CN112927151B - 一种基于边缘增强和卷积神经网络的图像去噪方法 - Google Patents

一种基于边缘增强和卷积神经网络的图像去噪方法 Download PDF

Info

Publication number
CN112927151B
CN112927151B CN202110212348.7A CN202110212348A CN112927151B CN 112927151 B CN112927151 B CN 112927151B CN 202110212348 A CN202110212348 A CN 202110212348A CN 112927151 B CN112927151 B CN 112927151B
Authority
CN
China
Prior art keywords
image
edge
residual
denoising
band diagram
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
Application number
CN202110212348.7A
Other languages
English (en)
Other versions
CN112927151A (zh
Inventor
刘晶
董玉
田冲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110212348.7A priority Critical patent/CN112927151B/zh
Publication of CN112927151A publication Critical patent/CN112927151A/zh
Application granted granted Critical
Publication of CN112927151B publication Critical patent/CN112927151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于边缘增强和卷积神经网络的图像去噪方法，具体包括如下步骤：步骤1，选取n张图像作为训练样本，然后对训练样本中的每张图像进行处理；步骤2，对步骤1中进行处理后的图像进行NSCT变换，得到低频子带图L及高频子带图；步骤3，对步骤2中的高频子带图J的边缘进行定位，将定位后的高频方向子带图和步骤2所得的低频子带图进行NSCT逆变换得到最终待训练的边缘增强后的噪声图像X；步骤4，将步骤3中得到的边缘增强后的噪声图像输入到残差去噪网络中进行训练学习，得到最终去噪之后的干净图像。本发明解决了现有技术中存在去噪效果不明显及去噪结果边缘纹理不清晰的问题。

Description

一种基于边缘增强和卷积神经网络的图像去噪方法
技术领域
本发明属于图像处理方法技术领域，涉及一种基于边缘增强和卷积神经网络的图像去噪方法。
背景技术
生活中图像在采集和传输过程中常常因受到各种噪声的干扰和影响，使得图像变得模糊，甚至掩盖了图像的细节特征，并且给图像的进一步处理带来一定的困难，比如图像分割，图像分类，物体识别等。
去噪是通过去除不必要的噪声从损坏的图像中重建原始图像的过程。它的目的是抑制噪声，同时尽可能多地保留图像的结构和边缘纹理信息。它对于摄像机成像、医学成像到视频监控成像处理等各种应用至关重要。因此，抑制这些噪声，改善图像质量是图像分析和识别的重要预处理环节。
发明内容
本发明的目的是提供一种基于边缘增强和卷积神经网络的图像去噪方法，采用该方法解决了现有技术中存在去噪效果不明显及去噪结果边缘纹理不清晰的问题。
本发明所采用的技术方案是，一种基于边缘增强和卷积神经网络的图像去噪方法，具体包括如下步骤：
步骤1，选取n张图像作为训练样本，然后对训练样本中的每张图像进行处理，对处理后的图像进行canny边缘检测得到对应的边缘矩阵K；
步骤2，对步骤1中进行处理后的图像进行NSCT变换，得到低频子带图L、与低频子带图对应的NSCT系数及高频子带图J、与高频子带图对应的NSCT系数；
步骤3，采用步骤1所得的边缘矩阵K对步骤2中的高频子带图J的边缘进行定位，并且将与高频子带图对应的NSCT系数进行放大，最后将定位后的高频方向子带图和步骤2所得的低频子带图进行NSCT逆变换得到最终待训练的边缘增强后的噪声图像X；
步骤4，将步骤3中得到的边缘增强后的噪声图像输入到残差去噪网络中进行训练学习，得到最终去噪之后的干净图像。
本发明的特点还在于：
步骤1的具体步骤为：
将训练样本中的每张图像随机分割出m×m大小的图像，并对分割后的每张m×m大小的图像进行高斯加噪得到噪声图像，再使用NLM对得到的噪声图像进行预去噪，然后对得到的预去噪结果进行canny边缘检测得到对应的边缘矩阵K。
步骤2具体步骤为：
将步骤1中的噪声图像作为噪声样本，把每张噪声样本图片进行NSCT变换，得到与进行NSCT变换之前的噪声样本尺寸相同的低频子带图L和高频子带图J，及与低频子带图对应的NSCT系数和与高频子带图对应的NSCT系数。
步骤3的具体步骤为：
步骤3.1，设当边缘矩阵K中的坐标值为0时，代表该位置像素是非边缘像素，当边缘矩阵K中的坐标值为1时，代表该位置像素是边缘像素；
步骤3.2，设高频方向子带图J中的像素点为J(x,y)；
步骤3.3，采用步骤1所得的边缘矩阵K对步骤2中的高频子带图J的边缘进行定位，当高频子带图J中对应的边缘矩阵中的点K’(x,y)＝1，则认为该像素点为边缘像素点，并且将与高频子带图对应的NSCT系数放大1.5～2倍数，当高频子带图J中对应的边缘矩阵中的点K’(x,y)＝0，则与高频子带图对应的NSCT系数不变；
步骤3.4，将步骤2所得的低频子带图L和步骤3.3处理过的高频子带图J进行NSCT逆变换重构得到待训练的边缘增强后的噪声图像X。
步骤4的具体步骤为：
步骤4.1，设计残差去噪网络，此网络包含三部分：
第一部分是第一层低层特征提取层，包括conv卷积操作和ReLu激活函数；第二部分包含若干层残差块，第三部分为位于最后一层的重构层。
步骤4.2，将步骤3.4中得到的边缘增强后的噪声图像X输入到步骤4.1中设计好的残差去噪网络的第一层,进行卷积操作浅层特征提取以获得图像矩阵T0，将噪声图像X从空间映射转换为特征映射中；
步骤4.3，将步骤4.2中获得的图像矩阵T0输入到残差去噪网络中的第二部分，即中间具有若干层相同结构且依次连接的残差块进行深层的特征映射获得映射后的图像矩阵T0+T1+T2+...+Tx，其中x表示网络的第x个残差块；
步骤4.4，将步骤4.3中从多个残差模块中一层一层进行特征映射获得的图像矩阵T0+T1+T2+...+Tx输入到残差去噪网络的最后一层重构层进行卷积操作，将图像矩阵T0+T1+T2+...+Tx从特征映射转换到空间映射，即学习到噪声图像X的残差图像Y；
步骤4.5，设定如下公式(1)所示的损失函数：
其中，M,N分别表示图像的长和宽，f(i,j)表示待训练的干净图像P的残差图像Q在(i,j)处的像素值，表示边缘增强后的噪声图像X经过网络训练后得到的残差图像Y在(i,j)处的像素值；
步骤4.6通过步骤4.5设定的损失函数对残差图像Y进行训练，经过若干次迭代，当损失函数值达到最小时，得到最佳的残差图像Y；
步骤4.7，根据4.6得到最佳的残差图像Y，然后在整个残差去噪网络的第一层输入端和最后一层输出端连接一条全局跳跃连接进行相减操作，获得最终去噪之后的干净图像X-Y。
本发明的有益效果如下：
(1)本发明方法相比较于一些传统的图像去噪方法来说，不仅能够保证把噪声去除的更干净，而且使得去噪之后的图像边缘保留的更多。
(2)本发明方法相较于一般的直接使用不做任何处理的噪声图像作为训练数据集的卷积神经去噪网络来说，它在待训练的噪声图像上做了预处理，让其在去噪之前就对噪声图像的边缘先进行适当增强，再进行相关的残差网络学习训练得到最终预期的干净图像，这样就大大避免了因过度去噪使得图像边缘不清晰的问题。
附图说明
图1是本发明一种基于边缘增强和卷积神经网络的图像去噪方法流程图；
图2是本发明一种基于边缘增强和卷积神经网络图像去噪方法中的残差去噪网络结构图；
图3(a)～(c)是本发明一种基于边缘增强和卷积神经网络的图像去噪方法中得到的最终去噪之后的实施效果图。
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。
本发明基于边缘增强和卷积神经网络的图像去噪方法，具体按照如下步骤实施：如图1所示，
步骤1、制作待训练的噪声图像数据集，从常用的图像处理数据集中选取不同场景的图像n张，记为I(x),x＝1,2,3......n，把选取的每张图像I(x)都裁剪成128×128固定大小并且添加一定水平的高斯噪声得到噪声图像I’(x)，首先采用NLM(Non-local Means，非局部均值滤波)去噪方法对噪声图像I’(x)进行预去噪得到结果M，然后再对其结果M进行canny边缘检测得到对应的边缘矩阵K以备用；
步骤2、还是针对步骤1中的噪声图像样本进行并行操作，对其噪声图像I’(x)进行R层NSCT变换，会得到一个低频子带图L和多个方向的高频子带图J，对高频子带图进行k层分解，会得到和原图一样大小的2k个高频方向子带图；
步骤3、将步骤1中经过canny边缘检测得到的边缘矩阵K定位到步骤2中的得到的各个高频方向子带图J中并且放大其边缘位置的NSCT系数，最后将处理后的高频方向上的子带图J和未处理的低频子带图进行NSCT逆变换得到重构后的图像，即边缘增强后的图像X，具体为：
步骤3.1，已知步骤1中得到的边缘矩阵K，其中矩阵中这个坐标值要么是“0”，定义为K(x,y)＝0,代表该位置像素是非边缘像素，要么是“1”，定义为K(x,y)＝1,代表该位置像素是边缘像素；
步骤3.2，已知步骤2中噪声图像I’(x)经过NSCT变换得到低频和高频子带图，由于图像的边缘大多分布在高频部分，在此只对其高频方向子带图J做处理，设高频方向子带图中的像素点为J(x,y)；
步骤3.3，根据步骤3.1中描述的边缘矩阵K定位到步骤3.2中高频方向子带图J中的边缘位置并做相应系数改变，如果高频方向子带图J中对应的边缘矩阵中的坐标K’(x,y)＝1，我们确定该像素点为边缘像素点，并且将其位置的NSCT系数放大为原来的1.5倍，如果K’(x,y)＝0，则其对应位置的NSCT(NSCT，non-subsampled contourlet transform非下采样轮廓波变化)系数值不变。由于图像经过NSCT处理会得到多个方向并且大小一样的高频子带图，因此需要这个边缘矩阵K作为基准来遍历完整个生成的所有方向的高频子带图J并做出同样的边缘位置NSCT系数处理；
步骤3.4，待步骤3.3中遍历完所有生成的高频子带图J并且已经放大了对应的边缘位置的NSCT系数，此时将步骤2中经过NSCT生成的但未做处理的低频子带图L和每个处理过的高频子带图J进行NSCT逆变换重构得到边缘增强后的噪声图像X，即待训练的噪声图像数据集在此步生成。
步骤4，将步骤3.4得到的边缘增强后的噪声图像X输入到残差去噪网络中进行训练学习残差图像Y，最终获得去噪之后的干净图像X-Y，其中这个残差去噪网络分为浅层特征提取阶段，残差模块阶段，最后重构阶段三部分，具体如下：如图2所示：
步骤4.1，设计残差去噪网络，此网络包含三部分，第一部分是第一层低层特征提取层，由conv卷积操作和ReLu激活函数构成，第二部分包含多个残差块，其中每一个残差块是由两个部分组成，第一部分是恒等映射通过Short skip connections进行残差学习，第二部分是由多个相同的卷积层部分构成进行深层的特征学习，具体由conv卷积操作特征提取，ReLu激活操作进行非线性映射，BN归一化处理这三步构成，第三部分是最后一层重构层。
步骤4.2，将步骤3.4中得到的边缘增强后的噪声图像X输入到步骤4.1中设计好的残差去噪网络的第一层,进行卷积操做浅层特征提取，其中使用3×3大小的卷积核对输入图像进行卷积操获得图像矩阵，再采用ReLu激活函数对其获得的图像矩阵进行激活，使得图像转换为非线性映射，即获得激活之后的64通道数的图像矩阵T0；
步骤4.3，将步骤4.2中获得的图像矩阵T0输入到残差去噪网络中的第二部分，即中间具有5层相同结构且依次连接的残差模块进行深层的特征映射，首先，将其图像矩阵T0输入到第一个残差块RB1经过conv+ReLu+BN联合操作进行特征学习得到图像矩阵T1，接着将T0和T1进行特征融合得到第一个残差块RB1与低层进行残差学习后的图像矩阵T0+T1，此时将图像矩阵T1输入到第二个残差块RB2做和第一个残差块RB1同样的处理过程得到对应的图像矩阵T2，然后将T2和T0+T1进行特征融合得到第二个残差块与低层进行残差学习后的图像矩阵为T0+T1+T2，此时将T2输入到下一个残差块RB3做和RB1将同样的处理过程得到对应图像矩阵，以此类推直到这5个残差模块被执行完获得这一部分最终的图像矩阵T0+T1+T2+...+T5；
步骤4.4，将步骤4.3中从这5个残差模块中一层一层进行特征映射获得的图像矩阵T0+T1+T2+...+T5输入到残差去噪网络的最后一层重构层，使用3×3卷积核进行卷积操作，将他们从特征映射转换到空间映射，即学习到噪声图像X的残差图像Y；
步骤4.5，将步骤4.4中学习到的残差图像Y在网络训练中进行进一步处理，在此处本发明中定义了MSE损失函数来进行预测判断其达到最好的学习状态，在多次训练迭代的过程中让其损失函数值越来越小，如公式(1)所示，
其中，M,N分别表示图像的长和宽，f(i,j)表示待训练的干净图像P的残差图像Q在(i,j)处的像素值，表示边缘增强后的噪声图像X经过网络训练后得到的残差图像Y在(i,j)处的像素值。
步骤4.6通过步骤4.5设定的损失函数对残差图像Y进行训练，经过若干次迭代，当损失函数值达到最小时，得到最佳的残差图像Y；
步骤4.7，根据4.5设计的损失函数训练得到最佳的残差图像Y，然后在整个网络的开始输入端和最后输出端连接一条全局跳跃连接Global skip connection进行相减操作，最终获得去噪之后的干净图像X-Y。
如图1所示：本发明采用lena图像作为示例来介绍本发明中基于边缘增强和卷积神经网络的图像去噪方法流程图，主要分为两部分，第一部分对噪声图像进行边缘增强的过程，首先使用lena噪声图像进行NLM预去噪得到NLM去噪图，再通过canny边缘检测得到其对应的边缘检测图，其次将lena噪声图像进行NSCT变换得到多个方向的高频子带图及对应系数，此时根据canny边缘检测图定位到这些高频子带图中边缘位置处，并将其边缘位置系数放大1.5倍，通过NSCT逆变换得到lena边缘增强后的噪声图像X，第二部分将lena边缘增强后的噪声图像X输入到残差网络中去学习其lena残差图像Y，最后在网络第一层输入前和最后一层输出端通过全局跳跃连接得到lena最终去噪之后的图像X-Y。
如图2所示：同样使用lena图说明本发明中基于边缘增强和卷积神经网络图像去噪方法中的残差去噪网络结构图；主要分为三部分，由第一层浅层特征提取，中间第2～16层为残差模块层，最后一层为重构层得到最终空间上的图，具体将lena边缘增强后的噪声图输入网络中第一层进行conv+ReLu操作，将结果输入到拥有RB1～RB5共5个残差块的第二部分，每个残差块由3层相同结构组成，其中每层都是由conv+ReLu+BN三部分完成，其中在每一个残差块的输入端和输出之间有一个Short skip connections进行残差学习，将所有残差块完成对应特征学习后，将其结果输入到最后一部分进行conv卷积操作得到lena的残差图像Y，最后在网络的第一层输入端和网络的最后一层的输出端进行Global skipconnection进行相减操作，最终获得lena去噪之后的干净图像X-Y。
如图3所示：本发明针对上述基于边缘增强和卷积神经网络的图像去噪方法使用lena进行测试，它是采用噪声图像预处理的方式作为入口，为了避免因为去噪过度造成图像平滑的问题，首先，让图3(a)在去噪之前就对其边缘进行1.5增强得到图3(b)，将图3(b)再采用残差去噪网络进行学习训练的方式取得最终的去噪结果图3(c)。从图3(c)能明显看出了本发明的方法能够达到一个良好的去噪效果，并且去噪之后的结果图纹理保留的更多一些。

Claims (1)

1.一种基于边缘增强和卷积神经网络的图像去噪方法，其特征在于：具体包括如下步骤：
步骤1，选取n张图像作为训练样本，然后对训练样本中的每张图像进行处理，对处理后的图像进行canny边缘检测得到对应的边缘矩阵K；
所述步骤1的具体步骤为：
将训练样本中的每张图像随机分割出m×m大小的图像，并对分割后的每张m×m大小的图像进行高斯加噪得到噪声图像，再使用NLM对得到的噪声图像进行预去噪，然后对得到的预去噪结果进行canny边缘检测得到对应的边缘矩阵K；
步骤2，对步骤1中进行处理后的图像进行NSCT变换，得到低频子带图L、与低频子带图对应的NSCT系数及高频子带图J、与高频子带图对应的NSCT系数；
所述步骤2具体步骤为：
将步骤1中的噪声图像作为噪声样本，把每张噪声样本图片进行NSCT变换，得到与进行NSCT变换之前的噪声样本尺寸相同的低频子带图L和高频子带图J，及与低频子带图对应的NSCT系数和与高频子带图对应的NSCT系数；
步骤3，采用步骤1所得的边缘矩阵K对步骤2中的高频子带图J的边缘进行定位，并且将与高频子带图对应的NSCT系数进行放大，最后将定位后的高频方向子带图和步骤2所得的低频子带图进行NSCT逆变换得到最终待训练的边缘增强后的噪声图像X；
所述步骤3的具体步骤为：
步骤3.1，设当边缘矩阵K中的坐标值为0时，代表该位置像素是非边缘像素，当边缘矩阵K中的坐标值为1时，代表该位置像素是边缘像素；
步骤3.2，设高频方向子带图J中的像素点为J(x,y)；
步骤3.3，采用步骤1所得的边缘矩阵K对步骤2中的高频子带图J的边缘进行定位，当高频子带图J中对应的边缘矩阵中的点K’(x,y)＝1，则认为该像素点为边缘像素点，并且将与高频子带图对应的NSCT系数放大1.5～2倍数，当高频子带图J中对应的边缘矩阵中的点K’(x,y)＝0，则与高频子带图对应的NSCT系数不变；
步骤3.4，将步骤2所得的低频子带图L和步骤3.3处理过的高频子带图J进行NSCT逆变换重构得到待训练的边缘增强后的噪声图像X；
步骤4，将步骤3中得到的边缘增强后的噪声图像输入到残差去噪网络中进行训练学习，得到最终去噪之后的干净图像；
所述步骤4的具体步骤为：
步骤4.1，设计残差去噪网络，此网络包含三部分：
第一部分是第一层低层特征提取层，包括conv卷积操作和ReLu激活函数；第二部分包含若干层残差块，第三部分为位于最后一层的重构层；
步骤4.2，将步骤3.4中得到的边缘增强后的噪声图像X输入到步骤4.1中设计好的残差去噪网络的第一层，进行卷积操作浅层特征提取以获得图像矩阵T0，将噪声图像X从空间映射转换为特征映射中；
步骤4.3，将步骤4.2中获得的图像矩阵T0输入到残差去噪网络中的第二部分，即中间具有若干层相同结构且依次连接的残差块进行深层的特征映射获得映射后的图像矩阵T0+T1+T2+...+Tx，其中x表示网络的第x个残差块；
步骤4.4，将步骤4.3中从多个残差模块中一层一层进行特征映射获得的图像矩阵T0+T1+T2+...+Tx输入到残差去噪网络的最后一层重构层进行卷积操作，将图像矩阵T0+T1+T2+...+Tx从特征映射转换到空间映射，即学习到噪声图像X的残差图像Y；
步骤4.5，设定如下公式(1)所示的损失函数：
其中，M,N分别表示图像的长和宽，f(i,j)表示待训练的干净图像P的残差图像Q在(i,j)处的像素值，表示边缘增强后的噪声图像X经过网络训练后得到的残差图像Y在(i,j)处的像素值；
步骤4.6通过步骤4.5设定的损失函数对残差图像Y进行训练，经过若干次迭代，当损失函数值达到最小时，得到最佳的残差图像Y；
步骤4.7，根据4.6得到最佳的残差图像Y，然后在整个残差去噪网络的第一层输入端和最后一层输出端连接一条全局跳跃连接进行相减操作，获得最终去噪之后的干净图像X-Y。
CN202110212348.7A 2021-02-25 2021-02-25 一种基于边缘增强和卷积神经网络的图像去噪方法 Active CN112927151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110212348.7A CN112927151B (zh) 2021-02-25 2021-02-25 一种基于边缘增强和卷积神经网络的图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110212348.7A CN112927151B (zh) 2021-02-25 2021-02-25 一种基于边缘增强和卷积神经网络的图像去噪方法

Publications (2)

Publication Number Publication Date
CN112927151A CN112927151A (zh) 2021-06-08
CN112927151B true CN112927151B (zh) 2023-09-05

Family

ID=76171917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110212348.7A Active CN112927151B (zh) 2021-02-25 2021-02-25 一种基于边缘增强和卷积神经网络的图像去噪方法

Country Status (1)

Country Link
CN (1) CN112927151B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538277B (zh) * 2021-07-16 2024-07-23 唯智医疗科技(佛山)有限公司 一种基于神经网络的断层扫描图降噪方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550119A (zh) * 2018-03-27 2018-09-18 福州大学 一种结合边缘信息的图像去噪方法
CN109859147A (zh) * 2019-03-01 2019-06-07 武汉大学 一种基于生成对抗网络噪声建模的真实图像去噪方法
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
CN110246106A (zh) * 2019-06-22 2019-09-17 福州大学 基于量子和声搜索模糊集的nsst域浮选泡沫图像增强及去噪方法
CN110458773A (zh) * 2019-08-01 2019-11-15 南京信息工程大学 一种基于边缘增强算子的各向异性扩散噪声处理方法
CN112184563A (zh) * 2020-08-03 2021-01-05 天津大学 基于深度学习人类视网膜光学相干层析图像批量滤波方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101522757B1 (ko) * 2011-12-19 2015-05-27 삼성전기주식회사 영상의 노이즈 제거 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550119A (zh) * 2018-03-27 2018-09-18 福州大学 一种结合边缘信息的图像去噪方法
CN109859147A (zh) * 2019-03-01 2019-06-07 武汉大学 一种基于生成对抗网络噪声建模的真实图像去噪方法
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
CN110246106A (zh) * 2019-06-22 2019-09-17 福州大学 基于量子和声搜索模糊集的nsst域浮选泡沫图像增强及去噪方法
CN110458773A (zh) * 2019-08-01 2019-11-15 南京信息工程大学 一种基于边缘增强算子的各向异性扩散噪声处理方法
CN112184563A (zh) * 2020-08-03 2021-01-05 天津大学 基于深度学习人类视网膜光学相干层析图像批量滤波方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于 ＳＲＡＤ 和 ＮＳＣＴ的数字全息再现像像质改善方法;吴一全等;《中国激光》;20140228;摘要、第2节 *

Also Published As

Publication number Publication date
CN112927151A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
Tian et al. Deep learning on image denoising: An overview
JP4535125B2 (ja) 画像処理方法
CN111127354B (zh) 一种基于多尺度字典学习的单图像去雨方法
CN111368661A (zh) 一种基于图像处理的手指静脉图像增强方法
CN112991199B (zh) 一种基于残差密集网络的图像高低频分解噪声去除方法
CN113450290A (zh) 基于图像修补技术的低照度图像增强方法及系统
Vijayakumar Selective image enhancement and restoration for skin cancer identification
CN117274059A (zh) 基于图像编码-解码的低分辨率图像重构方法及其系统
CN114723630A (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
CN112819705A (zh) 一种基于网状结构与长距离相关性的真实图像去噪方法
CN112927151B (zh) 一种基于边缘增强和卷积神经网络的图像去噪方法
Sheybani An Algorithm for Real-Time Blind Image Quality Comparison and Assessment
Thanh Medical images denoising method based on total variation regularization and anscombe transform
Nnolim Single image de-hazing via multiscale wavelet decomposition and estimation with fractional gradient-anisotropic diffusion fusion
CN111598790A (zh) 基于对偶深度神经网络的高光谱遥感图像去噪方法
Jebur et al. Image denoising techniques: An overview
Zhao et al. Learning a deep convolutional network for subband image denoising
CN104616266B (zh) 一种基于广义自回归异方差模型的噪声方差估计方法
CN103745442A (zh) 基于非局部小波系数收缩的图像去噪方法
CN111652810A (zh) 一种基于小波域奇异值差分模型的图像去噪方法
CN105825480A (zh) 一种基于蓝宝石表面缺损自动化检测的图像去模糊方法
CN113379643B (zh) 基于NSST域和Res2Net网络的图像去噪方法
CN111402166A (zh) 图像去噪方法及装置、服务终端及计算机可读存储介质
Shi et al. Learning Frequency-Aware Dynamic Transformers for All-In-One Image Restoration
CN115908184B (zh) 一种摩尔纹图案的自动去除方法和装置

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