CN110852966B - 基于深度卷积神经网络的图像噪声估计方法 - Google Patents
基于深度卷积神经网络的图像噪声估计方法 Download PDFInfo
- Publication number
- CN110852966B CN110852966B CN201911066796.XA CN201911066796A CN110852966B CN 110852966 B CN110852966 B CN 110852966B CN 201911066796 A CN201911066796 A CN 201911066796A CN 110852966 B CN110852966 B CN 110852966B
- Authority
- CN
- China
- Prior art keywords
- noise
- layer
- neural network
- training
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006870 function Effects 0.000 claims description 41
- 230000004913 activation Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- UGQMRVRMYYASKQ-KQYNXXCUSA-N Inosine Chemical compound O[C@@H]1[C@H](O)[C@@H](CO)O[C@H]1N1C2=NC=NC(O)=C2N=C1 UGQMRVRMYYASKQ-KQYNXXCUSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Images
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
- 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
- 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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的图像噪声估计方法,用于解决现有图像噪声估计方法实用性差的技术问题。技术方案是同时结合噪声误差和噪声水平误差构造损失函数训练深度卷积神经网络,训练所得深度卷积神经网络从噪声污染图像中获取数值分布准确且统计均方差准确的噪声图,所采用深度卷积神经网络,卷积核膨胀数值逐层先成倍递增再等比例对称递减,提升深度卷积神经网络对随机噪声的提取能力,各卷积层卷积核数量多,在训练时所用噪声的分布模型和水平均完全随机,提升深度卷积神经网络对随机噪声的泛化能力。该方法从噪声污染图像中提取噪声图像,提升在后续操作中对噪声进行建模和分析的灵活性,实用性好。
Description
技术领域
本发明涉及一种图像噪声估计方法,特别涉及一种基于深度卷积神经网络的图像噪声估计方法。
背景技术
文献1“Beyond a Gaussian Denoiser:Residual Learning of Deep CNN forImage Denoising,IEEE Transactions on Image Processing,2017,Vol26(7),p3142-3155”公开了一种用于图像复原的基于深度卷积神经网络噪声估计方法,该方法学习了一个深度残差卷积神经网络,能够一定程度上从噪声污染图像中估计真实噪声的数值分布图像,然而该方法服务于提升图像复原质量,致力于提升高斯噪声污染下图像复原的PSNR值,导致估计所得噪声水平与实际噪声水平偏差较大,且仅对高斯噪声有很好的效果。
文献2“申请号是201711065002.9的中国发明专利”公开了一种基于深度学习的图像噪声水平估计方法。该方法中提出了一种基于深度学习的框架,对图像噪声水平进行估计,直接从噪声图像中输出噪声水平,然而无法输出估计的噪声数值分布图像,无法用于支撑未知噪声污染图像的噪声分析和建模工作。同样,以上两种方法的深度网络模型和参数设计,没有充分利用噪声的随机性分布,对于随机噪声的估计效果受限。
发明内容
为了克服现有图像噪声估计方法实用性差的不足,本发明提供一种基于深度卷积神经网络的图像噪声估计方法。该方法同时结合噪声误差和噪声水平误差构造损失函数训练深度卷积神经网络,训练所得深度卷积神经网络从噪声污染图像中获取数值分布准确且统计均方差准确的噪声图,所采用深度卷积神经网络,卷积核膨胀数值逐层先成倍递增再等比例对称递减,提升深度卷积神经网络对随机噪声的提取能力,各卷积层卷积核数量多,在训练时所用噪声的分布模型和水平均完全随机,提升深度卷积神经网络对随机噪声的泛化能力。该方法从噪声污染图像中提取噪声图像,提升在后续操作中对噪声进行建模和分析的灵活性,实用性好。
本发明解决其技术问题所采用的技术方案:一种基于深度卷积神经网络的图像噪声估计方法,其特点是包括以下步骤:
(a)采集任意场景下500幅图片,要求图像无噪声,采用任意角度旋转、2~4倍缩小方式将500幅图像扩展为4000幅图片,并进一步从每幅图像中截取200×200像素大小纹理结构完整区域,最终得到4000幅200×200像素大小训练图片集;
将所有训练图片采用重叠方式分割图像块,每个图像块大小为50×50,训练图片上水平或竖直方向相邻图像块中心间隔10像素。全体分割所得图像块构成训练图像块集,该训练图像块集中图像块数量Ntrain=1024000。
(b)构造9层深度卷积神经网络,所述深度卷积神经网络结构为:
第1层为卷积层,卷积核大小3×3,卷积核膨胀系数为1,边缘补0宽度为1,当所述深度卷积神经网络处理灰度图时,该层卷积核数量为1×128;当所述深度卷积神经网络处理彩色图时,该层卷积核数量为3×128;
第2层为激活函数层,激活函数选用ReLu函数;
第3层为卷积层,卷积核大小3×3,卷积核膨胀系数为3,边缘补0宽度为3,卷积核数量为128×128;
第4层为激活函数层,激活函数选用ReLu函数;
第5层为卷积层,卷积核大小3×3,卷积核膨胀系数为9,边缘补0宽度为9,卷积核数量为128×128;
第6层为激活函数层,激活函数选用ReLu函数;
第7层为卷积层,卷积核大小3×3,卷积核膨胀系数为3,边缘补0宽度为3,卷积核数量为128×128;
第8层为激活函数层,激活函数选用ReLu函数;
第9层为卷积层,卷积核大小3×3,卷积核膨胀系数为1,边缘补0宽度为1,当所述深度卷积神经网络处理灰度图时,第9层卷积核数量为128×1,当所述深度卷积神经网络处理彩色图时,第9层卷积核数量为128×3;
神经网络第9层直接输出噪声图。
(c)设置每批次训练图像数量为Sbatch=150,训练批次数量为其中表示对其内部数值向下取整,从训练图像块集中任选Nbatch×Sbatch个图像块,随机分配到Nbatch个批次中,每个批次中有Sbatch个图像块,第i批次第s个图像块记为pi,s,pi,s第j个像素记为pi,s,j,其中i=1,2,...,Nbatch,s=1,2,...,Sbatch,j=1,2,...,Jpix,Jpix=50×50;
设置训练代数为60代,第1到第30代训练学习率设为0.001,第31到第40代训练学习率设为0.0002,第41到第50代训练学习率设为0.0001,第51到第60代训练学习率设为0.00005;
每代训练中,随机生成pi,s对应仿真噪声图ni,s,其中ni,s的均值ei,s为0,ni,s的均方差σi,s为区间[1,50]内的随机数,构造噪声污染图像ti,s:
ti,s=pi,s+ni,s (1)
按照以上训练参数,利用深度学习框架MatConvNet训练步骤(b)所述结构深度卷积神经网络,直至完成60代训练或损失小于给定阈值,记最终训练所得深度卷积神经网络为O*,训练时该深度卷积神经网络输入为ti,s,对应标签为ni,s,损失函数采用式(2)所示形式:
其中O表示所训练深度卷积神经网络,O(ti,s)表示图像块ti,s输入O所得输出噪声图,(O(ti,s))j表示O(ti,s)第j个像素。
(d)向步骤(c)训练好的深度卷积神经网络为O*输入任意噪声污染图像Inoise,估计相应噪声图O*(Inoise),对O*(Inosie)进行直方图统计,即估计出噪声污染图像Inoise所对应噪声分布;对O*(Inoise)计算均方差,即估计出噪声污染图像Inoise所对应噪声水平。
本发明的有益效果是:该方法同时结合噪声误差和噪声水平误差构造损失函数训练深度卷积神经网络,训练所得深度卷积神经网络从噪声污染图像中获取数值分布准确且统计均方差准确的噪声图,所采用深度卷积神经网络,卷积核膨胀数值逐层先成倍递增再等比例对称递减,提升深度卷积神经网络对随机噪声的提取能力,各卷积层卷积核数量多,在训练时所用噪声的分布模型和水平均完全随机,提升深度卷积神经网络对随机噪声的泛化能力。该方法从噪声污染图像中提取噪声图像,提升在后续操作中对噪声进行建模和分析的灵活性,实用性好。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明基于深度卷积神经网络的图像噪声估计方法的流程图。
具体实施方式
参照图1。本发明基于深度卷积神经网络的图像噪声估计方法具体步骤如下:
结合噪声分布和噪声水平约束的深度卷积神经网络训练:
(a)构建训练集:
采集任意场景下500幅图片,要求图像无噪声,采用任意角度旋转、2~4倍缩小等方式将500幅图像扩展为4000幅图片,并进一步从每幅图像中截取200×200像素大小纹理密度适中、纹理结构完整区域,最终得到4000幅200×200像素大小训练图片集;
将所有训练图片采用重叠方式分割图像块,每个图像块大小为50×50,训练图片上水平或竖直方向相邻图像块中心间隔10像素。全体分割所得图像块构成训练图像块集,该训练图像块集中图像块数量Ntrain=1024000。
(b)构建深度卷积神经网络:
构造9层深度卷积神经网络,该深度卷积神经网络结构为:
第1层为卷积层,卷积核大小3×3,卷积核膨胀系数为1,边缘补0宽度为1,当该网络处理灰度图时,该层卷积核数量为1×128;当该网络处理彩色图时,该层卷积核数量为3×128;
第2层为激活函数层,激活函数选用ReLu函数;
第3层为卷积层,卷积核大小3×3,卷积核膨胀系数为3,边缘补0宽度为3,卷积核数量为128×128;
第4层为激活函数层,激活函数选用ReLu函数;
第5层为卷积层,卷积核大小3×3,卷积核膨胀系数为9,边缘补0宽度为9,卷积核数量为128×128;
第6层为激活函数层,激活函数选用ReLu函数;
第7层为卷积层,卷积核大小3×3,卷积核膨胀系数为3,边缘补0宽度为3,卷积核数量为128×128;
第8层为激活函数层,激活函数选用ReLu函数;
第9层为卷积层,卷积核大小3×3,卷积核膨胀系数为1,边缘补0宽度为1,当该网络处理灰度图时,第9层卷积核数量为128×1,当该网络处理彩色图时,第9层卷积核数量为128×3;
神经网络第9层直接输出噪声图。
(c)训练深度卷积神经网络:
设置每批次训练图像数量为Sbatch=150,训练批次数量为其中表示对其内部数值向下取整,从训练图像块集中任选Nbatch×Sbatch个图像块,随机分配到Nbatch个批次中,每个批次中有Sbatch个图像块,第i批次第s个图像块记为pi,s,pi,s第j个像素记为pi,s,j,其中i=1,2,...,Nbatch,s=1,2,...,Sbatch,j=1,2,...,Jpix,Jpix=50×50;
设置训练代数为60代,第1到第30代训练学习率设为0.001,第31到第40代训练学习率设为0.0002,第41到第50代训练学习率设为0.0001,第51到第60代训练学习率设为0.00005;
每代训练中,随机生成pi,s对应仿真噪声图ni,s,其中ni,s的均值ei,s为0,ni,s的均方差σi,s为区间[1,50]内的随机数,构造噪声污染图像ti,s:
ti,s=pi,s+ni,s (1)
按照以上训练参数,利用深度学习框架MatConvNet训练步骤(b)所述结构深度卷积神经网络,直至完成60代训练或损失小于给定阈值,记最终训练所得深度卷积神经网络为O*,训练时该深度卷积神经网络输入为ti,s,对应标签为ni,s,损失函数采用式(2)所示形式:
其中O表示所训练深度卷积神经网络,O(ti,s)表示图像块ti,s输入O所得输出噪声图,(O(ti,s))j表示O(ti,s)第j个像素。
基于训练所得深度卷积神经网络的图像噪声分布和噪声水平估计:
(d)向步骤(c)训练好的深度卷积神经网络为O*输入任意噪声污染图像Inoise,估计相应噪声图O*(Inoise),对O*(Inosie)进行直方图统计,即估计出噪声污染图像Inoise所对应噪声分布;对O*(Inoise)计算均方差,即估计出噪声污染图像Inoise所对应噪声水平。
Claims (1)
1.一种基于深度卷积神经网络的图像噪声估计方法,其特征在于包括以下步骤:
(a)采集任意场景下500幅图片,要求图像无噪声,采用任意角度旋转、2~4倍缩小方式将500幅图像扩展为4000幅图片,并进一步从每幅图像中截取200×200像素大小纹理结构完整区域,最终得到4000幅200×200像素大小训练图片集;
将所有训练图片采用重叠方式分割图像块,每个图像块大小为50×50,训练图片上水平或竖直方向相邻图像块中心间隔10像素;全体分割所得图像块构成训练图像块集,该训练图像块集中图像块数量Ntrain=1024000;
(b)构造9层深度卷积神经网络,所述深度卷积神经网络结构为:
第1层为卷积层,卷积核大小3×3,卷积核膨胀系数为1,边缘补0宽度为1,当所述深度卷积神经网络处理灰度图时,该层卷积核数量为1×128;当所述深度卷积神经网络处理彩色图时,该层卷积核数量为3×128;
第2层为激活函数层,激活函数选用ReLu函数;
第3层为卷积层,卷积核大小3×3,卷积核膨胀系数为3,边缘补0宽度为3,卷积核数量为128×128;
第4层为激活函数层,激活函数选用ReLu函数;
第5层为卷积层,卷积核大小3×3,卷积核膨胀系数为9,边缘补0宽度为9,卷积核数量为128×128;
第6层为激活函数层,激活函数选用ReLu函数;
第7层为卷积层,卷积核大小3×3,卷积核膨胀系数为3,边缘补0宽度为3,卷积核数量为128×128;
第8层为激活函数层,激活函数选用ReLu函数;
第9层为卷积层,卷积核大小3×3,卷积核膨胀系数为1,边缘补0宽度为1,当所述深度卷积神经网络处理灰度图时,第9层卷积核数量为128×1,当所述深度卷积神经网络处理彩色图时,第9层卷积核数量为128×3;
神经网络第9层直接输出噪声图;
(c)设置每批次训练图像数量为Sbatch=150,训练批次数量为其中表示对其内部数值向下取整,从训练图像块集中任选Nbatch×Sbatch个图像块,随机分配到Nbatch个批次中,每个批次中有Sbatch个图像块,第i批次第s个图像块记为pi,s,pi,s第j个像素记为pi,s,j,其中i=1,2,...,Nbatch,s=1,2,...,Sbatch,j=1,2,...,Jpix,Jpix=50×50;
设置训练代数为60代,第1到第30代训练学习率设为0.001,第31到第40代训练学习率设为0.0002,第41到第50代训练学习率设为0.0001,第51到第60代训练学习率设为0.00005;
每代训练中,随机生成pi,s对应仿真噪声图ni,s,其中ni,s的均值ei,s为0,ni,s的均方差σi,s为区间[1,50]内的随机数,构造噪声污染图像ti,s:
ti,s=pi,s+ni,s (1)
按照以上训练参数,利用深度学习框架MatConvNet训练步骤(b)所述结构深度卷积神经网络,直至完成60代训练或损失小于给定阈值,记最终训练所得深度卷积神经网络为O*,训练时该深度卷积神经网络输入为ti,s,对应标签为ni,s,损失函数采用式(2)所示形式:
其中O表示所训练深度卷积神经网络,O(ti,s)表示图像块ti,s输入O所得输出噪声图,(O(ti,s))j表示O(ti,s)第j个像素;
(d)向步骤(c)训练好的深度卷积神经网络为O*输入任意噪声污染图像Inoise,估计相应噪声图O*(Inoise),对O*(Inoise)进行直方图统计,即估计出噪声污染图像Inoise所对应噪声分布;对O*(Inoise)计算均方差,即估计出噪声污染图像Inoise所对应噪声水平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066796.XA CN110852966B (zh) | 2019-11-04 | 2019-11-04 | 基于深度卷积神经网络的图像噪声估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066796.XA CN110852966B (zh) | 2019-11-04 | 2019-11-04 | 基于深度卷积神经网络的图像噪声估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852966A CN110852966A (zh) | 2020-02-28 |
CN110852966B true CN110852966B (zh) | 2022-04-22 |
Family
ID=69599023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911066796.XA Active CN110852966B (zh) | 2019-11-04 | 2019-11-04 | 基于深度卷积神经网络的图像噪声估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852966B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114764803B (zh) * | 2022-06-16 | 2022-09-20 | 深圳深知未来智能有限公司 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251303A (zh) * | 2016-07-28 | 2016-12-21 | 同济大学 | 一种使用深度全卷积编码‑解码网络的图像降噪方法 |
CN106875361A (zh) * | 2017-02-17 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络去除泊松噪声的方法 |
CN107993200A (zh) * | 2017-11-02 | 2018-05-04 | 天津大学 | 基于深度学习的图像噪声水平估计方法 |
CN109118435A (zh) * | 2018-06-15 | 2019-01-01 | 广东工业大学 | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 |
CN109285129A (zh) * | 2018-09-06 | 2019-01-29 | 哈尔滨工业大学 | 基于卷积神经网络的图像真实噪声去除系统 |
CN109658348A (zh) * | 2018-11-16 | 2019-04-19 | 天津大学 | 基于深度学习的联合噪声估计和图像去噪方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876737B (zh) * | 2018-06-06 | 2021-08-03 | 武汉大学 | 一种联合残差学习和结构相似度的图像去噪方法 |
CN109035163B (zh) * | 2018-07-09 | 2022-02-15 | 南京信息工程大学 | 一种基于深度学习的自适应图像去噪方法 |
CN109003240B (zh) * | 2018-07-16 | 2021-07-27 | 安徽理工大学 | 一种基于多尺度并行cnn的图像去噪方法 |
CN109410149B (zh) * | 2018-11-08 | 2019-12-31 | 安徽理工大学 | 一种基于并行特征提取的cnn去噪方法 |
CN110335202A (zh) * | 2019-04-08 | 2019-10-15 | 武汉理工大学 | 一种水下声纳图像噪声消除方法 |
-
2019
- 2019-11-04 CN CN201911066796.XA patent/CN110852966B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251303A (zh) * | 2016-07-28 | 2016-12-21 | 同济大学 | 一种使用深度全卷积编码‑解码网络的图像降噪方法 |
CN106875361A (zh) * | 2017-02-17 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络去除泊松噪声的方法 |
CN107993200A (zh) * | 2017-11-02 | 2018-05-04 | 天津大学 | 基于深度学习的图像噪声水平估计方法 |
CN109118435A (zh) * | 2018-06-15 | 2019-01-01 | 广东工业大学 | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 |
CN109285129A (zh) * | 2018-09-06 | 2019-01-29 | 哈尔滨工业大学 | 基于卷积神经网络的图像真实噪声去除系统 |
CN109658348A (zh) * | 2018-11-16 | 2019-04-19 | 天津大学 | 基于深度学习的联合噪声估计和图像去噪方法 |
Non-Patent Citations (3)
Title |
---|
《Deep Joint Noise Estimation and Removal for High ISO JPEG Images》;Huanjing Yue等;《2018 24th International Conference on Pattern Recognition (ICPR)》;20181231;第153-158页 * |
《Estimation of signal-dependent noise level function using multi-column convolutional neural network》;Jingyu Yang等;《2017 IEEE International Conference on Image Processing (ICIP)》;20171231;第2418-2422页 * |
《基于深度卷积神经网络的图像去噪研究》;李传朋等;《计算机工程》;20170331;第43卷(第3期);第253-260页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110852966A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510485B (zh) | 一种基于卷积神经网络的无参照图像质量评估方法 | |
WO2019104767A1 (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
Wu et al. | Knowledge transfer dehazing network for nonhomogeneous dehazing | |
CN108230264B (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
CN109359681B (zh) | 一种基于改进全卷积神经网络的大田作物病虫害识别方法 | |
CN109767386A (zh) | 一种基于深度学习的快速图像超分辨率重建方法 | |
CN108564549B (zh) | 一种基于多尺度稠密连接网络的图像去雾方法 | |
CN109410127A (zh) | 一种基于深度学习与多尺度图像增强的图像去噪方法 | |
CN111260591B (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
CN109191460B (zh) | 一种对于色调映射图像的质量评价方法 | |
CN107578392A (zh) | 一种基于残余插值的卷积神经网络去马赛克算法 | |
CN110599468A (zh) | 无参考视频质量评估方法及装置 | |
CN111709301B (zh) | 一种冰壶球运动状态估计方法 | |
CN112381897A (zh) | 基于自编码网络结构的低照度图像增强方法 | |
CN111145102A (zh) | 一种基于卷积神经网络的合成孔径雷达图像去噪方法 | |
Ling et al. | Single image dehazing using saturation line prior | |
CN111311525A (zh) | 一种基于直方图概率修正的图像梯度场双区间均衡化算法 | |
CN110996096A (zh) | 一种基于结构相似性差异度的色调映射图像质量评价方法 | |
CN110751635A (zh) | 一种基于帧间差分和hsv颜色空间的口腔检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN110852966B (zh) | 基于深度卷积神经网络的图像噪声估计方法 | |
CN111401209B (zh) | 一种基于深度学习的动作识别方法 | |
CN116563157A (zh) | 一种基于深度学习的面向空间卫星低照度图像增强方法 | |
CN110598669A (zh) | 一种复杂场景中人群密度的检测方法和系统 | |
CN113850335B (zh) | 一种用于卫浴陶瓷缺陷检测的数据增广方法 |
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 |