CN113792640B - 基于DenseNet的海洋遥感图像噪声识别方法 - Google Patents
基于DenseNet的海洋遥感图像噪声识别方法 Download PDFInfo
- Publication number
- CN113792640B CN113792640B CN202111044073.7A CN202111044073A CN113792640B CN 113792640 B CN113792640 B CN 113792640B CN 202111044073 A CN202111044073 A CN 202111044073A CN 113792640 B CN113792640 B CN 113792640B
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- remote sensing
- network
- sensing image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于DenseNet的海洋遥感图像噪声识别方法,包括步骤:获取海洋遥感图像,对海洋遥感图像进行多尺度特征提取,通过提取浅层特征的信息构建噪声图像数据集;对海洋遥感图像信息进行分析,将海洋遥感图像使用高频分解进行预处理;对DenseNet网络进行改进,增加网络底层的语义信息并与高级语义信息进行融合,形成一个新的特征增强块;将步骤S103所获得的特征增强块改进为Dense Block模块,在其网络结构中增加密集连接的密集块,再将形成的新的网络输入到注意力机制网络中;将改进后的Dense Block模块与DenseNet网络进行结合,获得海洋遥感图像识别后的噪声图像。所述方法具有计算复杂度低、去噪时间短、效果好的优点。
Description
技术领域
本发明涉及遥感图像噪声识别技术领域,尤其涉及一种基于DenseNet的海洋遥感图像噪声识别方法。
背景技术
在过去的时间里,基于传统图像处理技术的海洋遥感图像噪声识别技术取得了很大的进步。然而,由于海洋遥感图像的复杂性,能否准确的对图像噪声进行识别仍是目前一个具有挑战性的问题。噪声识别过程中会存在许多困难,比如,在对海上遥感图像进行获取和传输的过程中,往往会受到不同噪声带来的影响,这样对于后续的图像处理会造成不好的影响。为了获取清晰、含有丰富细节信息的海上遥感图像,需要将获取到的原始图像进行噪声识别处理。现有的图像噪声识别的算法还有很多不足之处,大部分噪声识别的算法假设图像中只存在单一类型的噪声,并且用来仿真的图像噪声参数过高。因此对于混合噪声以及低强度噪声的分析,更是目前噪声识别领域中有待完善的问题。
发明内容
鉴于此,本发明的目的在于提供一种基于DenseNet的海洋遥感图像噪声识别方法,以克服或至少部分解决现有技术所存在的上述问题。
为实现上述发明目的,本发明提供一种基于DenseNet的海洋遥感图像噪声识别方法,该方法包括以下步骤:
S101、获取海洋遥感图像,对海洋遥感图像进行多尺度特征提取,通过提取浅层特征的信息构建噪声图像数据集;
S102、对海洋遥感图像信息进行分析,将海洋遥感图像使用高频分解进行预处理;
S103、对DenseNet网络进行改进,增加网络底层的语义信息并与高级语义信息进行融合,形成一个新的特征增强块;
S104、将步骤S103所获得的特征增强块改进为Dense Block模块,在其网络结构中增加密集连接的密集块,再将形成的新的网络输入到注意力机制网络中;
S105、将改进后的Dense Block模块与DenseNet网络进行结合,获得海洋遥感图像识别后的噪声图像。
进一步的,所述步骤S102具体包括:将海洋遥感图像按比例划分为训练集和测试集,提取图像的高频特征,将得到的原始图像分解为高频分量和低频分量,对高频分量进行滤波,得到海洋遥感图像的细节信息。
进一步的,所述步骤S102具体包括以下步骤:
S201、将海洋遥感图像样本数据集中的图像窗口尺寸大小进行统一设置;
S202、将步骤S201中得到的样本数据集使用低通滤波器进行滤波,分解为高频细节层和低频背景层;
S203、对DenseNet网络进行充分预训练,将高频细节层输入到图像的残差网络中。
进一步的,所述步骤S103包括以下步骤:
S301、将DenseNet网络的通道增加至3个,所述3个通道包括Channel1、Channel2和Channel3;
S302、将Channel2在Channel1的输出后使用3层卷积层;
S303、将Channel3作为Channel2的第三层卷积层输出的特征;
S304、将所有通道的特征图进行融合,得到更加有效的梯度传递。
进一步的,所述步骤S304后还包括步骤:
S305、将步骤S304中得到的特征图进行3×3卷积操作,卷积操作后进行批量归一化操作和ReLU操作,获得的特征图记为F1;
S306、将步骤S304中得到的特征图进行3×3卷积操作2次,卷积操作后进行批量归一化操作和ReLU操作,获得的特征图记为F2;
S307、将步骤S304中得到的特征图进行3×3卷积操作3次,卷积操作后进行批量归一化操作和ReLU操作,获得的特征图记为F3;
S308、将特征图F1、F2和F3进行特征融合,形成一个新的特征增强块。
进一步的,所述步骤S104具体包括以下步骤:
S401、将步骤S103中得到的特征增强块输入到Dense Block模块的稀疏块模块中;
S402、将Dense Block模块的一个3×3卷积拆分为一个1×3卷积和一个3×1卷积串联;
S403、使用4个Dense Block模块,第一个Dense Block模块中包含了8个1×3和8个3×1的卷积层,其中1×3和3×1的卷积层中第八个卷积层的输入是前一层的输出结果,每层输出通道数为8;
S404、在DenseNet网络中的每个3×3卷积层之后接上1×1的卷积层;
S405、每两个Dense Block模块含有一个过渡层Transition Layer,每个过渡层均包括1×1卷积、2×2的平均池化以及批量归一化;
S406、计算经过卷积后输出的特征图大小,计算式为:
其中output为输出特征图边长,input为图像输入边长,k为卷积核边长,padding为输入图像边长补0个数,S为卷积步长,设输入图像大小为N×N,DenseNet中卷积步长全为1,s为1,在不考虑padding的情况下,经过3×3卷积后输出的特征图大小为(N-2)×(N-2);
S407、将步骤S406得到的特征图通过短接线连接,每一层的输入都是前一层的输出,表示为Yl=Hl([Y0,Y1,...,Yl-1]),其中Yl表示l层的输出特征图,[Y0,Y1,...,Yl-1]表示将0到l-1层的输出特征图做通道的合并,Hl表示将合并后的特征图依次输入到密集连接的连接块中;
S408、将上一步中的特征图输入到密集连接的密集块中,并增加一个卷积核为1×1的卷积层;
S409、将上一步中得到的Dense Block模块中的每个卷积层后都加入线性修正单元ReLU作为激活函数;
S4010、将上一步中形成的新网络输入到注意力机制网络中。
进一步的,在步骤S105前,还对DenseNet网络的结构进行调整,所述调整具体包括步骤:
S501、将DenseNet网络的最后3层替换为可识别8种噪声类型的全连接层;
S502、添加一个大小为64×64的全连接层和一个ReLU层;
S503、将上一步添加的全连接层适应新的全连接层。
与现有技术相比,本发明的有益果是:
(1)在发明中采用了三种方法:特征融合、特征提取以及注意力机制。有效解决了网络过深导致计算复杂度过大的问题,减少了算法的计算时间。
(2)采用高频层分解作为预训练能够降低训练的难度,并且只使用高频层的方法能够更多地保留海洋遥感图像中的一些背景信息,还可以提升去噪的效果,同时也能够加快网络的收敛速度。
(3)采用密集连接的密集块,每一层都将之前的特征图作为输入,且结合递进思想将浅层卷积特征图依次与每个密集块提取出的深层卷积特征图短线连接形成密集块,使得网络能够更好地预测噪声分布。密集短接的结构则能够有效地降低网络的计算复杂度,减少大量的网络参数,缩短算法计算时间。
(4)加入注意力机制应用在海洋遥感图像的噪声识别任务中,能够捕捉丰富的上下文信息,从而提高去噪的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于DenseNet的海洋遥感图像噪声识别方法整体流程示意图。
图2是DenseNet网络结构示意图。
图3是Dense Block结构示意图。
图4是本发明实施例提供的改进的Dense Block结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所列举实施例只用于解释本发明,并非用于限定本发明的范围。
参照图1,本实施例提供一种基于DenseNet的海洋遥感图像噪声识别方法,将改进后的Dense Block模块与微调后的DenseNet网络结构进行结合,高效地识别图像中存在的低强度的高斯噪声及其混合噪声等常见噪声。所述方法包括以下步骤:
S101、获取海洋遥感图像,对海洋遥感图像进行多尺度特征提取,通过提取浅层特征的信息构建噪声图像数据集。
示例性地,特征的提取可以在卷积神经网络里使用卷积运算来实现。
S102、对海洋遥感图像信息进行分析,将海洋遥感图像输入到DenseNet网络中进行预处理。
S103、对DenseNet网络进行改进,增加网络底层的语义信息并与高级语义信息进行融合,形成一个新的特征增强块。所述DenseNet网络优选为DenseNet-201网络。
S104、将步骤S103所获得的特征增强块改进为Dense Block模块,在其网络结构中增加密集连接的密集块。
S105、将改进后的Dense Block模块与DenseNet网络进行结合,获得海洋遥感图像识别后的噪声图像。
具体的,步骤S102中,将海洋遥感图像按比例划分为训练集和测试集,然后提取图像的高频特征,并将得到的原始图像分解为高频和低频两个分量,并对高频分量进行滤波,从而得到海洋遥感图像的细节信息。
所述S102具体包括以下步骤:
S201、将海洋遥感图像样本数据集中的图像窗口尺寸大小进行统一设置。示例性地,所述尺寸可以设置为224*224像素。
S202、将步骤S201中得到的样本数据集使用低通滤波器进行滤波,分解为高频细节层和低频背景层。
其中,高频细节层保留的是一些灰度变化强烈的像素点,即还未被处理的像素点。经过处理图像的低频背景层中所包含的信息一样,且像素点均为0。
S203、对DenseNet网络进行充分预训练,网络的底层卷积可以高效地提取诸如边、角等边缘轮廓特征,将高频细节层输入到图像的残差网络中。
经过该步骤后,使用较少的数据进行训练就可以改变网络高层的权重,使网络学习到更加抽象的特征。由于噪声基本上都存在于高频细节层,因此将高频细节层输入到图像的残差网络中。
针对预处理训练期间可能出现第二次梯度方向重新确定这一现象,本实施例对网络进行改进,增加底层的语义信息并与高级语义信息进行融合,形成一个新的特征增强块,具体包括以下步骤:
S301、将DenseNet网络的通道增加至3个,所述3个通道包括Channel1、Channel2和Channel3。
S302、为了不引起网络参数量变大,将Channel2在Channel1的输出后使用3层卷积层。
S303、将Channel3作为Channel2的第三层卷积层输出的特征。
S304、将所有通道的特征图进行融合,得到更加有效的梯度传递。
S305、将步骤S304中得到的特征图进行3×3卷积操作,卷积操作后进行批量归一化操作和ReLU操作,获得的特征图记为F1。
S306、将步骤S304中得到的特征图进行3×3卷积操作2次,卷积操作后进行批量归一化操作和ReLU操作,获得的特征图记为F2。
S307、将步骤S304中得到的特征图进行3×3卷积操作3次,卷积操作后进行批量归一化操作和ReLU操作,获得的特征图记为F3。
S308、将特征图F1、F2和F3进行特征融合,形成一个新的特征增强块。
作为一种可选的实施方式,所述步骤S104具体包括以下步骤:
S401、将步骤S103中得到的特征增强块输入到Dense Block模块的稀疏块模块中。
S402、将Dense Block模块的一个3×3卷积拆分为一个1×3卷积和一个3×1卷积串联,此时需要训练的参数从9个缩减到了6个。
该步骤中改进后的一个Dense Block模块需要训练的参数减少了3个,为原先的1/3,在整个网络中,参数量主要集中在第2~16层,因此改进后整个网络需要训练的参数量也减少了1/3。
S403、使用4个Dense Block模块,第一个Dense Block模块中包含了8个1×3和8个3×1的卷积层,其中1×3和3×1的卷积层中第八个卷积层的输入是前一层的输出结果,每层输出通道数为8。
S404、在DenseNet网络中的每个3×3卷积层之后接上1×1的卷积层,通过减少输入到卷积层中特征图的数量,从而提升网络的运行速率。
S405、每两个Dense Block模块含有一个过渡层Transition Layer,在过渡层中,参数reduction取值为0~1,表示输出缩小为原先的多少倍。每个过渡层均包括1×1卷积、2×2的平均池化以及批量归一化。
将该步骤中的模块结构应用于下一个模块结构中,使得输出的特征图尺寸越来越小,网络的深度在逐渐加深。
S406、计算经过卷积后输出的特征图大小,计算式为:
其中output为输出特征图边长,input为图像输入边长,k为卷积核边长,padding为输入图像边长补0个数,S为卷积步长,设输入图像大小为N×N,DenseNet中卷积步长全为1,s为1,在不考虑padding的情况下,经过3×3卷积后输出的特征图大小为(N-2)×(N-2)。若图像先经过1×3的卷积后输出特征图大小为N×(N-2),再经过3×1卷积后输出的特征图大小为(N-2)×(N-2)。
S407、将步骤S406得到的特征图通过短接线连接,每一层的输入都是前一层的输出,表示为Yl=Hl([Y0,Y1,…,Yl-1]),其中Yl表示l层的输出特征图,[Y0,Y1,…,Yl-1]表示将0到l-1层的输出特征图做通道的合并,Hl表示将合并后的特征图依次输入到密集连接的连接块中。
S408、将上一步中的特征图输入到密集连接的密集块中,并增加一个卷积核为1×1的卷积层来减少参数量并降低网络的计算量。
S409、将上一步中得到的Dense Block模块中的每个卷积层后都加入线性修正单元ReLU作为激活函数,使得网络具有稀疏性,同时降低参数之间的互存关系。
S4010、将上一步中形成的新网络输入到注意力机制网络中。
传统网络在第l层的输出为:
Y=Rl(ml-1)
其中Y表示最终输出特征图,ml表示第l层的输出特征图。在DenseNet中,会连接该层前面的所有层作为输入,表示为:
Y=Rl([m0,m1,…,ml-1])
其中,Rl()表示的是非线性转换函数,其中包括一系列的BN、ReLU、Pooling以及Conv操作。
作为一种可选的实施方式,在步骤S105前,还对DenseNet网络的结构进行调整,所述调整具体包括步骤:
S501、将DenseNet网络的最后3层替换为可识别8种噪声类型的全连接层。即将原先可识别1000类目录的全连接层替换为可识别8种噪声类型的全连接层,即将原先的707~709层替换为微调后的709~711层。
S502、添加一个大小为64×64的全连接层和一个ReLU层。其中所述全连接层为第707层,ReLU层为第708层。
S503、将上一步添加的全连接层适应新的可识别8种噪声类型的全连接层。
在本发明的具体实施例中,通过海洋遥感图像构建噪声图像数据集,选择海洋遥感图像数据集中的150张图像,将其尺寸调整为224*224*3,并根据前述实施例所述的方法对噪声图像数据集进行了一系列处理,提取出噪声图像的可视化统计特征图,经微调DenseNet网络结构及训练参数,将可视化统计特诊图像输入网络进行训练,输出网络分类结果。图2为DenseNet的网络结构示意图,图3为Dense Block结构示意图,图4为改进的Dense Block结构示意图。在采用相同的噪声图像数据集的基础上,将所述方法与其他图像噪声识别算法如BM3D,小波去噪等进行比较,根据表1,通过比较可以发现,基于DenseNet的图像噪声识别的效果更好,可以较好的保留原始图像的边缘清晰度,泛化能力好,解决了噪声图像的问题。
表1
海洋遥感图像是通过微波遥感技术得到的图像。这种图像不会受到光线的干扰,穿透能力强,能够不分时间段进行工作,但是在进行海洋遥感图像的相干处理时,混合噪声的干扰是不可避免的,因此对海洋遥感图像混合噪声的识别是不可或缺的一步。本发明所提供的基于DenseNet的图像噪声识别算法根据不同噪声具有不同统计特性,对图像的统计特性也会产生不同影响的特性,使用卷积神经网络对图像的可视化统计特征进行训练而分类识别出不同噪声的类型与强度。通过改进后的DenseNet结构降低了时间与空间的复杂度,解决了训练时容易出现的第二次梯度方向重新确定问题,使得网络训练更加平稳。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (5)
1.一种基于DenseNet的海洋遥感图像噪声识别方法,其特征在于,所述方法包括以下步骤:
S101、获取海洋遥感图像,对海洋遥感图像进行多尺度特征提取,通过提取浅层特征的信息构建噪声图像数据集;
S102、对海洋遥感图像信息进行分析,将海洋遥感图像使用高频分解进行预处理;
S103、对DenseNet网络进行改进,增加网络底层的语义信息并与高级语义信息进行融合,形成一个新的特征增强块;
S104、将步骤S103所获得的特征增强块改进为Dense Block模块,在其网络结构中增加密集连接的密集块,再将形成的新的网络输入到注意力机制网络中;
S105、将改进后的Dense Block模块与DenseNet网络进行结合,获得海洋遥感图像识别后的噪声图像;
所述步骤S103包括以下步骤:
S301、将DenseNet网络的通道增加至3个,所述3个通道包括Channel1、Channel2和Channel3;
S302、将Channel2在Channel1的输出后使用3层卷积层;
S303、将Channel3作为Channel2的第三层卷积层输出的特征;
S304、将所有通道的特征图进行融合,得到更加有效的梯度传递;
所述步骤S104具体包括以下步骤:
S401、将步骤S103中得到的特征增强块输入到Dense Block模块的稀疏块模块中;
S402、将Dense Block模块的一个3×3卷积拆分为一个1×3卷积和一个3×1卷积串联;
S403、使用4个Dense Block模块,第一个Dense Block模块中包含了8个1×3和8个3×1的卷积层,其中1×3和3×1的卷积层中第八个卷积层的输入是前一层的输出结果,每层输出通道数为8;
S404、在DenseNet网络中的每个3×3卷积层之后接上1×1的卷积层;
S405、每两个Dense Block模块含有一个过渡层Transition Layer,每个过渡层均包括1×1卷积、2×2的平均池化以及批量归一化;
S406、计算经过卷积后输出的特征图大小,计算式为:
其中output为输出特征图边长,input为图像输入边长,k为卷积核边长,padding为输入图像边长补0个数,S为卷积步长,设输入图像大小为N×N,DenseNet中卷积步长全为1,s为1,在不考虑padding的情况下,经过3×3卷积后输出的特征图大小为(N-2)×(N-2);
S407、将步骤S406得到的特征图通过短接线连接,每一层的输入都是前一层的输出,表示为Yl=Hl([Y0,Y1,...,Yl-1]),其中Yl表示l层的输出特征图,[Y0,Y1,...,Yl-1]表示将0到l-1层的输出特征图做通道的合并,Hl表示将合并后的特征图依次输入到密集连接的连接块中;
S408、将上一步中的特征图输入到密集连接的密集块中,并增加一个卷积核为1×1的卷积层;
S409、将上一步中得到的Dense Block模块中的每个卷积层后都加入线性修正单元ReLU作为激活函数;
S4010、将上一步中形成的新网络输入到注意力机制网络中。
2.根据权利要求1所述的一种基于DenseNet的海洋遥感图像噪声识别方法,其特征在于,所述步骤S102具体包括:将海洋遥感图像按比例划分为训练集和测试集,提取图像的高频特征,将得到的原始图像分解为高频分量和低频分量,对高频分量进行滤波,得到海洋遥感图像的细节信息。
3.根据权利要求2所述的一种基于DenseNet的海洋遥感图像噪声识别方法,其特征在于,所述步骤S102具体包括以下步骤:
S201、将海洋遥感图像样本数据集中的图像窗口尺寸大小进行统一设置;
S202、将步骤S201中得到的样本数据集使用低通滤波器进行滤波,分解为高频细节层和低频背景层;
S203、对DenseNet网络进行充分预训练,将高频细节层输入到图像的残差网络中。
4.根据权利要求1所述的一种基于DenseNet的海洋遥感图像噪声识别方法,其特征在于,所述步骤S304后还包括步骤:
S305、将步骤S304中得到的特征图进行3×3卷积操作,卷积操作后进行批量归一化操作和ReLU操作,获得的特征图记为F1;
S306、将步骤S304中得到的特征图进行3×3卷积操作2次,卷积操作后进行批量归一化操作和ReLU操作,获得的特征图记为F2;
S307、将步骤S304中得到的特征图进行3×3卷积操作3次,卷积操作后进行批量归一化操作和ReLU操作,获得的特征图记为F3;
S308、将特征图F1、F2和F3进行特征融合,形成一个新的特征增强块。
5.根据权利要求1所述的一种基于DenseNet的海洋遥感图像噪声识别方法,其特征在于,在步骤S105前,还对DenseNet网络的结构进行调整,所述调整具体包括步骤:
S501、将DenseNet网络的最后3层替换为可识别8种噪声类型的全连接层;
S502、添加一个大小为64×64的全连接层和一个ReLU层;
S503、将上一步添加的全连接层适应新的全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044073.7A CN113792640B (zh) | 2021-09-07 | 2021-09-07 | 基于DenseNet的海洋遥感图像噪声识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044073.7A CN113792640B (zh) | 2021-09-07 | 2021-09-07 | 基于DenseNet的海洋遥感图像噪声识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792640A CN113792640A (zh) | 2021-12-14 |
CN113792640B true CN113792640B (zh) | 2023-07-14 |
Family
ID=78879677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111044073.7A Active CN113792640B (zh) | 2021-09-07 | 2021-09-07 | 基于DenseNet的海洋遥感图像噪声识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792640B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728224A (zh) * | 2019-10-08 | 2020-01-24 | 西安电子科技大学 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
CN111127493A (zh) * | 2019-11-12 | 2020-05-08 | 中国矿业大学 | 基于注意力多尺度特征融合的遥感图像语义分割方法 |
CN111797779A (zh) * | 2020-07-08 | 2020-10-20 | 兰州交通大学 | 基于区域注意力多尺度特征融合的遥感图像语义分割方法 |
CN112233026A (zh) * | 2020-09-29 | 2021-01-15 | 南京理工大学 | 一种基于多尺度残差注意力网络的sar图像去噪方法 |
CN112560544A (zh) * | 2019-09-10 | 2021-03-26 | 中科星图股份有限公司 | 一种遥感图像地物识别方法、系统和计算机可读存储介质 |
-
2021
- 2021-09-07 CN CN202111044073.7A patent/CN113792640B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560544A (zh) * | 2019-09-10 | 2021-03-26 | 中科星图股份有限公司 | 一种遥感图像地物识别方法、系统和计算机可读存储介质 |
CN110728224A (zh) * | 2019-10-08 | 2020-01-24 | 西安电子科技大学 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
CN111127493A (zh) * | 2019-11-12 | 2020-05-08 | 中国矿业大学 | 基于注意力多尺度特征融合的遥感图像语义分割方法 |
CN111797779A (zh) * | 2020-07-08 | 2020-10-20 | 兰州交通大学 | 基于区域注意力多尺度特征融合的遥感图像语义分割方法 |
CN112233026A (zh) * | 2020-09-29 | 2021-01-15 | 南京理工大学 | 一种基于多尺度残差注意力网络的sar图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113792640A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709883B (zh) | 一种图像检测方法、装置及设备 | |
CN103366180A (zh) | 一种基于自动特征学习的细胞图像分割方法 | |
CN109919160A (zh) | 验证码识别方法、装置、终端及存储介质 | |
CN109242799A (zh) | 一种变阈值的小波去噪方法 | |
JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
CN112634146A (zh) | 基于多种注意力机制的多通道cnn医学ct图像去噪方法 | |
CN110782406A (zh) | 一种基于信息蒸馏网络的图像去噪方法及装置 | |
CN115221969A (zh) | 基于emd数据增强和并行scn的运动想象脑电信号识别方法 | |
CN111523550A (zh) | 一种图像识别方法、系统、介质及电子设备 | |
CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
Hosseini et al. | Image sharpness metric based on maxpol convolution kernels | |
CN113792640B (zh) | 基于DenseNet的海洋遥感图像噪声识别方法 | |
Rana et al. | MSRD-CNN: Multi-scale residual deep CNN for general-purpose image manipulation detection | |
DE102005025220A1 (de) | Gerät, Verfahren und Programm zum Beseitigen von Poren | |
CN103136729B (zh) | 一种基于超复数描述的模糊矢量形态学滤波方法 | |
CN116544029A (zh) | 柔性直流输变电电容器用内串接高方阻膜及其制备方法 | |
CN112054979B (zh) | 基于模糊密集卷积网络的无线电自动调制识别方法 | |
CN111382764B (zh) | 人脸识别或手势识别的神经网络模型建立方法、装置及计算机可读存储介质 | |
CN114723663A (zh) | 针对目标检测对抗攻击的预处理防御方法 | |
CN114049518A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN113139577A (zh) | 一种基于可变形卷积网络的深度学习图像分类方法及系统 | |
CN113538484A (zh) | 一种深度细化的多重信息嵌套边缘检测方法 | |
CN113379643B (zh) | 基于NSST域和Res2Net网络的图像去噪方法 | |
CN104700108A (zh) | 一种芹菜病害远程诊断方法与系统 | |
Uthayakurnar et al. | Multifractal analysis in denoising of color images |
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 |