CN113256508A - 一种改进的小波变换与卷积神经网络图像去噪声的方法 - Google Patents
一种改进的小波变换与卷积神经网络图像去噪声的方法 Download PDFInfo
- Publication number
- CN113256508A CN113256508A CN202110382804.2A CN202110382804A CN113256508A CN 113256508 A CN113256508 A CN 113256508A CN 202110382804 A CN202110382804 A CN 202110382804A CN 113256508 A CN113256508 A CN 113256508A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- model
- network
- noise
- 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 42
- 238000013528 artificial neural network Methods 0.000 title abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 239000006002 Pepper Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 235000002566 Capsicum Nutrition 0.000 claims description 2
- 235000016761 Piper aduncum Nutrition 0.000 claims description 2
- 235000017804 Piper guineense Nutrition 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims description 2
- 235000008184 Piper nigrum Nutrition 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种改进的小波变换与卷积神经网络图像去噪声的方法，包括如下步骤：一、对原始数字图像进行尺寸归一化、噪声添加和数据扩充；二、构建图像去噪声网络模型WTCNN，为获得含噪声图像的特征，构建小波系数模型，采用平稳小波变换SWT，将输入的含噪声图像变换为不同子带的小波系数，获得卷积神经网络的输入数据，然后构建两种图像去噪声算法相结合的模型结构；三、通过步骤二获取的较理想的去噪声模型来对真实场景下的含噪声图像进行仿真去噪，得到去噪声后的图像。本发明提高了去噪声算法的网络性能。
Description
技术领域
本发明属于数字图像处理领域，尤其是涉及一种图像去噪声的方法。
背景技术
数字图像由于其携带的信息量大、便于传输等优异的特性已成为当今社会的重要数据载体之一，同时随着数字图像技术飞速发展，人们对图像品质的要求日益提升，越来越多的研究人员和工程技术人员正在努力研究如何生成更精细、质量更佳的图像以满足人们对高质量图像的需求。图像去噪声(Image denoising)就是利用各种技术手段对图像中的噪声进行过滤或抑制以提升图像的质量，使图像可以更准确地表达出更丰富的信息，为后续的图像分割、目标识别等图像处理环节提供基础。随着众多的学者和技术人员投入到该领域的研究中，很多图像去噪声的算法己经投入到实际应用中，且不断突破当前的降噪技术的水平,使得不需要很高的硬件配置，仅通过软件算法就可以完成对于图像的处理,图像去噪声领域也因此成为计算机视觉领域非常重要的组成部分。
数字图像去噪声方法的研究一直在不断发展，现在最常见的方法是在变换域中进行图像降噪。从起初的傅里叶变换演变出来的小波变换,到如今,小波变换去噪声已经成为现在图像去噪声广泛使用的方法,以小波变换去噪声为基础,人们研究出了更多的改进型的小波变换去噪声方法,拥有更加优秀的去噪声效果，在高斯噪声的滤除方面收到了很好的效果，但是非高斯噪声还没有找到理想的小波系数模型，小波去噪声方法中,小波系数模型非常重要,只有在成功的小波系数模型上，才可能提出成功的去噪声方案。如今，图像降噪方法的研究仍在继续，随着信息时代的不断发展，深度学习已经贯穿计算机各个领城，如人工智能、图像识别、文字识别等领域，事实证明深度学习已经成为促进各个领城不断向前进步的必然趋势。随着深度学习逐渐成为机器学习领域的研究热点，深度卷积神经网络在图像特征提取与识别等领域的成功应用为解决图像去噪声问题提供了新的思路，如何获取清晰的图像是进行识别信息的前提。运用卷积神经网络学习图像的特征信息非常容易，近几年在图像去噪声技术上获得了比较好的成果。
图像去噪声是图像处理中的一项关键任务。图像不可避免被噪声破坏,一幅图像可能会同时被多种噪声污染,近年来,对去除混合噪声的研究在计算机视觉和图像处理领域变得火热起来。而且在现实应用中噪声的随机性较强,各种噪声的统计特性差别很大；噪声的形状特性不规则并且与图像信息混杂,图像的细节和边缘信息在频域多表现为高频性,这与噪声的频域特性是类似的。现实中的图像多是带噪声图像，根据图像的特点、噪声的统计特征和频谱的分布规律，往往一种去噪声方法不能满足要求，因此需要两种方法的结合。
基于以上分析，本发明提供了一种基于小波变换和卷积神经网络相结合图像去噪声的方法(WTCNN，Wavelet Transform and Convolution Neural Network)。该图像去噪声方法主要由4部分组成：小波系数模型、卷积层、残差单元模块、网络重构层。残差模块是由7个残差单元块组成的卷积神经网络，每个模块由4个预激活函数后接卷积网络组成，加快梯度在网络结构中更新从而使得本文算法在髙噪声环境下也能够取得较好的去噪声效果。每个残差单元块之间有跳跃连接，构成含噪声图像与去噪声图像的非线性映射关系，加速网络收敛。
发明内容
为了克服传统图像去噪声方法在去除噪声方面的单一性以及高噪声环境下图像可利用的信息减少等问题，本发明提供了一种基于小波变换和卷积神经网络相结合图像去噪声的方法，允许两种去噪声算法相结合，提高了去噪声算法的网络性能。
为了解决上述技术问题本发明采用如下技术方案：
一种基于小波变换和卷积神经网络相结合图像去噪声的方法，包括如下步骤：
步骤一、对数字图像进行预处理，过程如下：
1.1对图像进行尺寸归一化；
1.2为数字图像样本根据不同的噪声主要是椒盐和高斯噪声设置不同的噪声密度；
1.3将图像进行数据扩充处理；
步骤二、为获得含噪声图像的特征，构建小波系数模型，采用平稳小波变换(Stationary Wavelet Transform,SWT.)，将输入的含噪声图像变换为不同子带的小波系数，获得卷积神经网络的输入数据然后构建两种图像去噪声算法相结合的模型结构；
步骤三、通过步骤二获取的较理想的去噪声模型来对真实场景下的含噪图像进行仿真去噪，过程如下：
3.1将真实场景下的图像进行尺寸归一化和添加噪声处理；
3.2将预处理过的含噪图像输入到本文理想去噪模型中，得到去噪后的图像。
进一步，所述步骤二中，模型结构构建过程包括：
2.1构建两种图像去噪声算法相结合的模型结构，并且基于含噪声图像的小波系数样本选取不同的噪声密度对确定的网络模型进行卷积神经网络训练；
2.2选取在训练模型表现优异的超参数进行训练，用损失函数来指导整个模型的学习方向，损失函数值越小，则表示去噪声后的图像越接近原始图像；
2.3得到当前待去噪声图像对各噪声密度的输出向量，取损失函数值最小的输出向量，然后对网络模型进行参数保存；
2.4本文图像去噪理想模型结构包括小波系数模型、卷积层、残差单元模块、网络重构层；其中卷积层用于提取输入图像的图像特征，残差模块是由7个残差单元块组成的卷积神经网络，每个模块由4个预激活函数后接卷积网络组成，加快梯度在网络结构中更新从而使得本文算法在髙噪声环境下也能够取得较好的去噪声效果，网络重构层用于输出去噪声后的图像结果；
2.5其中考虑到高噪声环境下，图像内部可利用的有效信息相对较少，因此在提取和学习图像特征时使用激活函数Leaky ReLU，Leaky ReLU在网络训练过程中能够更好地保留图像的有效信息，Leaky ReLU函数的提出是基于ReLU函数的改进，它不仅具有ReLU函数的优点，而且能够修正数据分布，在网络的训练过程中使得阈值为负的神经元得到了训练和更新，这样阈值为负的神经元信息就得到了一定的保留，同时也提升了网络的拟合能力。
本发明提供的技术方案的有益效果是：
1、本发明能够针对实际应用中图像存在的噪声比较复杂，可能是多种噪声的混合，比如常见的椒盐噪声和高斯噪声的混合，或者与其他噪声的混合，能够比较有效的减少噪声。
2、本发明能够针对高噪声环境下图像可利用的信息减少的问题，做到比较有效的减少高密度噪声。
附图说明
图1是本发明的方法流程图。
图2是去噪声网络模型结构图。
图3是小波变换和卷积神经网络相结合的图像去噪声效果图，其中，(a)是原始图像，(b)是添加噪声图像；(c)是去噪方法的效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加的清楚，下面结合附图进一步说明本发明的技术方案。
参照图1～图3，一种基于小波变换和卷积神经网络相结合图像去噪声的方法，为实现提高图像去噪声网络的拟合能力和加速网络收敛，首先输入含噪声的图像，通过平稳小波变换获得含噪声图像的小波系数，获得深度卷积神经网络的输入数据，然后使用卷积层提取输入图像的图像特征，进行样本训练和学习，寻找噪声图像和无噪声图像小波系数之间的非线性映射关系，进而进行图像特征重构，输出残差图像，再通过损失函数来指导整个模型的学习方向，对损失函数进行反向迭代更新，得到理想的去噪模型，最后通过网络重构层输出去噪声后的图像结果，该模型称为小波变换和深度卷积神经网络相结合的图像去噪声方法网络结构，如图2。并将样本图像输入到此模型进行训练，在此基础上进行超参数的微调，最终得到基于小波变换和深度卷积神经网络相结合的图像去噪声算法的模型，实现对混合噪声和高密度噪声比较有效的减少。模型流程见图1，其具体实现步骤如下。
步骤1.对输入的数字图像进行预处理。
基于图像去噪声的要求，采集对应的训练数据集。
首先对数据集进行尺寸归一化，统一选取255x255像素的图片作为输入图像，对图片进行添加噪声处理，通过平稳小波变换获得含噪声图像的小波系数。
经过上述预处理后得到的结果，用于输入到上述所构建的图像去噪声算法网络进行训练。
步骤2、为获得含噪声图像的特征，构建小波系数模型，采用平稳小波变换，将输入的含噪声图像变换为不同子带的小波系数，获得卷积神经网络的输入数据然后构建两种图像去噪声算法相结合的模型结构，模型构建过程具体包括：
小波系数模型，采用平稳小波变换获得含噪声图像不同子带的小波系数，在利用SWT求变换时，首先需要对每行数据滤波，然后是对每一列进行滤波。SWT的分解公式可以用以下公式表示：
其中
和
分别表示平稳小波变换的低频分量、水平高频分量、垂直高频分量和对角分量。
和
分别表示在h0和g0之间插入(2j-1)个零。
考虑到小波变换在高斯噪声的滤除方面收到了很好的效果，但是非高斯噪声还没有找到理想的小波系数模型，小波去噪声中，小波系数模型非常重要，只有在成功的小波系数模型上，才可能提出成功的去噪声方案。本发明利用深度卷积神经网络训练样本，寻找噪声图像和无噪声图像小波系数之间的映射关系，实现特征提取。
卷积特征提取层，输入步骤1的待训练数据扩充后的图像，用于特征提取。特征提取网络将经过平稳小波变换后的小波系数cA、cH、cV、cD表示为一系列特征映射。本文去噪模型中，利用深度卷积网络进行图片特征的学习，卷积神经网络都使用3×3的卷积核，卷积步长设为1。同时在每层卷积之后，进行批量标准化，避免卷积之后出现网络内部协变量转移问题，最后通过式Leaky relu函数进行图像特征非线性映射，实现图像特征提取；
其中，γ，β表示可调参数，Z是调整参数γ，β后的分布，Znorm定义如下：
其中，ξ表示一个取值很小的参数，它是为了保证分母不为0，Znorm表示正则化，Z表示未激活前的神经元，μ，σ2分别表示样本的均值和方差，μ，σ2有如下定义：
残差单元模块。该残差单元结构由7个残差单元块串联组成，每个残差单元输出直接反馈到后续的残差单元模块中。每个残差单元块有4个卷积层，并在每个残差单元模块之间添加跳跃连接，跳跃连接使用恒等映射，从而使网络能学习到更多的图像细节特征，提升网络的去噪性能。另外将非线性激活函数Leaky ReLU移到每个卷积层(conv)的前面，实验证明这种预激活模式(pre-activation)能提高训练过程中的收敛速度，每个残差单元模块的数学表达式为：
Gv＝F(Gv-1)+Gv-1 (9)
式中：G为每个残差单元块；V为单元块的个数，V＝1，2，3...；F为残差映射函数。
损失函数计算：根据得到的残差图像计算损失函数值；
其中，ω，b表示卷积神经网络中可学习的参数，
表示N个噪声与干净图像样本，l(ω，b；Xi，Yi)表示网络预测的N个样本噪声图像Rω，b(Yi)与期望噪声图像N(Y-X)之间的均方误差即代价函数。对损失函数值进行反向迭代更新和优化，最终得出理想的去噪声模型。为了计算函数l(ω，b；Xi，Yi)的最小值，优化参数矩阵ω和参数向量b，拟采用梯度下降算法，定义如下：
步骤3：使用本文去噪声方法对数字图像进行训练和微调。在GPU加速条件下，为了获得更加准确的结果，我们对模型进行了参数的调整。经过对图像的预处理和模型初始化后，我们将图像应用到图像去噪网络模型结构中。输入的图像大小设置为255x255x3，同时将学习率初始值设为0.001，如果在训练过程中验证损失没有改善，则进行迭代下降。批量大小(batch_size)设置为256，迭代次数(epoch)设置为200，其中深度卷积网络中使用Leaky Relu作为激活函数。整体数据集的70％用来训练，剩下的30％用于测试性能。最后得到准确率最高，收敛速度较其他模型较好的模型，作为本发明最终所用的数字图像去噪声网络模型。
步骤4：本发明作为一种数字图像去噪声的方法，具体包括三个部分，图像预处理模块、图像去噪声模块和仿真图像去噪模块。
其中，图像预处理模块是将当前输入的数字图片进行尺寸归一化。尺寸归一化处理是为了更好的使输入图像类别差异更小，从而使得模型能够更好的对特征正确的提取和去噪。然后将预处理后的图像输入到图像去噪声模块。
图像去噪声模块是作用于处理图像对各输出去噪声之后的图像特征进行输出向量，并发送输出结果给图像重构模块。图像重构模块是获取当前输入图像去噪声之后的特征，将该输出特征重构，最后输出去噪声图像。
仿真图像去噪模块是把真实场景图像下的含噪图像输入到训练好的较理想的去噪模型中，最终得到去噪后的图像。
综上所述，本发明构建了一种基于小波变换和卷积神经网络相结合的图像去噪声的方法，将网络分成两个部分，小波变换部分和卷积神经网络部分，其中小波变换部分选择小波系数模型来获取卷积神经网络的输入数据；卷积神经网络部分是在深度卷积神经网络上进行的学习，在每个残差单元模块之间添加跳跃连接，并优化残差单元个数，使网络能学习到更多的图像细节特征，以提升网络的去噪声性能，同时将每个残差单元模块中的激活函数提到卷积层前面，以加速网络收敛，最后从而达到图像去噪声的目的。
凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种改进的小波变换与卷积神经网络图像去噪声的方法，其特征在于，所述方法包括如下步骤：
步骤一、对数字图像进行预处理，过程如下：
1.1对图像进行尺寸归一化；
1.2为数字图像样本根据不同的噪声主要是椒盐和高斯噪声设置不同的噪声密度；
1.3将图像进行数据扩充处理；
步骤二、为获得含噪声图像的特征，构建小波系数模型，采用平稳小波变换，将输入的含噪声图像变换为不同子带的小波系数，获得卷积神经网络的输入数据然后构建两种图像去噪声算法相结合的模型结构；
步骤三、通过步骤二获取的较理想的去噪声模型来对真实场景下的含噪图像进行仿真去噪，具体包括：
3.1将真实场景下的图像进行尺寸归一化和添加噪声处理；
3.2将预处理过的含噪图像输入到理想去噪模型中，得到去噪后的图像。
2.如权利要求1所述的改进的小波变换与卷积神经网络图像去噪声的方法，其特征在于，所述步骤二中，模型结构构建过程包括：
2.1构建两种图像去噪声算法相结合的模型结构，并且基于含噪声图像的小波系数样本选取不同的噪声密度对确定的网络模型进行卷积神经网络训练；
2.2选取在训练模型表现优异的超参数进行训练，用损失函数来指导整个模型的学习方向，损失函数值越小，则表示去噪声后的图像越接近原始图像；
2.3得到当前待去噪声图像对各噪声密度的输出向量，取损失函数值最小的输出向量，然后对网络模型进行参数保存；
2.4图像去噪声模型结构包括小波系数模型、卷积层、残差单元模块和网络重构层；其中卷积层用于提取输入图像的图像特征，残差模块是由7个残差单元块组成的卷积神经网络，每个模块由4个预激活函数后接卷积网络组成，加快梯度在网络结构中更新从而使得本文算法在髙噪声环境下也能够取得较好的去噪声效果，网络重构层用于输出去噪声后的图像结果；
2.5其中考虑到高噪声环境下，图像内部可利用的有效信息相对较少，因此在提取和学习图像特征时使用激活函数Leaky ReLU，Leaky ReLU在网络训练过程中能够更好地保留图像的有效信息，Leaky ReLU函数的提出是基于ReLU函数的改进，它不仅具有ReLU函数的优点，而且能够修正数据分布，在网络的训练过程中使得阈值为负的神经元得到了训练和更新，这样阈值为负的神经元信息就得到了一定的保留，同时也提升了网络的拟合能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110382804.2A CN113256508A (zh) | 2021-04-09 | 2021-04-09 | 一种改进的小波变换与卷积神经网络图像去噪声的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110382804.2A CN113256508A (zh) | 2021-04-09 | 2021-04-09 | 一种改进的小波变换与卷积神经网络图像去噪声的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113256508A true CN113256508A (zh) | 2021-08-13 |
Family
ID=77220501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110382804.2A Pending CN113256508A (zh) | 2021-04-09 | 2021-04-09 | 一种改进的小波变换与卷积神经网络图像去噪声的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113256508A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113852759A (zh) * | 2021-09-24 | 2021-12-28 | 豪威科技(武汉)有限公司 | 图像增强方法及拍摄装置 |
| CN113935906A (zh) * | 2021-09-06 | 2022-01-14 | 杭州电子科技大学 | 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 |
| CN114913384A (zh) * | 2022-06-24 | 2022-08-16 | 河北科技大学 | 一种目标应用的分类方法、装置和电子设备 |
| CN117076875A (zh) * | 2023-10-18 | 2023-11-17 | 中核武汉核电运行技术股份有限公司 | 一种复杂噪声背景下核信号的去噪方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038692A (zh) * | 2017-04-16 | 2017-08-11 | 南方医科大学 | 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法 |
| US20190066346A1 (en) * | 2017-08-30 | 2019-02-28 | Korea Advanced Institute Of Science And Technology | Apparatus and method for reconstructing image using extended neural network |
| CN109816599A (zh) * | 2018-12-07 | 2019-05-28 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
| CN110415180A (zh) * | 2019-06-10 | 2019-11-05 | 西安电子科技大学 | 一种基于小波卷积神经网络的sar图像去噪方法 |
| CN111612707A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于小波变换的神经网络图像去噪方法 |
-
2021
- 2021-04-09 CN CN202110382804.2A patent/CN113256508A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038692A (zh) * | 2017-04-16 | 2017-08-11 | 南方医科大学 | 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法 |
| US20190066346A1 (en) * | 2017-08-30 | 2019-02-28 | Korea Advanced Institute Of Science And Technology | Apparatus and method for reconstructing image using extended neural network |
| CN109816599A (zh) * | 2018-12-07 | 2019-05-28 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
| CN110415180A (zh) * | 2019-06-10 | 2019-11-05 | 西安电子科技大学 | 一种基于小波卷积神经网络的sar图像去噪方法 |
| CN111612707A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于小波变换的神经网络图像去噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈清江;石小涵;柴昱洲;: "基于小波变换与卷积神经网络的图像去噪算法", 应用光学, no. 02, 15 March 2020 (2020-03-15) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935906A (zh) * | 2021-09-06 | 2022-01-14 | 杭州电子科技大学 | 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 |
| CN113935906B (zh) * | 2021-09-06 | 2024-03-22 | 杭州电子科技大学 | 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 |
| CN113852759A (zh) * | 2021-09-24 | 2021-12-28 | 豪威科技(武汉)有限公司 | 图像增强方法及拍摄装置 |
| CN113852759B (zh) * | 2021-09-24 | 2023-04-18 | 豪威科技(武汉)有限公司 | 图像增强方法及拍摄装置 |
| CN114913384A (zh) * | 2022-06-24 | 2022-08-16 | 河北科技大学 | 一种目标应用的分类方法、装置和电子设备 |
| CN117076875A (zh) * | 2023-10-18 | 2023-11-17 | 中核武汉核电运行技术股份有限公司 | 一种复杂噪声背景下核信号的去噪方法 |
| CN117076875B (zh) * | 2023-10-18 | 2024-01-26 | 中核武汉核电运行技术股份有限公司 | 一种复杂噪声背景下核信号的去噪方法 |
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 | |
| CN109859147B (zh) | 一种基于生成对抗网络噪声建模的真实图像去噪方法 | |
| CN107633486B (zh) | 基于三维全卷积神经网络的结构磁共振图像去噪方法 | |
| CN113256508A (zh) | 一种改进的小波变换与卷积神经网络图像去噪声的方法 | |
| CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
| 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 | |
| Wen et al. | Image recovery via transform learning and low-rank modeling: The power of complementary regularizers | |
| CN108416753B (zh) | 一种基于非参数化交替方向乘子法的图像去噪算法 | |
| CN112801889A (zh) | 图像去噪方法、系统、设备及存储介质 | |
| Chaurasiya et al. | Deep dilated CNN based image denoising | |
| CN114820303A (zh) | 低清图像重建超分辨率人脸图像的方法、系统及存储介质 | |
| CN113763268B (zh) | 人脸图像盲修复方法及系统 | |
| CN115082336A (zh) | 一种基于机器学习的sar图像相干斑抑制方法 | |
| Lyu et al. | NSTBNet: Toward a nonsubsampled shearlet transform for broad convolutional neural network image denoising | |
| CN114283058A (zh) | 基于对抗网络和最大互信息优化的图像超分辨率重建方法 | |
| CN112381845B (zh) | 岩心图像生成方法、模型训练方法及装置 | |
| CN106934398A (zh) | 基于超像素聚类和稀疏表示的图像去噪方法 | |
| Wen et al. | The power of complementary regularizers: Image recovery via transform learning and low-rank modeling | |
| Wang et al. | Adaptive denoising for magnetic resonance image based on nonlocal structural similarity and low-rank sparse representation | |
| Cao et al. | Sparse representation of classified patches for CS-MRI reconstruction | |
| Zhou et al. | Four-directional total variation with overlapping group sparsity for image denosing | |
| İncetaş et al. | A novel image Denoising approach using super resolution densely connected convolutional networks | |
| Ruikai | Research progress in image denoising algorithms based on deep learning | |
| Fu et al. | Double enhanced residual network for biological image denoising | |
| Ouyang et al. | Research on DENOISINg of cryo-em images based on deep learning |
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 |