CN113034475A - 基于轻量级三维卷积神经网络的手指oct体数据去噪方法 - Google Patents
基于轻量级三维卷积神经网络的手指oct体数据去噪方法 Download PDFInfo
- Publication number
- CN113034475A CN113034475A CN202110339571.8A CN202110339571A CN113034475A CN 113034475 A CN113034475 A CN 113034475A CN 202110339571 A CN202110339571 A CN 202110339571A CN 113034475 A CN113034475 A CN 113034475A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- lightweight
- features
- size
- convolution
- 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.)
- Granted
Links
- 238000012014 optical coherence tomography Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000009466 transformation Effects 0.000 claims description 12
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims 2
- 238000007906 compression Methods 0.000 claims 2
- 210000001519 tissue Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G06T5/70—
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Abstract
一种基于轻量级三维卷积神经网络的手指OCT体数据去噪方法,包括如下步骤:1)构建轻量级三维卷积模块;2)构建轻量级三维卷积神经网络模型,设定参数,进行训练;3)利用训练好的轻量级三维卷积神经网络,对OCT体数据进行去噪。本发明可以对手指体数据整体进行去噪,并且将网络轻量化,减少网络训练参数,加快去噪速度。
Description
技术领域
本发明涉及OCT图像去噪领域,特别涉及一种基于轻量级三维卷积神经网络的手指OCT体数据去噪方法。
背景技术
指纹具有独特性、持久性和方便些,指纹识别技术已成为目前应用最为广泛,最成熟的一种生物特征识别技术。
光学相干层析成像技术(optical coherence tomography,OCT)是一种新型的光学成像技术,它采用弱相干光干涉仪的基本原理,检测生物组织不同深度层面对入射弱相干光的背向散射信号,经数据处理后可以对生物组织进行三维成像。然而,手指内部组织存在很多散射小颗粒,当入射光源照射手指时被组织中的散射小颗粒发生光的散射,使得不同粒子面的散射光振动在空间某位置相遇导致光的干涉,从而出现没有规律分布的颗粒状衍射图样,也就是所谓的散斑噪声。散斑噪声的出现使得图像中的某些像素随机变亮或者变灰变暗,掩盖了手指皮下组织的精细结构和重要的细节信息,降低了图像的清晰程度。因此对OCT手指图像进行去噪是非常有必要的。
手指OCT三维图像去噪技术是使用指纹进行生物识别的预处理操作,也是关键的一步,本专利提出一种基于轻量级三维卷积神经网络的手指OCT体数据去噪方法。
发明内容
为了加快手指OCT体数据整体去噪的速度,本发明提出了一种基于轻量级三维卷积神经网络的手指OCT体数据去噪方法,通过轻量级三维卷积神经网络将有噪声的OCT体数据转换成无噪声OCT体数据,并且加快去噪过程的速度。
为了实现上述目的,本发明的技术方案为:
一种基于轻量级三维卷积神经网络的手指OCT体数据去噪方法,包括如下步骤:
1)构建轻量级三维卷积模块;
2)构建轻量级三维卷积神经网络模型,设定参数,进行训练;
3)利用训练好的轻量级三维卷积神经网络,对OCT体数据进行去噪。
进一步,所述步骤1)中,网络模型的构建包括如下步骤:
(11)将卷积模块进行改进,改进后的卷积模块为:输入数据先由16个大小为3*3*3的三维卷积提取特征,接着将提取到的16种特征由16个三维深度卷积分别进行3次线性变换得到48种新特征,最后把原来的16种特征与线性变换后的48种新特征进行Concat;
(12)用改进后的轻量级卷积模块代替原来的卷积模块,使网络结构轻量化。
再进一步,所述步骤2)包括如下步骤:
(21)整个轻量三维卷积神经网络模型分为三个部分:第一部分由一个改进后的卷积模块和ReLu激活函数组成,轻量级卷积模块为:输入数据大小为256*256*1400*1,先由16个大小为3*3*3的三维卷积提取特征,接着将提取到的16种特征由16个三维深度卷积分别进行3次线性变换得到48种新特征,最后把原来的16种特征与线性变换后的48种新特征进行Concat;最终输出特征数目为256*256*1400*64。第二部分由D个轻量级增强通道注意力模块组成,每个轻量级增强通道注意力模块中,第一部分的特征输出先经过使用2个轻量级卷积模块构成的残差块学习特征,输出特征大小为256*256*1400*64;再经过使用2个轻量级卷积模块和1个三维卷积模块构成的残差块来进行压缩,输出特征大小为256*256*1400*64,最后经过通道注意力模块;通道注意力模块为:输入特征先进行全局平均池化,输出大小为1*1*1*64的特征,然后进行下采样,使用soft—shrinkage激活,再进行上采样,使用sigmoid函数激活,两次采样均使用大小为1*1*1的三维卷积核,得到大小为1*1*1*64权重特征,将上一个残差块压缩后的输出与该权重特征相乘,得到大小为256*256*1400*64的不同权重的特征;将输出特征与第一部分输出的特征结合,作为第三部分的输入。第三部分为重构模块,由一个大小为3*3*3的三维卷积构成;。最后使用一个长连接将原始OCT体数据添加到第三部分的输出中,以便学习噪声;网络的最终输出为干净的体数据;
(22)准备两组训练数据,一组是通过OCT采集到未经处理的体数据,另一组则是使用BM3D去噪算法对数据进行去噪操作;从(0,0,0)位置开始,步长为20像素,在两个数据集中分别截取大小为256*256*1400的指纹体数据,绕y轴旋转90度,180度,270度得到新的体数据;
(23)确定轻量级三维卷积神经网络的参数,将训练集中的图片载入模型进行训练,所述步骤(23)中,损失函数为真实数据与网络输出之间的平均误差;
所述步骤3)的过程如下:为了配合训练好模型的输入图像尺寸,设立一个大小为256*256*1400的窗口以步长为193依次截取原大小1800*500*1400的三维图像数据,得到一系列子图片,将子图片输入到训练好的网络中,输出为去噪后的三维图片。最后将这些子图片重新拼接成1800*500*1400的图像数据。
与现有技术相比,本发明的有益效果表现在:1、可以对手指体数据整体进行去噪,;2、将网络轻量化,减少网络训练参数,加快去噪速度。
附图说明
图1是本发明的轻量级三维卷积模块;
图2是本发明的网络架构;
图3是本发明的轻量级增强通道注意力模块;
图4是基于轻量级三维卷积神经网络的手指OCT体数据去噪方法的流程图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明:
参见图1~图4,一种基于轻量级三维卷积神经网络的手指OCT体数据去噪方法,包括如下步骤:
1)构建轻量级三维卷积模块,轻量级三维卷积的构建包括如下步骤:
(11)将卷积模块进行改进,改进后的卷积模块为:输入数据先由16个大小为3*3*3的三维卷积提取特征,接着将提取到的16种特征由16个三维深度卷积分别进行3次线性变换得到48种新特征,最后把原来的16种特征与线性变换后的48种新特征进行Concat;
(12)用改进后的轻量级卷积模块代替原来的卷积模块,使网络结构轻量化。与原来卷积模块中的标准三维卷积相比,假设输入特征的尺寸为DF×DF×DD×M,输出特征的尺寸为DF×DF×DD×N,三维卷积核提取的特征数为n,线性变化种类为s,三维卷积核和三维深度卷积和尺寸同为DK×DK×DK,处理相同输入特征,标准三维卷积计算的参数量为:(DK×DK×DK×M)×N,改进后的卷积模块中,理论计算参数量为:n×DK×DK×DK×M+(s-1)×n×DK×DK×DK,可见改进后的计算量是原来计算量的改进后的卷积模块可节省更多的参数,而且线性变化比卷积操作复杂度更低,有利于网络结构轻量化;
2)参见图2,构建轻量级三维卷积神经网络模型,设定参数,进行训练,包括如下步骤:
(21)整个轻量三维卷积神经网络模型分为三个部分:第一部分由一个改进后的卷积模块和ReLu激活函数组成,轻量级卷积模块为:输入数据大小为256*256*1400*1,先由16个大小为3*3*3的三维卷积提取特征,接着将提取到的16种特征由16个三维深度卷积分别进行3次线性变换得到48种新特征,最后把原来的16种特征与线性变换后的48种新特征进行Concat,最终输出特征数目为256*256*1400*64;第二部分由D个轻量级增强通道注意力模块组成,本发明中D取4,每个轻量级增强通道注意力模块中,第一部分的特征输出先经过使用2个轻量级卷积模块构成的残差块学习特征,输出特征大小为256*256*1400*64;再经过使用2个轻量级卷积模块和1个三维卷积模块构成的残差块来进行压缩,输出特征大小为256*256*1400*64,最后经过通道注意力模块。通道注意力模块为:输入特征先进行全局平均池化,输出大小为1*1*1*64的特征,然后进行下采样,使用soft—shrinkage激活,再进行上采样,使用sigmoid函数激活,两次采样均使用大小为1*1*1的三维卷积核,得到大小为1*1*1*64权重特征,将上一个残差块压缩后的输出与该权重特征相乘,得到大小为256*256*1400*64的不同权重的特征;将此输出特征与第一部分输出的特征结合,作为第三部分的输入,输入特征大小为256*256*1400*64,第三部分为重构模块,由一个大小为3*3*3的三维卷积构成,最后使用一个长连接将原始OCT体数据添加到第三部分的输出中,以便学习噪声,网络的最终输出为干净的体数据;
(22)准备两组训练数据,一组是通过OCT采集到未经处理的体数据,另一组则是使用BM3D去噪算法对数据进行去噪操作;从(0,0,0)位置开始,步长为20像素,在两个数据集中分别截取大小为256*256*1400的指纹体数据,绕y轴旋转90度,180度,270度得到新的体数据;
(23)确定轻量级三维卷积神经网络的参数,将训练集中的图片载入模型进行训练,所述步骤(23)中,损失函数为真实数据与网络输出之间的平均误差;
3)利用训练好的轻量级三维卷积神经网络,对OCT体数据进行去噪,过程如下:
为了配合训练好模型的输入图像尺寸,设立一个大小为256*256*1400的窗口以步长为193依次截取原大小1800*500*1400的三维图像数据,得到一系列子图片,将子图片输入到训练好的网络中,输出为去噪后的三维图片。最后将这些子图片重新拼接成1800*500*1400的图像数据。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (4)
1.一种基于轻量级三维卷积神经网络的手指OCT体数据去噪方法,其特征在于,所述方法包括如下步骤:
1)构建轻量级三维卷积模块;
2)构建轻量级三维卷积神经网络模型,设定参数,进行训练;
3)利用训练好的轻量级三维卷积神经网络,对OCT体数据进行去噪。
2.根据权利要求1所述的轻量级三维卷积神经网络的手指OCT体数据去噪方法,其特征在于,所述步骤1)包括如下步骤:
(11)将卷积模块进行改进,改进后的卷积模块为:输入数据先由16个大小为3*3*3的三维卷积提取特征,接着将提取到的16种特征由16个三维深度卷积分别进行3次线性变换得到48种新特征,最后把原来的16种特征与线性变换后的48种新特征进行Concat;
3.根据权利要求1或2所述的轻量级三维卷积神经网络的手指OCT体数据去噪方法,其特征在于,所述步骤2)包括如下步骤:
(21)整个轻量三维卷积神经网络模型分为三个部分:第一部分由一个改进后的卷积模块和ReLu激活函数组成,轻量级卷积模块为:输入数据大小为256*256*1400*1,先由16个大小为3*3*3的三维卷积提取特征,接着将提取到的16种特征由16个三维深度卷积分别进行3次线性变换得到48种新特征,最后把原来的16种特征与线性变换后的48种新特征进行Concat,最终输出特征数目为256*256*1400*64;第二部分由D个轻量级增强通道注意力模块组成,每个轻量级增强通道注意力模块中,第一部分的特征输出先经过使用2个轻量级卷积模块构成的残差块学习特征,输出特征大小为256*256*1400*64,再经过使用2个轻量级卷积模块和1个三维卷积模块构成的残差块来进行压缩,输出特征大小为256*256*1400*64,最后经过通道注意力模块;通道注意力模块为:输入特征先进行全局平均池化,输出大小为1*1*1*64的特征,然后进行下采样,使用soft—shrinkage激活,再进行上采样,使用sigmoid函数激活,两次采样均使用大小为1*1*1的三维卷积核,得到大小为1*1*1*64权重特征,将上一个残差块压缩后的输出与该权重特征相乘,得到大小为256*256*1400*64的不同权重的特征,将此输出特征与第一部分输出的特征结合,作为第三部分的输入,输入特征大小为256*256*1400*64;第三部分为重构模块,由一个大小为3*3*3的三维卷积构成,最后使用一个长连接将原始OCT体数据添加到第三部分的输出中,以便学习噪声,网络的最终输出为干净的体数据;
(22)准备两组训练数据,一组是通过OCT采集到未经处理的体数据,另一组则是使用BM3D去噪算法对数据进行去噪操作;从(0,0,0)位置开始,步长为20像素,在两个数据集中分别截取大小为256*256*1400的指纹体数据,绕y轴旋转90度,180度,270度得到新的体数据;
(23)确定轻量级三维卷积神经网络的参数,将训练集中的图片载入模型进行训练,所述步骤(23)中,损失函数为真实数据与网络输出之间的平均误差;
4.根据权利要求1或2所述的轻量级三维卷积神经网络的手指OCT体数据去噪方法,其特征在于,所述步骤3)包括如下过程:
为了配合训练好模型的输入图像尺寸,设立一个大小为256*256*1400的窗口以步长为193依次截取原大小1800*500*1400的三维图像数据,得到一系列子图片,将子图片输入到训练好的网络中,输出为去噪后的三维图片,最后将这些子图片重新拼接成1800*500*1400的图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110339571.8A CN113034475B (zh) | 2021-03-30 | 2021-03-30 | 基于轻量级三维卷积神经网络的手指oct体数据去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110339571.8A CN113034475B (zh) | 2021-03-30 | 2021-03-30 | 基于轻量级三维卷积神经网络的手指oct体数据去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034475A true CN113034475A (zh) | 2021-06-25 |
CN113034475B CN113034475B (zh) | 2024-04-19 |
Family
ID=76453003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110339571.8A Active CN113034475B (zh) | 2021-03-30 | 2021-03-30 | 基于轻量级三维卷积神经网络的手指oct体数据去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034475B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330643A (zh) * | 2022-10-13 | 2022-11-11 | 中国石油大学(华东) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087255A (zh) * | 2018-07-18 | 2018-12-25 | 中国人民解放军陆军工程大学 | 一种基于混合损失的轻量级深度图像去噪方法 |
WO2019001209A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
CN110334566A (zh) * | 2019-03-22 | 2019-10-15 | 浙江工业大学 | 一种基于三维全卷积神经网络的oct内外指纹提取方法 |
CN111862020A (zh) * | 2020-07-13 | 2020-10-30 | 南方科技大学 | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 |
-
2021
- 2021-03-30 CN CN202110339571.8A patent/CN113034475B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019001209A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
CN109087255A (zh) * | 2018-07-18 | 2018-12-25 | 中国人民解放军陆军工程大学 | 一种基于混合损失的轻量级深度图像去噪方法 |
CN110334566A (zh) * | 2019-03-22 | 2019-10-15 | 浙江工业大学 | 一种基于三维全卷积神经网络的oct内外指纹提取方法 |
CN111862020A (zh) * | 2020-07-13 | 2020-10-30 | 南方科技大学 | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330643A (zh) * | 2022-10-13 | 2022-11-11 | 中国石油大学(华东) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 |
CN115330643B (zh) * | 2022-10-13 | 2022-12-30 | 中国石油大学(华东) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113034475B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Scetbon et al. | Deep k-svd denoising | |
CN114140353B (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
Gai et al. | New image denoising algorithm via improved deep convolutional neural network with perceptive loss | |
CN111062880A (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
Kolesnikov et al. | PixelCNN models with auxiliary variables for natural image modeling | |
CN112818764B (zh) | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 | |
CN111043988B (zh) | 一种基于图形学和深度学习的单张条纹投影测量方法 | |
Yao et al. | CGNet: Detecting computer-generated images based on transfer learning with attention module | |
CN108765540B (zh) | 一种基于图像与集成学习的重光照方法 | |
Tripathi | Facial image noise classification and denoising using neural network | |
Li et al. | Speckle noise removal based on structural convolutional neural networks with feature fusion for medical image | |
CN113034475B (zh) | 基于轻量级三维卷积神经网络的手指oct体数据去噪方法 | |
Zhang et al. | Face recognition under varying illumination based on singular value decomposition and retina modeling | |
Tiwari | A pattern classification based approach for blur classification | |
CN115346091B (zh) | 一种Mura缺陷图像数据集的生成方法和生成装置 | |
Pu et al. | Phase Retrieval Based on Enhanced Generator Conditional Generative Adversarial Network | |
Ji et al. | Generative adversarial network for image deblurring using content constraint loss | |
Zhang | Face Feature Extraction Algorithm Based on Wavelet Transform and CNN | |
Bulygin et al. | Convolutional neural network in the images colorization problem | |
Yi et al. | A SAR Denoising Network Based on Generative Adversarial Learning | |
Hu et al. | MAUN: Memory-Augmented Deep Unfolding Network for Hyperspectral Image Reconstruction | |
Bulygin et al. | Application of a deep convolutional neural network in the images colorization problem | |
Cheng et al. | Image Processing Algorithm of Packing Design Based on Artificial Intelligence | |
Yuan et al. | Motion-blurry Image Restoration Method for Detecting Surface Defects of Wood Veneer |
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 |