CN111080541B - 基于比特分层和注意力融合机制的彩色图像去噪方法 - Google Patents
基于比特分层和注意力融合机制的彩色图像去噪方法 Download PDFInfo
- Publication number
- CN111080541B CN111080541B CN201911242929.4A CN201911242929A CN111080541B CN 111080541 B CN111080541 B CN 111080541B CN 201911242929 A CN201911242929 A CN 201911242929A CN 111080541 B CN111080541 B CN 111080541B
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- color image
- bit
- convolutional
- 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 33
- 230000007246 mechanism Effects 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research 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
- G06T2207/20—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)
Abstract
本发明涉及一种基于比特分层和注意力融合机制的彩色图像去噪方法，包括：步骤1、将带有噪声的彩色图像进行比特分层，分成24通道；步骤2、将进行比特分层后的图像输入噪声估计网络，并且在网络每一层加入通道注意力模块，获取含噪彩色图像的噪声估计；步骤3、将进行噪声估计和比特分层后图像进行拼接，输入编码网络，并且在网络每一层中加入通道注意力模块，为不同通道的特征赋予不同权重值；步骤4、将编码网络的输出再输入解码网络，并且网络中每一层的输出加上空间注意力模块和解码网络的对应层进行拼接，再进行卷积和反卷积操作；步骤5，将解码网络输出送入卷积层，最终输出为去噪后的干净图像。
Description
技术领域
本发明涉及计算机视觉图像技术领域，尤其是涉及一种基于比特分层和注意力融合机制的彩色图像去噪方法。
背景技术
图像是日常生活中不可或缺的信息载体，在人们获取、存储和传递信息的过程中起着重要作用。随着数字多媒体技术的不断发展，计算机图像在医学成像、模式识别、目标检测中得到了广泛的应用。但是图像在采集、传输、存储的过程中，不可避免会受到各类噪声的干扰。图像噪声是指存在于图像数据中的不必要或冗余的干扰信息，人们将各种影响人们接收图像信息的冗余信号称为噪声信号。图像噪声使图像模糊，有时甚至掩盖图像特征，同时给图像视觉效果和后续数据分析工作带来不利影响。因此，如何高效地对真实图像进行去噪，进而提高图像的质量，是计算机视觉领域的一个重要的研究课题。
图像去噪技术是指去除图像在获取过程中引入的噪声，从而得到原始清晰图像的技术。图像去噪作为重要的低层次计算机视觉任务，为使计算机能够更好地观察、分析、处理图片提供重要的技术支持，在医学影像、卫星成像、监控系统等很多领域都具有非常重要的应用价值。
传统图像去噪算法包括PCA降噪，DCT降，BM3D降噪等等，其中BM3D是目前效果较好的传统去噪方法，它通过搜索相似块并在变换域进行滤波，得到块评估值，最后对图像中每个点进行加权得到最终干净图像。这些传统算法共同的缺点是在使用阶段涉及复杂的优化步骤，因此时间代价较高。随着“端到端”的神经网络算法不断发展进步，卷积神经网络在计算机视觉领域发挥了强大的作用，不少人也将卷积神经网络拓展至图像去噪领域。人们陆续提出了使用深度神经网络模型进行图像去噪的方法，比如深度去噪卷积神经网络(DnCNN)，极深残差编解码网络(REDNet)，真实图片的卷积盲去噪网络(CBDNet)等等，神经网络强大的学习能力和端到端的简洁性极大的提高了图像去噪的效果，降低了时间消耗。但是上述的深度学习方法没有考虑到：图像中高低频信息存储数据的差异性以及图像中噪声的数值大小对去噪效果带来的影响，因此上述基于深度学习的方法在图像去噪上取得了较为受限的效果。
发明内容
有鉴于此，有必要针对上述的问题，提供一种基于比特分层和注意力融合机制的彩色图像去噪方法，相比于传统技术，可以降低时间消耗，并提升去噪效果。
一种基于比特分层和注意力融合机制的彩色图像去噪方法，包括：
步骤1、将带有噪声的彩色图像进行比特分层，分成24通道；
步骤2、将进行比特分层后的图像输入噪声估计网络，并且在网络每一层加入通道注意力模块，获取含噪彩色图像的噪声估计；
步骤3、将进行噪声估计和比特分层后图像进行拼接，输入编码网络，并且在网络每一层中加入通道注意力模块，为不同通道的特征赋予不同权重值；
步骤4、将编码网络的输出再输入解码网络，并且网络中每一层的输出加上空间注意力模块和解码网络的对应层进行拼接，再进行卷积和反卷积操作；
步骤5，将解码网络输出送入卷积层，最终输出为去噪后的干净图像。
所述步骤1中，具体包括：
将彩色图像中0-255范围R、G、B彩色值分别转换为8位二进制数，将转换后具有相同比特位的二进制数值放入一个通道，由此共获得24通道图像。
所述噪声估计网络包括5个卷积层，前4个卷积层的卷积核尺寸为3×3×64，第5个卷积层的卷积核尺寸为3×3×8。
所述噪声估计网络中加入的通道注意力模块包括一个全局池化层、两个全连接层和一个ReLU激活函数，全局池化层将H×W×C的输入特征转换为1×1×C的特征，再送入两个全连接层，得到每个特征通道C的权重信息。
步骤3中，所述编码网络包括4层卷积层，其卷积核大小分别是：3×3×64，3×3×256，3×3×512，3×3×1024。
所述编码网络中每个卷积层后加入的通道注意力模块与噪声估计网络中加入的通道注意力模块相同。
所述空间注意力模块，首先在通道C维度上使用最大池化和平均池化得到两个H×W×1的特征图，将这两个特征图在C维度拼接，再进行卷积操作得到每个特征空间点的权重信息。
所述解码网络中包括4层卷积层，卷积核大小分别为：3×3×1024，3×3×512，3×3×256，3×3×64。
所述解码网络中包括4层反卷积层，卷积核大小均是2×2。
步骤5中的卷积层为两层，卷积核大小为：3×3×8，3×3×3。
本发明的优点和积极效果是：
1、本发明首次将比特分层技术应用到深度学习领域，比特分层将图像分为24个通道，将图像高低频信息分开，高阶比特通道层代表的数值较大，包含图像在视觉重要的大多数数据，低阶比特通道层代表的数值较小，包含图像精细细节。并且由于图像噪声多为较小数值，结合通道注意力机制，可以赋予噪声图像高低频特征以不同的权重。而且特定场景下获得的数据集RGB分量所占比重可能不同，例如红外图像中红色分量所占比例较大，应用通道注意力机制可以赋予RGB不同通道以不同的特征权重，使神经网络更好地学习噪声分布。另外噪声数据集可能会出现由于相机硬件带来的空间特定区域出现坏点等问题，本发明将编码网络每一层输出加入空间注意力模块，使网络可以通过学习得到图像不同空间位置的特征图的权重信息，从而很好地去除图像中噪声。本发明使用的unet结构中下采样结构增加对输入图像的一些小扰动的鲁棒性，比如图像平移，旋转等，减少过拟合的风险，降低运算量，使网络获取不同感受野，升采样可以把抽象的特征再还原解码到原图的尺寸。本发明提出的一种结合通道注意力和空间注意力的新型unet网络结构，通过在unet特定卷积层加入通道注意力模块和空间注意力模块，实现了两种注意力的结合，提高网络在不同数据集下的泛化能力，并且相对于以往注意力模块有更少的参数。本发明设计合理，首次实现比特分层基础技术以及注意力模型的结合，在现有网络上进行优化，获得了很好的图像去噪结果。
2、本发明设计合理，考虑了图像噪声的数值较小，以及图像的比特分层技术可以将图像高低频信息分开，高阶比特通道层和低阶比特通道层存储图像的不同信息，结合通道注意力和空间注意力机制，使去噪网络可以输出清晰图像，并且使用L2范数损失函数，即最小平方误差损失函数来训练去噪网络，使损失收敛到稳定值即可。在测试时将噪声图片送入训练好的网络即可得到干净图片。
附图说明
图1是本发明一个实施例中采用的神经网络框架示意图；
图2是本发明实施例中的噪声估计模块示意图；
图3是本发明实施例中的通道注意力机制的框架图；
图4是本发明实施例中的空间注意力机制的框架图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种基于比特分层和注意力融合机制的彩色图像去噪方法，包括：
步骤1、将带有噪声的彩色图像进行比特分层，分成24通道；
步骤2、将进行比特分层后的图像输入噪声估计网络，并且在网络每一层加入通道注意力模块，获取噪彩色图像的噪声估计；
步骤3、将进行噪声估计和比特分层后图像进行拼接，输入编码网络，并且在网络每一层中加入通道注意力模块，为不同通道的特征赋予不同权重值；
步骤4、将编码网络的输出再输入解码网络，并且网络中每一层的输出加上空间注意力模块和解码网络的对应层进行拼接，再进行卷积和反卷积操作；
步骤5，将解码网络输出送入卷积层，最终输出为去噪后的干净图像。
参见图1至图4，结合一个具体的实施例对本发明进一步详细说明：
一种基于比特分层和注意力融合的彩色图像去噪方法，如图1至图3所示，包括以下步骤：
步骤S1、在第一阶段，将带有噪声的RGB格式的彩色图片进行比特分层，R、G、B通道分别分成8个通道，最终得到24个通道的图像。
步骤S2、将进行比特分层后的图片送入噪声估计网络，并且在网络每一层加入通道注意力模块，获得噪声图像的噪声估计。
步骤S2的具体实现方法如下：
步骤S2.1、噪声估计网络包括5个卷积层，并且前4个卷积层的卷积核尺寸为3×3×64，第5个卷积层的卷积核尺寸为3×3×8。
步骤S2.2、噪声估计网络中卷积层加入的通道注意力模块包括一个全局池化层、两个全连接层和一个ReLU激活函数，全局池化层将H×W×C的输入特征转换为1×1×C的特征，再送入两个全连接层，得到每个特征通道C的权重信息，与输入特征的对应通道相乘，即为不同的特征通道赋予了不同的权重。
步骤S3、将噪声估计和比特分层后噪声图像在通道C维度进行拼接，送入由4层卷积层构成的编码网络，并且在每一层加入通道注意力模块，为不同通道的特征赋予不同权重值。
步骤S3的具体实现方法如下：
步骤S3.1、编码网络中的四层卷积层卷积核大小分别为：3×3×64，3×3×256，3×3×512，3×3×1024。
步骤S3.2、编码网络中的每个卷积层后加入的通道注意力模块和步骤2中通道注意力模块相同。
步骤S4、将编码网络的输出送入解码网络，其中编码网络每一层的输出加上空间注意力模块后和解码网络的对应层进行拼接，再进行卷积与反卷积操作。
步骤S4的具体实现方法如下：
步骤S4.1编码网络每一层输出所加的空间注意力模块实现方法为：首先在通道C维度上使用最大池化和平均池化得到两个不同的特征图(大小均为H×W×1)，然后将这两个特征图在C维度拼接，再进行卷积操作得到每个特征空间点的权重信息，与输入特征相乘，即为不同的特征空间赋予了不同的权重。
步骤S4.2解码网络包括四层卷积层，卷积核大小分别为：3×3×1024，3×3×512，3×3×256，3×3×64。
步骤S4.3解码网络中包括四层反卷积层，目的是恢复特征图尺寸，卷积核大小均是2×2。
步骤S5、将解码网络输出送入两个卷积层，最终输出即为去噪后的干净图片。其中两个卷积层卷积核大小分别为：3×3×8，3×3×3。
通过以上步骤即可得到去噪后的图像。
本发明的优点和积极效果是：
1、本发明首次将比特分层技术应用到深度学习领域，比特分层将图像分为24个通道，将图像高低频信息分开，高阶比特通道层代表的数值较大，包含图像在视觉重要的大多数数据，低阶比特通道层代表的数值较小，包含图像精细细节。并且由于图像噪声多为较小数值，结合通道注意力机制，可以赋予噪声图像高低频特征以不同的权重。而且特定场景下获得的数据集RGB分量所占比重可能不同，例如红外图像中红色分量所占比例较大，应用通道注意力机制可以赋予RGB不同通道以不同的特征权重，使神经网络更好地学习噪声分布。另外噪声数据集可能会出现由于相机硬件带来的空间特定区域出现坏点等问题，本发明将编码网络每一层输出加入空间注意力模块，使网络可以通过学习得到图像不同空间位置的特征图的权重信息，从而很好地去除图像中噪声。本发明使用的unet结构中下采样结构增加对输入图像的一些小扰动的鲁棒性，比如图像平移，旋转等，减少过拟合的风险，降低运算量，使网络获取不同感受野，升采样可以把抽象的特征再还原解码到原图的尺寸。本发明提出的一种结合通道注意力和空间注意力的新型unet网络结构，通过在unet特定卷积层加入通道注意力模块和空间注意力模块，实现了两种注意力的结合，提高网络在不同数据集下的泛化能力，并且相对于以往注意力模块有更少的参数。本发明设计合理，首次实现比特分层基础技术以及注意力模型的结合，在现有网络上进行优化，获得了很好的图像去噪结果。
2、本发明设计合理，考虑了图像噪声的数值较小，以及图像的比特分层技术可以将图像高低频信息分开，高阶比特通道层和低阶比特通道层存储图像的不同信息，结合通道注意力和空间注意力机制，使去噪网络可以输出清晰图像，并且使用L2范数损失函数，即最小平方误差损失函数来训练去噪网络，使损失收敛到稳定值即可。在测试时将噪声图片送入训练好的网络即可得到干净图片。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于比特分层和注意力融合机制的彩色图像去噪方法，其特征在于，包括：
步骤1、将带有噪声的彩色图像进行比特分层，分成若干通道；具体包括：
将彩色图像中0-255范围R、G、B彩色值分别转换为8位二进制数，将转换后具有相同比特位的二进制数值放入一个通道，由此共获得24通道图像；
步骤2、将进行比特分层后的图像输入噪声估计网络，并且在网络每一层加入通道注意力模块，获取含噪彩色图像的噪声估计；
步骤3、将进行噪声估计和比特分层后图像进行拼接，输入编码网络，并且在网络每一层中加入通道注意力模块，为不同通道的特征赋予不同权重值；
步骤4、将编码网络每一层的输出再输入解码网络，并且网络中每一层的输出加上空间注意力模块和解码网络的对应层进行拼接，再进行卷积和反卷积操作；
步骤5，将解码网络输出送入卷积层，最终输出为去噪后的干净图像。
2.根据权利要求1所述的基于比特分层和注意力融合机制的彩色图像去噪方法，其特征在于，所述噪声估计网络包括5个卷积层，前4个卷积层的卷积核尺寸为3×3×64，第5个卷积层的卷积核尺寸为3×3×8。
3.根据权利要求1所述的基于比特分层和注意力融合机制的彩色图像去噪方法，其特征在于，所述噪声估计网络中加入的通道注意力模块包括一个全局池化层、两个全连接层和一个ReLU激活函数，全局池化层将H×W×C的输入特征转换为1×1×C的特征，再送入两个全连接层，得到每个特征通道C的权重信息。
4.根据权利要求3所述的基于比特分层和注意力融合机制的彩色图像去噪方法，其特征在于，步骤3中，所述编码网络包括4层卷积层，其卷积核大小分别是：3×3×64，3×3×256，3×3×512，3×3×1024。
5.根据权利要求4所述的基于比特分层和注意力融合机制的彩色图像去噪方法，其特征在于，所述编码网络中每个卷积层后加入的通道注意力模块与噪声估计网络中加入的通道注意力模块相同。
6.根据权利要求5所述的基于比特分层和注意力融合机制的彩色图像去噪方法，其特征在于：所述空间注意力模块，首先在通道C维度上使用最大池化和平均池化得到两个H×W×1的特征图，将这两个特征图在C维度拼接，再进行卷积操作得到每个特征空间点的权重信息。
7.根据权利要求6所述的基于比特分层和注意力融合机制的彩色图像去噪方法，其特征在于，所述解码网络中包括4层卷积层，卷积核大小分别为：3×3×1024，3×3×512，3×3×256，3×3×64。
8.根据权利要求7所述的基于比特分层和注意力融合机制的彩色图像去噪方法，其特征在于，所述解码网络中包括4层反卷积层，卷积核大小均是2×2。
9.根据权利要求8所述的基于比特分层和注意力融合机制的彩色图像去噪方法，其特征在于，步骤5中的卷积层为两层，卷积核大小为：3×3×8，3×3×3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911242929.4A CN111080541B (zh) | 2019-12-06 | 2019-12-06 | 基于比特分层和注意力融合机制的彩色图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911242929.4A CN111080541B (zh) | 2019-12-06 | 2019-12-06 | 基于比特分层和注意力融合机制的彩色图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080541A CN111080541A (zh) | 2020-04-28 |
| CN111080541B true CN111080541B (zh) | 2020-10-30 |
Family
ID=70313117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911242929.4A Active CN111080541B (zh) | 2019-12-06 | 2019-12-06 | 基于比特分层和注意力融合机制的彩色图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080541B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738956B (zh) * | 2020-06-24 | 2021-06-01 | 哈尔滨工业大学 | 一种基于特征调制的图像去噪系统 |
| CN111814711B (zh) * | 2020-07-15 | 2023-08-08 | 中国矿业大学 | 一种应用于矿井机器视觉的图像特征快速匹配方法及系统 |
| CN112363216A (zh) * | 2020-08-19 | 2021-02-12 | 中国石油大学(华东) | 基于注意力机制的地震数据去噪方法 |
| CN112233038B (zh) * | 2020-10-23 | 2021-06-01 | 广东启迪图卫科技股份有限公司 | 基于多尺度融合及边缘增强的真实图像去噪方法 |
| CN112967195B (zh) * | 2021-03-04 | 2024-04-23 | 浙江大华技术股份有限公司 | 一种图像去噪方法、设备及计算机可读存储介质 |
| CN112966611A (zh) * | 2021-03-09 | 2021-06-15 | 中国科学技术大学 | 一种dwt注意机制的能量迹噪声自适应方法 |
| CN113066033B (zh) * | 2021-04-19 | 2023-11-17 | 智领高新科技发展(北京)有限公司 | 一种彩色图像的多阶段去噪系统及方法 |
| CN113421299B (zh) * | 2021-06-25 | 2024-03-29 | 南京云创大数据科技股份有限公司 | 一种基于水位计和摄像机的水深测定系统和方法 |
| CN113643202B (zh) * | 2021-07-29 | 2024-07-12 | 南京景曜智能科技有限公司 | 一种基于噪声注意力图指导的微光图像增强方法 |
| CN114663310A (zh) * | 2022-03-24 | 2022-06-24 | 重庆邮电大学 | 一种基于多注意力融合的超声图像去噪方法 |
| CN116468619B (zh) * | 2023-03-01 | 2024-02-06 | 山东省人工智能研究院 | 一种基于多特征反馈融合的医学影像去噪方法 |
| CN116385316B (zh) * | 2023-06-01 | 2023-08-08 | 深圳市嘉润原新显科技有限公司 | 多目标图像动态捕捉方法及相关装置 |
| CN117726823A (zh) * | 2023-11-22 | 2024-03-19 | 西安工业大学 | 一种单幅干涉条纹归一化方法及装置 |
| CN117611484B (zh) * | 2024-01-19 | 2024-04-02 | 武汉大学 | 一种基于去噪自解码网络的图像去噪方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447008A (zh) * | 2018-11-02 | 2019-03-08 | 中山大学 | 基于注意力机制和可变形卷积神经网络的人群分析方法 |
| CN109977961A (zh) * | 2019-03-04 | 2019-07-05 | 清华大学 | 基于分层注意力机制的二值特征学习方法及系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416752B (zh) * | 2018-03-12 | 2021-09-07 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
| KR20190113119A (ko) * | 2018-03-27 | 2019-10-08 | 삼성전자주식회사 | 합성곱 신경망을 위한 주의집중 값 계산 방법 |
| CN108664632B (zh) * | 2018-05-15 | 2021-09-21 | 华南理工大学 | 一种基于卷积神经网络和注意力机制的文本情感分类算法 |
| CN108765296B (zh) * | 2018-06-12 | 2022-04-12 | 桂林电子科技大学 | 一种基于递归残差注意力网络的图像超分辨率重建方法 |
| KR102013777B1 (ko) * | 2018-12-12 | 2019-10-21 | 한국과학기술정보연구원 | 동영상 왜곡 복원 방법 및 이를 적용한 장치 |
| CN109685831B (zh) * | 2018-12-20 | 2020-08-25 | 山东大学 | 基于残差分层注意力和相关性滤波器的目标跟踪方法及系统 |
| CN109871905A (zh) * | 2019-03-14 | 2019-06-11 | 同济大学 | 一种基于注意力机制深度模型的植物叶片识别方法 |
| CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
| CN110222821B (zh) * | 2019-05-30 | 2022-03-25 | 浙江大学 | 基于权重分布的卷积神经网络低位宽量化方法 |
-
2019
- 2019-12-06 CN CN201911242929.4A patent/CN111080541B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447008A (zh) * | 2018-11-02 | 2019-03-08 | 中山大学 | 基于注意力机制和可变形卷积神经网络的人群分析方法 |
| CN109977961A (zh) * | 2019-03-04 | 2019-07-05 | 清华大学 | 基于分层注意力机制的二值特征学习方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080541A (zh) | 2020-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080541B (zh) | 基于比特分层和注意力融合机制的彩色图像去噪方法 | |
| CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
| Dong et al. | Deep spatial–spectral representation learning for hyperspectral image denoising | |
| WO2023092813A1 (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
| Zhang et al. | Image restoration: From sparse and low-rank priors to deep priors [lecture notes] | |
| CN105096280B (zh) | 处理图像噪声的方法及装置 | |
| CN110766632A (zh) | 基于通道注意力机制和特征金字塔的图像去噪方法 | |
| CN111127336A (zh) | 一种基于自适应选择模块的图像信号处理方法 | |
| Shi et al. | Low-light image enhancement algorithm based on retinex and generative adversarial network | |
| WO2019186407A1 (en) | Systems and methods for generative ensemble networks | |
| CN116152120B (zh) | 一种融合高低频特征信息的低光图像增强方法及装置 | |
| CN114723630B (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
| CN112614061A (zh) | 基于双路编解码器的低照度图像亮度增强及超分辨率方法 | |
| CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
| Lyu et al. | An efficient learning-based method for underwater image enhancement | |
| CN116757955A (zh) | 一种基于全维动态卷积多融合对比网络 | |
| CN113066033A (zh) | 一种彩色图像的多阶段去噪系统及方法 | |
| CN114359073A (zh) | 一种低光照图像增强方法、系统、装置及介质 | |
| Zhou et al. | Sparse representation with enhanced nonlocal self-similarity for image denoising | |
| CN114565539A (zh) | 一种基于线上知识蒸馏的图像去雾方法 | |
| 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 | |
| CN117078574A (zh) | 一种图像去雨方法及装置 | |
| Ding et al. | Learning-based underwater image enhancement: An efficient two-stream approach | |
| Ji et al. | A deep retinex network for underwater low-light image enhancement | |
| CN111754412A (zh) | 构建数据对的方法、装置及终端设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240206 Address after: Building 1, Shuimu Yifang Building, No. 286 Nanguang Road, Dawangshan Community, Nantou Street, Nanshan District, Shenzhen City, Guangdong Province, 518000, 2207 Patentee after: Qidi Yuanjing (Shenzhen) Technology Co.,Ltd. Country or region after: China Address before: Unit 416, innovation building, Panyu energy saving science and Technology Park, 555 Panyu Avenue North, Panyu District, Guangzhou, Guangdong 510000 Patentee before: GUANGDONG QIDI TUWEI TECHNOLOGY CO.,LTD. Country or region before: China |