CN111028160A - 一种基于卷积神经网络的遥感图像噪声抑制方法 - Google Patents
一种基于卷积神经网络的遥感图像噪声抑制方法 Download PDFInfo
- Publication number
- CN111028160A CN111028160A CN201911147527.6A CN201911147527A CN111028160A CN 111028160 A CN111028160 A CN 111028160A CN 201911147527 A CN201911147527 A CN 201911147527A CN 111028160 A CN111028160 A CN 111028160A
- Authority
- CN
- China
- Prior art keywords
- neural network
- remote sensing
- convolutional neural
- sensing image
- layer
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000001629 suppression Effects 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 description 7
- 239000006002 Pepper Substances 0.000 description 7
- 241000722363 Piper Species 0.000 description 7
- 235000016761 Piper aduncum Nutrition 0.000 description 7
- 235000017804 Piper guineense Nutrition 0.000 description 7
- 235000008184 Piper nigrum Nutrition 0.000 description 7
- 150000003839 salts Chemical class 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于卷积神经网络的遥感图像噪声抑制方法，如下：步骤S1、构建卷积神经网络模型，卷积神经网络模型包括：依次相连接的输入层、隐含层和输出层；隐含层由以下组成：三个依次相连接的Inception模块，在第三个Inception模块后设置有两个相连接的卷积层；各Inception模块均包括：并行的第一子模块和第二子模块，以及设置在第一子模块和第二子模块后的一个拼接层。步骤S2、训练步骤S1中的卷积神经网络模型。步骤S3、将待处理的遥感图像输入训练后的卷积神经网络模型，输出去噪后的遥感图像。本发明中的抑制方法噪声抑制效果好、泛化能力好、时间复杂度低。
Description
【技术领域】
本发明属于遥感图像处理技术领域，尤其涉及一种基于卷积神经网络的遥感图像噪声抑制方法。
【背景技术】
近年来，我国发射了大量卫星，从北斗导航系列卫星到各种气象、资源勘探卫星，同时，无人机的军用民用频度上升。航天航空遥感的发展，意味着可以得到大量的遥感图像数据，可以对其分析达到各种应用的目的。比如图像识别、图像分类、目标检测等。然而，由于成像设备的局限和外部环境的干扰等因素影响，遥感图像在信息数字化和传输过程中常常包含大量噪声，导致图像质量下降，对后续图像处理产生不利影响。因此对遥感图像进行噪声抑制，对于图像的视觉效果和后续处理都有着重要的意义。
对图像噪声抑制的研究已经进行许久，然而在对遥感图像进行噪声抑制时，基于块匹配滤波或基于稀疏的传统算法并不能统筹算法适应性和结构性，一般会牺牲一方而保证另一方，且不能批量处理图片，效率相对低下。
近些年发展起来的机器学习方法尤其是卷积神经网络为遥感图像噪声抑制的研究提供了新的思路。机器学习方法已经被成功地应用于图像匹配、人脸识别等多个领域，并且取得了较好的实验效果。因此，如何得到一种基于卷积神经网络的遥感图像噪声抑制方法，使其可以有效地弥补现有去噪方法噪声抑制效果不好、泛化能力差、空间及时间复杂度高的不足，这具有重要的研究意义和实用价值。
【发明内容】
本发明的目的是提供一种噪声抑制效果好、泛化能力好、时间复杂度低的基于卷积神经网络的遥感图像噪声抑制方法。
本发明采用以下技术方案：.一种基于卷积神经网络的遥感图像噪声抑制方法，该抑制方法包括如下步骤：
步骤S1、构建卷积神经网络模型，卷积神经网络模型包括：依次相连接的输入层、隐含层和输出层；隐含层由以下组成：三个依次相连接的Inception模块，在第三个Inception模块后设置有两个相连接的卷积层；各Inception模块均包括：并行的第一子模块和第二子模块，以及设置在第一子模块和第二子模块后的一个拼接层。
步骤S2、训练步骤S1中的卷积神经网络模型，得训练后的卷积神经网络模型。
步骤S3、将待处理的遥感图像输入训练后的卷积神经网络模型，输出去噪后的遥感图像。
进一步地，该第一子模块包括两个相连接的单元，每一个单元均包括依次相连接的一个卷积层、一个批量正则化层和一个修正线性单元ReLU；第二子模块包括依次相连接的一个卷积层、一个批量正则化层和一个修正线性单元ReLU。
进一步地，每一个单元中的卷积层为卷积核为3×3的卷积层。
进一步地，在步骤S3中，待处理的遥感图像输入第一个Inception模块中的两个子模块中，遥感图像经过两个子模块的处理，分别独立输出，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第一特征图；第一特征图输入第二个Inception模块，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第二特征图；第二特征图输入第三个Inception模块，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第三特征图，将第三特征图输入后端的卷积层，依次通过两个卷积层，输出噪声抑制处理后的遥感图像。
进一步地，在步骤S2中，选用目标遥感图像总体的10％～20％作为训练集，进行卷积神经网络的训练，训练过程中，采用Adam学习算法对卷积神经网络进行优化，最大训练次数不低于300次，学习速率规定为训练前300次时为0.001，训练300次之后为0.0001，记录取得最佳噪声抑制性能时的卷积神经网络的参数，得到训练后的卷积神经网络。
进一步地，将待处理的遥感图像输入训练后的卷积神经网络模型前，对待处理的遥感图像进行预处理，具体为添加模拟噪声。
进一步地，待处理的遥感图像为灰度图像、RGB图像、多光谱图像、高光谱图像。
进一步地，将待处理的遥感图像输入训练后的卷积神经网络模型前，对待处理的遥感图像进行预处理，具体为添加模拟噪声。
本发明的有益效果是：1、本发明基于卷积神经网络的复杂噪音下进行遥感图像噪声抑制处理，其鲁棒性好，泛化能力强，对于复杂噪声干扰等情况下的不同遥感图像噪声抑制处理效果好。2、空间复杂度和时间复杂度低，训练收敛快，训练后卷积神经网络对遥感图像处理快。
【附图说明】
图1为本发明实施的流程图；
图2为本发明实施例中卷积神经网络的结构示意图；
图3为本发明实施例中卷积神经网络的卷积层计算示意图；
图4为无人机数据单波段高斯随机噪声图像去噪定性结果图；
图5为无人机数据单波段椒盐噪声图像去噪定性结果图。
【具体实施方式】
下面结合附图和具体实施方式对本发明进行详细说明。
本发明实施例公开了一种基于卷积神经网络的遥感图像噪声抑制方法，该抑制方法包括如下步骤：
步骤S1、构建卷积神经网络模型，卷积神经网络模型包括：依次相连接的输入层、隐含层和输出层；隐含层由以下组成：三个依次相连接的Inception模块，在第三个Inception模块后设置有两个相连接的卷积层；各Inception模块均包括：并行的第一子模块和第二子模块，以及设置在第一子模块和第二子模块后的一个拼接层；
上述第一子模块包括两个相连接的单元，每一个单元均包括依次相连接的一个卷积层、一个批量正则化层和一个修正线性单元ReLU。第二子模块包括依次相连接的一个卷积层、一个批量正则化层和一个修正线性单元ReLU。每一个单元中的卷积层为卷积核为3×3的卷积层。
步骤S2、训练步骤S1中的卷积神经网络模型，得训练后的卷积神经网络模型；
步骤S3、将待处理的遥感图像输入训练后的卷积神经网络模型，输出去噪后的遥感图像。将待处理的遥感图像输入训练后的卷积神经网络模型前，对待处理的遥感图像进行预处理，具体为添加模拟噪声。
在步骤S3中，待处理的遥感图像输入第一个Inception模块中的两个子模块中，遥感图像经过两个子模块的处理，分别独立输出，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第一特征图；第一特征图输入第二个Inception模块，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第二特征图；第二特征图输入第三个Inception模块，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第三特征图，将第三特征图输入后端的卷积层，依次通过两个卷积层，输出噪声抑制处理后的遥感图像。各Inception模块使用边缘填充策略使上述过程得到相同尺寸的特征图，随后在数组中将这些特征图的通道进行叠加，即把计算结果进行信道的连接，而后再通过激励函数传入下一Inception模块或下一层。
在步骤S2中，选用目标遥感图像总体的10％～20％作为训练集，进行卷积神经网络的训练，训练过程中，采用Adam学习算法对卷积神经网络进行优化，最大训练次数不低于300次，学习速率规定为训练前300次时为0.001，训练300次之后为0.0001，记录取得最佳噪声抑制性能时的卷积神经网络的参数，得到训练后的卷积神经网络。最佳噪声抑制性能的标准是信噪比SNR和PSNR提升最高时。
由于卷积层数深、设计的Inception结构使得图像在多个尺度上同时进行卷积，能提取到不同尺度的特征、拼接层将不同尺度的特征图拼接在一起进行特征提取，该网络具有很强的鲁棒性。实施例也已验证该发明可以对多种噪声类型进行抑制，也可以对不同的遥感图像数据及进行噪声抑制，拥有很强的鲁棒性。
Inception模型在多个尺度上同时进行卷积，避免了统一尺度上频繁卷积，时间复杂度低，卷积神经网络卷积核均为3×3，模型参数数量少，空间复杂度低。时间复杂度低有利于加快初始卷积神经网络训练的收敛速度，而空间复杂度低有利于训练后卷积神经网络对遥感图像快速处理。
卷积核在工作时，会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量，图3所示说明了卷积层工作的过程，输入大小5×5，卷积核大小3×3，步长1，填充层数0，卷积公式如下所示：
其中：
b为偏差量；
zl和zl+1分别表示第l+1层的卷积输入和输出，即特征图。
Ll+1为Zl+1的尺寸；
Z(i,j)对应特征图的像素；
K为特征图的通道数；
f、s0和p是卷积层参数，对应卷积核大小、卷积步长和填充层数；通常情况下，卷积核大小为3×3，卷积步长为1，填充层数为1。
为验证本发明中的方法，进行如下实验：所用数据集为无人机航拍地面景观遥感图像，简称UAV数据集，该数据集共有200个图像，图像大小为1280×960。在数据集中随机抽取20个图像作为训练集，抽取比例可以适当修改，一般比例取5％～10％间，为了更好地进行网络训练，使网络充分学习图像特征，将训练集图像分割成128×96的多个小型图像输入网络进行训练。训练细节如下：训练迭代次数为1000次，迭代次数可根据数据集不同做适当修改，一般在500～1500间；训练学习率在迭代前300次时为0.001，300次之后为0.0001；优化方法选用Adam方法，全称为adaptive moment estimation。评价指标分为主观评价和客观评价，其中主观评价为人眼对图像噪声去除情况的主观判断，客观评价指标为信噪比SNR和峰值信噪比PSNR，信噪比和峰值信噪比越高，图像的去噪效果越好。
采用训练后的卷积神经网络对含高斯随机噪声的图像进行去噪，高斯随机噪声方差分别为0.01、0.005和0.001，去噪结果如表1所示，由表1中数据可知，遥感图像去噪后的信噪比和峰值信噪比均增大，则说明采用本发明中的方法，图像的去噪效果好。
表1无人机数据单波段高斯随机噪声图像去噪定量结果
同时，将去噪后的遥感图像与未去噪后的遥感图像进行对比，人眼进行比对，如图4所示。由表1和图4可知，采用本发明中的方法可以对遥感图像中包含的高斯随机噪点予以去除，去噪后图像与原始干净图像相似度高，细节保留完整。
采用本发明中的方法去除遥感图像中的椒盐噪声，待处理遥感图像的椒盐噪声比例分别为10％、5％和1％，去噪结果如表2所示：
表2无人机数据单波段椒盐噪声图像去噪定量结果
同时，将去噪后的遥感图像与未去噪后的遥感图像进行主观对比，如图5所示。由表2和图5可知，采用本发明中的方法可以对遥感图像中包含的椒盐噪点予以去除，去噪后图像与原始干净图像相似度高，细节保留完整。
另外，将本发明中的方法与经典的去除高斯噪声的方法进行对比，如表3所示，为无人机数据单波段高斯随机噪声图像现有技术去噪定量结果；去除椒盐噪声的结果对比如表4所示；
表3无人机数据单波段高斯随机噪声图像现有技术去噪定量结果
表4无人机数据单波段椒盐噪声图像现有技术去噪定量结果
由表3和表4中的△SNR值和运行时间可知，本发明中SNR高，耗时少，说明本发明的方法噪声抑制效果好且处理速度快，对不同数据和不同噪声类型都有优势，泛化能力强，具有很好的鲁棒性。
Claims (8)
1.一种基于卷积神经网络的遥感图像噪声抑制方法，其特征在于，该抑制方法包括如下步骤：
步骤S1、构建卷积神经网络模型，所述卷积神经网络模型包括：依次相连接的输入层、隐含层和输出层；所述隐含层由以下组成：三个依次相连接的Inception模块，在第三个所述Inception模块后设置有两个相连接的卷积层；各所述Inception模块均包括：并行的第一子模块和第二子模块，以及设置在第一子模块和第二子模块后的一个拼接层；
步骤S2、训练所述步骤S1中的卷积神经网络模型，得训练后的卷积神经网络模型；
步骤S3、将待处理的遥感图像输入训练后的卷积神经网络模型，输出去噪后的遥感图像。
2.根据权利要求1所述的一种基于卷积神经网络的遥感图像噪声抑制方法，其特征在于，所述第一子模块包括两个相连接的单元，每一个单元均包括依次相连接的一个卷积层、一个批量正则化层和一个修正线性单元ReLU；
所述第二子模块包括依次相连接的一个卷积层、一个批量正则化层和一个修正线性单元ReLU。
3.根据权利要求2所述的一种基于卷积神经网络的遥感图像噪声抑制方法，其特征在于，每一个单元中的所述卷积层为卷积核为3×3的卷积层。
4.根据权利要求1、2或3所述的一种基于卷积神经网络的遥感图像噪声抑制方法，其特征在于，在所述步骤S3中，待处理的遥感图像输入第一个Inception模块中的两个子模块中，遥感图像经过两个子模块的处理，分别独立输出，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第一特征图；所述第一特征图输入第二个Inception模块，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第二特征图；所述第二特征图输入第三个Inception模块，输出两个不同的特征图，两个特征图经过拼接层的连接，输出一个总的第三特征图，将第三特征图输入后端的卷积层，依次通过两个卷积层，输出噪声抑制处理后的遥感图像。
5.根据权利要求4所述的一种基于卷积神经网络的遥感图像噪声抑制方法，其特征在于，在所述步骤S2中，选用目标遥感图像总体的10％～20％作为训练集，进行卷积神经网络的训练，训练过程中，采用Adam学习算法对所述卷积神经网络进行优化，最大训练次数不低于300次，学习速率规定为训练前300次时为0.001，训练300次之后为0.0001，记录取得最佳噪声抑制性能时的卷积神经网络的参数，得到训练后的卷积神经网络。
6.根据权利要求5所述的一种基于卷积神经网络的遥感图像噪声抑制方法，其特征在于，将待处理的遥感图像输入训练后的卷积神经网络模型前，对待处理的遥感图像进行预处理，具体为添加模拟噪声。
7.根据权利要求5或6所述的一种基于卷积神经网络的遥感图像噪声抑制方法，其特征在于，待处理的所述遥感图像为灰度图像、RGB图像、多光谱图像、高光谱图像。
8.根据权利要求1、2或3所述的一种基于卷积神经网络的遥感图像噪声抑制方法，其特征在于，将待处理的遥感图像输入训练后的卷积神经网络模型前，对待处理的遥感图像进行预处理，具体为添加模拟噪声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911147527.6A CN111028160A (zh) | 2019-11-21 | 2019-11-21 | 一种基于卷积神经网络的遥感图像噪声抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911147527.6A CN111028160A (zh) | 2019-11-21 | 2019-11-21 | 一种基于卷积神经网络的遥感图像噪声抑制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111028160A true CN111028160A (zh) | 2020-04-17 |
Family
ID=70201795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911147527.6A Pending CN111028160A (zh) | 2019-11-21 | 2019-11-21 | 一种基于卷积神经网络的遥感图像噪声抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111028160A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931738A (zh) * | 2020-09-28 | 2020-11-13 | 南京邮电大学 | 用于遥感影像的神经网络模型预训练方法、装置 |
| CN112964732A (zh) * | 2021-02-04 | 2021-06-15 | 科大智能物联技术有限公司 | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557743A (zh) * | 2016-10-26 | 2017-04-05 | 桂林电子科技大学 | 一种基于fecnn的人脸特征提取系统及方法 |
| CN107341508A (zh) * | 2017-06-22 | 2017-11-10 | 北京飞搜科技有限公司 | 一种快速美食图片识别方法及系统 |
| CN108921162A (zh) * | 2018-06-11 | 2018-11-30 | 厦门中控智慧信息技术有限公司 | 基于深度学习的车牌识别方法及相关产品 |
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN109299733A (zh) * | 2018-09-12 | 2019-02-01 | 江南大学 | 利用紧凑型深度卷积神经网络进行图像识别的方法 |
| CN109559359A (zh) * | 2018-09-27 | 2019-04-02 | 东南大学 | 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法 |
| CN109840509A (zh) * | 2019-02-15 | 2019-06-04 | 北京工业大学 | 网络直播视频中不良主播的多层次协同识别方法及装置 |
| CN109948412A (zh) * | 2018-12-27 | 2019-06-28 | 中南大学 | 基于深度卷积神经网络的违禁物品标识方法 |
| CN110210439A (zh) * | 2019-06-10 | 2019-09-06 | 西北工业大学 | 基于轻量化三维卷积网络的行为识别方法 |
| CN110353693A (zh) * | 2019-07-09 | 2019-10-22 | 中国石油大学(华东) | 一种基于WiFi的手写字母识别方法及系统 |
-
2019
- 2019-11-21 CN CN201911147527.6A patent/CN111028160A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557743A (zh) * | 2016-10-26 | 2017-04-05 | 桂林电子科技大学 | 一种基于fecnn的人脸特征提取系统及方法 |
| CN107341508A (zh) * | 2017-06-22 | 2017-11-10 | 北京飞搜科技有限公司 | 一种快速美食图片识别方法及系统 |
| CN108921162A (zh) * | 2018-06-11 | 2018-11-30 | 厦门中控智慧信息技术有限公司 | 基于深度学习的车牌识别方法及相关产品 |
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN109299733A (zh) * | 2018-09-12 | 2019-02-01 | 江南大学 | 利用紧凑型深度卷积神经网络进行图像识别的方法 |
| CN109559359A (zh) * | 2018-09-27 | 2019-04-02 | 东南大学 | 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法 |
| CN109948412A (zh) * | 2018-12-27 | 2019-06-28 | 中南大学 | 基于深度卷积神经网络的违禁物品标识方法 |
| CN109840509A (zh) * | 2019-02-15 | 2019-06-04 | 北京工业大学 | 网络直播视频中不良主播的多层次协同识别方法及装置 |
| CN110210439A (zh) * | 2019-06-10 | 2019-09-06 | 西北工业大学 | 基于轻量化三维卷积网络的行为识别方法 |
| CN110353693A (zh) * | 2019-07-09 | 2019-10-22 | 中国石油大学(华东) | 一种基于WiFi的手写字母识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 魏江等: "基于卷积神经网络的遥感图像去噪算法", 《微电子学与计算机》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931738A (zh) * | 2020-09-28 | 2020-11-13 | 南京邮电大学 | 用于遥感影像的神经网络模型预训练方法、装置 |
| CN111931738B (zh) * | 2020-09-28 | 2021-01-26 | 南京邮电大学 | 用于遥感影像的神经网络模型预训练方法、装置 |
| CN112964732A (zh) * | 2021-02-04 | 2021-06-15 | 科大智能物联技术有限公司 | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023092813A1 (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
| CN110223242B (zh) | 一种基于时空域残差生成对抗网络的视频湍流移除方法 | |
| CN110163813B (zh) | 一种图像去雨方法、装置、可读存储介质及终端设备 | |
| CN111080567B (zh) | 基于多尺度动态卷积神经网络的遥感图像融合方法及系统 | |
| CN110599409A (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
| 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 | |
| CN112233026A (zh) | 一种基于多尺度残差注意力网络的sar图像去噪方法 | |
| CN112184577B (zh) | 基于多尺度自注意生成对抗网络的单幅图像去雾方法 | |
| Tang et al. | Single image dehazing via lightweight multi-scale networks | |
| CN108764250B (zh) | 一种运用卷积神经网络提取本质图像的方法 | |
| CN112435191B (zh) | 一种基于多个神经网络结构融合的低照度图像增强方法 | |
| CN112686119B (zh) | 基于自注意力生成对抗网络的车牌运动模糊图像处理方法 | |
| CN110136162B (zh) | 无人机视角遥感目标跟踪方法及装置 | |
| CN110648292A (zh) | 一种基于深度卷积网络的高噪声图像去噪方法 | |
| CN110782406B (zh) | 一种基于信息蒸馏网络的图像去噪方法及装置 | |
| CN111028160A (zh) | 一种基于卷积神经网络的遥感图像噪声抑制方法 | |
| CN115205147A (zh) | 一种基于Transformer的多尺度优化低照度图像增强方法 | |
| CN115331104A (zh) | 一种基于卷积神经网络的农作物种植信息提取方法 | |
| CN111008936A (zh) | 一种多光谱图像全色锐化方法 | |
| Hu et al. | Hyperspectral image super resolution based on multiscale feature fusion and aggregation network with 3-D convolution | |
| CN110443296B (zh) | 面向高光谱图像分类的数据自适应激活函数学习方法 | |
| CN112215199A (zh) | 基于多感受野与密集特征聚合网络的sar图像舰船检测方法 | |
| CN113008371B (zh) | 一种深度学习解色散模糊的高光谱成像方法 | |
| CN112906716A (zh) | 基于小波去噪阈值自学习的带噪sar图像目标识别方法 | |
| CN116823913A (zh) | 非视域图像重建方法及计算机可读存储介质、终端设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |
|
| RJ01 | Rejection of invention patent application after publication |