CN112581384A - 一种图像降噪方法、装置、设备及存储介质 - Google Patents
一种图像降噪方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112581384A CN112581384A CN202011367639.5A CN202011367639A CN112581384A CN 112581384 A CN112581384 A CN 112581384A CN 202011367639 A CN202011367639 A CN 202011367639A CN 112581384 A CN112581384 A CN 112581384A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- noise reduction
- sparse
- band
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009467 reduction Effects 0.000 title claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- HDRXZJPWHTXQRI-BHDTVMLSSA-N diltiazem hydrochloride Chemical compound [Cl-].C1=CC(OC)=CC=C1[C@H]1[C@@H](OC(C)=O)C(=O)N(CC[NH+](C)C)C2=CC=CC=C2S1 HDRXZJPWHTXQRI-BHDTVMLSSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种图像降噪方法、装置、设备及存储介质，所述方法用于对电气设备热像图进行降噪，包括以下步骤：获得待处理的电气设备热像图；对所述电气设备热像图进行波段分解，获得多个波段子集；引入高斯噪声项和稀疏噪声项，对每个波段子集构建分层字典学习模型；采用Metropolis–Hastings算法求解所述构建分层字典学习模型，获得降噪图像。与现有技术相比，本发明具有去噪性能佳等优点。
Description
技术领域
本发明属于图像处理技术领域，尤其是涉及一种图像降噪方法、装置、设备及存储介质。
背景技术
据统计，电力系统中的70％故障是由电气设备故障引起的，而超过半数以上的电气设备故障都与因泄露电流、漏磁、连接松动、接触不良等造成的发热有关。红外检测技术利用红外检测设备获得电力设备的温度值和温度空间分布特征，分析处理设备中潜伏的故障和隐患，可以防患于未然。通过电气设备热像图对变电站实施监视与报警，对于发现事故隐患，及早采取措施避免恶性后果、确保电网安全运行十分重要。
电气设备热像图的准确性对后续监测报警的精准有较大影响，而目前，针对电气设备热像图处理的研究还比较欠缺，如对电气设备热像图的噪声处理等，无法保证电气设备监测准确度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种去噪性能佳的利用空谱信息和分层字典学习的图像降噪方法及设备。
本发明的目的可以通过以下技术方案来实现：
一种图像降噪方法，该方法用于对电气设备热像图进行降噪，包括以下步骤：
获得待处理的电气设备热像图；
对所述电气设备热像图进行波段分解，获得多个波段子集；
引入高斯噪声项和稀疏噪声项，对每个波段子集构建分层字典学习模型；
采用Metropolis–Hastings算法求解所述构建分层字典学习模型，获得降噪图像。
进一步地，依据相邻波段之间的结构相关性对所述电气设备热像图进行划分。
进一步地，所述多个波段子集通过以下过程获得：
计算所述电气设备热像图中相邻谱段Bj和Bj+1之间的结构相关性C(j)，确定分割点，获得多个波段子集，所述分割点处满足以下公式
其中，η为阈值。
进一步地，对每个波段子集在空间域进行三维重叠分割，并将划分出的三维块数据转换为列向量，进而得到每个波段子集的待观测数据集。
进一步地，对每个波段子集，构建的所述分层字典学习模型表示为：
X＝DA+N+Q·S
其中，X表示波段子集，DA表示待获取的降噪图像，D表示字典，A表示稀疏系数矩阵，N表示高斯噪声项，Q·S表示稀疏噪声项，Q表示稀疏噪声强度，S表示稀疏噪声的位置信息，“·”表示哈德曼乘积。
进一步地，所述字典D中的字典原子dk服从均值为零、方差为Σ的高斯分布。
本发明还提供一种图像降噪装置，用于对电气设备热像图进行降噪，包括：
数据接收模块，用于获得待处理的电气设备热像图；
分解模块，用于对所述电气设备热像图进行波段分解，获得多个波段子集；
模型构建模块，用于引入高斯噪声项和稀疏噪声项，对每个波段子集构建分层字典学习模型；
求解模块，用于采用Metropolis–Hastings算法求解所述构建分层字典学习模型，获得降噪图像。
对每个波段子集，构建的所述分层字典学习模型表示为：
X＝DA+N+Q·S
其中，X表示波段子集，DA表示待获取的降噪图像，D表示字典，A表示稀疏系数矩阵，N表示高斯噪声项，Q·S表示稀疏噪声项，Q表示稀疏噪声强度，S表示稀疏噪声的位置信息，“·”表示哈德曼乘积。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述图像降噪方法的指令。
本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述图像降噪方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明利用空谱信息和分层字典学习实现图像降噪方法，在更好地保持光谱信息的同时，还能够极大地抑制高斯噪声、泊松噪声、条带噪声以及这些噪声所形成的混合噪声，在定量指标与视觉效果方面都展示出更优的结果，具有良好的去噪性能。
2、本发明可对红外检测设备所拍摄图像进行针对性降噪处理，降噪效果好。
3、本发明采用Metropolis–Hastings算法求解所构建的分层字典学习模型，可靠性高，效率高。
附图说明
图1为本发明的结流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种图像降噪方法，可有效对图像进行降噪处理。如图1所示，该方法包括以下步骤：
步骤S01：获得待处理的电气设备热像图。
步骤S02：依据相邻波段之间的结构相关性划分多图像波段。
本方法使用结构相似度准则(Structural Similarity Index Measure，SSIM)作为相邻波段之间相关性衡量指标。SSIM的值越大，表示两幅图像之间的结构相似性越高，即相关性越高。Bj和Bj+1分别表示图像第j个和第j+1个波段的二维空间域图像，
和
表示Bj的均值和方差，
和
表示Bj+1的均值和方差，c1和c2是常数，则结构相似性指标可表示为：
依据谱间结构相似性对待处理的电气设备热像图的波段进行分割，并对分割结果进行三维重叠分块，并将划分出的三维块数据转换为列向量，得到待观测数据集，具体如下：
根据式(1)计算所有相邻谱段Bj和Bj+1之间的相关性C(j)＝LSSIM(Bj，Bj+1)，得到相关曲线C。
确定相关性曲线C的分割点，确定分割点，获得多个波段子集，所述分割点处满足以下公式
其中，η为阈值，用来避免由于噪声干扰导致的相关性曲线局部波动。当分割点数目nc＞0时，则依据分割点对图像进行划分，得到nc+1个不重叠的波段子集。每个波段子集包含有多个具有相似谱结构的连续波段；当nc＝0时，说明该图像所有谱段间具有相似的结构相关性，对图像不用进行谱段划分，此时可认为该图像只有一个波段子集，且这个子集就是它本身。
假定矩阵X＝[x1，…，xi，…，xM]∈RP×M，表示第j个波段子集，其中，P＝lx×ly×lλj，lx×ly为三维块的空域维度。当nc＞0时，lλj(j＝1，2，3，...，nc)表示第j个波段子集的波段数目。当nc＝0时，j＝1，此时lλj为多光谱图像的波段数目。
步骤S03：引入高斯噪声项和稀疏噪声项，对每个波段子集构建分层字典学习模型。
构建分层字典学习模型，并用该模型对每个波段子集逐个进行统计建模来实现噪声抑制。这种由先验分布和超先验分布组成的分层先验能够增强模型后验估计的稳健性和精确性。本发明构建的模型中将高斯噪声和稀疏噪声同时予以考虑，以便有效抑制噪声。对第j个波段子集的降噪模型可表示为：
X＝DA+N+Q·S
其中，X表示波段子集，DA表示待获取的降噪图像，D表示字典，A表示稀疏系数矩阵，N表示高斯噪声项，Q·S表示稀疏噪声项，Q表示稀疏噪声强度，S表示稀疏噪声的位置信息，“·”表示哈德曼乘积。
所述字典D＝[d1，…，dk，…，dK]∈RP×K，K为预设的字典原子数目，其中的字典原子dk服从均值为零、方差为∑的高斯分布，即dk～N(0，∑)，且∑jj′＝ξ1exp(-MSE(xj，xj′)/ξ2)，ξ1和ξ2是预设的正常数，MSE(·)代表数据xj和xj′的均方误差。
稀疏系数矩阵A表达公式如下：
A＝[a1，…，ak，…，dM]∈RK×M
A＝W·Z，矩阵W＝[w1，…，wi，…，wM]∈RK×M，是用来控制A中元素大小的权重矩阵，且
二值矩阵Z＝[z1，…，zi，…，zM]∈RK×M，利用贝塔伯努利(Beta-Bernoulli)过程先验来控制矩阵A的稀疏度，且zki～Bernoulli(πi)，πk～Beta(aπ/K，bπ(K-1/K)。
N＝[n1，...，ni，...，nM]，是维度为P×M矩阵，用来表示图像中的高斯噪声，且
由于对泊松噪声进行方差稳定变换后，能将其转换为高斯噪声，因此这一项也可以用来学习泊松噪声。通过调节图像最大亮度值与初始图像亮度的比例来添加泊松噪声，即Xpoission＝XiniYp。其中，Xpoission表示被噪声污染的图像数据；Xini是初始图像数据；Yp代表泊松噪声强度。
Q·S是通过高斯分布和贝塔伯努利过程来约束和表达稀疏噪声。Q＝[q1，…，qi，…，qM]∈RP×M，代表稀疏噪声的强度，且qi服从高斯分布，即
矩阵S＝[s1，…，si，…，sM]∈RP×M，表示稀疏噪声的位置信息，si中第p个元素的分布为：sip～Bernoulli(θip)，且有θip～Beta(aθ，bθ)。当sip＝1时，表示样本xi的第p个元素存在强度为qip的稀疏噪声，调节贝塔分步形状参数aθ和bθ，使E(θip)＝aθ/(aθ+bθ)趋近于零，以便于有效地刻画稀疏噪声位置的任意性和稀疏性。
上述γw、γn、γv为超参数，分别用来控制权重wi、高斯噪声ni和稀疏噪声强度qip的精度，为降低超参数对去噪结果的影响，采用Gamma分布对其进行约束。
依据贝叶斯准则，得到在给定待观测数据X时所有模型变量的后验分布。所有变量的概率密度函数均在同一指数分布族，且具有共轭性，同时求解后验分布所需参数都可通过学习得到，因此，本方法具有更强的稳健性和更高的准确度。
步骤S04：采用Metropolis-Hastings算法求解所述构建分层字典学习模型，获得降噪图像。
对每一个波段子集，依次使用Metropolis–Hastings算法求取所有变量的解析解。依据求解出的D和A，计算Xclean＝DA，得到降噪后的所有波段子集，进而实现图像降噪。
该方法可应用于电气设备热像图等图像，在改善图像质量和恢复谱特征之间能有一个比较好的折中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种图像降噪方法，其特征在于，该方法用于对电气设备热像图进行降噪，包括以下步骤：
获得待处理的电气设备热像图；
对所述电气设备热像图进行波段分解，获得多个波段子集；
引入高斯噪声项和稀疏噪声项，对每个波段子集构建分层字典学习模型；
采用Metropolis–Hastings算法求解所述构建分层字典学习模型，获得降噪图像。
2.根据权利要求1所述的图像降噪方法，其特征在于，依据相邻波段之间的结构相关性对所述电气设备热像图进行划分。
3.根据权利要求2所述的图像降噪方法，其特征在于，所述多个波段子集通过以下过程获得：
计算所述电气设备热像图中相邻谱段Bj和Bj+1之间的结构相关性C(j)，确定分割点，获得多个波段子集，所述分割点处满足以下公式
其中，η为阈值。
4.根据权利要求1所述的图像降噪方法，其特征在于，对每个波段子集在空间域进行三维重叠分割，并将划分出的三维块数据转换为列向量，进而得到每个波段子集的待观测数据集。
5.根据权利要求1所述的图像降噪方法，其特征在于，对每个波段子集，构建的所述分层字典学习模型表示为：
X＝DA+N+Q·S
其中，X表示波段子集，DA表示待获取的降噪图像，D表示字典，A表示稀疏系数矩阵，N表示高斯噪声项，Q·S表示稀疏噪声项，Q表示稀疏噪声强度，S表示稀疏噪声的位置信息，“·”表示哈德曼乘积。
6.根据权利要求5所述的图像降噪方法，其特征在于，所述字典D中的字典原子dk服从均值为零、方差为Σ的高斯分布。
7.一种图像降噪装置，其特征在于，用于对电气设备热像图进行降噪，包括：
数据接收模块，用于获得待处理的电气设备热像图；
分解模块，用于对所述电气设备热像图进行波段分解，获得多个波段子集；
模型构建模块，用于引入高斯噪声项和稀疏噪声项，对每个波段子集构建分层字典学习模型；
求解模块，用于采用Metropolis–Hastings算法求解所述构建分层字典学习模型，获得降噪图像。
8.根据权利要求7所述的图像降噪装置，其特征在于，对每个波段子集，构建的所述分层字典学习模型表示为：
X＝DA+N+Q·S
其中，X表示波段子集，DA表示待获取的降噪图像，D表示字典，A表示稀疏系数矩阵，N表示高斯噪声项，Q·S表示稀疏噪声项，Q表示稀疏噪声强度，S表示稀疏噪声的位置信息，“·”表示哈德曼乘积。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-6任一所述图像降噪方法的指令。
10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-6任一所述图像降噪方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011367639.5A CN112581384A (zh) | 2020-11-29 | 2020-11-29 | 一种图像降噪方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011367639.5A CN112581384A (zh) | 2020-11-29 | 2020-11-29 | 一种图像降噪方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112581384A true CN112581384A (zh) | 2021-03-30 |
Family
ID=75126391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011367639.5A Pending CN112581384A (zh) | 2020-11-29 | 2020-11-29 | 一种图像降噪方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581384A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113450268A (zh) * | 2021-05-24 | 2021-09-28 | 南京中医药大学 | 一种基于后验概率的图像降噪方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496153A (zh) * | 2011-11-04 | 2012-06-13 | 西安电子科技大学 | 基于小波域中字典学习的sar图像相干斑抑制方法 |
| CN107346532A (zh) * | 2017-06-20 | 2017-11-14 | 广东电网有限责任公司珠海供电局 | 一种考虑尺度间相关性的电缆瓷套终端红外图像去噪方法 |
| AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
| CN111863016A (zh) * | 2020-06-15 | 2020-10-30 | 云南国土资源职业学院 | 一种天文时序信号的噪声估计方法 |
-
2020
- 2020-11-29 CN CN202011367639.5A patent/CN112581384A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496153A (zh) * | 2011-11-04 | 2012-06-13 | 西安电子科技大学 | 基于小波域中字典学习的sar图像相干斑抑制方法 |
| CN107346532A (zh) * | 2017-06-20 | 2017-11-14 | 广东电网有限责任公司珠海供电局 | 一种考虑尺度间相关性的电缆瓷套终端红外图像去噪方法 |
| AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
| CN111863016A (zh) * | 2020-06-15 | 2020-10-30 | 云南国土资源职业学院 | 一种天文时序信号的噪声估计方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘帅等: "结合分层字典学习和空谱信息的多光谱图像去噪", 《西安电子科技大学学报（自然科学版）》, 20 August 2017 (2017-08-20), pages 174 - 180 * |
| 姚雪晴;: "基于小波变换的电力设备红外监控图像滤波算法", 现代矿业, no. 10, 20 October 2015 (2015-10-20) * |
| 张宝华;刘艳仙;焦豆豆;周文涛;: "基于改进RPCA与引导滤波的红外小目标背景抑制算法", 内蒙古科技大学学报, no. 03, 15 September 2016 (2016-09-15) * |
| 金光: "《基于退化的可靠性技术-模型、方法及应用》", vol. 2014, 31 August 2014, 国防工业出版社, pages: 345 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113450268A (zh) * | 2021-05-24 | 2021-09-28 | 南京中医药大学 | 一种基于后验概率的图像降噪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Et-Taleby et al. | Faults Detection for Photovoltaic Field Based on K‐Means, Elbow, and Average Silhouette Techniques through the Segmentation of a Thermal Image | |
| Assaf et al. | Explainable deep neural networks for multivariate time series predictions. | |
| Sun et al. | Task-driven dictionary learning for hyperspectral image classification with structured sparsity constraints | |
| Bai et al. | Improved single shot multibox detector target detection method based on deep feature fusion | |
| Cao et al. | Hyperspectral image denoising via subspace-based nonlocal low-rank and sparse factorization | |
| Taheri-Garavand et al. | An intelligent approach for cooling radiator fault diagnosis based on infrared thermal image processing technique | |
| Gadde et al. | Active semi-supervised learning using sampling theory for graph signals | |
| Karami et al. | Noise reduction of hyperspectral images using kernel non-negative tucker decomposition | |
| Xiao et al. | Maximal overlap discrete wavelet transform and deep learning for robust denoising and detection of power quality disturbance | |
| Zhang et al. | Preliminary research on abnormal brain detection by wavelet-energy and quantum-behaved PSO | |
| Zheng et al. | Fast ship detection based on lightweight YOLOv5 network | |
| Liu et al. | Scale‐space theory‐based multi‐scale features for aircraft classification using HRRP | |
| Thakur et al. | PReLU and edge‐aware filter‐based image denoiser using convolutional neural network | |
| Pei et al. | UV‐flashover evaluation of porcelain insulators based on deep learning | |
| Li et al. | Tensor completion from one-bit observations | |
| Shukla et al. | Power quality disturbances classification based on Gramian angular summation field method and convolutional neural networks | |
| CN112581384A (zh) | 一种图像降噪方法、装置、设备及存储介质 | |
| Wu et al. | An infrared image detection of power equipment based on super‐resolution reconstruction and YOLOv4 | |
| Azghani et al. | Missing low-rank and sparse decomposition based on smoothed nuclear norm | |
| Fang et al. | Infrared small target detection with total variation and reweighted ℓ1 regularization | |
| Aetesam et al. | Proximal approach to denoising hyperspectral images under mixed‐noise model | |
| Lei et al. | Research on fault detection algorithm of electrical equipment based on neural network | |
| Ilhan et al. | Automatic directional masking technique for better sperm morphology segmentation and classification analysis | |
| Sharma et al. | Improved patch‐based NLM PolSAR speckle filter based on iteratively re‐weighted least squares method | |
| Zhai et al. | Research on identification methods of gas content in transformer insulation oil based on deep transfer network |
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 |