CN110930314B - 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
- CN110930314B CN110930314B CN201911001442.7A CN201911001442A CN110930314B CN 110930314 B CN110930314 B CN 110930314B CN 201911001442 A CN201911001442 A CN 201911001442A CN 110930314 B CN110930314 B CN 110930314B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- convolution
- model
- training
- 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 125
- 230000001629 suppression Effects 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 145
- 238000012360 testing method Methods 0.000 claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 57
- 230000004913 activation Effects 0.000 claims description 46
- 238000010606 normalization Methods 0.000 claims description 38
- 238000005457 optimization Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008485 antagonism Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 108010014173 Factor X Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000004044 response Effects 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
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
- 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
-
- 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)
- 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,该方法包括构建生成器模型;构建监督器模型;根据所述生成器模型对训练条带噪声图像进行训练得到第一去噪图像和所述生成器模型的预参数;根据监督器模型对所述第一去噪图像和原始图像进行训练得到所述监督器模型的参数;根据所述生成器模型和所述监督器模型对所述训练条带噪声图像和所述原始图像进行训练得到所述生成器模型的参数;根据所述生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像。本发明提供的基于生成器模型和监督器模型的图像条带噪声抑制方法,利用了生成器模型和监督器模型构成的生成对抗神经网络,使得去噪后的图像噪声残留更少,图像信息更加丰富。
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
条带噪声是影像中具有一定周期性、方向性且呈条带状分布的一种特殊噪声。这种噪声是光电探测器在扫描地物的成像过程中,受探测元响应差异、探测器机械运动和温度变化等影响而形成的。在获取探测器采集图像后,通常利用数字图像处理方法对条带噪声进行抑制,以提高图像质量。
目前图像条带噪声的抑制方法主要包括:基于先验信息的条带噪声抑制方法和基于卷积神经网络的条带噪声抑制方法。基于先验信息的条带噪声抑制方法,例如空域滤波方法、变分正则化方法等,利用设计的先验信息,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;基于卷积神经网络的条带噪声抑制方法,例如ICSRN法(Xiao P,Guo Y,Zhuang P.“Removing Stripe Noise From Infrared Cloud Images viaDeep Convolutional Networks”,IEEE Photonics Journal,Vol.10,No.4,pp.1-14,2018.)和SNRDWNN法(X.Kuang,X.Sui,Q.Chen,and G.Gu,“Single infrared image stripenoise removal using deep convolutional networks,”IEEE Photon.J.,Vol.9,No.4,Aug.2017Art.No.3900913.),利用卷积神经网络对训练集图像的噪声特征进行提取分析,进而更准确地估计噪声并进行去噪处理。
虽然上述方法对图像条带噪声取得了较好的去噪效果,但其难以在噪声抑制和细节保持上取得均衡,从而容易造成图像细节丢失和噪声残留。
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。
本发明实施例提供了一图像条带噪声抑制方法,该图像条带噪声抑制方法包括:
构建生成器模型;
构建监督器模型;
根据所述生成器模型对训练条带噪声图像进行训练得到第一去噪图像和所述生成器模型的预参数;
根据监督器模型对所述第一去噪图像和原始图像进行训练得到所述监督器模型的参数;
根据所述生成器模型和所述监督器模型对所述训练条带噪声图像和所述原始图像进行训练得到所述生成器模型的参数;
根据所述生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像。
在本发明的一个实施例中,构建生成器模型,包括:
构建N个第一卷积激活层,N个所述第一卷积激活层依次连接,每个所述第一卷积激活层包括第一卷积层和第一激活层,所述第一卷积层与所述第一激活层依次连接,N为大于0的整数;
构建第二卷积层,所述第二卷积层与所述第N个第一卷积激活层中的第一激活层连接。
在本发明的一个实施例中,构建监督器模型,包括:
构建第二卷积激活层、M个卷积归一化激活层、一维化层和全连接层,M为大于0的整数,所述第二卷积激活层、M个所述卷积归一化激活层、所述一维化层和所述全连接层依次连接;
所述第二卷积激活层包括第三卷积层和第二激活层,所述第三卷积层与所述第二激活层依次连接;
每个所述卷积归一化激活层包括第四卷积层、归一化层和第三激活层,所述第四卷积层、所述归一化层和所述第三激活层依次连接。
在本发明的一个实施例中,根据所述生成器模型对训练条带噪声图像进行训练得到第一去噪图像和所述生成器模型的预参数,包括:
根据所述训练条带噪声图像构建所述生成器模型的损失函数;
利用第一优化方法对所述生成器模型的损失函数进行训练得到所述第一去噪图像和所述生成器模型的预参数。
在本发明的一个实施例中,根据监督器模型对所述第一去噪图像和原始图像进行训练得到所述监督器模型的参数,包括:
根据所述第一去噪图像和所述原始图像构建所述监督器模型的损失函数;
利用第二优化方法对所述监督器模型的损失函数进行训练得到所述监督器模型的参数。
在本发明的一个实施例中,根据所述生成器模型和所述监督器模型对所述训练条带噪声图像和所述原始图像进行训练得到所述生成器模型的参数,包括:
将所述生成器模型和所述监督器模型连接在一起构建生成对抗神经网络;
根据所述训练条带噪声图像和所述原始图像构建所述生成对抗神经网络的损失函数;
在所述生成对抗神经网络中,固定所述监督器模型,利用第三优化方法对所述生成对抗神经网络的损失函数进行训练得到所述生成器模型的参数。
在本发明的一个实施例中,根据所述生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像,包括:
对所述测试条带噪声图像进行归一化处理得到归一化的测试条带噪声图像;
将所述归一化的测试条带噪声图像输入至所述生成器模型进行去噪处理得到去噪后归一化的测试条带噪声图像,所述生成器模型的参数为所述生成器模型的参数;
对所述去噪后归一化的测试条带噪声图像进行反归一化处理得到所述第二去噪图像。
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:
第一模型构建模块,用于构建所述生成器模型;
第二模型构建模块,用于构建所述监督器模型;
第一数据训练模块,用于根据所述生成器模型对所述训练条带噪声图像进行训练得到第一去噪图像和所述生成器模型的预参数;
第二数据训练模块,用于根据监督器模型对所述第一去噪图像和所述原始图像进行训练得到所述监督器模型的参数;
第三数据训练模块,用于根据所述生成器模型和所述监督器模型对所述训练条带噪声图像和所述原始图像进行训练得到所述生成器模型的参数;
数据确定模块,用于根据所述生成器模型对测试条带噪声图像进行去噪处理得到所述第二去噪图像。
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,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,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:
本发明提供的基于生成器模型和监督器模型的图像条带噪声抑制方法,利用了生成器模型和监督器模型构成的生成对抗神经网络,使得去噪后的图像噪声残留更少,图像信息更加丰富。
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为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2为本发明实施例提供的一种图像条带噪声抑制方法的中生成器模型结构示意图;
图3为本发明实施例提供的一种图像条带噪声抑制方法的中监督器模型结构示意图;
图4为本发明实施例提供的一种图像条带噪声抑制方法的中生成对抗神经网络结构示意图;
图5为本发明实施例提供的一种图像条带噪声抑制方法在测试过程中的结构示意图;
图6a~图6d本发明实施例提供的测试条带噪声图像及其在三种图像条带噪声抑制方法下的去噪结果示意图;
图7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8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9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
请参见图1,图1为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,该图像条带噪声抑制方法包括以下步骤:
步骤1、构建生成器模型;
步骤2、构建监督器模型;
步骤3、根据生成器模型对训练条带噪声图像进行训练得到第一去噪图像和生成器模型的预参数;
步骤4、根据监督器模型对第一去噪图像和原始图像进行训练得到监督器模型的参数;
步骤5、根据生成器模型和监督器模型对训练条带噪声图像和原始图像进行训练得到生成器模型的参数;
步骤6、根据生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像。
具体而言,目前图像条带噪声的抑制方法主要包括:基于先验信息的条带噪声抑制方法和基于卷积神经网络的条带噪声抑制方法,这些方法对图像条带噪声取得了很好的去噪效果,但其难以在噪声抑制和细节保持上取得均衡,从而造成图像细节丢失和噪声残留。基于上述问题,本实施例提出了基于生成器模型和监督器模型的图像条带噪声抑制方法,首先单独根据训练条带噪声图像训练生成器模型得到第一去噪图像和生成器模型的预参数,然后将第一去噪图像输入至监督器模型,单独训练监督器模型得到监督器模型的参数,之后将生成器模型和监督器模型连接起来,根据生成器模型和监督器模型对训练条带噪声图像和原始图像进行训练得到生成器模型的参数,根据该参数对应的生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像。其中,生成器模型和监督器模型连接起来构成生成对抗神经网络。
本实施例提供的基于生成器模型和监督器模型的图像条带噪声抑制方法,利用了生成器模型和监督器模型构成的生成对抗神经网络,使得去噪后的图像噪声残留更少,图像信息更加丰富。
进一步地,本实施例步骤1构建生成器模型。
具体而言,请参见图2,图2为本发明实施例提供的一种图像条带噪声抑制方法的中生成器模型结构示意图,本实施例构建的生成器模型主要包括卷积层、激活层,具体地步骤1包括步骤1.1、步骤1.2:
步骤1.1、构建N个第一卷积激活层,N个第一卷积激活层依次连接,N为大于0的整数。
具体而言,请再参见图2,本实施例每个第一卷积激活层包括第一卷积层和第一激活层,第一卷积层与第一激活层依次连接,其中,
对于第一卷积层,本实施例N个第一卷积层卷积核大小设置为:Wgn×Hgn,卷积核数量为:Ogn,第一卷积层输入向量的通道数为:Ngn,水平方向步进值为:SgLn,垂直方向步进值为:SgHn,边缘填充零值为:Pgn,此时生成器D中第一卷积层操作用公式描述为:其中/>代表生成器G中第一卷积层的卷积核,“*”代表卷积操作,/>代表第n个第一卷积层的输入数据,/>代表第n个第一卷积层的输出数据,其中,0<n≤N。
需要说明的是,N个第一卷积激活层中第一卷积层涉及的参数可能不同,具体根据实际设计需要决定。
对于第一激活层,本实施例N个第一激活层的激活函数均设置为修正线性单元ReLU,用公式描述为:其中,/>代表第n个第一激活层的输入数据,代表第n个第一激活层的输出数据。
经过N个第一卷积激活层在每一个第一卷积激活层的数据可用公式表达为:
第一个第一卷积激活层的数据可用公式表达为 其中,/>为第一个卷积层的输入数据,即训练条带噪声图像,/>为第一激活层的输出数据,亦为第一个第一卷积激活层最终的输出数据;
同理,第二个第一卷积激活层的数据可用公式表达为 为第一个第二卷积激活层最终的输出数据, 为第三个第一卷积激活层最终的输出数据;
依次类推,第n1个第一卷积激活层的数据可用公式表达为: 为第n1个第一卷积激活层的输出数据,其中,1<n1≤N。
步骤1.2、构建第二卷积层。
具体而言,请再参见图2,本实施例第二卷积层的卷积核大小设置为:Wg×Hg,卷积核数量为:Og,第二卷积层输入向量的通道数为:Ng,水平方向步进值为:SgL,垂直方向步进值为:SgH,边缘填充零值为:Pg,此时生成器G中第二卷积层操作用公式描述为:CG=AG*IG,其中AG代表生成器G中第二卷积层的卷积核,“*”代表卷积操作,IG代表第二卷积层的输入数据,CG代表第二卷积层的输出数据,其中,IG在本实施例为步骤1.1中第N个第一卷积激活层的输出数据,即
进一步地,请再参见图2,本实施例经过步骤1处理后的数据作为生成器模型的输出,然后再与训练条带噪声图像/>进行运算处理,得到生成器模型的去噪图像IMGout,该过程用公式描述为:/>最后对去噪图像IMGout进行反归一化处理得到生成器模型输入到监督器的最终数据,即第一去噪图像。其中,图2中“+”表示数据相加操作。
进一步地,本实施例步骤2构建监督器模型。
具体而言,请参见图3,图3为本发明实施例提供的一种图像条带噪声抑制方法的中监督器模型结构示意图,本实施例构建的监督器模型主要包括卷积层、激活层、归一化层、一维化层、全连接层,具体地步骤2包括步骤2.1、步骤2.2、步骤2.3、步骤2.4:
步骤2.1、构建第二卷积激活层。
具体而言,请再参见图3,本实施例第二卷积激活层包括第三卷积层和第二激活层,第三卷积层与第二激活层依次连接,其中,
对于第三卷积层,本实施例第三卷积层的卷积核大小设置为:Wd×Hd,卷积核数量为:Od,第三卷积层输入向量的通道数为:Nd,水平方向步进值为:SdL,垂直方向步进值为:SdH,边缘填充零值为:Pd,此时监督器D中第三卷积层操作用公式描述为:CD=AD*ID,其中AD代表监督器D中第三卷积层的卷积核,“*”代表卷积操作,ID代表第三卷积层的输入数据,CD代表第三卷积层的输出数据。
对于第二激活层,本实施例第二激活层的激活函数设置为带泄漏整流函数LeakyReLU,用公式描述为:其中,λ1为调整因子,XD为第二激活层的输入数据,本实施例中第二激活层的输入数据为第三卷积层的输出数据,即CD,RD代表第二激活层的数据输出。
优选地,调整因子λ1为0.2。
经过第二卷积激活层的数据可用公式表达为:CD=AD*ID,RD=R(CD),其中,ID为第三个卷积层的输入数据,即第一去噪图像,RD为第二激活层的输出数据,亦为第二卷积激活层最终的输出数据。
步骤2.2、构建M个卷积归一化激活层。
具体而言,请再参见图3,本实施例每个卷积归一化激活层包括第四卷积层、第三激活层和归一化层化层,第四卷积层、第三激活层和归一化层依次连接,其中,
对于第四卷积层,本实施例M个卷积归一化激活层中的第四卷积层的卷积核大小设置为:Wdm×Hdm,卷积核数量为:Odm,第四卷积层输入向量的通道数为:Ndm,水平方向步进值为:SdLm,垂直方向步进值为:SdHm,边缘填充零值为:Pdm,此时监督器D中M个卷积归一化激活层中的第四卷积层的操作用公式描述为:其中/>代表监督器D中第m个第四卷积层的卷积核,“*”代表卷积操作,/>代表第m个第四卷积层的输入数据,/>代表第m个第四卷积层的输出数据,其中,0<m≤M。
需要说明的是,M个卷积归一化激活层中第四卷积层涉及的参数可能不同,具体根据实际设计需要决定。
对于第三激活层,本实施例M个第三激活层的激活函数均设置为带泄漏整流函数LeakyReLU,用公式描述为:其中,λ2为调整因子,/>为第m个第二激活层的输入数据,/>代表第m个第二激活层的数据输出。
优选地,调整因子λ2为0.2。
对于归一化层,本实施例M个归一化层均利用批量归一化技术Batch-Normalization,该过程用公式描述为:其中,BNm代表第m个归一化层的数据输出,/>代表第m个归一化层的输入数据,/>代表对第m个归一化层的输入数据求均值,/>代表对第m个归一化层的输入数据求标准差,γm和βm分别为网络训练过程中归一化层的第一参数和第二参数,εm为归一化层的偏置参数。
优选地,偏置项εm为10-8。
经过M个卷积归一化激活层中每一个卷积归一化激活层的数据可用公式表达为:
第一个卷积归一化激活层的数据可用公式表达为: 其中,RD为第二卷积激活层最终的输出数据,/>为第一个卷积归一化激活层中第四卷积层的输出数据,BN1为第一个卷积归一化激活层中归一化层的输出数据,/>为第一个卷积归一化激活层中第三激活层的输出数据;
同理,第二个卷积归一化激活层的数据可用公式表达为:其中,/>为第一个卷积归一化激活层最终的输出数据,/>为第二个卷积归一化激活层中第四卷积层的输出数据,BN2为第二个卷积归一化激活层中归一化层的输出数据,/>为第二个卷积归一化激活层中第三激活层的输出数据;
依次类推,第m1个卷积归一化激活的数据可用公式表达为:为第m1个卷积归一化激活层的输出数据,其中,1<m1≤M。
步骤2.3、构建一维化层。
具体而言,请再参见图3,本实施例在保留批量维的基础上,按照通道维、高度维和宽度维的顺序将M个卷积归一化激活层的输出数据转换为1×L的一维数据向量Xflatten,其中,L的大小由输入训练条带噪声图像或是原始图像的大小决定。本实施例中L=524288,可设置为其他值,不限于此。
步骤2.4、构建全连接层。
具体而言,请再参见图3,本实施例连接层的作用是将上面层提取的特征线性映射到样本标记空间内,用公式描述为:f(x)=Wx+b,其中,x代表全连接层的输入向量,本实施例为一维化层输出的一维数据向量Xflatten,W代表全连接层的权重参数,b为全连接层的偏置参数,f(x)为全连接层的输出向量,用于对监督器模型最初输入的数据进行分类处理。其中,W根据具体情况设置。
优选地,W为L,b为1。
进一步地,本实施例步骤3根据生成器模型对训练条带噪声图像进行训练得到第一去噪图像和生成器模型的预参数。
具体而言,本实施例在将训练条带噪声图像输入生成器模型之前,先对原始图像(未加条带噪的图像IMGclean)做归一化操作,得到归一化后的图像,将该归一化的图像作为生成器的目标标签图像IMGlabel,具体过程公式描述为:IMGlabel=IMGclean/127.5-1;然后对原始图像IMGclean加上条纹噪声得到条带噪声图像IMGnoise,并对条带噪声图像IMGnoise做归一化操作,具体过程公式描述为:IMGnoise1=IMGnoise/127.5-1,公式中IMGnoise1为归一化后的条带噪声图像;随后将条带噪声图像IMGnoise1输入到生成器G网络中实现步骤3,具体地步骤3包括步骤3.1、步骤3.2:
步骤3.1、根据训练条带噪声图像构建生成器模型的损失函数。
具体而言,本实施例构建的生成器模型的损失函数为lossg,具体地,生成器模型的损失函数为lossg定义为训练条带噪声图像与原始图像的均方误差函数,此处训练条带噪声图像与原始图像均是通过上述条带噪声图像归一化方法得到归一化的训练条带噪声图像与归一化的原始图像。
步骤3.2、利用第一优化方法对生成器模型的损失函数进行训练得到第一去噪图像和生成器模型的预参数。
具体而言,本实施例利用第一优化方法训练生成器模型的损失函数lossg,在训练过程中,首先以第一预设学习率训练生成器G的损失函数lossg若干回合,再以第二预设学习率训练生成器G的损失函数lossg若干回合,从而得到生成器模型的预参数,以及输出的去噪图像,步骤3.1可知输入生成器模型的数据为归一化的数据,所以对于训练后输出的去噪图像,需要进行反归一化操作,得到生成器模型输出的第一去噪图像。
优选地,第一优化方法包括Adam优化方法。
进一步地,本实施例步骤4根据监督器模型对第一去噪图像和原始图像进行训练得到监督器模型的参数。
具体而言,为了生成更好的生成器模型用于后续图像去噪,本实施例引入了监督器模型,具体地步骤4包括步骤4.1、步骤4.2:
步骤4.1、根据第一去噪图像和原始图像构建监督器模型的损失函数。
具体而言,本实施例构建的监督器模型的损失函数为lossd,具体地,监督器模型的损失函数为lossd定义为第一去噪图像和原始图像的二分类交叉熵函数,从而实现对第一去噪图像和原始图像的分类。
步骤4.2、利用第二优化方法对监督器模型的损失函数进行训练得到监督器模型的参数。
具体而言,本实施例利用第二优化方法训练监督器模型的损失函数lossg,在训练过程中,每个回合的训练中监督器模型利用第一去噪图像和原始图像进行训练若干次,每次的训练中将原始图像的标签设置为1,将第一去噪图像的标签设置为0,并得到监督器模型的参数。
优选地,第二优化方法包括SGD优化方法。
进一步地,本实施例步骤5根据生成器模型和监督器模型对训练条带噪声图像和原始图像进行训练得到生成器模型的参数。
具体而言,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方法的中生成对抗神经网络结构示意图,本实施例在对步骤3得到的生成器模型进行进一步训练时,需要同时结合步骤4得到的监督器模型,具体地步骤5包括步骤5.1、步骤5.2、步骤5.3:
步骤5.1、将生成器模型和监督器模型连接在一起构建生成对抗神经网络。
具体而言,请再参见图4,本实施例将通过步骤3构建的生成器G和通过步骤4构建的监督器相连接构建生成对抗神经网络,该过程具体描述为:OUT表示生成对抗神经网络的数据输出,可见,OUT分为两个:G(IMGnoise1)和D(G(IMGnoise1)),其中,对于G(IMGnoise1),G(IMGnoise1)表示通过归一化的训练条带噪声图像经过生成器G去噪后的输出数据,随后进行反归一化操作:IG=(G(IMGnoise1)+)*127.5,IG为生成器G输出的去噪图像,即第一去噪图像。
对于D(G(IMGnoise1)),D(G(IMGnoise1))表示监督器D对生成器G去噪后的数据(第一去噪图像)进行二分类,若D(G(IMGnoise1))为0,则监督器D认为生成器G生成的数据为假,若D(G(IMGnoise1))为1,则监督器D认为生成器G生成的数据为真。
步骤5.2、根据训练条带噪声图像和原始图像构建生成对抗神经网络的损失函数。
具体而言,本实施例根据训练条带噪声图像和原始图像通过步骤3构建生成器的损失函数lossg,以及步骤4构建生成器的损失函数lossd来构建本实施例的生成对抗神经网络的损失函数lossgan,具体地,抗神经网络的损失函数lossgan为:lossgan=lossg+α*lossd,其中,α为可调参数。
优选地,α设置为0.0075。
步骤5.3、在生成对抗神经网络中,固定监督器模型,利用第三优化方法对生成对抗神经网络的损失函数进行训练得到生成器模型的参数。
具体而言,本实施例通过利用第三优化方法对生成对抗神经网络的损失函数的训练实现成器模型最终的参数,具体地,在训练过程中固定监督器D,只令生成器G更新其参数,训练一次生成对抗神经网络,使得生成抗神经网络的损失函数以某一初始学习率训练若干回合,在训练过程中每预设数量回合时,将学习率调整为上一回合学习率的一半并继续训练,且在训练过程中始终保持学习率大于预设阈值,从而得到生成器模型的参数,该生成器模型的参数才会用于后续噪声图像的去噪中。
优选地,第三优化方法包括Adam优化方法、SGD优化方法。
进一步地,本实施例步骤6根据生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像。
具体而言,请参见图5,图5为本发明实施例提供的一种图像条带噪声抑制方法在测试过程中的结构示意图,可见,在对测试条带噪声图像IMGtest进行测试时,不需要监督器D,只需要生成器G,利用生成器G进行测试条带噪声图像IMGtest去噪即可,具体地步骤6包括步骤6.1、步骤6.2、步骤6.3:
步骤6.1、对测试条带噪声图像进行归一化处理得到归一化的测试条带噪声图像。
具体而言,同上述训练测试噪声图像,本实施例首先也需要对测试条带噪声图像IMGtest_noise进行归一化处理,具体过程描述为:IMGtest_noise1=IMGtest_noise/127.5-1,公式中的IMGtest_noise1为归一化后的测试条带噪声图像,然后将归一化后的测试条带噪声图像IMGtest_noise1输入到生成器G中。
步骤6.2、将归一化的测试条带噪声图像输入至生成器模型进行去噪处理得到去噪后归一化的测试条带噪声图像,生成器模型的参数为生成器模型的参数。
具体而言,本实施例生成器模型为步骤5训练完成后对应的生成器,该生成器G在监督器的预测下得到了生成器模型最终的参数,利用该参数构建的生成器下实现对步骤6.1得到的归一化的测试条带噪声图像IMGtest_noise1的去噪处理,从而得到去噪后归一化的测试条带噪声图像IMGtest。
步骤6.3、对去噪后归一化的测试条带噪声图像进行反归一化处理得到第二去噪图像。
具体而言,本实施例将步骤6.2得到的去噪后归一化的测试条带噪声图像IMGtest输出去前,需要进行反归一化处理,得到最终的去噪输出图,即第二去噪图像IMGg,具体过程描述为:IMGg=(IMGtest+1)*127.5,从而完成基于生成对抗神经网络的条带噪声去噪。
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:
本实施例采用伯克利图像分割数据集BSD500,将原始数据通过剪裁等手段截取为64×64的231600张图片,并对其随机添加条带噪声;本实施例中训练时使用两张NVIDIAGTX1080Ti显卡进行训练,每一回合训练图像数据的批次大小设置为256。
本实施例生成器模型中第一卷积激活层的数目N取值为8,监督器模型中卷积归一化激活层的数目N取值为3,在步骤3、步骤4、步骤5训练前,先设置生成器模型的第一个第一卷积激活层中第一卷积层参数为:Wg1×Hg1为7×7,Og1为64,Ng1、SgL1和SgH1均为1,Pg1为3,第二个、第三个和第四个第一卷积激活层中的第一卷积层参数均为:Wgn×Hgn为7×7,Ogn为64,Ngn为64,SgLn和SgHn均为1,Pgn为3(此时n取2、3、4),第五个、第六个、第七个和第八个第一卷积激活层中的第一卷积层参数为:Wgn×Hgn为3×3,Ogn为64,Ngn为64,SgLn和SgHn均为1,Pgn为1(此时n取5、6、7、8),生成器模型中第二卷积层的参数为:Wg×Hg为3×3,Og为1,Ng为64,SgL和SgH均为1,Pg为1;设置监督器模型的第二卷积激活层中第三卷积层参数为:Wd×Hd为3×3,Od为64,Nd为1,Sd和Sd均为2,Pd为1,监督器模型的第一个、第二个卷积归一化激活层中第四卷积层的参数为:Wdm×Hdm为3×3,Odm为64,Ndm为64,Sdm和Sdm均为2,Pdm为11(此时m取1、2),监督器模型的第三个卷积归一化激活层中第四卷积层的参数为:Wdm×Hdm为3×3,Odm为64,Ndm为64,Sdm和Sdm均为1,Pdm为1(此时m取3);设置监督器模型一维化后一维数据向量的长度L为524288。
本实施例在步骤3训练中,以第一预设学习率为1×10-3训练10回合,以第二预设学习率为1×10-4训练30回合;步骤5训练中,以初始学习率为2×10-4训练200回合,训练过程中每预设数量回合为20时将学习率调整为上一回合学习率的一半并继续训练,且在训练过程中始终保持学习率大于预设阈值,预设阈值为1×10-6。
在上述条件下,且在条带噪声强度为0.14的情况下,通过峰值信噪比PSNR和结构相似度SSIM分别评估SNRDWNN法、ICSRN法和本申请的条带噪声抑制效果,具体如表1所示。
表1 SNRDWNN法、ICSRN法和本申请的条带噪声抑制效果
评测指标 | SNRDWNN | ICSRN | 本发明方法 |
PSNR | 32.9823 | 33.0940 | 33.3483 |
SSIM | 0.9566 | 0.9643 | 0.9655 |
由表1可以看出,使用相同的训练数据集和相同的优化方法的三种方法中,本申请的噪声抑制效果最好,峰值信噪比PSNR值高于SNRDWNN法和ICSRN法,说明条带噪声图像经过本申请的方法去噪后与原始图像相比,像素点间相似度更高,本申请的图像条带噪声抑制方法更好的还原了原始图像中的信息,留存的细节信息更多,噪声抑制效果更好;同时本申请的方法去噪后图像的结构相似度SSIM值也高于SNRDWNN法和ICSRN法,说明经本申请的图像条带噪声抑制方法去噪后图像与原始图像在亮度、对比度和结构更相近,相比较SNRDWNN法和ICSRN法,本申请的方法更多的保留了原始图像的结构特征。
请参见图6a~6d,图6a~图6d本发明实施例提供的测试条带噪声图像及其在三种图像条带噪声抑制方法下的去噪结果示意图,图6a为测试条带噪声图像,图6b为SNRDWNN法的去噪结果示意图,图6c为ICSRN法的去噪结果示意图,图6d为本申请的去噪结果示意图。由图6a~6b可以看出,相较于SNRDWNN法和ICSRN法,利用本申请设计的基于生成对抗神经网络的图像条带噪声抑制方法去噪后的图像峰值信噪比更高、结构相似度更好、条带噪声残留更少,且保留了更多细节信息。
实施例二
在上述实施例一的基础上,请参见图7,图7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:
第一模型构建模块,用于构建生成器模型。
具体而言,本实施例构建生成器模型包括构建N个第一卷积激活层,N个第一卷积激活层依次连接,每个第一卷积激活层包括第一卷积层和第一激活层,第一卷积层与第一激活层依次连接,N为大于0的整数;构建第二卷积层,第二卷积层与第N个第一卷积激活层中的第一激活层连接。
第二模型构建模块,用于构建监督器模型。
具体而言,本实施例构建监督器模型包括:构建第二卷积激活层、M个卷积归一化激活层、一维化层和全连接层,M为大于0的整数,第二卷积激活层、M个卷积归一化激活层、一维化层和全连接层依次连接;第二卷积激活层包括第三卷积层和第二激活层,第三卷积层与第二激活层依次连接;每个卷积归一化激活层包括第四卷积层、第三激活层和归一化层,第四卷积层、第三激活层和归一化层依次连接。
第一数据训练模块,用于根据生成器模型对训练条带噪声图像进行训练得到第一去噪图像和生成器模型的预参数。
具体而言,本实施例根据生成器模型对训练条带噪声图像进行训练得到第一去噪图像和生成器模型的预参数包括根据训练条带噪声图像构建生成器模型的损失函数;利用第一优化方法对生成器模型的损失函数进行训练得到第一去噪图像和生成器模型的预参数。
第二数据训练模块,用于根据监督器模型对第一去噪图像和原始图像进行训练得到监督器模型的参数。
具体而言,本实施例根据监督器模型对第一去噪图像和原始图像进行训练得到监督器模型的参数包括根据第一去噪图像和原始图像构建监督器模型的损失函数;利用第二优化方法对监督器模型的损失函数进行训练得到监督器模型的参数。
第三数据训练模块,用于根据生成器模型和监督器模型对训练条带噪声图像和原始图像进行训练得到生成器模型的参数。
具体而言,本实施例根据生成器模型和监督器模型对训练条带噪声图像和原始图像进行训练得到生成器模型的参数包括:将生成器模型和监督器模型连接在一起生成对抗神经网络;根据训练条带噪声图像和原始图像构建生成对抗神经网络的损失函数;在生成对抗神经网络中,固定监督器模型,利用第三优化方法对生成对抗神经网络的损失函数进行训练得到生成器模型的参数。
数据确定模块,用于根据生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像。
具体而言,本实施例根据生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像包括:对测试条带噪声图像进行归一化处理得到归一化的测试条带噪声图像;将归一化的测试条带噪声图像输入至生成器模型进行去噪处理得到去噪后归一化的测试条带噪声图像,生成器模型的参数为生成器模型的参数;对去噪后归一化的测试条带噪声图像进行反归一化处理得到第二去噪图像。
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8,图8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、构建生成器模型。
具体而言,本实施例构建生成器模型包括构建N个第一卷积激活层,N个第一卷积激活层依次连接,每个第一卷积激活层包括第一卷积层和第一激活层,第一卷积层与第一激活层依次连接,N为大于0的整数;构建第二卷积层,第二卷积层与第N个第一卷积激活层中的第一激活层连接。
步骤2、构建监督器模型。
具体而言,本实施例构建监督器模型包括:构建第二卷积激活层、M个卷积归一化激活层、一维化层和全连接层,M为大于0的整数,第二卷积激活层、M个卷积归一化激活层、一维化层和全连接层依次连接;第二卷积激活层包括第三卷积层和第二激活层,第三卷积层与第二激活层依次连接;每个卷积归一化激活层包括第四卷积层、第三激活层和归一化层,第四卷积层、第三激活层和归一化层依次连接。
步骤3、根据生成器模型对训练条带噪声图像进行训练得到第一去噪图像和生成器模型的预参数。
具体而言,本实施例根据生成器模型对训练条带噪声图像进行训练得到第一去噪图像和生成器模型的预参数包括根据训练条带噪声图像构建生成器模型的损失函数;利用第一优化方法对生成器模型的损失函数进行训练得到第一去噪图像和生成器模型的预参数。
步骤4、根据监督器模型对第一去噪图像和原始图像进行训练得到监督器模型的参数。
具体而言,本实施例根据监督器模型对第一去噪图像和原始图像进行训练得到监督器模型的参数包括根据第一去噪图像和原始图像构建监督器模型的损失函数;利用第二优化方法对监督器模型的损失函数进行训练得到监督器模型的参数。
步骤5、根据生成器模型和监督器模型对训练条带噪声图像和原始图像进行训练得到生成器模型的参数。
具体而言,本实施例根据生成器模型和监督器模型对训练条带噪声图像和原始图像进行训练得到生成器模型的参数包括:将生成器模型和监督器模型连接在一起构建生成对抗神经网络;根据训练条带噪声图像和原始图像构建对生成抗神经网络的损失函数;在生成对抗神经网络中,固定监督器模型,利用第三优化方法对生成对抗神经网络的损失函数进行训练得到生成器模型的参数。
步骤6、根据生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像。
具体而言,本实施例根据生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像包括:对测试条带噪声图像进行归一化处理得到归一化的测试条带噪声图像;将归一化的测试条带噪声图像输入至生成器模型进行去噪处理得到去噪后归一化的测试条带噪声图像,生成器模型的参数为生成器模型的参数;对去噪后归一化的测试条带噪声图像进行反归一化处理得到第二去噪图像。
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9,图9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、构建生成器模型。
具体而言,本实施例构建生成器模型包括构建N个第一卷积激活层,N个第一卷积激活层依次连接,每个第一卷积激活层包括第一卷积层和第一激活层,第一卷积层与第一激活层依次连接,N为大于0的整数;构建第二卷积层,第二卷积层与第N个第一卷积激活层中的第一激活层连接。
步骤2、构建监督器模型。
具体而言,本实施例构建监督器模型包括:构建第二卷积激活层、M个卷积归一化激活层、一维化层和全连接层,M为大于0的整数,第二卷积激活层、M个卷积归一化激活层、一维化层和全连接层依次连接;第二卷积激活层包括第三卷积层和第二激活层,第三卷积层与第二激活层依次连接;每个卷积归一化激活层包括第四卷积层、第三激活层和归一化层,第四卷积层、第三激活层和归一化层依次连接。
步骤3、根据生成器模型对训练条带噪声图像进行训练得到第一去噪图像和生成器模型的预参数。
具体而言,本实施例根据生成器模型对训练条带噪声图像进行训练得到第一去噪图像和生成器模型的预参数包括根据训练条带噪声图像构建生成器模型的损失函数;利用第一优化方法对生成器模型的损失函数进行训练得到第一去噪图像和生成器模型的预参数。
步骤4、根据监督器模型对第一去噪图像和原始图像进行训练得到监督器模型的参数。
具体而言,本实施例根据监督器模型对第一去噪图像和原始图像进行训练得到监督器模型的参数包括根据第一去噪图像和原始图像构建监督器模型的损失函数;利用第二优化方法对监督器模型的损失函数进行训练得到监督器模型的参数。
步骤5、根据生成器模型和监督器模型对训练条带噪声图像和原始图像进行训练得到生成器模型的参数。
具体而言,本实施例根据生成器模型和监督器模型对训练条带噪声图像和原始图像进行训练得到生成器模型的参数包括:将生成器模型和监督器模型连接在一起构建生成对抗神经网络;根据训练条带噪声图像和原始图像构建生成对抗神经网络的损失函数;在生成对抗神经网络中,固定监督器模型,利用第三优化方法对生成对抗神经网络的损失函数进行训练得到生成器模型的参数。
步骤6、根据生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像。
具体而言,本实施例根据生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像包括:对测试条带噪声图像进行归一化处理得到归一化的测试条带噪声图像;将归一化的测试条带噪声图像输入至生成器模型进行去噪处理得到去噪后归一化的测试条带噪声图像,生成器模型的参数为生成器模型的参数;对去噪后归一化的测试条带噪声图像进行反归一化处理得到第二去噪图像。
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邻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 (8)
1.一种图像条带噪声抑制方法,其特征在于,包括:
构建生成器模型;
构建监督器模型;
根据所述生成器模型对训练条带噪声图像进行训练得到第一去噪图像和所述生成器模型的预参数;
根据监督器模型对所述第一去噪图像和原始图像进行训练得到所述监督器模型的参数;
根据所述生成器模型和所述监督器模型对所述训练条带噪声图像和所述原始图像进行训练得到所述生成器模型的参数;
根据所述生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像;其中,
构建生成器模型,包括:
构建N个第一卷积激活层,N个所述第一卷积激活层依次连接,每个所述第一卷积激活层包括第一卷积层和第一激活层,所述第一卷积层与所述第一激活层依次连接,N为大于0的整数;
构建第二卷积层,所述第二卷积层与所述第N个第一卷积激活层中的第一激活层连接;
构建监督器模型,包括:
构建第二卷积激活层、M个卷积归一化激活层、一维化层和全连接层,M为大于0的整数,所述第二卷积激活层、M个所述卷积归一化激活层、所述一维化层和所述全连接层依次连接;
所述第二卷积激活层包括第三卷积层和第二激活层,所述第三卷积层与所述第二激活层依次连接;
每个所述卷积归一化激活层包括第四卷积层、归一化层和第三激活层,所述第四卷积层、所述归一化层和所述第三激活层依次连接。
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,根据所述生成器模型对训练条带噪声图像进行训练得到第一去噪图像和所述生成器模型的预参数,包括:
根据所述训练条带噪声图像构建所述生成器模型的损失函数;
利用第一优化方法对所述生成器模型的损失函数进行训练得到所述第一去噪图像和所述生成器模型的预参数。
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,根据监督器模型对所述第一去噪图像和原始图像进行训练得到所述监督器模型的参数,包括:
根据所述第一去噪图像和所述原始图像构建所述监督器模型的损失函数;
利用第二优化方法对所述监督器模型的损失函数进行训练得到所述监督器模型的参数。
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,根据所述生成器模型和所述监督器模型对所述训练条带噪声图像和所述原始图像进行训练得到所述生成器模型的参数,包括:
将所述生成器模型和所述监督器模型连接在一起构建生成对抗神经网络;
根据所述训练条带噪声图像和所述原始图像构建所述生成对抗神经网络的损失函数;
在所述生成对抗神经网络中,固定所述监督器模型,利用第三优化方法对所述生成对抗神经网络的损失函数进行训练得到所述生成器模型的参数。
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,根据所述生成器模型对测试条带噪声图像进行去噪处理得到第二去噪图像,包括:
对所述测试条带噪声图像进行归一化处理得到归一化的测试条带噪声图像;
将所述归一化的测试条带噪声图像输入至所述生成器模型进行去噪处理得到去噪后归一化的测试条带噪声图像;
对所述去噪后归一化的测试条带噪声图像进行反归一化处理得到所述第二去噪图像。
6.一种图像条带噪声抑制装置,其特征在于,所述装置包括:
第一模型构建模块,用于构建所述生成器模型;
第二模型构建模块,用于构建所述监督器模型;
第一数据训练模块,用于根据所述生成器模型对所述训练条带噪声图像进行训练得到第一去噪图像和所述生成器模型的预参数;
第二数据训练模块,用于根据监督器模型对所述第一去噪图像和所述原始图像进行训练得到所述监督器模型的参数;
第三数据训练模块,用于根据所述生成器模型和所述监督器模型对所述训练条带噪声图像和所述原始图像进行训练得到所述生成器模型的参数;
数据确定模块,用于根据所述生成器模型对测试条带噪声图像进行去噪处理得到所述第二去噪图像;其中,
第一模型构建模块,具体用于构建N个第一卷积激活层,N个所述第一卷积激活层依次连接,每个所述第一卷积激活层包括第一卷积层和第一激活层,所述第一卷积层与所述第一激活层依次连接,N为大于0的整数;构建第二卷积层,所述第二卷积层与所述第N个第一卷积激活层中的第一激活层连接;
第二模型构建模块,具体用于构建第二卷积激活层、M个卷积归一化激活层、一维化层和全连接层,M为大于0的整数,所述第二卷积激活层、M个所述卷积归一化激活层、所述一维化层和所述全连接层依次连接;所述第二卷积激活层包括第三卷积层和第二激活层,所述第三卷积层与所述第二激活层依次连接;每个所述卷积归一化激活层包括第四卷积层、归一化层和第三激活层,所述第四卷积层、所述归一化层和所述第三激活层依次连接。
7.一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1~5任一所述的图像条带噪声抑制方法。
8.一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1~5任一所述的图像条带噪声抑制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911001442.7A CN110930314B (zh) | 2019-10-21 | 2019-10-21 | 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 |
---|---|---|---|
CN201911001442.7A CN110930314B (zh) | 2019-10-21 | 2019-10-21 | 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 |
---|---|
CN110930314A CN110930314A (zh) | 2020-03-27 |
CN110930314B true CN110930314B (zh) | 2023-08-08 |
Family
ID=69849340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911001442.7A Active CN110930314B (zh) | 2019-10-21 | 2019-10-21 | 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) | CN110930314B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932527A (zh) * | 2020-08-26 | 2020-11-13 | 江苏铨铨信息科技有限公司 | 基于长短期记忆与生成对抗网络的卫星云图预测的方法 |
CN113592733A (zh) * | 2021-07-22 | 2021-11-02 | 北京小米移动软件有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8922587B2 (en) * | 2013-03-14 | 2014-12-30 | The United States Of America As Represented By The Secretary Of The Army | Crew shared video display system and method |
US10043243B2 (en) * | 2016-01-22 | 2018-08-07 | Siemens Healthcare Gmbh | Deep unfolding algorithm for efficient image denoising under varying noise conditions |
CN108765319B (zh) * | 2018-05-09 | 2020-08-14 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
-
2019
- 2019-10-21 CN CN201911001442.7A patent/CN110930314B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110930314A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754017B (zh) | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 | |
US10902563B2 (en) | Moran's / for impulse noise detection and removal in color images | |
Wang et al. | Enhancing low light videos by exploring high sensitivity camera noise | |
CN110070539A (zh) | 基于信息熵的图像质量评价方法 | |
CN107464217B (zh) | 一种图像处理方法及装置 | |
CN110503610B (zh) | 一种基于gan网络的图像雨雪痕迹去除方法 | |
CN108053396B (zh) | 一种多失真图像质量的无参考评价方法 | |
Noor et al. | Median filters combined with denoising convolutional neural network for Gaussian and impulse noises | |
CN106651829B (zh) | 一种基于能量和纹理分析的无参考图像客观质量评价方法 | |
CN110930314B (zh) | 图像条带噪声抑制方法及其装置、电子设备、存储介质 | |
CN109949200B (zh) | 基于滤波器子集选择和cnn的隐写分析框架构建方法 | |
CN111738954B (zh) | 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法 | |
CN112435162B (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
Ponomarenko et al. | Sharpness metric for no-reference image visual quality assessment | |
CN117422653A (zh) | 一种基于权重共享和迭代数据优化的低光照图像增强方法 | |
JP7301589B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN115601260A (zh) | 一种神经网络和优化模型联合驱动的高光谱图像复原方法 | |
Gavrovska et al. | No-reference local image quality evaluation | |
CN108256633B (zh) | 一种测试深度神经网络稳定性的方法 | |
CN113506212A (zh) | 一种改进的基于pocs的高光谱图像超分辨率重建方法 | |
CN111402173A (zh) | 一种混合噪声去除方法、装置、电子设备和存储介质 | |
Esmaeilzehi et al. | Towards Analyzing the Robustness of Deep Light-weight Image Super Resolution Networks under Distribution Shift | |
Ahmed et al. | Non-reference quality monitoring of digital images using gradient statistics and feedforward neural networks |
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 |