CN113450285A - 一种去除图像中对抗扰动的方法 - Google Patents
一种去除图像中对抗扰动的方法 Download PDFInfo
- Publication number
- CN113450285A CN113450285A CN202110813370.7A CN202110813370A CN113450285A CN 113450285 A CN113450285 A CN 113450285A CN 202110813370 A CN202110813370 A CN 202110813370A CN 113450285 A CN113450285 A CN 113450285A
- Authority
- CN
- China
- Prior art keywords
- image
- disturbance
- component
- low
- rank
- 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 50
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000013145 classification model Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 230000007123 defense Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 241000596212 Vulpes lagopus Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001326371 Canis lupus arctos Species 0.000 description 1
- 241000238633 Odonata Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种去除图像中对抗扰动的方法，包括以下步骤：步骤一、将扰动图像分解为若干单通道图像
步骤二、用鲁棒主成分分析模型将所述单通道图像分解为低秩分量L和稀疏分量S；步骤三、用小波阈值去噪法处理所述低秩分量L与稀疏分量S获得去扰动低秩图像L′和去扰动稀疏图像S′；步骤四、将去扰动的低秩图像L′与稀疏图像S′相加，得到单通道去扰动图像X′，即X′＝L′+S′；步骤五、将所有所述单通道去扰动图像进行合成得到去扰动图像；本发明能够有效去除多种对抗扰动，具有良好的泛化性且能与其他去扰动方法串行使用。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种去除图像中对抗扰动的方法。
背景技术
计算机视觉领域作为人工智能的重要分支，在近几年发展迅速，众多基于深度神经网络(Deep Neural Network，DNN)的技术方法在各种特定任务中的表现甚至超过了人类。图像识别或图像分类作为计算机视觉领域的基础，对其发展具有很大影响，然而近年的研究表明，存在一类肉眼难以察觉的非随机噪声，能够显著地影响图像分类模型对图像的分类结果[1]。当这一类微弱噪声叠加在图像上时，原本能被模型正确分类的图像会有很大的概率被错误分类，这一现象极有可能对计算机视觉领域的各种应用(如人脸识别、自动驾驶等)造成危害。在图像分类任务中，常见的生成图像对抗扰动(下称“攻击”)的方法包括FGSM(Fast Gradient Sign Method)[2],BIM(Basic Iterative Method)[3],DeepFool[4],C&W(Carlini&Wagner)[5]和JSMA(Jacobian Saliency Map Attack)[6]等。
为预防对抗扰动可能带来的安全隐患，国内外学者对图像去扰动(下称“防御”)方法进行了大量研究。根据防御思路的不同，现有的防御算法可被分为三种类型。第一类是对网络模型进行对抗训练，通过使模型学习到对抗扰动的特征来增强鲁棒性。例如Kurakin等[7]在ImageNet数据集上制作对抗扰动图像并加入训练集进行训练，有效地提升了网络模型的分类准确率及对扰动的防御效果。Metzen等[8]用原图像作为正样本，扰动图像作为负样本，训练二分类的对抗扰动检测器模型。对抗训练能在一定程度上提升模型鲁棒性，但对扰动的防御效果的提升并不显著，同时还需要耗费额外的计算资源。第二类是通过修改或添加网络结构平滑模型，增强模型鲁棒性。Raghunathan等[9]通过限制目标分类网络模型中节点输出值的上下限从而限制了对抗扰动对于各节点输出的改变。Lee等[10]通过交替训练目标分类器和对抗样本生成器，以互相对抗的方式提高分类器对于对抗样本的鲁棒性。这一类方法耗费的额外计算资源较少，但不易防御灰盒攻击或白盒攻击。第三类方法是在图像分类前对图像进行预处理，通过修改图像内容削弱扰动。Jia等[11]设计压缩网络将图像进行位压缩至12比特，再用重构网络将图像重构。Shaham等[12]采用低通滤波、主成分分析、JPEG压缩、低分辨率小波逼近和软阈值小波滤波五种图像处理算法去除扰动。Prakash等[13]基于鲁棒性激活图选择像素点进行邻域替换，然后对图像进行小波滤波。此类方法一般不受攻击算法、分类模型和数据集的影响和约束，同时由于其端到端梯度不易计算，故在面对灰盒攻击或白盒攻击时也具有较好的鲁棒性。
发明内容
针对现有技术中存在的问题，本发明提供了一种去除图像中对抗扰动的方法，该方法是基于鲁棒主成分分析(Robust Principal Component Analysis,RPCA)[14]和小波去噪的图像扰动去除法相结合；利用自然图像的低秩和稀疏特性，对带有对抗扰动的自然图像从自然图像的低秩和稀疏特性入手，对自然图像中扰动图像部分进行低秩分量和稀疏分量分解，再通过小波阈值去噪法分别过滤两种分量中的扰动噪声，直到合成去扰动图像，本发明可去除多种类别的扰动噪声，具有较强的普适性，
为解决现有技术问题，本发明提供一种去除图像中对抗扰动的方法，包括以下步骤：
步骤一、将扰动图像分解为若干单通道图像
步骤二、用鲁棒主成分分析模型将所述单通道图像分解为低秩分量L和稀疏分量S；
步骤三、用小波阈值去噪法处理所述低秩分量L与稀疏分量S获得去扰动低秩图像L′和去扰动稀疏图像S′；
步骤四、将去扰动的低秩图像L′与稀疏图像S′相加，得到单通道去扰动图像X′，即X′＝L′S+′；
步骤五、将所有所述单通道去扰动图像进行合成得到去扰动图像。
进一步，所述步骤二中鲁棒主成分分析模型为：
s.t.Xc＝L+S
其中X为所述单通道图像，L为其低秩分量，λ为系数，S为其稀疏分量，rank(·)表示矩阵的秩，||·||0表示零范数。
进一步所述步骤三中用小波阈值去噪法处理所述低秩分量L与稀疏分量S的过程：
S301、通过sym8作为小波基对低秩分量L与稀疏分量S进行小波分解获得低秩分量L与稀疏分量S的小波系数；
S302、通过如下的软阈值函数分别对的小波系数进行置零或收缩处理获得小波低秩分量L1与小波稀疏分量S1；
所述软阈值函数为：
其中，z表示小波系数，T表示阈值，sign(·)表示符号函数；阈值T的大小采用BayesShrink阈值法确定阈值的公式如下：
其中，σ表示噪声的标准差，其值由人为设定；σ′表示图像信号的标准差，由BayesShrink阈值法确定，对于不同的图像会得到不同的取值；
S303、将小波低秩分量L1与小波稀疏分量S1重构，得到去扰动低秩图像L′和去扰动稀疏图像S′。
有益效果
1.本发明可以有效去除多种图像对抗扰动；
2.本发明不需要已知攻击算法及图像分类网络模型的先验信息，具有良好的泛化性；
3.本发明可以与其他对抗防御方法串行使用，获得更好的对抗防御效果。
附图说明
图1及图2为本发明提供的一种基于RPCA和小波去噪的图像对抗扰动去除方法的流程图；
图3为本发明提供的实施例2中的无扰动图像、FGSM扰动图像和去扰动图像及其在VGG16模型中的预测结果；
图4为本发明提供的实施例3中的无扰动图像、BIM扰动图像和去扰动图像及其在VGG16模型中的预测结果；
图5为本发明提供的实施例4中的无扰动图像、DeepFool扰动图像和去扰动图像及其在VGG16模型中的预测结果；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图与实例对本发明做详细的论述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
如图1及图2所示，本发明提供一种去除图像中对抗扰动的方法，包括以下步骤：
步骤一、将扰动图像分解为若干单通道图像
本发明中所述扰动图像为带有对抗扰动噪声的RGB图像或灰度图像，且会被预训练后的图像分类模型错误分类。其不带有对抗扰动噪声的原始图像能够被预训练后的图像分类模型正确分类。
所述对抗扰动噪声幅度较小，添加在无扰动图像上之后，人肉眼不易察觉其存在。
步骤二、用鲁棒主成分分析模型将所述单通道图像分解为低秩分量L和稀疏分量S；
步骤三、用小波阈值去噪法处理所述低秩分量L与稀疏分量S获得去扰动低秩图像L′和去扰动稀疏图像S′；
步骤四、将去扰动的低秩图像L′与稀疏图像S′相加，得到单通道去扰动图像X′，即X′＝L′S+′；
步骤五、将所有所述单通道去扰动图像进行合成得到去扰动图像。
所述步骤二中鲁棒主成分分析模型为：
s.t.Xc＝L+S
其中X为所述单通道图像，L为其低秩分量，λ为系数，S为其稀疏分量，rank(·)表示矩阵的秩，||·||0表示零范数。
所述步骤三中用小波阈值去噪法处理所述低秩分量L与稀疏分量S的过程：
S301、通过sym8作为小波基对低秩分量L与稀疏分量S进行小波分解获得低秩分量L与稀疏分量S的小波系数；
S302、通过如下的软阈值函数分别对的小波系数进行置零或收缩处理获得小波低秩分量L1与小波稀疏分量S1；
所述软阈值函数为：
其中，z表示小波系数，T表示阈值，sign(·)表示符号函数；阈值T的大小采用BayesShrink阈值法确定阈值的公式如下：
其中，σ表示噪声的标准差，其值由人为设定；σ′表示图像信号的标准差，由BayesShrink阈值法确定，对于不同的图像会得到不同的取值；
S303、将小波低秩分量L1与小波稀疏分量S1重构，得到去扰动低秩图像L′和去扰动稀疏图像S′。
实施例1
本发明的优选实施例的基于RPCA和小波去噪的图像扰动去除方法，参见图1及图2。为了同时说明本发明的实际去扰动效果，下文内容详细描述了本发明的实施过程及本实施例有效性的验证过程：
101：选择图像分类模型及攻击算法，制作扰动图像
102：将扰动图像分解为若干单通道图像
103：使用RPCA方法将单通道扰动图像X分解为低秩分量L和稀疏分量S；
104：使用小波阈值去噪法处理低秩分量L与稀疏分量S，得到去扰动低秩分量L′和去扰动稀疏分量S′；
105：将去扰动低秩分量L′和去扰动稀疏分量S′相加，得到单通道去扰动图像X′，即X′＝L′S+′；
106：将所有单通道去扰动图像合成，得到去扰动图像
107：将去扰动图像Xrec输入图像分类模型，验证去扰动效果。
其中，步骤101的具体步骤为：
1)选择基于深度神经网络的图像分类模型f(·)作为实施攻击及防御的目标模型，该模型输入为单幅图像，输出图像类别标签
2)选择包含单一物体的真实类别标签为ltrue的无扰动图像，然后将该图像按照图像分类模型f(·)的输入要求进行预处理，预处理后的图像为
且f(Xclean)＝ltrue；
3)选择攻击算法以图像分类模型f(·)为目标生成图像Xclean对应的扰动图像
且f(Xadv)＝ladv≠ltrue。
步骤103的具体步骤为：
1)求解如下问题，将
分解为低秩分量L和稀疏分量S：
s.t.Xc＝L+S
2)按照下式构造所述问题的拉格朗日函数将问题转化：
其中Y为拉格朗日乘子，λ和μ为权重约束，||·||*表示核范数，||·||1表示1范数，<·>表示内积，||·||F表示F范数。
3)使用EALM(Exact Augmented Languagian Multipliers)算法迭代求解L和S，第k次迭代时：
Yk+1＝Yk+μ(X-Lk-Sk)
达到最大迭代次数时停止，得到低秩分量L和稀疏分量S。
步骤104的具体步骤为：
1)将输入的低秩分量或稀疏分量进行小波分解。选择sym8作为小波基，低秩分量的分解层数设定为KL，稀疏分量的分解层数设定为KS，小波系数记为z；
2)估算预去除的扰动噪声标准差，低秩分量噪声标准差设定为σL，稀疏分量噪声标准差设定为σS，然后按照BayesShrink阈值法确定阈值：
按照如下软阈值函数对小波系数进行置零、收缩处理：
3)将处理后的分量进行小波重构，得到去扰动低秩分量L′和去扰动稀疏分量S′。
步骤107的具体为：将去扰动图像Xrec输入到图像分类模型f(·)，得到输出lrec，对比得到lrec＝ltrue≠ladv，说明成功去除对抗扰动。
实施例2
如图1及图2所示，下面结合具体的附图以及计算公式对实施例1中的方案进行详细介绍，详见下文描述：
201：选择VGG16[15]图像分类模型及攻击算法FGSM[2]，制作扰动图像
202：将扰动图像分解为三幅单通道图像
203：使用RPCA方法将单通道扰动图像X分解为低秩分量L和稀疏分量S；
204：使用小波阈值去噪法处理低秩分量L与稀疏分量S，得到去扰动低秩分量L′和去扰动稀疏分量S′；
205：将去扰动低秩分量L′和去扰动稀疏分量S′相加，得到单通道去扰动图像X′，即X′＝L′S+′；
206：将三幅单通道去扰动图像合成，得到去扰动图像
207：将去扰动图像Xrec输入VGG16模型，验证去扰动效果。
其中，步骤201的具体步骤为：
1)选择基于深度神经网络的图像分类模型VGG16作为实施攻击及防御的目标模型，该模型输入为224×224×3的单幅图像，输出图像类别标签；
2)选择包含单一物体的真实类别标签为“Volcano”的无扰动图像，然后将该图像按照图像分类模型VGG16的输入要求进行预处理，预处理后的图像为
如图3(a)所示，VGG16模型对该图像的预测结果为“Volcano”，且置信度为19.7％；
3)选择FGSM以VGG16模型为目标生成Xclean对应的扰动图像
如图3(b)所示，VGG16模型对该图像的预测结果为“Cliff”，且置信度为12.7％。
步骤203所述低秩分量L和稀疏分量S的求解过程参见实施例1，本实施例不做赘述。
步骤204的具体步骤为：
1)将输入的低秩分量或稀疏分量进行小波分解。选择sym8作为小波基，低秩分量的分解层数设定为4，稀疏分量的分解层数设定为5，小波系数记为z；
2)估算预去除的扰动噪声标准差，低秩分量噪声标准差设定为0.01，稀疏分量噪声标准差设定为0.03。阈值大小的确定及软阈值函数的公式参照实施例1，本实施例不做赘述；
3)将处理后的分量进行小波重构，得到去扰动低秩分量L′和去扰动稀疏分量S′。
步骤207的具体为：将去扰动图像Xrec输入到VGG16模型。如图3(c)，VGG16模型对该图像的预测结果为“Volcano”，且置信度为12.9％，成功去除FGSM算法生成的对抗扰动。
实施例3
如图4所示，下面选择BIM攻击算法[3]对本发明的去扰动效果进行测试。本实例实施方式基本与实施例2相同，具体实施方式及有效性验证参见实施例2，本实施例不在赘述。不同之处在于：
第一，所选无扰动图像的真实类别标签为“Fly”。如图4(a)所示，VGG16模型对该图像的预测结果为“Fly”，且置信度为38.6％。
第二，所选攻击算法为BIM，生成的扰动图像如图4(b)所示，VGG16模型对该图像的预测结果为“Dragonfly”，且置信度为26.5％。
第三，去扰动图像如图4(c)所示，VGG16模型对该图像的预测结果为“Fly”，且置信度为27.1％。说明本实施例成功去除BIM对抗扰动。
实施例4
如图5所示，下面选择DeepFool攻击算法[4]对本发明的去扰动效果进行测试。本实例实施方式基本与实施例2相同，具体实施方式及有效性验证参见实施例2，本实施例不在赘述。不同之处在于：
第一，所选无扰动图像的真实类别标签为“White fox”。如图5(a)所示，VGG16模型对该图像的预测结果为“White fox”，且置信度为29.6％。
第二，所选攻击算法为BIM，生成的扰动图像如图5b)所示，VGG16模型对该图像的预测结果为“White wolf”，且置信度为19.5％。
第三，去扰动图像如图5(c)所示，VGG16模型对该图像的预测结果为“Whitefox”，且置信度为16.6％。说明本实施例成功去除DeepFool对抗扰动。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。
Claims (2)
1.一种去除图像中对抗扰动的方法，其特征在于，包括以下步骤：
步骤一、将扰动图像分解为若干单通道图像
步骤二、用鲁棒主成分分析模型将所述单通道图像分解为低秩分量L和稀疏分量S；
步骤三、用小波阈值去噪法处理所述低秩分量L与稀疏分量S获得去扰动低秩图像L′和去扰动稀疏图像S′；
步骤四、将去扰动的低秩图像L′与稀疏图像S′相加，得到单通道去扰动图像X′，即X′＝L′S+′；
步骤五、将所有所述单通道去扰动图像进行合成得到去扰动图像。
2.根据权利要求1所述一种去除图像中对抗扰动的方法，其特征在于，所述步骤三中用小波阈值去噪法处理所述低秩分量L与稀疏分量S的过程：
S301、通过sym8作为小波基对低秩分量L与稀疏分量S进行小波分解获得低秩分量L与稀疏分量S的小波系数；
S302、通过如下的软阈值函数分别对的小波系数进行置零或收缩处理获得小波低秩分量L1与小波稀疏分量S1；
所述软阈值函数为：
其中，z表示小波系数，T表示阈值，sign(·)表示符号函数；阈值T的大小采用BayesShrink阈值法确定阈值的公式如下：
其中，σ表示噪声的标准差，其值由人为设定；σ′表示图像信号的标准差，由BayesShrink阈值法确定，对于不同的图像会得到不同的取值；
S303、将小波低秩分量L1与小波稀疏分量S1重构，得到去扰动低秩图像L′和去扰动稀疏图像S′。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110813370.7A CN113450285A (zh) | 2021-07-19 | 2021-07-19 | 一种去除图像中对抗扰动的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110813370.7A CN113450285A (zh) | 2021-07-19 | 2021-07-19 | 一种去除图像中对抗扰动的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113450285A true CN113450285A (zh) | 2021-09-28 |
Family
ID=77816570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110813370.7A Pending CN113450285A (zh) | 2021-07-19 | 2021-07-19 | 一种去除图像中对抗扰动的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113450285A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440631A (zh) * | 2013-09-02 | 2013-12-11 | 西安电子科技大学 | 基于低秩分解的ct序列图像复原方法 |
| CN105260995A (zh) * | 2015-12-01 | 2016-01-20 | 苏州大学 | 一种图像修复与去噪方法及系统 |
| CN109919872A (zh) * | 2019-03-06 | 2019-06-21 | 山东大学 | 一种图像复原方法、系统、可读存储介质及计算机设备 |
| CN110132403A (zh) * | 2019-04-02 | 2019-08-16 | 天津大学 | 一种基于eemd和小波阈值的真空泵振动信号降噪方法 |
-
2021
- 2021-07-19 CN CN202110813370.7A patent/CN113450285A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440631A (zh) * | 2013-09-02 | 2013-12-11 | 西安电子科技大学 | 基于低秩分解的ct序列图像复原方法 |
| CN105260995A (zh) * | 2015-12-01 | 2016-01-20 | 苏州大学 | 一种图像修复与去噪方法及系统 |
| CN109919872A (zh) * | 2019-03-06 | 2019-06-21 | 山东大学 | 一种图像复原方法、系统、可读存储介质及计算机设备 |
| CN110132403A (zh) * | 2019-04-02 | 2019-08-16 | 天津大学 | 一种基于eemd和小波阈值的真空泵振动信号降噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 雷辉等: "小波阈中的自适应模糊阈值图像去噪", 《计算技术与自动化》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hosseini et al. | Google's cloud vision api is not robust to noise | |
| WO2018166438A1 (zh) | 图像处理方法、装置及电子设备 | |
| WO2018153322A1 (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
| CN109961444B (zh) | 图像处理方法、装置及电子设备 | |
| CN109543760B (zh) | 基于图像滤镜算法的对抗样本检测方法 | |
| CN113379618B (zh) | 基于残差密集连接和特征融合的光学遥感图像去云方法 | |
| CN110827265B (zh) | 基于深度学习的图片异常检测方法 | |
| CN113627543B (zh) | 一种对抗攻击检测方法 | |
| CN114078201B (zh) | 多目标类别对抗样本生成方法及相关设备 | |
| CN111539916A (zh) | 一种对抗鲁棒的图像显著性检测方法及系统 | |
| CN114821432B (zh) | 基于离散余弦变换的视频目标分割对抗攻击方法 | |
| CN114626042B (zh) | 一种人脸验证攻击方法和装置 | |
| Kaur | A review on image enhancement with deep learning approach | |
| CN115240240A (zh) | 基于yolo网络的红外人脸识别方法及系统 | |
| CN115358952B (zh) | 一种基于元学习的图像增强方法、系统、设备和存储介质 | |
| CN113450285A (zh) | 一种去除图像中对抗扰动的方法 | |
| Anwar et al. | A neural network approach to edge detection using adaptive neuro-fuzzy inference system | |
| CN114998124A (zh) | 面向目标检测的图像清晰化处理方法 | |
| CN113487506A (zh) | 基于注意力去噪的对抗样本防御方法、装置和系统 | |
| Ali et al. | A deep convolutional neural wavelet network for classification of medical images | |
| AKINTOYE et al. | COMPOSITE MEDIAN WIENER FILTER BASED TECHNIQUE FOR IMAGE ENHANCEMENT. | |
| Soni et al. | To Propose an improvement in Zhang-Suen algorithm for image thinning in image processing | |
| CN116645727B (zh) | 一种基于Openpose模型算法的行为捕捉识别方法 | |
| Panigrahi et al. | Texture image classification using neurofuzzy approach | |
| Chen et al. | An image denoising method of picking robot vision based on feature pyramid network |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210928 |
|
| WD01 | Invention patent application deemed withdrawn after publication |