CN111260591B - 一种基于注意力机制的图像自适应去噪方法 - Google Patents
一种基于注意力机制的图像自适应去噪方法 Download PDFInfo
- Publication number
- CN111260591B CN111260591B CN202010171783.5A CN202010171783A CN111260591B CN 111260591 B CN111260591 B CN 111260591B CN 202010171783 A CN202010171783 A CN 202010171783A CN 111260591 B CN111260591 B CN 111260591B
- Authority
- CN
- China
- Prior art keywords
- noise
- image
- network
- mask
- attention mechanism
- 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 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000000969 carrier Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000003709 image segmentation 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
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
- 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
本发明公开了一种基于注意力机制的图像自适应去噪方法，包括构建图像去噪及基于注意力机制的卷积神经网络，该网络主要由两部分组成，分别完成噪声图像提取及噪声图像权重分析。使用自然图像作为网络的输入，其中，噪声图像提取部分完成噪声图像的提取，噪声图像权重分析则是一个attention结构，学习到噪声分布的权重，得到噪声的权重图，最后两部分结合，噪声图像，再结合输入的噪声图像，得到去噪后的图像。基于注意力机制来深度图像卷积神经网络，自适应地提升网络的学习效率。本方法可以对含噪声的图像进行去噪工作，并取得良好的视觉效果。
Description
技术领域
本发明属于图像处理领域，涉及图像去噪的方法，尤其涉及一种基于注意力机制的图像自适应去噪方法。
背景技术
当今社会是一个高速发展的信息社会，信息的载体也是越发丰富，但图像依旧是最为常见也最为重要的信息载体。根据相关统计表明，在人类日常生活中，从外界获取的信息有80％以上来自视觉。图像中一般会包含着大量的信息，而且图像的传播十分方便快捷，这就使得图像成为了十分重要的信息来源，存在于日常生活的各个地方，成为了现今社会的重要数据载体。
图像去噪就是利用各种技术手段对噪声进行滤除工作，以提升图像的质量，使图像可以表达出更多的信息。图像去噪方法的研究具有广泛而深远的意义。图像的去噪工作通常是在更高级的图像处理之前进行的，是图像处理的基础。图像预处理的好坏直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等。所以，图像去噪是非常基础，同时也是非常必要的研究，是近年来的研究热点之一。图像去噪技术在摄像机成像、刑侦破案、医学影像处理、视频监控成像、卫星影像等众多领域发挥着极大的作用。
中国专利文献号CN110120020A，公开(公告)日2019.08.13，公开了一种基于多尺度空洞残差注意力网络的SAR图像去噪方法，该发明利用空洞卷积增大卷积核感受野，添加注意力机制提取与噪声相关特征，结合残差学习策略自动学习SAR图像相干斑噪声的分布形式,以达到去除相干斑噪声的目的。该方法仅关注SAR图像的相干斑噪声，对于其他噪声的作用有限。
发明内容
本发明的目的是提出一种基于注意力机制的图像自适应去噪技术方案，在去噪网络中引入注意力机制，提出了一种新的网络结构，通过对图片不同位置的噪声赋予不同的权重值来提升图像去噪的效果。
为解决上述技术问题，本发明采用如下的技术方案：
一种基于注意力机制的图像自适应去噪方法，其特征在于，包括训练阶段和测试阶段。
所述训练阶段，包括：构造训练数据集，构造基于注意力机制的自适应去噪卷积神经网络，该网络由去噪网络和注意力机制网络两部分组成，并利用训练数据集对网络模型进行训练。
根据训练数据集对网络模型进行训练，实现包括以下步骤：
步骤1：对训练数据集进行预处理操作，采用高斯白噪声模拟真实噪声并加入到原始图像之中，得到与之对应的噪声图像x_noise_img；
步骤2：将噪声图像x_noise_img输入去噪网络之中，得到的输出为噪声分布图像x_noise；
步骤3：从噪声图像x_noise_img中减去噪声分布图x_noise，得到仅使用卷积神经网络去噪结果x_dn；
步骤4：将噪声图像x_noise_img输入注意力机制网络之中，得到的输出为噪声权重图像noise_mask；
步骤5：将步骤2输出的噪声分布图像x_noise和步骤4输出的噪声权重图像noise_mask相结合，得到的输出为噪声残差图像noise；
步骤6：从噪声图像x_noise_img中减去噪声残差图像noise，得到去噪后的干净图像x_mask_dn；
步骤7：根据步骤3得到的x_dn和步骤6得到的x_mask_dn，采用均方误差MSE函数作为损失函数，不断学习噪声图像与干净图像之间的映射关系，调整网络参数，直到网络收敛。
所述测试阶段，包括将测试数据集中的噪声图像输入到训练好的网络模型中，并用所述的输入噪声图像减去网络的输出图像得到清晰的去噪图像，通过峰值信噪比PSNR和主观评价来评判去噪效果。
而且，所述训练阶段的步骤1的实现方式为，选择适当的图像作为训练数据集，图像大小为96×96，采用σ＝25的高斯白噪声模拟真实噪声并加入到原始图像之中，得到与之对应的噪声图像x_noise_img，其中σ是高斯白噪声中的方差。
而且，所述训练阶段的步骤2的实现方式为，包括以下步骤：
步骤2.1：将噪声图像x_noise_img输入一个反卷积层；
步骤2.2：将步骤2.1中得到的输出结果输入一个五层的Dense Block网络；
步骤2.3：将步骤2.2中得到的输出结果输入到一个反卷积层，得到噪声分布图像x_noise。
而且，所述训练阶段的步骤3的实现方式为，从输入的噪声图像x_noise_img中逐像素减去步骤1中得到的噪声分布图x_noise，得到仅用去噪网络去噪后的图像x_dn，即x_dn＝x_noise_img-x_noise。
而且，所述训练阶段的步骤4的实现方式为，包括以下步骤：
步骤4.1：将噪声图像x_noise_img输入一个三层反卷积网络，得到输出结果x_mask1；
步骤4.2：将步骤4.1中得到的输出结果noise_mask1输入到一个三层Dense Block网络，得到的输出结果与步骤4.2的输出结果noise_mask1相结合，得到noise_mask2；
步骤4.3：将步骤4.2中得到的输出结果noise_mask2输入到一个三层反卷积网络，得到noise_mask3；
步骤4.4：将步骤4.3的输出结果noise_mask3经过一个Sigmod函数得到输出结果噪声权重图noise_mask。
而且，所述训练阶段的步骤2.2和步骤4.2的实现方式为，Dense Block网络的每一层，均由3个3×3卷积层跳连接组成，将浅层特征传递给深层卷积层。
而且，所述步骤4.2的实现方式为，对于三层Dense Block网络，将步骤4.1得到的输出结果x_mask1作为输入时，图像大小减小为噪声图像x_noise_img的一半，以加快网络的训练速度。
而且，所述训练阶段步骤5的的实现方式为，将步骤2.3中得到的噪声分布图x_noise和步骤4.4中得到的噪声权重图noise_mask以x_mask*noise_mask+noise_mask的形式相结合，得到输出结果噪声残差图像noise，即noise＝x_mask*noise_mask+noise_mask。
而且，所述训练阶段步骤6的实现方式为，从噪声图像x_noise_img中逐像素减去步骤3中得到的噪声分布图像noise，得到去噪后图像x_mask_dn，即x_mask_dn＝x_noise_img-noise。
而且，所述训练阶段步骤7的实现方式为，对于训练过程，采用均方误差MSE函数作为损失函数，结合步骤3的输出x_dn和步骤6的输出x_mask_dn，不断学习噪声图像与干净图像之间的映射关系，调整网络参数，直到网络收敛，所采用损失函数如下所示：
其中x代表输入的原始图像。
而且，所述测试阶段，实现方式如下：
包括对测试数据集中任一测试图像，以测试图像为输入图片，用已经训练好的网络模型，提取图像的特征；
按照与步骤2.1至步骤2.3相应的方式，得到的输出为噪声分布图x_noise；
按照与步骤4.1至步骤4.4相应的方式，得到的输出为噪声残差图像noise；
按照与步骤6相应的方式，得到去噪后的干净图像；
根据测试图像与去噪后的干净图像，计算得到相应的峰值信噪比作为客观评价依据。
本发明探索了在图像去噪方法中引入注意力机制，使用神经网络与注意力结构相结合的方式，提出了一个新的网络结构，进而提出了一种基于注意力机制的图像自适应去噪方法。本发明应用在图像去噪领域中可以取得很好的效果。
附图说明
图1是本发明的流程原理图。
图2是本发明的实施的训练阶段流程原理图。
图3是本发明的实施的测试阶段流程原理图。
具体实施方式
本发明技术方案可采用软件技术实现自动流程运行。下面结合附图和实施例对本发明技术方案进一步详细说明。
图1是本发明的流程图，本发明实施例提供的一种基于注意力机制的图像自适应去噪方法，分为训练阶段和测试阶段，具体实现如下：
所述训练阶段，包括：构造训练数据集，构造基于注意力机制的自适应去噪卷积神经网络，该网络由去噪网络和注意力机制网络两部分组成，并利用训练数据集对网络模型进行训练。
实施例的具体训练过程参见图2，包括以下步骤：
步骤1：具体实施时，可以预先准备一定数量的图像，构成训练数据集，对训练数据集进行预处理操作，图片大小为96×96，采用σ＝25的高斯白噪声模拟真实噪声并加入到原始图像之中，得到与之对应的噪声图像x_noise_img。
步骤2：将噪声图像x_noise_img输入去噪网络之中，得到的输出为噪声分布图x_noise；
在步骤2的实现中，包括以下步骤：
步骤2.1：将噪声图像x_noise_img输入一个反卷积层；
步骤2.2：将步骤2.1中得到的输出结果输入一个五层的Dense Block网络，每一层的Dense Block网络，均由3个3×3卷积层跳连接组成，将浅层特征传递给深层卷积层，以优化和加速训练；
步骤2.3：将步骤2.2中得到的输出结果输入到一个反卷积层，得到噪声分布图像x_noise。
步骤3：从噪声图像x_noise_img中减去噪声分布图x_noise，得到使用去噪网络去噪的结果x_dn，即x_dn_dn＝x_noise_img-x_noise。
步骤4：将噪声图像x_noise_img输入注意力机制网络之中，得到的输出为噪声权重图noise_mask；
在步骤4的实现中，包括以下步骤：
步骤4.1：将噪声图像x_noise_img输入一个三层反卷积网络，得到输出结果x_mask1；
步骤4.2：将步骤4.1中得到的输出结果noise_mask1输入到一个三层Dense Block网络，得到的输出结果与步骤4.2的输出结果noise_mask1相结合，得到noise_mask2，每一层的Dense Block网络，均由3个3×3卷积层跳连接组成，将浅层特征传递给深层卷积层，以优化和加速训练；
步骤4.3：将步骤4.2中得到的输出结果noise_mask2输入到一个三层反卷积网络，得到noise_mask3；
步骤4.4：将步骤4.3的输出结果noise_mask3经过一个Sigmod函数得到输出结果噪声权重图noise_mask。
步骤5：将步骤2.3中得到的噪声分布图x_noise和步骤4.4中得到的噪声权重图noise_mask以x_mask*noise_mask+noise_mask的形式相结合，得到输出结果噪声残差图像noise，即noise＝x_mask*noise_mask+noise_mask。
步骤6：从噪声图像x_noise_img中减去噪声分布图像noise，得到去噪后的干净图像x_mask_dn，即x_mask_dn＝x_noise_img-noise。
步骤7：对于训练过程，采用均方误差MSE函数作为损失函数，结合步骤3的输出x_dn和步骤6的输出x_mask_dn，不断学习噪声图像与干净图像之间的映射关系，调整网络参数，直到网络收敛，所采用损失函数如下所示：
其中x代表输入的原始图像。
实施的测试阶段包括以下步骤：
包括对测试数据集中任一测试图像，以测试图像为输入图片，用已经训练好的网络模型，提取图像的特征；
按照与步骤2.1至步骤2.3相应的方式，得到的输出为噪声分布图x_noise；
按照与步骤4.1至步骤4.4相应的方式，得到的输出为噪声权重图noise_mask；
按照与步骤6相应的方式，得到去噪后的干净图像；
根据测试图像与去噪后的干净图像x_mask_dn，计算得到相应的峰值信噪比PSNR作为客观评价依据。
首先，采用kaggle数据集对模型进行训练，后用测试集进行测试，实验结果如下：
| Methods | BM3D | WNNM | DnCnn | Ours |
| σ＝25 | 28.57 | 28.83 | 29.23 | 29.26 |
由此可以看出，本发明得到的峰值信噪比PSNR最大，去噪效果最好。
具体实施时，以上过程可采用计算机软件技术实现自动运行，具体实现与方法步骤一致，本发明不予赘述。
本文中所描述的具体实施例仅是对本发明精神做举例说明。本发明技术领域的技术人员可以对所描述的具体实施例做各样的修改补充或者采用类似的方式替代，但并不会偏离本发明精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于注意力机制的图像自适应去噪方法，其特征在于，包括训练阶段和测试阶段；
所述训练阶段，包括：构造训练数据集，构造基于注意力机制的自适应去噪卷积神经网络模型，该网络模型由去噪网络和注意力机制网络两部分组成，并利用训练数据集对网络模型进行训练；
根据训练数据集对网络模型进行训练，所述网络模型基于注意力机制的自适应去噪卷积神经网络，即包括以下步骤：
步骤1，对训练数据集进行预处理操作，采用高斯白噪声模拟真实噪声并加入到原始图像之中，得到与之对应的噪声图像x_noise_img；
步骤2，将噪声图像x_noise_img输入到去噪网络中，得到的输出为噪声分布图像x_noise；
步骤3，从噪声图像x_noise_img中减去噪声分布图x_noise，得到使用去噪网络去噪的结果x_dn；
步骤4，将噪声图像x_noise_img输入到注意力机制网络中，得到的输出为噪声权重图像noise_mask；
步骤5，将步骤2输出的噪声分布图像x_noise和步骤4输出的噪声权重图像noise_mask相结合，得到的输出为噪声残差图像noise；
步骤6，从噪声图像x_noise_img中减去噪声残差图像noise，得到去噪后的干净图像x_mask_dn；
步骤7，根据步骤3得到的x_dn和步骤6得到的x_mask_dn，采用均方误差MSE函数作为损失函数，不断学习噪声图像与干净图像之间的映射关系，调整网络模型参数，直到网络收敛；
所述测试阶段，包括将测试数据集中的噪声图像输入到训练好的网络模型中，并用噪声图像减去网络模型的输出图像得到清晰的去噪图像。
2.根据权利要求1所述的一种基于注意力机制的图像自适应去噪方法，其特征在于：步骤1的具体实现是，
选择图像大小为96×96的清晰图像作为训练数据集，采用σ=25的高斯白噪声模拟真实噪声并加入到原始图像之中，得到与之对应的噪声图像x_noise_img，其中σ是高斯白噪声中的方差。
3.根据权利要求1所述的一种基于注意力机制的图像自适应去噪方法，其特征在于：步骤2的具体实现是，
步骤2.1，将噪声图像x_noise_img输入一个反卷积层；
步骤2.2，将步骤2.1中得到的输出结果输入一个五层的Dense Block网络；
步骤2.3，将步骤2.2中得到的输出结果输入到一个反卷积层，得到噪声分布图像x_noise。
4.根据权利要求1所述的一种基于注意力机制的图像自适应去噪方法，其特征在于：步骤3的具体实现是，
从输入的噪声图像x_noise_img中逐像素减去步骤1中得到的噪声分布图x_noise，得到仅用去噪网络去噪后的图像x_dn，即x_dn=x_noise_img-x_noise。
5.根据权利要求3所述的一种基于注意力机制的图像自适应去噪方法，其特征在于：步骤4的具体实现是，
步骤4.1，将噪声图像x_noise_img输入一个三层反卷积网络，得到输出结果x_mask1；
步骤4.2，将步骤4.1中得到的输出结果noise_mask1输入到一个三层Dense Block网络，得到的输出结果与步骤4.2的输出结果noise_mask1相结合，得到noise_mask2；
步骤4.3，将步骤4.2中得到的输出结果noise_mask2输入到一个三层反卷积网络，得到noise_mask3；
步骤4.4，将步骤4.3的输出结果noise_mask3经过一个Sigmod函数得到输出结果，噪声权重图noise_mask。
6.根据权利要求5所述的一种基于注意力机制的图像自适应去噪方法，其特征在于：步骤2.2和步骤4.2中所述Dense Block网络的每一层，均由3个3×3卷积层跳连接组成，将浅层特征传递给深层卷积层。
7.根据权利要求5所述的一种基于注意力机制的图像自适应去噪方法，其特征在于：步骤4.2中的三层Dense Block网络中，将步骤4.1得到的输出结果x_mask1作为输入时，图像大小减小为噪声图像x_noise_img的一半，以加快网络的训练速度。
8.根据权利要求5所述的一种基于注意力机制的图像自适应去噪方法，其特征在于：步骤5的具体实现是，将步骤2.3中得到的噪声分布图x_noise和步骤4.4中得到的噪声权重图noise_mask以x_mask*noise_mask+noise_mask的形式相结合，得到输出结果，噪声残差图像noise，即noise=x_mask*noise_mask+noise_mask。
9.根据权利要求1所述的一种基于注意力机制的图像自适应去噪方法，其特征在于：步骤6的具体实现是，
从噪声图像x_noise_img中逐像素减去步骤3中得到的噪声残差图像noise，得到去噪后的干净图像x_mask_dn，即x_mask_dn=x_noise_img-noise。
10.根据权利要求1所述的一种基于注意力机制的图像自适应去噪方法，其特征在于：步骤7中所采用的损失函数如下所示：
其中x代表输入的原始图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171783.5A CN111260591B (zh) | 2020-03-12 | 2020-03-12 | 一种基于注意力机制的图像自适应去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171783.5A CN111260591B (zh) | 2020-03-12 | 2020-03-12 | 一种基于注意力机制的图像自适应去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111260591A CN111260591A (zh) | 2020-06-09 |
| CN111260591B true CN111260591B (zh) | 2022-04-26 |
Family
ID=70949831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010171783.5A Active CN111260591B (zh) | 2020-03-12 | 2020-03-12 | 一种基于注意力机制的图像自适应去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111260591B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112233026A (zh) * | 2020-09-29 | 2021-01-15 | 南京理工大学 | 一种基于多尺度残差注意力网络的sar图像去噪方法 |
| CN112862700B (zh) * | 2021-01-16 | 2023-10-27 | 西北工业大学 | 一种基于噪声注意力的高光谱遥感图像盲去噪方法 |
| CN113066023B (zh) * | 2021-03-19 | 2022-12-13 | 哈尔滨工程大学 | 一种基于自校准卷积神经网络的sar图像去斑方法 |
| CN113744156B (zh) * | 2021-09-06 | 2022-08-19 | 中南大学 | 一种基于可变形卷积神经网络的图像去噪方法 |
| CN114663307B (zh) * | 2022-03-22 | 2023-07-04 | 哈尔滨工业大学 | 基于不确定性网络的集成图像去噪系统 |
| CN114818838B (zh) * | 2022-06-30 | 2022-09-13 | 中国科学院国家空间科学中心 | 基于像元时域分布学习的低信噪比运动点目标检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574298A (zh) * | 2014-12-25 | 2015-04-29 | 天津大学 | 一种基于互信息的多b值扩散权重图像的降噪方法 |
| CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
| CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10140249B2 (en) * | 2015-06-05 | 2018-11-27 | North Carolina State University | Approximate message passing with universal denoising |
-
2020
- 2020-03-12 CN CN202010171783.5A patent/CN111260591B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574298A (zh) * | 2014-12-25 | 2015-04-29 | 天津大学 | 一种基于互信息的多b值扩散权重图像的降噪方法 |
| CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
| CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| ATTENTION MECHANISM ENHANCED KERNEL PREDICTION NETWORKS FOR DENOISING OF BURST IMAGES;Bin Zhang 等;《https://arxiv.org/pdf/1910.08313.pdf》;20200129;全文 * |
| 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》;20170315(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111260591A (zh) | 2020-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111260591B (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
| CN110599409B (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 | |
| CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
| CN109410127B (zh) | 一种基于深度学习与多尺度图像增强的图像去噪方法 | |
| CN111028163A (zh) | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 | |
| CN109377459B (zh) | 一种生成式对抗网络的超分辨率去模糊方法 | |
| CN112270654A (zh) | 基于多通道gan的图像去噪方法 | |
| CN111340716A (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
| CN113052814B (zh) | 基于Retinex和注意力机制的暗光图像增强方法 | |
| CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
| CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
| CN113450290A (zh) | 基于图像修补技术的低照度图像增强方法及系统 | |
| CN111178121B (zh) | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 | |
| CN112651917A (zh) | 一种基于生成对抗网络的空间卫星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 | |
| CN115170410A (zh) | 融合小波变换和注意力机制的图像增强方法及装置 | |
| CN115457249A (zh) | 红外图像与可见光图像融合匹配的方法及系统 | |
| Huang et al. | Underwater image enhancement based on color restoration and dual image wavelet fusion | |
| CN117392036A (zh) | 基于照明幅度的低光图像增强方法 | |
| 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 | |
| CN116664446A (zh) | 基于残差密集块的轻量级暗光图像增强方法 | |
| CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
| CN115760640A (zh) | 基于含噪Retinex模型的煤矿低光照图像增强方法 | |
| CN113256528B (zh) | 基于多尺度级联深度残差网络的低照度视频增强方法 | |
| CN113012067B (zh) | 基于Retinex理论和端到端深度网络的水下图像复原方法 |
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 |