步骤1～6得到，
表示二范数。
优选地，卷积神经网络为反向传播方法。
为了验证本申请提供的图像条带噪声抑制方法的有效性，本实施例通过以下仿真实验做以进一步说明：
在条带噪声的标准差为0.14的条件下，使用峰值信噪比(Peak Signal to NoiseRatio，简称PSNR)和结构相似度(Structural Similarity Index，简称SSIM)分别估计中值直方图均衡方法、红外云图条带噪声抑制方法(Infrared Cloud Images Stripe NoiseRemoval Method，简称ICSRN)以及本申请三种条带噪声抑制方法的结果，具体三种条带噪声抑制方法的PSNR和SSIM结果见表1。
表1三种条带噪声抑制方法的结果对比
由表1可见，本申请进行条带噪声抑制后的图像峰值信噪比PSNR明显高于中值直方图均衡方法和ICSRN方法的结果，说明经本申请得到的去噪后的图像保留了原噪声图像中更多的细节信息；本申请进行条带噪声抑制后的图像的结构相似性度SSIM明显高于中值直方图均衡方法和ICSRN方法的结果，说明经本申请得到的去噪后的图像保留了原噪声图像中更多的结构信息。表1结果充分说明，本申请的条带噪声抑制效果更好，既保留了原始场景更多的细节信息，还具有更好的结构保持特性。
请参见图2a～2d，图2a～2d是本发明实施例提供的原始噪声图像与三种图像条带噪声抑制方法的去噪结果示意图，其中，图2a是本发明实施例提供的原始噪声图像，图2b是本发明实施例提供的传统中值直方图均衡条带噪声抑制方法的去噪结果示意图，图2c是本发明实施例提供的传统ICSRN条带噪声抑制方法的去噪结果示意图，图2d是本发明实施例提供的一种图像条带噪声抑制方法的去噪结果示意图。可见，图2d明显在边缘、细节以及结构上保留了更多的信息，去噪效果好。
实施例二
在上述实施例一的基础上，请参见图3，图3是本发明实施例提供的一种图像条带噪声抑制装置的结构示意图。本实施例提供了一种图像条带噪声抑制装置，该装置包括：
数据处理模块，用于将噪声图像转化为第一时域张量和第二时域张量。
具体而言，本实施例将噪声图像转化为第一时域张量和第二时域张量，包括：对噪声图像进行旋转处理，得到旋转后的噪声图像；对旋转后的噪声图像进行切分，得到N个噪声图像块；将N个噪声图像块按第一方向进行拼接，得到第一时域张量；将N个噪声图像块按第二方向进行拼接，得到第二时域张量。
第一门控卷积处理模块，用于根据第一时域张量得到第一门控循环卷积单元的输出。
具体而言，本实施例根据第一时域张量得到第一门控循环卷积单元的输出，包括：根据第一时域张量、第一卷积核和第一卷积偏置，构建第一记忆传输门；根据第一时域张量、第二卷积核和第二卷积偏置，构建第一状态更新门；根据第一时域张量、第一状态更新门和第三卷积核，得到第一门控循环卷积单元的当前状态；根据第一门控循环卷积单元的当前状态和第一记忆传输门，得到第一门控循环卷积单元的输出。
第一门控卷积处理模块，用于根据第二时域张量得到第二门控循环卷积单元的输出。
具体而言，本实施例根据第二时域张量得到第二门控循环卷积单元的输出，包括：根据第二时域张量、第四卷积核和第四卷积偏置，构建第二记忆传输门；根据第二时域张量、第五卷积核和第五卷积偏置，构建第二状态更新门；根据第二时域张量、第二状态更新门和第六卷积核，得到第二门控循环卷积单元的当前状态；根据第二门控循环卷积单元的当前状态和第二记忆传输门，得到第二门控循环卷积单元的输出。
双向门控卷积模型构建模块，用于根据第一门控循环卷积单元的输出和第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出。
具体而言，本实施例根据第一门控循环卷积单元的输出和第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出，包括：根据第一门控循环卷积单元的输出、第二门控循环卷积单元的输出、第七卷积核和第七卷积偏置，得到双向门控循环卷积单元的输出。
双向门控卷积处理模块，用于根据双向门控循环卷积单元的输出，得到条带噪声时空特征。
具体而言，本实施例根据双向门控循环卷积单元的输出，得到条带噪声时空特征，包括：根据双向门控循环卷积单元的输出、第八卷积核和第八卷积偏置，构建第三记忆传输门；根据双向门控循环卷积单元的输出、第九卷积核和第九卷积偏置，构建第三状态更新门；根据双向门控循环卷积单元的输出、第三状态更新门和第十卷积核，得到双向门控循环卷积单元的当前状态；根据双向门控循环卷积单元的当前状态和第三记忆传输门，得到条带噪声时空特征。
噪声模型构建模块，用于根据条带噪声时空特征构建条带噪声。
具体而言，本实施例根据条带噪声时空特征构建条带噪声，包括：根据条带噪声时空特征、第十一卷积核和第十一卷积偏置，得到条带噪声。
数据确定模块，用于根据噪声图像和条带噪声，得到去噪后的图像。
具体而言，根据噪声图像和条带噪声，得到去噪后的图像，包括：通过噪声图像和条带噪声进行点对点相减得到去噪后的图像。
本实施例提供的一种图像条带噪声抑制装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
实施例三
在上述实施例二的基础上，请参见图4，图4为本发明实施例提供的一种图像条带噪声抑制电子设备结构示意图。本实施例提供了一种图像条带噪声抑制电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的计算机程序时，该计算机程序被处理器执行时实现以下步骤：
步骤1、将噪声图像转化为第一时域张量和第二时域张量。
具体而言，本实施例将噪声图像转化为第一时域张量和第二时域张量，包括：对噪声图像进行旋转处理，得到旋转后的噪声图像；对旋转后的噪声图像进行切分，得到N个噪声图像块；将N个噪声图像块按第一方向进行拼接，得到第一时域张量；将N个噪声图像块按第二方向进行拼接，得到第二时域张量。
步骤2、根据第一时域张量得到第一门控循环卷积单元的输出。
具体而言，本实施例根据第一时域张量得到第一门控循环卷积单元的输出，包括：根据第一时域张量、第一卷积核和第一卷积偏置，构建第一记忆传输门；根据第一时域张量、第二卷积核和第二卷积偏置，构建第一状态更新门；根据第一时域张量、第一状态更新门和第三卷积核，得到第一门控循环卷积单元的当前状态；根据第一门控循环卷积单元的当前状态和第一记忆传输门，得到第一门控循环卷积单元的输出。
步骤3、根据第二时域张量得到第二门控循环卷积单元的输出。
具体而言，本实施例根据第二时域张量得到第二门控循环卷积单元的输出，包括：根据第二时域张量、第四卷积核和第四卷积偏置，构建第二记忆传输门；根据第二时域张量、第五卷积核和第五卷积偏置，构建第二状态更新门；根据第二时域张量、第二状态更新门和第六卷积核，得到第二门控循环卷积单元的当前状态；根据第二门控循环卷积单元的当前状态和第二记忆传输门，得到第二门控循环卷积单元的输出。
步骤4、根据第一门控循环卷积单元的输出和第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出。
具体而言，本实施例根据第一门控循环卷积单元的输出和第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出，包括：根据第一门控循环卷积单元的输出、第二门控循环卷积单元的输出、第七卷积核和第七卷积偏置，得到双向门控循环卷积单元的输出。
步骤5、根据双向门控循环卷积单元的输出，得到条带噪声时空特征。
具体而言，本实施例根据双向门控循环卷积单元的输出，得到条带噪声时空特征，包括：根据双向门控循环卷积单元的输出、第八卷积核和第八卷积偏置，构建第三记忆传输门；根据双向门控循环卷积单元的输出、第九卷积核和第九卷积偏置，构建第三状态更新门；根据双向门控循环卷积单元的输出、第三状态更新门和第十卷积核，得到双向门控循环卷积单元的当前状态；根据双向门控循环卷积单元的当前状态和第三记忆传输门，得到条带噪声时空特征。
步骤6、根据条带噪声时空特征构建条带噪声。
具体而言，本实施例根据条带噪声时空特征构建条带噪声，包括：根据条带噪声时空特征、第十一卷积核和第十一卷积偏置，得到条带噪声。
步骤7、根据噪声图像和条带噪声，得到去噪后的图像。
具体而言，根据噪声图像和条带噪声，得到去噪后的图像，包括：通过噪声图像和条带噪声进行点对点相减得到去噪后的图像。
本实施例提供的一种图像条带噪声抑制电子设备，可以执行上述方法实施例和上述装置实施例，其实现原理和技术效果类似，在此不再赘述。
实施例四
在上述实施例三的基础上，请参见图5，图5为本发明实施例提供的一种计算机可读存储介质的结构示意图。本实施例提供的一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现以下步骤：
步骤1、将噪声图像转化为第一时域张量和第二时域张量。
具体而言，本实施例将噪声图像转化为第一时域张量和第二时域张量，包括：对噪声图像进行旋转处理，得到旋转后的噪声图像；对旋转后的噪声图像进行切分，得到N个噪声图像块；将N个噪声图像块按第一方向进行拼接，得到第一时域张量；将N个噪声图像块按第二方向进行拼接，得到第二时域张量。
步骤2、根据第一时域张量得到第一门控循环卷积单元的输出。
具体而言，本实施例根据第一时域张量得到第一门控循环卷积单元的输出，包括：根据第一时域张量、第一卷积核和第一卷积偏置，构建第一记忆传输门；根据第一时域张量、第二卷积核和第二卷积偏置，构建第一状态更新门；根据第一时域张量、第一状态更新门和第三卷积核，得到第一门控循环卷积单元的当前状态；根据第一门控循环卷积单元的当前状态和第一记忆传输门，得到第一门控循环卷积单元的输出。
步骤3、根据第二时域张量得到第二门控循环卷积单元的输出。
具体而言，本实施例根据第二时域张量得到第二门控循环卷积单元的输出，包括：根据第二时域张量、第四卷积核和第四卷积偏置，构建第二记忆传输门；根据第二时域张量、第五卷积核和第五卷积偏置，构建第二状态更新门；根据第二时域张量、第二状态更新门和第六卷积核，得到第二门控循环卷积单元的当前状态；根据第二门控循环卷积单元的当前状态和第二记忆传输门，得到第二门控循环卷积单元的输出。
步骤4、根据第一门控循环卷积单元的输出和第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出。
具体而言，本实施例根据第一门控循环卷积单元的输出和第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出，包括：根据第一门控循环卷积单元的输出、第二门控循环卷积单元的输出、第七卷积核和第七卷积偏置，得到双向门控循环卷积单元的输出。
步骤5、根据双向门控循环卷积单元的输出，得到条带噪声时空特征。
具体而言，本实施例根据双向门控循环卷积单元的输出，得到条带噪声时空特征，包括：根据双向门控循环卷积单元的输出、第八卷积核和第八卷积偏置，构建第三记忆传输门；根据双向门控循环卷积单元的输出、第九卷积核和第九卷积偏置，构建第三状态更新门；根据双向门控循环卷积单元的输出、第三状态更新门和第十卷积核，得到双向门控循环卷积单元的当前状态；根据双向门控循环卷积单元的当前状态和第三记忆传输门，得到条带噪声时空特征。
步骤6、根据条带噪声时空特征构建条带噪声。
具体而言，本实施例根据条带噪声时空特征构建条带噪声，包括：根据条带噪声时空特征、第十一卷积核和第十一卷积偏置，得到条带噪声。
步骤7、根据噪声图像和条带噪声，得到去噪后的图像。
具体而言，根据噪声图像和条带噪声，得到去噪后的图像，包括：通过噪声图像和条带噪声进行点对点相减得到去噪后的图像。
本实施例提供的一种计算机可读存储介质，可以执行上述方法实施例、上述装置实施例和上述电子设备实施例，其实现原理和技术效果类似，在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种图像条带噪声抑制方法，其特征在于，包括：
将噪声图像转化为第一时域张量和第二时域张量；
根据所述第一时域张量得到第一门控循环卷积单元的输出；
根据所述第二时域张量得到第二门控循环卷积单元的输出；
根据所述第一门控循环卷积单元的输出和所述第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出；
根据所述双向门控循环卷积单元的输出得到条带噪声时空特征；
根据所述条带噪声时空特征构建条带噪声；
根据所述噪声图像和所述条带噪声得到去噪后的图像。
2.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，将所述噪声图像转化为第一时域张量和第二时域张量，包括：
对所述噪声图像进行旋转处理，得到旋转后的噪声图像；
对所述旋转后的噪声图像进行切分处理，得到N个噪声图像块，N为大于0的整数；
将所述N个噪声图像块按第一方向进行拼接得到所述第一时域张量；
将所述N个噪声图像块按第二方向进行拼接得到所述第二时域张量。
3.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，根据所述第一时域张量得到所述第一门控循环卷积单元的输出，包括：
根据所述第一时域张量、第一卷积核和第一卷积偏置，构建第一记忆传输门；
根据所述第一时域张量、第二卷积核和第二卷积偏置，构建第一状态更新门；
根据所述第一时域张量、所述第一状态更新门和第三卷积核，得到所述第一门控循环卷积单元的当前状态；
根据所述第一门控循环卷积单元的当前状态和所述第一记忆传输门，得到所述第一门控循环卷积单元的输出。
4.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，根据所述第二时域张量得到所述第二门控循环卷积单元的输出，包括：
根据所述第二时域张量、第四卷积核和第四卷积偏置，构建第二记忆传输门；
根据所述第二时域张量、第五卷积核和第五卷积偏置，构建第二状态更新门；
根据所述第二时域张量、所述第二状态更新门和第六卷积核，得到所述第二门控循环卷积单元的当前状态；
根据所述第二门控循环卷积单元的当前状态和所述第二记忆传输门，得到所述第二门控循环卷积单元的输出。
5.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，根据所述第一门控循环卷积单元的输出和所述第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出，包括：
根据所述第一门控循环卷积单元的输出、所述第二门控循环卷积单元的输出、第七卷积核和第七卷积偏置，得到所述双向门控循环卷积单元的输出。
6.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，根据所述双向门控循环卷积单元的输出得到条带噪声时空特征，包括：
根据所述双向门控循环卷积单元的输出、第八卷积核和第八卷积偏置，构建第三记忆传输门；
根据所述双向门控循环卷积单元的输出、第九卷积核和第九卷积偏置，构建第三状态更新门；
根据所述双向门控循环卷积单元的输出、所述第三状态更新门和第十卷积核，得到所述双向门控循环卷积单元的当前状态；
根据所述双向门控循环卷积单元的当前状态和所述第三记忆传输门，得到所述条带噪声时空特征。
7.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，根据所述条带噪声时空特征构建条带噪声，包括：
根据所述条带噪声时空特征、第十一卷积核和第十一卷积偏置，得到所述条带噪声。
8.一种图像条带噪声抑制装置，其特征在于，所述装置包括：
数据处理模块，用于将噪声图像转化为第一时域张量和第二时域张量；
第一门控卷积处理模块，用于根据所述第一时域张量得到第一门控循环卷积单元的输出；
第二门控卷积处理模块，用于根据所述第二时域张量得到第二门控循环卷积单元的输出；
双向门控卷积模型构建模块，用于根据所述第一门控循环卷积单元的输出和所述第二门控循环卷积单元的输出，得到双向门控循环卷积单元的输出；
双向门控卷积处理模块，用于根据所述双向门控循环卷积单元的输出，得到条带噪声时空特征；
噪声模型构建模块，用于根据所述条带噪声时空特征构建条带噪声；
数据确定模块，用于根据所述噪声图像和所述条带噪声得到去噪后的图像。
9.一种图像条带噪声抑制电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现权利要求1～7任一所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1～7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910730933.9A CN110533608B (zh) | 2019-08-08 | 2019-08-08 | 图像条带噪声抑制方法及其装置、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910730933.9A CN110533608B (zh) | 2019-08-08 | 2019-08-08 | 图像条带噪声抑制方法及其装置、电子设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110533608A CN110533608A (zh) | 2019-12-03 |
| CN110533608B true CN110533608B (zh) | 2021-11-02 |
Family
ID=68661876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910730933.9A Active CN110533608B (zh) | 2019-08-08 | 2019-08-08 | 图像条带噪声抑制方法及其装置、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533608B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288647B (zh) * | 2020-10-13 | 2022-06-03 | 武汉大学 | 一种基于门控卷积的遥感影像云和阴影修复的方法 |
| CN113222831B (zh) * | 2021-04-02 | 2024-02-13 | 西安电子科技大学 | 一种图像条带噪声去除的特征记忆遗忘单元、网络及系统 |
| CN115393227B (zh) * | 2022-09-23 | 2023-06-06 | 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108649926A (zh) * | 2018-05-11 | 2018-10-12 | 电子科技大学 | 基于小波基张量稀疏表示的das数据去噪方法 |
| CN108846842A (zh) * | 2018-07-04 | 2018-11-20 | 武汉斗鱼网络科技有限公司 | 一种图像噪声检测方法、装置及电子设备 |
| CN109389063A (zh) * | 2018-09-27 | 2019-02-26 | 北京空间机电研究所 | 基于波段相关性的遥感影像条带噪声去除方法 |
| CN109447920A (zh) * | 2018-11-12 | 2019-03-08 | 中国人民解放军国防科技大学 | 基于陷波滤波器的条带噪声自动去除方法 |
| CN109816599A (zh) * | 2018-12-07 | 2019-05-28 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
| CN110009575A (zh) * | 2019-02-25 | 2019-07-12 | 西安电子科技大学 | 基于稀疏表示的红外图像条带噪声抑制方法 |
-
2019
- 2019-08-08 CN CN201910730933.9A patent/CN110533608B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108649926A (zh) * | 2018-05-11 | 2018-10-12 | 电子科技大学 | 基于小波基张量稀疏表示的das数据去噪方法 |
| CN108846842A (zh) * | 2018-07-04 | 2018-11-20 | 武汉斗鱼网络科技有限公司 | 一种图像噪声检测方法、装置及电子设备 |
| CN109389063A (zh) * | 2018-09-27 | 2019-02-26 | 北京空间机电研究所 | 基于波段相关性的遥感影像条带噪声去除方法 |
| CN109447920A (zh) * | 2018-11-12 | 2019-03-08 | 中国人民解放军国防科技大学 | 基于陷波滤波器的条带噪声自动去除方法 |
| CN109816599A (zh) * | 2018-12-07 | 2019-05-28 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
| CN110009575A (zh) * | 2019-02-25 | 2019-07-12 | 西安电子科技大学 | 基于稀疏表示的红外图像条带噪声抑制方法 |
Non-Patent Citations (4)
| Title |
|---|
| 《Removing Stripe Noise From Infrared Cloud Images via DeepConvolutional Networks》;Pengfei Xiao等;《IEEE Photonics Journal》;20180831;第10卷(第4期);第1-15页 * |
| 《Wavelet Deep Neural Network for Stripe Noise Removal》;Juntao Guan等;《IEEE Access》;20190401;第7卷;第44544-44554页 * |
| 《红外图像条带噪声消除算法研究》;王阳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131231(第S2期);第I138-1256页 * |
| 《采用变分法的遥感影像条带噪声去除》;王昶等;《西安交通大学学报》;20190331;第53卷(第3期);第143-149页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110533608A (zh) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533608B (zh) | 图像条带噪声抑制方法及其装置、电子设备、存储介质 | |
| US8428390B2 (en) | Generating sharp images, panoramas, and videos from motion-blurred videos | |
| KR102144994B1 (ko) | 영상의 노이즈를 저감하는 방법 및 이를 이용한 영상 처리 장치 | |
| JP7078139B2 (ja) | ビデオ安定化方法及び装置、並びに非一時的コンピュータ可読媒体 | |
| CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
| CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
| CN107610069B (zh) | 基于共享k-svd字典的dvs可视化视频去噪方法 | |
| CN109345474A (zh) | 基于梯度域和深度学习的图像运动模糊盲去除方法 | |
| CN104867111B (zh) | 一种基于分块模糊核集的非均匀视频盲去模糊方法 | |
| CN103533214A (zh) | 一种基于卡尔曼滤波和双边滤波的视频实时去噪方法 | |
| CN103873743A (zh) | 一种基于结构张量和卡尔曼滤波的视频去噪方法 | |
| CN107481271B (zh) | 一种立体匹配方法、系统及移动终端 | |
| WO2014082441A1 (zh) | 噪声消除方法及装置 | |
| CN111028282A (zh) | 一种无监督位姿与深度计算方法及系统 | |
| WO2023077809A1 (zh) | 神经网络训练的方法、电子设备及计算机存储介质 | |
| CN110809126A (zh) | 一种基于自适应可变形卷积的视频帧插值方法及系统 | |
| CN114998099A (zh) | 一种基于图像预训练策略的图像超分辨率方法 | |
| CN104966269A (zh) | 一种多帧超分辨率成像的装置及方法 | |
| CN111325671A (zh) | 网络训练方法、装置、图像处理方法及电子设备 | |
| CN116596794A (zh) | 一种基于事件相机的联合去运动模糊和视频插帧方法 | |
| CN104182931A (zh) | 超分辨率方法和装置 | |
| CN114170087A (zh) | 一种基于跨尺度低秩约束的图像盲超分辨率方法 | |
| CN109727200A (zh) | 基于贝叶斯张量分解的相似块堆聚图像消噪方法及系统 | |
| CN110533765B (zh) | 一种多次单应诱导的多平面结构物体的三维重建方法 | |
| CN111986136A (zh) | 一种基于泊松概率模型的模糊图像序列融合复原方法 |
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 |