CN113327205A - 基于卷积神经网络的相位去噪网络及方法 - Google Patents
基于卷积神经网络的相位去噪网络及方法 Download PDFInfo
- Publication number
- CN113327205A CN113327205A CN202110610161.2A CN202110610161A CN113327205A CN 113327205 A CN113327205 A CN 113327205A CN 202110610161 A CN202110610161 A CN 202110610161A CN 113327205 A CN113327205 A CN 113327205A
- Authority
- CN
- China
- Prior art keywords
- phase
- module
- layer
- neural network
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 8
- 239000010410 layer Substances 0.000 claims description 124
- 238000011176 pooling Methods 0.000 claims description 52
- 238000010606 normalization Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 15
- 239000002356 single layer Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000010587 phase diagram Methods 0.000 description 5
- 238000004804 winding Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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]
Abstract
本发明公开一种基于卷积神经网络的相位去噪网络及方法,包括依次连接的输入端、编码器、解码器和输出端;输入端用于接收带噪干涉相位图像,编码器采用卷积神经网络提取带噪干涉相位图像中的相位特征,并根据相位特征预测出不含噪声的干涉相位;解码器采用与编码器对应的反卷积神经网络将不含噪声的干涉相位进行处理得到不含噪声的相位图像;输出端用于输出不含噪声的相位图像。该网络为相位去噪网络PDNNet,对包含噪声的干涉相位的图进行训练,由训练得到的神经网络去预测不含噪声的干涉相位图,达到去噪效果。基于神经网络的相位去噪算法能较好地保留相位边缘特征,能在较短时间内去除相位噪声,同时保证精度较高。
Description
技术领域
本发明涉及合成孔径雷达技术领域,特别是一种基于卷积神经网络的相位去噪网络及方法。
背景技术
相位滤波是干涉式合成孔径雷达的重要步骤,准确的相位展开需要高信噪比值,所以相位的质量好坏直接影响InSAR产品的质量。目前InSAR相位滤波方法主要分为空间域和变换域两大类。空域滤波算法主要通过卷积操作对图像进行处理,包括均值滤波和中值滤波、Lee滤波、NL-InSAR滤波等。变换域滤波算法主要是将图像从空间域转换到频域或小波域,包括GoldStein滤波、WInPF滤波、InSAR-BM3D滤波等。
传统相位滤波算法在去噪方面都有其效果,但这些算法都在一定程度上丢失了相位图的细节信息。特别在相位跃变处,传统滤波算法容易模糊其边界,使得去噪结果不准确。同时,对于传统相位滤波算法来说,结果精度越高耗时就越长,无法同时兼顾效率与滤波精度。
发明内容
有鉴于此,本发明的目的在于提供一种基于卷积神经网络的相位去噪网络及方法,该方法利用。
为达到上述目的,本发明提供如下技术方案:
本发明提供的基于卷积神经网络的相位去噪网络,包括依次连接的输入端、编码器、解码器和输出端;
所述输入端用于接收带噪干涉相位图像,所述编码器采用卷积神经网络提取带噪干涉相位图像中的相位特征,并根据相位特征预测出不含噪声的干涉相位;
所述解码器采用与编码器对应的反卷积神经网络将不含噪声的干涉相位进行处理得到不含噪声的相位图像;
所述输出端用于输出不含噪声的相位图像。
进一步,所述不含噪声的干涉相位是通过神经网络的多层卷积滤波器进行预测的。
进一步,所述编码器包括依次连接的第一模块、第二模块、第三模块和第四模块;所述第一模块、第二模块、第三模块均依次包括卷积层和归一化层、最大池化层、合并层;所述第四模块包括依次连接的卷积层和归一化层、最大池化层;
进一步,所述编码器前三次最大池化后的特征图依次与前面平均池化后具有相同尺寸的特征图合并;所述第四个模块包括依次连接的归一化层、卷积层和最大池化层。
进一步,所述解码器包括依次连接的第a模块、第b模块、第c模块、第d模块;所述第a模块、第b模块、第c模块、第d模块均包括依次连接的反卷积层、合并层、卷积层和归一化层;
进一步,所述解码器中的各个模块通过反卷积处理特征图后,与编码器对应相同尺寸的特征图进行合并再进行卷积操作。
进一步,所述输出端采用单层有效卷积输出与训练样本相同尺寸的相位图像。
本发明提供的基于卷积神经网络的相位去噪方法,包括以下步骤:
构建相位去噪网络,所述相位去噪网络包括依次连接的输入端、编码器、解码器和输出端;
获取带噪干涉相位图像并传输到输入端;
通过编码器提取带噪干涉相位图像中的相位特征,并根据相位特征预测出不含噪声的干涉相位;
通过解码器采用与编码器对应的反卷积神经网络将不含噪声的干涉相位进行处理得到不含噪声的相位图像;
通过输出端采用单层有效卷积输出与训练样本相同尺寸的相位图像。
进一步,所述编码器包括依次连接的第一模块、第二模块、第三模块和第四模块;所述第一模块、第二模块、第三模块均依次包括卷积层和归一化层、最大池化层、合并层;所述第四模块包括依次连接的卷积层和归一化层、最大池化层;
进一步,所述编码器前三次最大池化后的特征图依次与前面平均池化后具有相同尺寸的特征图合并;所述第四个模块包括依次连接的归一化层、卷积层和最大池化层。
本发明的有益效果在于:
本发明提供的基于卷积神经网络的相位去噪网络PDNNet模型,属于相位滤波卷积神经网络,该网络为相位去噪网络(PDNNet),对包含噪声的干涉相位的图进行训练,由训练得到的神经网络去预测不含噪声的干涉相位图,达到去噪效果。基于神经网络的相位去噪算法能较好地保留相位边缘特征,能在较短时间内去除相位噪声,同时保证精度较高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为网络示意图。
图2为网络结构图。
图3为网络简化结构图。
图4为预测结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例1
卷积神经网络是含有卷积层的神经网络,属于前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。通常卷积神经网络的由卷积层、批量归一化、激活函数、池化层、全连接层、输出层构成。
(1)卷积层
卷积层是卷积神经网络的基础,它通过卷积核在图上滑动进行特征提取,滑动过程中图内的每个位置共享同一通道的卷积核。图像中目标可以出现在任意位置,经过各方向平移变化后,卷积层仍能够准确提取目标特征的性质,这不仅大大减少了参数量还能节省训练时间。通过引入多个不同的卷积核可提取输入图像中各种特征信息。
在卷积计算中,卷积核由输入矩阵左上方开始,按照由左至右、由上往下的顺序。当卷积核滑动到输入矩阵某一位置时,卷积核中的矩阵元素与对应位置的输入矩阵元素相乘求和,得到输出数组中相应位置的元素。卷积层输出的三维数组称为特征图,一层卷积层中含有多少卷积核就对应输出中特征图含有多少通道。通常特征图是以形如H×W×C的矩阵形式存在的,其中H为特征图的高,W为特征图的宽,C为特征图的通道数。
对输入形状为iH×iW×1的图像,卷积核形状为kH×kW,卷积核个数为c,填充行列为pH×pW,步长为S,输出特征图为tH×tW×tC,使用填充、调整步长后特征图形状如下式(1):
tH=(iH-kH+2pH)/s+1
tW=(iW-kW+2pW)/s+1
tC=C (1)
(2)批量归一化
对卷积层来说,批量归一化一般在卷积计算之后、激活函数之前。卷积计算中一般有多个卷积核,多个卷积核对应多个输出通道,在批量归一化时,每个通道都有独立的参数,这些参数均为标量。在一个批量为b的样本中,对于单个通道,卷积层输出的高和宽分别为p和q,对该通道使用相同的均值μ和方差σ2进行归一化,如式(2)所示:
其中,ε为一个很小的常数,避免除以0,xi为单个像素点值。
(3)激活层
激活层负责对卷积层抽取的特征进行激活,由于卷积操作是由输入矩阵与卷积核矩阵进行相差的线性变化关系,需要激活层对其进行非线性映射,让输出的特征具有非线性关系,卷积网络中通常采用ReLu来充当激活函数。
(4)池化层
经过批量归一化、激活函数之后通常是池化层,池化层是一种非线性的降采样,对上一层输出的不同特征进行整合与重组,降低上一层特征图的规模。池化层的池化方法有最大池化、平均池化等。其中最大池化能够提取区域像素、特征图中局部区域内最大的值;平均池化能够提取局部区域中所有值的平均值,既降低了图像中的噪声,又保留了均匀的图像特征。
(5)全连接层
全连接层负责对卷积神经网络学习提取到的特征进行汇总,将多维的特征输入映射为二维的特征输出。
如图1所示,图1为网络结构示意图,本实施例提供的基于卷积神经网络的相位去噪网络PDNNet模型,所述相位去噪网络PDNNet包括依次连接的输入端、编码器、解码器、输出端;
所述输入端用于接收带噪干涉相位图像,所述编码器采用卷积神经网络提取带噪干涉相位图像中的相位特征,并根据相位特征预测出不含噪声的干涉相位;
所述解码器采用与编码器对应的反卷积神经网络将不含噪声的干涉相位进行处理得到不含噪声的相位图像;
所述输出端用于输出不含噪声的相位图像。
本实施例的不含噪声的干涉相位是通过神经网络的多层卷积滤波器进行预测的;
如图2所示,图2为网络结构图,本实施例提供的编码器包括依次连接的第一模块、第二模块、第三模块和第四模块;所述第一模块、第二模块、第三模块均依次包括卷积层和归一化层、最大池化层、合并层;所述第四模块包括卷积层和归一化层、最大池化层;
本实施例提供的编码器中的前三个膜块都有一个归一化层、一个卷积层、一个最大池化层以及多个平均池化层;平均池化层的个数从左到右依次递减,每一次使用平均池化层后,特征图的尺寸降低;卷积后每一次最大池化,特征图的尺寸也会减半。
本实施例提供的编码器前三次最大池化后的特征图依次与前面平均池化后具有相同尺寸的特征图合并;第四个模块则只包含归一化层、卷积层和最大池化层,最终输出低维度的特征图。
所述解码器包括依次连接的第a模块、第b模块、第c模块、第d模块;所述第a模块、第b模块、第c模块、第d模块均包括依次连接的反卷积层、合并层、卷积层和归一化层;
本实施例提供的解码器中的第一个模块即第a模块包括反卷积层、归一化层和卷积层,通过反卷积处理特征图后,与编码器对应相同尺寸的特征图进行合并再进行卷积操作;第二、三、四个模块与第一个模块处理过程相似,卷积后的特征图需要再进行一次上采样操作,与编码器和同一个模块块逆卷积得到的具有相同尺寸的特征图进行合并。
所述输出端采用单层有效卷积输出与训练样本相同尺寸的相位图像。
本实施例提供的编码器和解码器构建成一种新的深度学习网络,该网络能从输入的带噪干涉相位图像中提取相位特征,然后通过神经网络的多层卷积滤波器根据这些特征预测出不含噪声的干涉相位。
实施例2
如图3所示,本实施例提供的编码器和解码器都由4个块组成,块与块之间进行连接,编码器每个块都使用了归一化层、卷积层和降采样层。前三个块都有一个归一化层,一个卷积层,一个最大池化层,以及多个平均池化层。
平均池化层的个数从左到右依次递减,每一次使用平均池化层后,特征图的尺寸会以2次方递归减少。卷积后每一次最大池化,特征图的尺寸也会减半。
前三次最大池化后的特征图依次与前面平均池化后具有相同尺寸的特征图合并。第四个块则只包含归一化层、卷积层和最大池化层,最终输出尺寸为8×8的特征图。
本实施例提供的解码器第一个块使用了反卷积层、归一化层和卷积层,通过反卷积将特征图的尺寸乘2后,与上侧编码器对应相同尺寸的特征图进行合并再进行卷积操作。第二、三、四个块与第一个相似,卷积后的特征图需要再进行一次上采样操作,与编码器和同一个块逆卷积得到的具有相同尺寸的特征图进行合并。
最后,由单层有效卷积输出与训练样本相同尺寸的相位图像。
本实施例提供的网络所有的卷积层均为3×3,除单层卷积使用线性激活函数(Linear),其他均使用整流线性激活函数(ReLU),且步长均为1。除解码器第四个块卷积个数为32,其他所有解码器部分和编码器部分的卷积个数都为128。具体细节如表1所示:
表1:网络细节
该网络以估计相位图像和带噪相位图像之间各个像素的均方根误差(RMSE)作为训练的损失函数,如式(3)所示:
3.样本集和标签集
采用的训练集和测试集由仿真数据构成。将已有的SRTM DEM数据进行分块处理,每一块DEM数据都进行绝对相位的图像仿真。然后将得到的绝对相位图以2π为模进行缠绕,使得到的缠绕相位图分布在-π到π之间,此时不含噪声的缠绕相位图将作为标签进行网络的迭代更新。接着,添加高斯随机噪声到缠绕相位中,并将相位重新进行缠绕,最后得到不同质量的包含噪声的缠绕图像数据集。这样以此得到配对的样本集和标签集,其中70%作为训练集进行训练,30%作为测试集进行预测。
4.预测结果
实验的batch size设置为20,一共进行1000次迭代。网络训练前指定70%的样本作为输入网络的图像,网络通过样本和标签之间的损失函数值进行更新,每一次迭代结束后取剩下30%的样本作为验证集评估模型的性能。在划分数据集和测试集之前,还需要打乱数据集的顺序以此避免样本不均匀。该网络使用Adam优化器来训练网络,设置学习率为0.001,矩估计值β1设置为0.9,β2设置为0.999。1000次迭代结束后的预测结果如下图4所示,图4为预测结果,其中,图4(a)是由DEM反演得到的无噪标签图,图4(b)是添加随机噪声后得到的带噪相位图,将作为样本输入卷积神经网络,图4(c)是网络训练出的去噪相位图,图4(d)是无噪相位图与预测结果的误差图。由图4(a)和图4(c)对比可以看出,预测结果与无噪相位图形状基本一致,且能很好的保留相位边缘特征。通过图4(d)可以看出误差值大多位于-0.5到0.5之间,说明该方法具有良好的相位滤波作用。
实施例3
本实施例还提供了一种基于卷积神经网络的相位去噪方法,包括以下步骤:
构建相位去噪网络,所述相位去噪网络包括依次连接的输入端、编码器、解码器和输出端;
获取带噪干涉相位图像并传输到输入端;
通过编码器提取带噪干涉相位图像中的相位特征,并根据相位特征预测出不含噪声的干涉相位;
通过解码器采用与编码器对应的反卷积神经网络将不含噪声的干涉相位进行处理得到不含噪声的相位图像;
通过输出端采用单层有效卷积输出与训练样本相同尺寸的相位图像。
所述编码器包括依次连接的第一模块、第二模块、第三模块和第四模块;所述第一模块、第二模块、第三模块均依次包括卷积层和归一化层、最大池化层、合并层;所述第四模块包括依次连接的卷积层和归一化层、最大池化层;
所述编码器前三次最大池化后的特征图依次与前面平均池化后具有相同尺寸的特征图合并;所述第四个模块包括依次连接的归一化层、卷积层和最大池化层。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.基于卷积神经网络的相位去噪网络,其特征在于:包括依次连接的输入端、编码器、解码器和输出端;
所述输入端用于接收带噪干涉相位图像,所述编码器采用卷积神经网络提取带噪干涉相位图像中的相位特征,并根据相位特征预测出不含噪声的干涉相位;
所述解码器采用与编码器对应的反卷积神经网络将不含噪声的干涉相位进行处理得到不含噪声的相位图像;
所述输出端用于输出不含噪声的相位图像。
2.如权利要求1所述的基于卷积神经网络的相位去噪网络,其特征在于:所述不含噪声的干涉相位是通过神经网络的多层卷积滤波器进行预测的。
3.如权利要求1所述的基于卷积神经网络的相位去噪网络,其特征在于:所述编码器包括依次连接的第一模块、第二模块、第三模块和第四模块;所述第一模块、第二模块、第三模块均依次包括卷积层和归一化层、最大池化层、合并层;所述第四模块包括依次连接的卷积层和归一化层、最大池化层。
4.如权利要求1所述的基于卷积神经网络的相位去噪网络,其特征在于:所述编码器前三次最大池化后的特征图依次与前面平均池化后具有相同尺寸的特征图合并;所述第四个模块包括依次连接的归一化层、卷积层和最大池化层。
5.如权利要求1所述的基于卷积神经网络的相位去噪网络,其特征在于:所述解码器包括依次连接的第a模块、第b模块、第c模块、第d模块;所述第a模块、第b模块、第c模块、第d模块均包括依次连接的反卷积层、合并层、卷积层和归一化层。
6.如权利要求1所述的基于卷积神经网络的相位去噪网络,其特征在于:所述解码器中的各个模块通过反卷积处理特征图后,与编码器对应相同尺寸的特征图进行合并再进行卷积操作。
7.如权利要求1所述的基于卷积神经网络的相位去噪网络,其特征在于:所述输出端采用单层有效卷积输出与训练样本相同尺寸的相位图像。
8.基于卷积神经网络的相位去噪方法,其特征在于:包括以下步骤:
构建相位去噪网络,所述相位去噪网络包括依次连接的输入端、编码器、解码器和输出端;
获取带噪干涉相位图像并传输到输入端;
通过编码器提取带噪干涉相位图像中的相位特征,并根据相位特征预测出不含噪声的干涉相位;
通过解码器采用与编码器对应的反卷积神经网络将不含噪声的干涉相位进行处理得到不含噪声的相位图像;
通过输出端采用单层有效卷积输出与训练样本相同尺寸的相位图像。
9.如权利要求8所述的基于卷积神经网络的相位去噪方法,其特征在于:所述编码器包括依次连接的第一模块、第二模块、第三模块和第四模块;所述第一模块、第二模块、第三模块均依次包括卷积层和归一化层、最大池化层、合并层;所述第四模块包括依次连接的卷积层和归一化层、最大池化层。
10.如权利要求8所述的基于卷积神经网络的相位去噪方法,其特征在于:所述编码器前三次最大池化后的特征图依次与前面平均池化后具有相同尺寸的特征图合并;所述第四个模块包括依次连接的归一化层、卷积层和最大池化层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610161.2A CN113327205B (zh) | 2021-06-01 | 2021-06-01 | 基于卷积神经网络的相位去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610161.2A CN113327205B (zh) | 2021-06-01 | 2021-06-01 | 基于卷积神经网络的相位去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113327205A true CN113327205A (zh) | 2021-08-31 |
CN113327205B CN113327205B (zh) | 2023-04-18 |
Family
ID=77423099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110610161.2A Active CN113327205B (zh) | 2021-06-01 | 2021-06-01 | 基于卷积神经网络的相位去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327205B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11540798B2 (en) | 2019-08-30 | 2023-01-03 | The Research Foundation For The State University Of New York | Dilated convolutional neural network system and method for positron emission tomography (PET) image denoising |
CN117407663A (zh) * | 2023-12-15 | 2024-01-16 | 山东科技大学 | 一种基于卷积神经网络的全波形数据去噪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240391A (zh) * | 2017-06-30 | 2017-10-10 | 邢优胜 | 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔 |
WO2019014890A1 (zh) * | 2017-07-20 | 2019-01-24 | 大象声科(深圳)科技有限公司 | 一种通用的单声道实时降噪方法 |
US20200058314A1 (en) * | 2018-08-16 | 2020-02-20 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for enhancing audio signals corrupted by noise |
CN112381731A (zh) * | 2020-11-12 | 2021-02-19 | 四川大学 | 一种基于图像去噪的单帧条纹图像相位分析方法及系统 |
CN112539772A (zh) * | 2020-11-02 | 2021-03-23 | 上海大学 | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 |
CN112614081A (zh) * | 2021-02-03 | 2021-04-06 | 中国测绘科学研究院 | 干涉图去噪的方法 |
-
2021
- 2021-06-01 CN CN202110610161.2A patent/CN113327205B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240391A (zh) * | 2017-06-30 | 2017-10-10 | 邢优胜 | 一种基于模糊神经网络的主动噪声控制方法、系统及装甲车驾驶员头盔 |
WO2019014890A1 (zh) * | 2017-07-20 | 2019-01-24 | 大象声科(深圳)科技有限公司 | 一种通用的单声道实时降噪方法 |
US20200058314A1 (en) * | 2018-08-16 | 2020-02-20 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for enhancing audio signals corrupted by noise |
CN112539772A (zh) * | 2020-11-02 | 2021-03-23 | 上海大学 | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 |
CN112381731A (zh) * | 2020-11-12 | 2021-02-19 | 四川大学 | 一种基于图像去噪的单帧条纹图像相位分析方法及系统 |
CN112614081A (zh) * | 2021-02-03 | 2021-04-06 | 中国测绘科学研究院 | 干涉图去噪的方法 |
Non-Patent Citations (2)
Title |
---|
BO LI等: "Visible Infrared Cross-Modality Person Re-Identification Network Based on Adaptvie Pedestrian Alignment", 《IEEE 12TH EUROPEAN CONFERENCE ON SYNTHETIC APERTURE RADAR》 * |
LIMING PU等: ""A Phase Filtering Method with Scale Recurrent Networks for InSA", 《REMOTE SENSING》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11540798B2 (en) | 2019-08-30 | 2023-01-03 | The Research Foundation For The State University Of New York | Dilated convolutional neural network system and method for positron emission tomography (PET) image denoising |
CN117407663A (zh) * | 2023-12-15 | 2024-01-16 | 山东科技大学 | 一种基于卷积神经网络的全波形数据去噪方法 |
CN117407663B (zh) * | 2023-12-15 | 2024-03-26 | 山东科技大学 | 一种基于卷积神经网络的全波形数据去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113327205B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11537849B2 (en) | Computer-implemented method of training convolutional neural network, convolutional neural network, computer-implemented method using convolutional neural network, apparatus for training convolutional neural network, and computer-program product | |
CN110163813B (zh) | 一种图像去雨方法、装置、可读存储介质及终端设备 | |
CN113327205B (zh) | 基于卷积神经网络的相位去噪方法 | |
CN110110596B (zh) | 高光谱图像特征提取、分类模型构建及分类方法 | |
CN114581662B (zh) | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 | |
CN106408550A (zh) | 一种改进的自适应多字典学习的图像超分辨率重建方法 | |
CN102542542A (zh) | 基于非局部稀疏模型的图像去噪方法 | |
CN110111276B (zh) | 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法 | |
CN112150354B (zh) | 联合轮廓增强与去噪统计先验的单幅图像超分辨率方法 | |
CN111028265B (zh) | 一种基于迭代法构建相关滤波响应的目标跟踪方法 | |
CN109064402B (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
Zhang et al. | VST-Net: Variance-stabilizing transformation inspired network for Poisson denoising | |
Thakur et al. | PReLU and edge‐aware filter‐based image denoiser using convolutional neural network | |
CN110809126A (zh) | 一种基于自适应可变形卷积的视频帧插值方法及系统 | |
CN113744136A (zh) | 基于通道约束多特征融合的图像超分辨率重建方法和系统 | |
CN112598708A (zh) | 一种基于四特征融合和权重系数的高光谱目标跟踪方法 | |
CN110443296B (zh) | 面向高光谱图像分类的数据自适应激活函数学习方法 | |
CN116757930A (zh) | 基于残差分离注意力机制的遥感图像超分辨率方法、系统及介质 | |
CN109949321B (zh) | 基于三维Unet网络的脑部核磁共振图像组织分割方法 | |
CN112767271B (zh) | 一种基于三维变分网络的高光谱图像深度降噪的方法 | |
CN106934398A (zh) | 基于超像素聚类和稀疏表示的图像去噪方法 | |
Lepcha et al. | An efficient medical image super resolution based on piecewise linear regression strategy using domain transform filtering | |
CN115205136A (zh) | 一种基于傅里叶先验的图像去雨方法 | |
CN115294229A (zh) | 用于重建磁共振成像(mri)图像的方法及设备 | |
CN114170087A (zh) | 一种基于跨尺度低秩约束的图像盲超分辨率方法 |
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 |