CN113393390A - 一种基于局部高斯过程回归的图像降噪方法 - Google Patents
一种基于局部高斯过程回归的图像降噪方法 Download PDFInfo
- Publication number
- CN113393390A CN113393390A CN202110624146.3A CN202110624146A CN113393390A CN 113393390 A CN113393390 A CN 113393390A CN 202110624146 A CN202110624146 A CN 202110624146A CN 113393390 A CN113393390 A CN 113393390A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- gaussian process
- noise
- image block
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 title claims abstract description 47
- 230000009467 reduction Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 239000002131 composite material Substances 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于局部高斯过程回归的图像降噪方法,首先将带噪图像分割成若干重叠的图像块,针对其中的每一个像素点,将包含局部结构相似度信息的邻域像素作为训练样本集来训练高斯过程回归模型,构造了一个复合协方差函数来度量输入数据之间的相似性,并预测相应的输出,即降噪处理后的像素值。之后对各图像块的重叠区域进行线性平滑处理,将处理后的图像块按顺序组合,重建降噪图像。本发明能有效利用图像局部结构中的相似性信息,在降噪的同时能保留原始图像中的结构信息,具有自适应性强、鲁棒性强和可靠性强等优点,能对被高斯白噪声污染的图像进行有效的降噪处理。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种基于局部高斯过程回归的图像降噪方法。
背景技术
21世纪是信息化的时代,语音和文字已经不再是单纯的信息传递形式,而是发展到包括图像、视频、数据等在内的多媒体形式。据统计,人类接收外界的信息中有70%来自于图像。随着计算机科学和图像处理技术的迅猛发展,图像已经被广泛应用于人类生产和生活的各个领域,如医学成像、人工智能、教育培训等。然而,数字图像在获取和传输的过程中不可避免地会受到噪声的影响,会破坏图像本身的结构和细节,使图像的视觉质量受到严重的影响。因此,如何去除图像中的背景噪声,是科学界研究的热点。
传统的图像去噪方法主要有变换域去噪和空间去噪两种。变换域去噪方法主要是利用傅里叶变换、离散余弦变换、小波变换等数学变换将图像块从空间域变换到频率域,并设置适当的阈值进行去噪。然而,自然图像往往具有丰富的局部结构。图像的边缘和噪声无法准确区分,这导致去噪后不同程度的细节丢失。空间去噪方法主要利用空间相邻像素之间的空间相关性,对这些相似的像素进行加权和平均来代替去噪后的像素。典型的例子有高斯滤波、双边滤波、中值滤波等。虽然这些去噪算法提供了不错的效果,但图像的细节或纹理或多或少受到了破坏。为了解决上述问题,Buades等人在2005提出了一种非局部图像去噪算法non-local means(NLM)。NLM的主要思想是将图像中具有相似邻域结构的像素加权平均,得到当前像素的估计值。然而,NLM具有相当的计算复杂度,限制了其在快速响应场景中的应用。
He He等人在《Single Image Super-Resolution using Gaussian ProcessRegression》一文中,采用基于图像块的邻域高斯过程回归方法,实现了由一幅低分辨率图像产生高分辨率图像的过程。但是该方法需要原始低分辨率图像和其模糊图像两个样本去训练高斯过程回归模型,方法较为复杂,且无法应用于图像去噪领域。
Arka Ujjal Dey等人在《Gradient Sensitive Kernel for Image Denoising,using Gaussian Process Regression》一文中,采用基于梯度敏感核函数的高斯过程回归方法,实现了对图像的去噪。但是该方法将像素点的空间坐标和对应像素值作为训练样本对,无法完全捕获邻域像素间的关联性,且去噪效果一般。
发明内容
本发明的目的在于提供一种基于局部高斯过程回归的图像降噪方法,该方法只需要原始含噪图像一个训练样本,将各像素值和其邻域像素值作为训练样本对,利用高斯过程回归模型预测去噪后的像素值。该方法能够很好地获取邻域像素间的关联性,有效去除图像中的高斯白噪声。
实现本发明目的的技术解决方案为:一种基于局部高斯过程回归的图像降噪方法,包括以下步骤:
步骤1:将含噪声样本图像I划分为n个边缘重叠的图像块Pm,m=1,2,...n,m表示当前图像块序号,初始化m=1。
进一步的,所述步骤1中,图像块的尺寸为d×d,重叠像素数为e。
步骤2:采样图像块Pm中的所有像素点集合ym={p1,p2,...ps...,pD},s为像素点p的序号,D为图像块Pm中的像素点总数,以及每个像素点的k近邻像素域集合Xm={Nk(p1),Nk(p2),...Nk(ps)...,Nk(pD)},组成训练样本对{Xm,ym}。
进一步的,所述步骤2中,k近邻像素域有如下定义:像素点p的k近邻像素域是指以p像素为中心像素的边长为k的正方形内包含的像素点集合,用Nk(p)表示,该集合不包含像素p,总数为4k2+4k。
进一步的,所述步骤2中,获得训练样本对{Xm,ym}的具体步骤为:
步骤2.1:将图像块Pm的边缘向外扩展k个像素进行填充,所填充像素值与图像边缘像素值对称分布,初始化s为1。
步骤2.2:将图像块Pm中像素按列的顺序合并成大小为D×1的向量ym,采样ym中第s个元素的k近邻像素Nk(ps),并将其按行的顺序转换为大小为1×(4k2+4k)的向量xs。
步骤2.3:判断s是否满足迭代终止条件:若满足s≥D则进入步骤2.4,否则令s=s+1,并返回步骤2.2。
步骤2.4:将(x1,x2,...xs)按列的顺序组合成大小为D×(4k2+4k)的矩阵Xm,得到训练样本对{Xm,ym}。
步骤3:基于训练样本对{Xm,ym}训练高斯过程回归模型,得到预测值f*的后验概率;
进一步的,所述步骤3中,训练高斯过程回归模型M的具体步骤为:
步骤3.1:基于图像块的噪声模型由下式定义:
Pm=f(ym)+ε
步骤3.2:高斯过程可由如下公式定义:
f(ym)~gp(m(ym),k(ymi,ymj))
其中,gp表示高斯过程分布,m(ym)为均值函数,k(ymi,ymj)为协方差函数,分别由下式定义
m(ym)=E(f(ym))
k(ymi,ymj)=E[(f(ymi)-m(ymi))(f(ymj)-m(ymj))]
E表示期望函数,i表示ym中的第i个像素,i=1,2,...,D,j表示ym中的第j个像素,j=1,2,...,D;i≠j。
步骤3.3:未被噪声污染的理想函数f(ym)和图像块Pm的联合概率分布为:
其中,预测值 为高斯分布,K(ym,ym)为D×D的协方差矩阵,Ki,j表示K(ym,ym)中第i行、第j列元素,Ki,j=k(pi,pj);pi表示图像块Pm中的所有像素点集合ym的第i个元素,pj表示图像块Pm中的所有像素点集合ym的第j个元素,I为单位矩阵。
步骤3.4:令均值函数m(ym)为零,则式(5)转换为:
进一步的,所述步骤3.2中,协方差函数定义为:
k(pi,pj)=kSE(pi,pj)+kPoly(pi,pj)
其中,kSE(pi,pj)为平方指数协方差函数,kPoly(pi,pj)为多项式协方差函数:
步骤3.5.1:所建立高斯过程回归模型的边缘条件分布p(Pm|ym)为
p(Pm|ym)=∫p(Pm|f,ym)p(f|ym)df
其中,p(Pm|f,ym),p(f|ym)均表示条件概率。
步骤3.5.3:利用梯度下降法求解极小化似然函数,如下式所示:
步骤5:将y′m按照原先位置重组为新图像块Pm′;
步骤6:判断当前迭代次数m是否满足迭代终止条件:若满足m≥n则进入步骤7,否则令m=m+1,并返回步骤2。
步骤7:将新图像块Pm′按照原先位置组合,相邻图像块的边缘重叠部分作线性平滑处理,重构得到降噪后的图像I′。
进一步的,步骤7中的线性平滑处理由下式确定:
本发明与现有技术相比,其显著优点为:
(1)本发明建立了基于图像块(patch)的高斯过程回归模型,通过建立邻域像素值之间的映射关系,有效地捕获图像局部特征。
(2)构造复合协方差函数来更好地描述像素之间的相似性。
(3)分别对噪声图像衍生出的相同大小的重叠图像块进行高斯过程回归模型训练,并预测去噪后的像素值;对相邻重叠区域进行线性平滑,将处理后的图像块重新组合为去噪图像。
附图说明
图1为本发明基于局部高斯过程回归的图像降噪方法的流程图。
图2为带噪声的图像I示意图。
图3为带噪图像I与降噪后图像I′对比图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
结合图1,本发明所述的一种基于局部高斯过程回归的图像降噪方法,包括以下步骤:
步骤1:将含噪声样本图像I划分为n个边缘重叠的图像块Pm,m=1,2,...n,m表示当前图像块序号,初始化m=1。
步骤2:采样图像块Pm中的所有像素点集合ym={p1,p2,...ps...,pD},s为像素点p的序号,D为图像块Pm中的像素点总数,以及每个像素点的k近邻像素域集合Xm={Nk(p1),Nk(p2),...Nk(ps)...,Nk(pD)},组成训练样本对{Xm,ym}。
k近邻像素域有如下定义:像素点p的k近邻像素域Nk(p)是指以p像素为中心像素的边长为k的正方形内包含的像素点集合,该集合不包含像素p,总数为4k2+4k。
获得训练样本对{Xm,ym}的具体步骤为:
步骤2.1:将图像块Pm的边缘向外扩展k个像素进行填充,所填充像素值与图像边缘像素值对称分布,初始化s为1。
步骤2.2:将图像块Pm中像素按列的顺序合并成大小为D×1的向量ym,采样ym中第s个元素的k近邻像素Nk(ps),并将其按行的顺序转换为大小为1×(4k2+4k)的向量xs。
步骤2.3:判断s是否满足迭代终止条件:若满足s≥D则进入步骤2.4,否则令s=s+1,并返回步骤2.2。
步骤2.4:将(x1,x2,...xs)按列的顺序组合成大小为D×(4k2+4k)的矩阵Xm,得到训练样本对{Xm,ym}。
训练高斯过程回归模型的具体步骤为:
步骤3.1:基于图像块的噪声模型由下式定义:
Pm=f(ym)+ε (1)
步骤3.2:高斯过程由如下公式定义:
f(ym)~gp(m(ym),k(ymi,ymj)) (2)
其中,gp表示高斯过程分布,m(ym)为均值函数,k(ymi,ymj)为协方差函数,分别由下式定义
m(ym)=E(f(ym)) (3)
k(ymi,ymj)=E[(f(ymi)-m(ymi))(f(ymj)-m(ymj))] (4)
E表示期望函数;i表示ym中的第i个像素,i=1,2,...,D,j表示ym中的第j个像素,j=1,2,...,D;i≠j。
步骤3.3:未被噪声污染的理想函数f(ym)和图像块Pm的联合概率分布为:
其中,预测值 为高斯分布,K(ym,ym)为D×D的协方差矩阵,Ki,j表示K(ym,ym)中第i行、第j列元素,Ki,j=k(pi,pj);pi表示图像块Pm中的所有像素点集合ym的第i个元素,pj表示图像块Pm中的所有像素点集合ym的第j个元素,I为单位矩阵。
协方差函数定义为:
k(pi,pj)=kSE(pi,pj)+kPoly(pi,pj) (6)
其中,kSE(pi,pj)为平方指数协方差函数,kPoly(pi,pj)为多项式协方差函数:
步骤3.3.1:所建立高斯过程回归模型的边缘条件分布p(Pm|ym)为
p(Pm|ym)=∫p(Pm|f,ym)p(f|ym)df (9)
其中,p(Pm|f,ym),p(f|ym)均表示条件概率。
步骤3.3.3:利用梯度下降法求解极小化似然函数,如下式所示:
步骤3.4:令均值函数m(ym)为零,则式(5)可变换为:
步骤5:将y′m按照原先位置重组为新图像块Pm′;
步骤6:判断当前迭代次数m是否满足迭代终止条件:若满足m≥n则进入步骤7,否则令m=m+1,并返回步骤2。
步骤7:将新图像块Pm′按照原先位置组合,相邻图像块的边缘重叠部分作线性平滑处理,重构得到降噪后的图像I′。
线性平滑处理由下式确定:
实施例1
本发明所述的一种基于局部高斯过程回归的图像降噪方法,包括一下步骤:
步骤1:将大小为256×256的含噪声样本图像I划分为3844个边缘重叠的图像块P=(P1,P2,...P3844),图像块的尺寸为14×14,重叠像素数为4,初始化当前图像块序号m=1。由图可知,由于背景噪声干扰,图像的结构和细节被极大地破坏,难以对图像进行进一步的识别和分析。
步骤2:采样图像块Pm中的所有像素点集合ym={p1,p2,...,p196}和其k=2近邻像素域集合Xm={N2(p1),N2(p1),...N2(p196)},组成训练样本对{Xm,ym}。
步骤5:将y′m按照原先位置重组为新图像块Pm′。
步骤6:判断当前迭代次数m是否满足迭代终止条件:若满足m≥n则进入步骤7,否则令m=m+1,并返回步骤2。
步骤7:将新图像块Pm′按照原先位置组合,相邻图像块的边缘重叠部分作线性平滑处理,得到降噪后的图像I′。
结合图2和图3,可以看出,含噪图像经本发明所述的基于局部高斯过程回归的图像降噪方法处理后,不仅消除了大部分噪声,并且较好的保留了原图像的细节,得到了较好的降噪滤波效果。
以上显示和描述了本发明的基本原理、主要特征及优点。本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于局部高斯过程回归的图像降噪方法,其特征在于,包括以下步骤:
步骤1:将含噪声样本图像I划分为n个边缘重叠的图像块Pm,m=1,2,...n,m表示当前图像块序号,初始化m=1,转入步骤2;
步骤2:采样图像块Pm中的所有像素点集合ym={p1,p2,…ps...,pD},s为像素点p的序号,D为图像块Pm中的像素点总数,以及每个像素点的k近邻像素域集合Xm={Nk(p1),Nk(p2),...Nk(ps)...,Nk(pD)},组成训练样本对{Xm,ym},转入步骤3;
步骤5:将y′m按照原先位置重组为新图像块P′m,转入步骤6;
步骤6:判断当前m是否满足迭代终止条件:若满足m≥n则进入步骤7,否则令m=m+1,并返回步骤2;
步骤7:将新图像块P′m按照原先位置组合,相邻图像块的边缘重叠部分作线性平滑处理,得到降噪后的图像I′。
2.如权利要求1所述的基于局部高斯过程回归的图像降噪方法,其特征在于:所述步骤1中,图像块的尺寸为d×d像素,且满足D=d×d,重叠的像素数为e。
3.如权利要求2所述的基于局部高斯过程回归的图像降噪方法,其特征在于,所述步骤2中每个像素点的k近邻像素域有如下定义:像素点p的k近邻像素域Nk(p)是指以p像素为中心像素的边长为k的正方形内包含的像素点集合,该集合不包含像素p,总数为4k2+4k。
4.如权利要求3所述的基于局部高斯过程回归的图像降噪方法,其特征在于,所述步骤2中,采样图像块Pm中的所有像素点集合ym={p1,p2,…pD},D为图像块Pm中的像素点总数,以及每个像素点的k近邻像素域集合Xm={Nk(p1),Nk(p1),...Nk(pD)},组成训练样本对{Xm,ym},具体包括以下步骤:
步骤2.1:将图像块Pm的边缘向外扩展k个像素进行填充,所填充像素值与图像边缘像素值对称分布,初始化s为1;
步骤2.2:将图像块Pm中像素按列的顺序合并成大小为D×1的向量ym,采样ym中第s个元素的k近邻像素Nk(ps),并将其按行的顺序转换为大小为1×(4k2+4k)的向量xs;
步骤2.3:判断s是否满足迭代终止条件:若满足s≥D则进入步骤2.4,否则令s=s+1,并返回步骤2.2;
步骤2.4:将(x1,x2,…xs)按列的顺序组合成大小为D×(4k2+4k)的矩阵Xm,得到训练样本对{Xm,ym}。
5.如权利要求4所述的基于局部高斯过程回归的图像降噪方法,其特征在于,所述步骤3中,基于训练样本对{Xm,ym}训练高斯过程回归模型,得到预测值f*的后验概率,包括以下步骤:
步骤3.1:基于图像块的噪声模型由下式定义:
Pm=f(ym)+ε
步骤3.2:高斯过程由如下公式定义:
f(ym)~gp(m(ym),k(ymi,ymj))
其中,gp表示高斯过程分布,m(ym)为均值函数,k(ymi,ymj)为协方差函数,分别由下式定义
m(ym)=E(f(ym))
k(ymi,ymj)=E[(f(ymi)-m(ymi))(f(ymj)-m(ymj))]
E表示期望函数;i表示ym中的第i个像素,i=1,2,...,D,j表示ym中的第j个像素,j=1,2,...,D;i≠j;
步骤3.3:未被噪声污染的理想函数f(ym)和图像块Pm的联合概率分布为:
其中,预测值 为高斯分布,K(ym,ym)为D×D的协方差矩阵,Ki,j表示K(ym,ym)中第i行、第j列元素,Ki,j=k(pi,pj);pi表示图像块Pm中的所有像素点集合ym的第i个元素,pj表示图像块Pm中的所有像素点集合ym的第j个元素,I为单位矩阵;
步骤3.4:令均值函数m(ym)为零,则式(5)转换为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624146.3A CN113393390B (zh) | 2021-06-04 | 2021-06-04 | 一种基于局部高斯过程回归的图像降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624146.3A CN113393390B (zh) | 2021-06-04 | 2021-06-04 | 一种基于局部高斯过程回归的图像降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393390A true CN113393390A (zh) | 2021-09-14 |
CN113393390B CN113393390B (zh) | 2022-08-16 |
Family
ID=77618260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110624146.3A Active CN113393390B (zh) | 2021-06-04 | 2021-06-04 | 一种基于局部高斯过程回归的图像降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393390B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875345A (zh) * | 2016-12-26 | 2017-06-20 | 浙江工业大学 | 基于奇异值权重函数的非局部tv模型图像去噪方法 |
US20190251673A1 (en) * | 2018-02-12 | 2019-08-15 | Samsung Electronics Co., Ltd. | Image processing apparatus and image processing method thereof |
CN112508810A (zh) * | 2020-11-30 | 2021-03-16 | 上海云从汇临人工智能科技有限公司 | 非局部均值盲图像去噪方法、系统及装置 |
-
2021
- 2021-06-04 CN CN202110624146.3A patent/CN113393390B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875345A (zh) * | 2016-12-26 | 2017-06-20 | 浙江工业大学 | 基于奇异值权重函数的非局部tv模型图像去噪方法 |
US20190251673A1 (en) * | 2018-02-12 | 2019-08-15 | Samsung Electronics Co., Ltd. | Image processing apparatus and image processing method thereof |
CN112508810A (zh) * | 2020-11-30 | 2021-03-16 | 上海云从汇临人工智能科技有限公司 | 非局部均值盲图像去噪方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113393390B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Attention-guided CNN for image denoising | |
Tian et al. | Deep learning on image denoising: An overview | |
McCann et al. | Convolutional neural networks for inverse problems in imaging: A review | |
WO2021077997A1 (zh) | 图像去噪的多生成器生成对抗网络学习方法 | |
Zhang et al. | Image super-resolution based on structure-modulated sparse representation | |
WO2022047625A1 (zh) | 一种图像处理方法、系统和计算机存储介质 | |
Zhang et al. | Image restoration: From sparse and low-rank priors to deep priors [lecture notes] | |
Dong et al. | Image deblurring and super-resolution by adaptive sparse domain selection and adaptive regularization | |
CN104008539B (zh) | 基于多尺度几何分析的图像超分辨率重建方法 | |
CN110782399A (zh) | 一种基于多任务cnn的图像去模糊方法 | |
CN109509160A (zh) | 一种利用逐层迭代超分辨率的分层次遥感图像融合方法 | |
CN103020898B (zh) | 序列虹膜图像超分辨率重建方法 | |
Min et al. | Blind deblurring via a novel recursive deep CNN improved by wavelet transform | |
CN107833182A (zh) | 基于特征提取的红外图像超分辨率重建方法 | |
CN111696042B (zh) | 基于样本学习的图像超分辨重建方法 | |
Chen et al. | Image denoising via deep network based on edge enhancement | |
Manimala et al. | Convolutional neural network for sparse reconstruction of MR images interposed with gaussian noise | |
Wali et al. | Recent progress in digital image restoration techniques: a review | |
CN114331913B (zh) | 基于残差注意力块的运动模糊图像复原方法 | |
Xie et al. | Super-resolution of Pneumocystis carinii pneumonia CT via self-attention GAN | |
Hua et al. | Dynamic scene deblurring with continuous cross-layer attention transmission | |
Jia et al. | Dual-complementary convolution network for remote-sensing image denoising | |
Zhang et al. | A parallel and serial denoising network | |
CN117593187A (zh) | 基于元学习和Transformer的遥感图像任意尺度超分辨率重建方法 | |
CN113393390B (zh) | 一种基于局部高斯过程回归的图像降噪方法 |
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 |