CN111798531B - 一种应用于植株监测的图像深度卷积压缩感知重构方法 - Google Patents
一种应用于植株监测的图像深度卷积压缩感知重构方法 Download PDFInfo
- Publication number
- CN111798531B CN111798531B CN202010648858.4A CN202010648858A CN111798531B CN 111798531 B CN111798531 B CN 111798531B CN 202010648858 A CN202010648858 A CN 202010648858A CN 111798531 B CN111798531 B CN 111798531B
- Authority
- CN
- China
- Prior art keywords
- image
- reconstructor
- layer
- input
- low
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural 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
- G06N3/04—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
- G06T9/00—Image coding
- G06T9/007—Transform coding, e.g. discrete cosine transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Discrete Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体涉及一种应用于植株监测任务的完全可学习图像深度卷积压缩感知重构方法。本发明充分发掘植株监测任务中图像的高度结构相似性,提出了一种基于神经网络的图像压缩感知重构方法。该方法结合变分自动编码器和深度卷积生成对抗模型,将图像压缩感知过程通过采样器、求解器和重建器三个可学习的神经网络完成,每一部分均可独立训练。本发明与传统方法相比,可以更有效地构建出植株图像的低维表示。实验结果表明,本发明提出的完全可学习图像压缩感知重构方法与现有方法相比,在提升重构图像质量的同时,所需时间大大减少。
Description
【技术领域】本发明公开了一种应用于植株监测的图像深度卷积压缩感知重构方法,属于图像处理技术领域。
【背景技术】压缩感知(Compressed Sensing,CS)的目的是打破奈奎斯特香农采样定理的限制,利用少量采样值和采样矩阵重建稀疏信号。信号能够准确重构的条件是采样矩阵满足有限等距性(Restricted Isometry Property,RIP)或限制特征值条件(Restricted Eigenvalue Condition,REC)。经典的压缩感知重构算法包括凸优化、匹配追踪和迭代阈值等。传统的压缩感知重构算法在稀疏信号重构方面表现出不俗的效果,但是对于自然图像的压缩比和重构质量不能令人满意。
卷积神经网络(Convolutional Neural Networks,CNN)在图像特征提取方面表现出强大的性能。近年来,基于卷积神经网络的生成模型为图像低维表示提供了新的思路。深度卷积生成网络(Deep Convolutional Generative Adversarial Networks,DCGAN)将对抗的概念引入图像生成网络中,能够自动学习从低维隐空间到图像空间的映射,训练后的生成器能够以随机噪声作为输入生成足够真实的图像。但是DCGAN网络存在模型坍塌和不收敛的问题。变分自动编码器(Variational Autoencode,VAE)能够自动学习输入数据的低维分布,解码器从低维分布中进行采样,并通过深度网络恢复原始图像。与DCGAN不同,VAE认为低维空间到图像空间的映射是显式的,并且拥有更加严格的数学证明。但是由于其优化过程强制将高维数据拟合到低维高斯分布上,因此必然导致信息损失,通常存在图像模糊的情况。
y=Ax
其中是测量矩阵(m<<n)。这是一个欠定方程组,通常无法得到唯一解。幸运的是,大多数自然图像是在某种基(例如离散余弦变换或小波变换)下是稀疏的。CS理论认为如果测量矩阵A需要如下条件,稀疏信号能够以大概率得到重建:
其中δ是大于0的任意值,||x||2表示x的2范数。这一性质保证了两个不同的向量x1,x2经过线性变换后的低维映象是不同的。
由于自然图像本身的复杂性,传统算法的重构效果不尽如人意。近几年,许多结合压缩感知和深度神经网络的方法和应用被提出。其中关注度最高的是将生成模型应用于图像压缩感知重构过程(Compressed Sensing Using Generative Model,CSGM)。CSGM将测量矩阵的限制扩展为设置约束特征值条件(Set-Restricted Eigenvalue Condition,S-REC):
其中γ和δ是大于0的任意值。在CSGM中,重构过程不再要求信号的稀疏性,生成器能够从训练集中自动学习图像的低维流形。如果测量矩阵满足S-REC,CSGM能够以较高概率和低误差重建信号x。
【发明内容】本发明为解决极低采样率下植株监测任务中图像压缩感知重构问题,提出一种应用于植株监测的图像深度卷积压缩感知重构方法。
假设是想要获取的植株图像,是观测矩阵。本发明的目的是利用观测值和观测矩阵A重建图像x。因为x的维度是大于y的,重建问题无法直接求解。假设 是x的低维表示,x=f(z)。求解问题转换为非线性最小二乘问题:
该问题可以利用梯度下降法求解。传统算法通常使用高斯随机矩阵作为测量矩阵,但是对于特定的任务来说,该矩阵不是最优的。为了解决任务驱动的图像压缩感知问题,结合VAE和DCGAN的优势,本发明提出图1所示的网络模型,压缩感知问题的求解在被分为三个部分:采样器、求解器和重建器。
VAE的编码器被分为采样器和求解器两个部分。采样器(标记为Sp)由不使用偏置和激活函数的一个全连接层构成。采样器的输入为原始植株图像输出为测量值目的是学习从图像空间到测量值空间的最佳线性投影方法。经过充分训练的采样器的权重构成测量矩阵
y=Sp(x)
与传统算法采样过程和求解过程完全独立不同,本发明在训练集上同时学习压缩感知的采样和求解过程,能够大大简化重建流程,缩短算法运行时间。求解器(标记为Sv)由3个隐层和1个输出层构成。隐层由单元数量分别为1024,512,256的全连接层构成,使用“Relu”激活函数和批归一化策略。输出层为不使用激活函数和归一化的全连接层。求解器的输入为原始图像的测量值y,最终输出两个向量:一个均值向量和一个方差向量 目的是学习从测量值空间到低维表示空间的非线性映射。原始图像的低维表示从以μ为均值、σ为方差的正态分布中得到z~N(μ,σ2)。
z=Sv(y)
重建器(标记为R)由VAE的解码器和DCGAN的生成器合并得到,由1个全连接层和4个反卷积层构成。重建器的输入分为两种:其一为从求解器输出的正态分布中采样得到的低维表示z,重建为图像xz;其二为从标准正态分布中采样得到的随机高斯噪声n,重建为图像xn。重建器首先通过1个全连接层将输入投影并重塑为尺寸[4,4,512]的张量,然后通过4个反卷积层恢复为尺寸[64,64,3]的RGB图像。反卷积层的卷积核尺寸为5×5,步长为2,卷积核数量分别为265、128、64、3。重建器的所有层均使用双曲正切函数作为激活函数,除输出层外均使用批归一化策略。重建器的目的是学习从低维表示空间到图像空间的非线性映射。
训练中,采样器和求解器合并为编码器,编码器的损失函数为:
其中Ll(μ,σ)为隐空间损失:
使用判别器作为重建图像真实性的评判标准。判别器的输入分为3种:其一为重建器以z为输入恢复的图像;其二为重建器以n为输入恢复的图像;其三为真实植株图像。对于判别器来说,真实图像被标记为1,重建图像被标记为0。判别器由4个卷积层和1个全连接层构成,最终输出图像的得分。卷积层的卷积核尺寸为5×5,步长为2,卷积核数量分别为64、128、256、512。卷积层使用“LeakyRelu”激活函数及批归一化策略,全连接层为输出层,使用“Sigmoid”激活函数。判别器的目的是尽量分辨真实图像和重建图像,损失为二元交叉熵。本发明对xz、xn使用不同的权重λzD、λnD。因此,判别器的损失函数为:
LD=log(D(x))+λzDlog(1-D(xz))+λnDlog(1-D(xn))
相应的,重建器对xz、xn使用不同的权重λzR、λnR,损失函数为:
应用于新植株图像重构任务时,判别器被抛弃,测量值由采样器获得。首先将测量值通过求解器得到均值向量,直接作为原始图像的低维表示,方差向量被抛弃。然后将低维表示通过重建器即可获得重建图像。
【本发明的优点和积极效果】与现有技术相比,本发明具有如下优点和积极效果:
1.本发明以VAE-DCGAN为基础提出一种应用于植株监测的图像深度卷积压缩感知重构方法。利用植株监测任务中图像的高相似性和高结构性预先学习压缩感知重构全过程。从采样矩阵、稀疏表示方法到求解过程都是最适用于特定任务的,能够在提高图像重建质量的同时大大缩短重构时间;
2.本发明将压缩感知过程分解为采样器、求解器和重建器三个部分,其中每一部分都由全连接网络或卷积神经网络组成,三个部分都是可以独立学习的。当应用于未知图像的压缩感知重构过程时,只需将三者重新组合便可完成求解;
3.本发明将所提方法在拟南芥图像数据集上进行测试,对应的应用场景为植株检测人物中图像的压缩感知。实验发现,所提算法能够在极低采样率下高质量的重建植物幼苗图像。与现有方法相比,显著提高了图像重建质量,同时缩短了重建图像所需时间。
【附图说明】图1是本发明提出的一种应用于植株监测的图像深度卷积压缩感知重构方法训练模型结构图;
图2是本发明应用于未知图像压缩感知时的重构模型结构图;
图3是本发明、Lasso算法及CSGM算法在采样率为0.05的情况下,对拟南芥幼苗图像的重构样例;
【具体实施方式】为使本发明的实施方案与意义优势表述得更为清楚,下面结合后文附图及实施样例,对本发明进行更为详细的说明。
(2)求解器由3个隐层和1个输出层构成。隐层由单元数量分别为1024,512,256的全连接层构成,使用“Relu”激活函数和批归一化策略。输出层为不使用激活函数和归一化的全连接层。求解器的输入为原始图像的测量值y,最终输出两个向量:一个均值向量和一个方差向量目的是学习从测量值空间到低维表示空间的非线性映射。原始图像的低维表示从以μ为均值、σ为方差的正态分布中随机抽样得到z~N(μ,σ2)。
(3)采样器和求解器在训练中合并为编码器,采用梯度下降法进行优化,损失函数为:
(4)重建器由1个全连接层和4个反卷积层构成。重建器的输入分为两种:其一为从求解器输出的正态分布中采样得到的低维表示z;其二为从标准正态分布中采样得到的随机高斯噪声n。重建器首先通过1个全连接层将输入投影并重塑为尺寸[4,4,512]的张量,然后通过4个反卷积层恢复为尺寸[64,64,3]的RGB图像。反卷积层的卷积核尺寸为5×5,步长为2,卷积核数量分别为265、128、64、3。重建器的所有层均使用双曲正切函数作为激活函数,除输出层外均使用批归一化策略。重建器的目的是学习从低维表示空间到图像空间的非线性映射。采用梯度下降法进行优化,损失函数为:
(5)使用判别器作为重建图像真实性的评判标准。判别器的输入分为3种:其一为重建器以z为输入恢复的图像;其二为重建器以n为输入恢复的图像;其三为真实图像。对于判别器来说,真实图像被标记为1,重建图像被标记为0。判别器由4个卷积层和1个全连接层构成,最终输出图像的得分。卷积层的卷积核尺寸为5×5,步长为2,卷积核数量分别为64、128、256、512。卷积层使用“LeakyRelu”激活函数及批归一化策略,全连接层为输出层,使用“Sigmoid”激活函数。判别器的目的是尽量分辨真实图像和重建图像。采用梯度下降法进行优化,损失函数为:
LD=log(D(x))+λzDlog(1-D(xz))+λnDlog(1-D(xn))
(6)当应用于未知图像压缩感知时,判别器被抛弃,测量值由采样器获得,重建过程如图2所示。首先将测量值通过求解器得到均值向量,直接作为原始图像的低维表示,方差向量被抛弃。然后将低维表示通过重建器即可获得重建图像
本发明的仿真实验硬件配置为:Intel(R)Xeon(R)W-2145@3.70GHz CPU;64.0GBDDR4内存;NVIDIA Quadro RTX4000GPU。
本发明的仿真实验软件配置为:Windows10 64位操作系统,仿真语言为Python,软件库为Tensorflow2.0。
在仿真实验中,使用的数据集为Aberystwyth Leaf Evaluation Dataset。该图片集包含80株托盘培育的拟南芥,图像传感器每隔15分钟拍摄一张照片。预处理为将每一株拟南芥切割出来并缩放到64×64的尺寸作为单独样本。因为原数据集拍摄频率太高,本发明等间隔选取了部分图像作为样本集。所用的图像集共包含10600张拟南芥植株图像,随机抽取1000张作为测试集,其余图像作为训练集。
发明使用ADAM优化器训练压缩感知网络,学习率为0.0002。作为对比,Lasso算法使用2维离散余弦变换作为稀疏基。CSGM的生成器网络结构与本发明中的重建器完全相同,同样使用学习率为0.0002的ADAM优化器进行训练。
图像重建质量的评价指标为峰值信噪比(Peak Signal to Noise Ratio,PSNR):
表1各方法的PSNR值(dB)
表2各方法的平均每图像重构用时(ms)
表1展示了不同模型重建图像的PSNR。分别测试了使用L1范数和L2范数作为距离度量的重建效果。采样率被分别设置为0.01、0.02和0.05。可以看到,本发明的重建效果远优于Lasso和CSGM。具体来讲,当采样率为0.02时,本发明使用两种距离度量方式的重建图像PSNR分别为30.93和30.95,已经非常接近原图,而Lasso算法重建图像的PSNR仅为18.07,CSGM算法为22.28。同时,随着采样率的提升,使用L1范数的重构效果有大幅度提升,而使用L2范数的重构效果基本不变。当采样率上升到0.05时,使用L1范数的重构图像PSNR提升到32.59,超过使用L2范数的31.13。
单张图像平均重构用时总结为表2。采样率被分别设置为0.01、0.02和0.05。可以看到,本发明在提高重构效果的同时大大降低了重构用时。具体来讲,当采样率为0.02时,本发明重建一张图像仅需2.67ms,而Lasso算法需要288.76ms,CSGM需要243.01ms。随着采样率的提升,Lasso算法的重构用时提升明显,而本发明所需时间几乎不变。
图3展示了本发明、Lasso算法和CSGM在采样率为0.05下的部分重构样例。实验中本发明使用L2范数作为距离度量,可以看到,Lasso完全不能重建图像,CSGM能够小概率重建图像,但是损失大量细节。相比之下,本发明能够实现非常好的恢复效果。
Claims (1)
1.一种应用于植株监测的图像深度卷积压缩感知重构方法,包括采样器、求解器和重建器三个预训练的神经网络,该方法特征如下:
(2)求解器由3个隐层和1个输出层构成,其隐层由单元数量分别为1024、512、256的全连接层构成,使用“Relu”激活函数和批归一化策略,其输出层为不使用激活函数和归一化的全连接层,其输入为原始图像的测量值y,最终输出两个向量:一个均值向量和一个方差向量其中k≤m,目的是学习从测量值空间到低维表示空间的非线性映射,原始图像的低维表示从以μ为均值、σ为方差的正态分布中随机抽样得到z~N(μ,σ2);
(3)重建器由1个全连接层和4个反卷积层构成,其输入分为两种:其一为从求解器输出的正态分布中采样得到的低维表示z;其二为从标准正态分布中采样得到的随机高斯噪声n,首先通过1个全连接层将输入投影并重塑为尺寸[4,4,512]的张量,然后通过4个反卷积层恢复为尺寸[64,64,3]的RGB图像,反卷积层的卷积核尺寸为5×5,步长为2,卷积核数量分别为265、128、64、3,重建器的所有层均使用双曲正切函数作为激活函数,除输出层外均使用批归一化策略,目的是学习从低维表示空间到图像空间的非线性映射;
(4)使用判别器作为重建图像真实性的评判标准,判别器的输入分为3种:其一为重建器以z为输入恢复的图像,其二为重建器以n为输入恢复的图像,其三为真实图像,对于判别器来说,真实图像被标记为1,重建图像被标记为0,判别器由4个卷积层和1个全连接层构成,最终输出图像的得分,卷积层的卷积核尺寸为5×5,步长为2,卷积核数量分别为64、128、256、512,卷积层使用“LeakyRelu”激活函数及批归一化策略,全连接层为输出层,使用“Sigmoid”激活函数,判别器的目的是尽量分辨真实图像和重建图像;
(5)当应用于未知图像压缩感知时,判别器被抛弃,测量值由采样器获得,首先将测量值通过求解器得到均值向量,直接作为原始图像的低维表示,方差向量被抛弃,然后将低维表示通过重建器即可获得重建图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010648858.4A CN111798531B (zh) | 2020-07-08 | 2020-07-08 | 一种应用于植株监测的图像深度卷积压缩感知重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010648858.4A CN111798531B (zh) | 2020-07-08 | 2020-07-08 | 一种应用于植株监测的图像深度卷积压缩感知重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798531A CN111798531A (zh) | 2020-10-20 |
CN111798531B true CN111798531B (zh) | 2022-09-20 |
Family
ID=72811300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010648858.4A Active CN111798531B (zh) | 2020-07-08 | 2020-07-08 | 一种应用于植株监测的图像深度卷积压缩感知重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798531B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348914B (zh) * | 2020-11-12 | 2023-08-18 | 中国科学院合肥物质科学研究院 | 一种基于车联网的深度学习图像压缩感知方法及系统 |
CN112884851B (zh) * | 2021-01-27 | 2022-06-14 | 武汉大学 | 基于展开迭代优化算法的深度压缩感知网络的构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171762A (zh) * | 2017-12-27 | 2018-06-15 | 河海大学常州校区 | 一种深度学习的压缩感知同类图像快速重构系统与方法 |
CN108197580A (zh) * | 2018-01-09 | 2018-06-22 | 吉林大学 | 一种基于3d卷积神经网络的手势识别方法 |
CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和系统 |
CN109410114A (zh) * | 2018-09-19 | 2019-03-01 | 湖北工业大学 | 基于深度学习的压缩感知图像重建算法 |
CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
WO2020028382A1 (en) * | 2018-07-30 | 2020-02-06 | Memorial Sloan Kettering Cancer Center | Multi-modal, multi-resolution deep learning neural networks for segmentation, outcomes prediction and longitudinal response monitoring to immunotherapy and radiotherapy |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102608470B1 (ko) * | 2018-10-23 | 2023-12-01 | 삼성전자주식회사 | 데이터 인식 장치 및 방법과 트레이닝 장치 및 방법 |
-
2020
- 2020-07-08 CN CN202010648858.4A patent/CN111798531B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171762A (zh) * | 2017-12-27 | 2018-06-15 | 河海大学常州校区 | 一种深度学习的压缩感知同类图像快速重构系统与方法 |
CN108197580A (zh) * | 2018-01-09 | 2018-06-22 | 吉林大学 | 一种基于3d卷积神经网络的手势识别方法 |
WO2020028382A1 (en) * | 2018-07-30 | 2020-02-06 | Memorial Sloan Kettering Cancer Center | Multi-modal, multi-resolution deep learning neural networks for segmentation, outcomes prediction and longitudinal response monitoring to immunotherapy and radiotherapy |
CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和系统 |
CN109410114A (zh) * | 2018-09-19 | 2019-03-01 | 湖北工业大学 | 基于深度学习的压缩感知图像重建算法 |
CN109741328A (zh) * | 2019-02-02 | 2019-05-10 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
Non-Patent Citations (2)
Title |
---|
Autoencoding beyond pixels using a learned similarity metric;Anders Boesen Lindbo Larsen 等;《arXiv:1512.09300v2》;20160210;第1-9页 * |
基于生成对抗网络的风格化书法图像生成;王晓红 等;《包装工程》;20200630;第246-253页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798531A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN106952317B (zh) | 基于结构稀疏的高光谱图像重建方法 | |
CN111798531B (zh) | 一种应用于植株监测的图像深度卷积压缩感知重构方法 | |
CN113674172B (zh) | 一种图像处理方法、系统、装置及存储介质 | |
CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
CN109887050B (zh) | 一种基于自适应字典学习的编码孔径光谱成像方法 | |
CN111415323B (zh) | 图像的检测方法及装置,神经网络的训练方法及装置 | |
CN104751420A (zh) | 一种基于稀疏表示和多目标优化的盲复原方法 | |
CN116823664B (zh) | 一种遥感图像云去除方法及系统 | |
CN114972885B (zh) | 基于模型压缩的多模态遥感图像分类方法 | |
CN106067165B (zh) | 基于聚类化稀疏随机场的高光谱图像去噪方法 | |
CN104463245B (zh) | 一种目标识别方法 | |
CN116112022A (zh) | 一种基于消息传递的多任务聚类稀疏重构方法 | |
CN110266318B (zh) | 一种在压缩感知信号重建中基于梯度投影算法的测量矩阵优化方法 | |
CN111681156B (zh) | 一种应用于无线传感器网络的深度压缩感知图像重构方法 | |
CN111950387B (zh) | 一种基于稀疏表示的误差人脸识别方法 | |
Rafi et al. | Data driven measurement matrix learning for sparse reconstruction | |
CN112529826B (zh) | 截断式张量贝叶斯多光谱图像压缩感知重构方法 | |
CN114937163A (zh) | 一种基于聚类的神经网络图像分块重构方法 | |
CN111652311B (zh) | 基于稀疏椭圆rbf神经网络的图像稀疏表示方法 | |
CN112686807A (zh) | 一种图像超分辨率重构方法及系统 | |
Oroumchian | ECEI Spectrogram Denoising and Feature Extraction Using a Multi-Wavelet Convolutional Neural Network Model | |
Archibald et al. | A dictionary learning algorithm for compression and reconstruction of streaming data in preset order | |
CN111861907B (zh) | 一种高动态范围激光焦斑图像的去噪方法 |
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 |