CN114494047A - 一种基于双增强残差网络的生物图像去噪方法 - Google Patents
一种基于双增强残差网络的生物图像去噪方法 Download PDFInfo
- Publication number
- CN114494047A CN114494047A CN202210024084.7A CN202210024084A CN114494047A CN 114494047 A CN114494047 A CN 114494047A CN 202210024084 A CN202210024084 A CN 202210024084A CN 114494047 A CN114494047 A CN 114494047A
- Authority
- CN
- China
- Prior art keywords
- network
- block
- sub
- image
- blocks
- 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 29
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 24
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000011084 recovery Methods 0.000 abstract description 2
- 241000252212 Danio rerio Species 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000022131 cell cycle Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002360 preparation method 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开一种基于双增强残差网络的生物图像去噪方法,含有两个相同结构的子网络组成,每个子网络均通过编码‑解码的层次结构,对特征进行降尺度和升尺度,使得GPU能够产生更大的感受野;在编码过程中,采用卷积层进行下采样获取图像信息,并叠加残差块对特征进行初步提取;解码过程中,利用转置卷积的上采样特征能力,同时叠加残差密集块,提取深层次特征,恢复图像细节;在两个子网络中,分别在卷积层和转置卷积层之间增加跳跃连接,两个子网络之间监督注意模块和四个交叉特征融合模块相连,这些连接有助于传递图像细节信息,加深网络的同时提高恢复性能。
Description
技术领域
本发明涉及一种图像去噪方法,尤其是一种基于双增强残差网络的生物图像去噪方法。
背景技术
数字图像在采集和传输的过程中,会因为噪声而导致图像退化。对于生物数据集,噪声可能来自细胞周期和生命史变化等内源性的生物学因素,也可能来自于样品制备和仪器变化等外源性的技术因素,混合的噪声会导致生物图像出现边缘不清晰、细节特征模糊等现象,影响推断潜在过程时的准确性。
传统的去噪方法虽能在一定程度上消除噪声,但在复原过程中通常难以保留图像的细节特征。随着深度学习技术在图像处理领域的不断发展,提出了许多利用卷积神经网络提高图像去噪性能的方法,如通过堆叠网络的层数来丰富神经网络的功能,但随着网络深度的不断增加,训练模型会出现退化问题。另外,网络的深度特征与输出要保持一样的分辨率,则去噪网络在网络层数、参数数量等方面会收到GPU内存限制。
发明内容
本发明为了解决现有技术所存在的上述问题,提出了一种基于双增强残差网络的生物图像去噪方法。
本发明的技术解决方案是:一种基于双增强残差网络的生物图像去噪方法,是将待去噪的图像输入去噪模型中完成图像去噪,其特征在于所述去噪模型依次按照如下步骤建立:
步骤1:制作训练集
步骤2:将训练集图像数据输入双增强残差网络获取去噪模型
所述双增强残差网络有两个结构相同的第一子网络S1和第二子网络S2,第一子网络S1通过监督注意模块和四个交叉特征融合模块与第二子网络S2相连接,在第二子网络S2的前端和后端分别有第一个卷积层Conv_final1和最后一个卷积层Conv_final2;所述第一子网络S1和第二子网络S2的结构是依次有四个编码块、上下文块和四个解码块,所述四个编码块均由卷积层和残差块构成,所述四个解码块的第一个解码块由偏移块和残差密集块构成,其它三个解码块由转置卷积层、卷积层、偏移块和残差密集块构成,所述残差密集块由四个块构成,前三个块密集跳跃连接后与最后一个块相接,前三个块均由卷积层、实例归一化层和激活函数构成,最后一个块由卷积层和实例归一化层构成;编码块的卷积层与对应的解码块的转置卷积层之间设置长跳跃连接;约定变量iteration_pro为网络循环迭代的次数,设置初始值为0,开始训练;
所述训练按照如下步骤进行:
步骤2.2:将初始特征图TN_Pi_f1经过第一子网络S1剩余的一个残差块和三个编码块,分别进行四次下采样,得到的四个编码特征图TN_Pi_fencoder1、TN_Pi_fencoder2、TN_Pi_fencoder3和TN_Pi_fencoder4;
步骤2.3:将编码特征图TN_Pi_fencoder4送入第一个子网络S1的上下文块,得到上下文特征图TN_Pi_fcontext1;
步骤2.4:将上下文特征图TN_Pi_fcontext1经过第一子网络S1的四个解码块,分别进行四次上采样,得到四个解码特征图TN_Pi_fdecoder1、TN_Pi_fdecoder2、TN_Pi_fdecoder3、TN_Pi_fdecoder4;
步骤2.5:将解码特征图TN_Pi_fdecoder4经过监督注意模块送入子网络S2的第一个卷积层Conv_final1,将第一子网络S1所得到的四个编码特征图TN_Pi_fencoder1、TN_Pi_fencoder2、TN_Pi_fencoder3和TN_Pi_fencoder4和四个解码特征图TN_Pi_fdecoder1、TN_Pi_fdecoder2、TN_Pi_fdecoder3、TN_Pi_fdecoder4分别通过各自对应的交叉阶段特征融合模块送入第二子网络S2对应的四个编码块;
步骤2.6:第二子网络S2的第一个卷积层Conv_final1输出特征图TN_Pi_f2,特征图TN_Pi_f2依次经过第二子网络S2的四个编码块、上下文块和四个解码块,得到重构后的特征图TN_Pi_f;
步骤2.7:将重构特征图TN_Pi_f输入到最后一个卷积层Conv_final2,获得去噪后的图像块Train_Denoised_Pi;
步骤2.8:通过L1 Loss求取网络去噪图像块Train_Denoised_Pi和干净图像块Train_Pi之间的差异,当iteration_pro达到4×105,网络停止训练并保存模型Model.pt;否则反向传播Loss的值,通过优化算法更新参数,循环进行训练步骤。
本发明含有两个相同结构的子网络组成,每个子网络均通过编码-解码的层次结构,对特征进行降尺度和升尺度,使得GPU能够产生更大的感受野;在编码过程中,采用卷积层进行下采样获取图像信息,并叠加残差块对特征进行初步提取;解码过程中,利用转置卷积的上采样特征能力,同时叠加残差密集块,提取深层次特征,恢复图像细节;在两个子网络中,分别在卷积层和转置卷积层之间增加跳跃连接,两个子网络之间监督注意模块和四个交叉特征融合模块相连,这些连接有助于传递图像细节信息,加深网络的同时提高恢复性能。对于生物图像,能在去除噪声的同时保留细节的纹理信息,有着较强的应用价值。
附图说明
图1是本发明实施例双增强残差网络结构示意图。
图2是本发明实施例中残差密集块结构示意图。
图3是本发明实施例所用生物数据集中的斑马鱼噪声图像。
图4是图3经过本发明实施例后的斑马鱼去噪结果图。
图5是本发明实施例所用生物数据集中的细胞噪声图像。
图6是图5经过本发明实施例后的细胞去噪结果图。
具体实施方式
本发明的一种基于双增强残差网络的生物图像去噪方法,是将待去噪的图像输入去噪模型中完成图像去噪,所述去噪模型依次按照如下步骤建立:
步骤1:制作训练集
步骤2:将训练集图像数据输入双增强残差网络获取去噪模型
所述双增强残差网络如图1所示有两个结构相同的第一子网络S1和第二子网络S2,第一子网络S1通过监督注意模块和四个交叉特征融合模块与第二子网络S2相连接,将子网络S1的特征变换到子网络S2进行聚合,丰富子网络S2的多尺度特征;在第二子网络S2的前端和后端分别有第一个卷积层Conv_final1和最后一个卷积层Conv_final2;所述第一子网络S1和第二子网络S2的结构是依次有四个编码块、上下文块和四个解码块,所述四个编码块均由卷积层和残差块构成,所述四个解码块的第一个解码块由偏移块和残差密集块构成,其它三个解码块由转置卷积层、卷积层、偏移块和残差密集块构成;
所述残差密集块如图2所示由四个块构成,前三个块密集跳跃连接后与最后一个块相接,前三个块均由卷积层、实例归一化层和激活函数构成,最后一个块由卷积层和实例归一化层构成;
(1)输入的特征图记为fi,残差密集块中存在多个3×3卷积层,生成的特征图通过密集连通性进行连接,诱导训练模型恢复更多的高频信息,第K个卷积层的输出表示为:fi K=δ(FDSC[fi,fi 1,…,fi k,…,fi K-1]),FDSC表示密集跳跃连接的过程,δ表示LeakyReLU激活函数。
编码块的卷积层与对应的解码块的转置卷积层之间设置长跳跃连接;约定变量iteration_pro为网络循环迭代的次数,设置初始值为0,开始训练;
所述训练按照如下步骤进行:
步骤2.2:将初始特征图TN_Pi_f1经过第一子网络S1剩余的一个残差块和三个编码块,分别进行四次下采样,得到的四个编码特征图TN_Pi_fencoder1、TN_Pi_fencoder2、TN_Pi_fencoder3和TN_Pi_fencoder4;在每次降尺度过程中,特征图的大小在水平和垂直方向上都分别减少一半,同时特征图的通道加倍,最终得到通道数为256的编码特征图TN_Pi_fencoder4;
步骤2.3:将编码特征图TN_Pi_fencoder4送入第一个子网络S1的上下文块,能够避免下采样过程中图像结构被破坏,得到通道数为256的上下文特征图TN_Pi_fcontext1;
步骤2.4:将上下文特征图TN_Pi_fcontext1经过第一子网络S1的四个解码块,分别进行四次上采样,得到四个解码特征图TN_Pi_fdecoder1、TN_Pi_fdecoder2、TN_Pi_fdecoder3、TN_Pi_fdecoder4;在每次升尺度过程中,特征图的大小增加一倍,通道数减半;编码块的卷积层与对应的解码块的转置卷积层之间设置长跳跃连接可补偿信息损失,得到通道数为32的解码特征图TN_Pi_fdecoder4;
步骤2.5:将解码特征图TN_Pi_fdecoder4经过监督注意模块送入子网络S2的第一个卷积层Conv_final1,将第一子网络S1所得到的四个编码特征图TN_Pi_fencoder1、TN_Pi_fencoder2、TN_Pi_fencoder3和TN_Pi_fencoder4和四个解码特征图TN_Pi_fdecoder1、TN_Pi_fdecoder2、TN_Pi_fdecoder3、TN_Pi_fdecoder4分别通过各自对应的交叉阶段特征融合模块送入第二子网络S2对应的四个编码块;
步骤2.6:第二子网络S2的第一个卷积层Conv_final1输出特征图TN_Pi_f2,特征图TN_Pi_f2依次经过第二子网络S2的四个编码块、上下文块和四个解码块,得到重构后的特征图TN_Pi_f;
步骤2.7:将重构特征图TN_Pi_f输入到最后一个卷积层Conv_final2,获得去噪后的图像块Train_Denoised_Pi;
步骤2.8:通过L1 Loss求取中去噪图像块Train_Denoised_Pi和干净图像块Train_Pi之间的差异;L1 Loss可以定义为:其中M表示切块大小,表示训练过程中第m组输入噪声块Train_Denoised_Pi和干净块Train_Pi的图像对,F(·)表示具有可学习参数θ的网络函数;当iteration_pro达到4×105,网络停止训练并保存模型Model.pt;否则反向传播Loss的值,通过优化算法更新参数,循环进行训练步骤。
对于自然图像数据集,在几个广泛用于高斯去噪方法的公开的测试数据集上进行实验(BSD68数据集、Set12数据集、Kodak24数据集、Urban100数据集),将本发明实施例与现有去噪方法进行比较。灰度图像的峰值信噪比(PSNR)和结构相似度(SSIM)对照表如表1所示;彩色图像的峰值信噪比(PSNR)和结构相似度(SSIM)对照表如表1所示。
表1
表2
对于生物图像数据集,采用了中国斑马鱼资源中心提供的斑马鱼图像和一些血液细胞图像作为测试。
本发明实施例所用生物数据集中的斑马鱼噪声图像如图3所示;图3经过本发明实施例后的斑马鱼去噪结果图如图4。
本发明实施例所用生物数据集中的细胞噪声图像如图5所示;图5经过本发明实施例后的细胞去噪结果图。
结果表明本发明实施例对于生物图像的去噪效果优于现有技术。
Claims (1)
1.一种基于双增强残差网络的生物图像去噪方法,是将待去躁的图像输入去噪模型中完成图像去噪,其特征在于所述去噪模型依次按照如下步骤建立:
步骤1:制作训练集
步骤2:将训练集图像数据输入双增强残差网络获取去噪模型
所述双增强残差网络有两个结构相同的第一子网络S1和第二子网络S2,第一子网络S1通过监督注意模块和四个交叉特征融合模块与第二子网络S2相连接,在第二子网络S2的前端和后端分别有第一个卷积层Conv_final1和最后一个卷积层Conv_final2;所述第一子网络S1和第二子网络S2的结构是依次有四个编码块、上下文块和四个解码块,所述四个编码块均由卷积层和残差块构成,所述四个解码块的第一个解码块由偏移块和残差密集块构成,其它三个解码块由转置卷积层、卷积层、偏移块和残差密集块构成,所述残差密集块由四个块构成,前三个块密集跳跃连接后与最后一个块相接,前三个块均由卷积层、实例归一化层和激活函数构成,最后一个块由卷积层和实例归一化层构成;编码块的卷积层与对应的解码块的转置卷积层之间设置长跳跃连接;约定变量iteration_pro为网络循环迭代的次数,设置初始值为0,开始训练;
所述训练按照如下步骤进行:
步骤2.2:将初始特征图TN_Pi_f1经过第一子网络S1剩余的一个残差块和三个编码块,分别进行四次下采样,得到的四个编码特征图TN_Pi_fencoder1、TN_Pi_fencoder2、TN_Pi_fencoder3和TN_Pi_fencoder4;
步骤2.3:将编码特征图TN_Pi_fencoder4送入第一个子网络S1的上下文块,得到上下文特征图TN_Pi_fcontext1;
步骤2.4:将上下文特征图TN_Pi_fcontext1经过第一子网络S1的四个解码块,分别进行四次上采样,得到四个解码特征图TN_Pi_fdecoder1、TN_Pi_fdecoder2、TN_Pi_fdecoder3、TN_Pi_fdecoder4;
步骤2.5:将解码特征图TN_Pi_fdecoder4经过监督注意模块送入子网络S2的第一个卷积层Conv_final1,将第一子网络S1所得到的四个编码特征图TN_Pi_fencoder1、TN_Pi_fencoder2、TN_Pi_fencoder3和TN_Pi_fencoder4和四个解码特征图TN_Pi_fdecoder1、TN_Pi_fdecoder2、TN_Pi_fdecoder3、TN_Pi_fdecoder4分别通过各自对应的交叉阶段特征融合模块送入第二子网络S2对应的四个编码块;
步骤2.6:第二子网络S2的第一个卷积层Conv_final1输出特征图TN_Pi_f2,特征图TN_Pi_f2依次经过第二子网络S2的四个编码块、上下文块和四个解码块,得到重构后的特征图TN_Pi_f;
步骤2.7:将重构特征图TN_Pi_f输入到最后一个卷积层Conv_final2,获得去噪后的图像块Train_Denoised_Pi;
步骤2.8:通过L1 Loss求取网络去噪图像块Train_Denoised_Pi和干净图像块Train_Pi之间的差异,当iteration_pro达到4×105,网络停止训练并保存模型Model.pt;否则反向传播Loss的值,通过优化算法更新参数,循环进行训练步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210024084.7A CN114494047B (zh) | 2022-01-11 | 2022-01-11 | 一种基于双增强残差网络的生物图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210024084.7A CN114494047B (zh) | 2022-01-11 | 2022-01-11 | 一种基于双增强残差网络的生物图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114494047A true CN114494047A (zh) | 2022-05-13 |
CN114494047B CN114494047B (zh) | 2024-04-02 |
Family
ID=81509169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210024084.7A Active CN114494047B (zh) | 2022-01-11 | 2022-01-11 | 一种基于双增强残差网络的生物图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494047B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115929495A (zh) * | 2022-11-30 | 2023-04-07 | 昆明理工大学 | 基于马尔可夫变迁场和改进高斯原型网络的发动机气门故障诊断方法 |
CN116051408A (zh) * | 2023-01-06 | 2023-05-02 | 郑州轻工业大学 | 一种基于残差自编码的图像深度去噪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
CN111028163A (zh) * | 2019-11-28 | 2020-04-17 | 湖北工业大学 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
CN111311506A (zh) * | 2020-01-21 | 2020-06-19 | 辽宁师范大学 | 基于双残差网络的低剂量ct牙齿图像去噪方法 |
WO2021110262A1 (en) * | 2019-12-04 | 2021-06-10 | Huawei Technologies Co., Ltd. | Noise reconstruction for image denoising |
WO2021218765A1 (zh) * | 2020-04-27 | 2021-11-04 | 深圳市中兴微电子技术有限公司 | 图像去噪方法及装置、电子设备以及存储介质 |
-
2022
- 2022-01-11 CN CN202210024084.7A patent/CN114494047B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
CN111028163A (zh) * | 2019-11-28 | 2020-04-17 | 湖北工业大学 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
WO2021110262A1 (en) * | 2019-12-04 | 2021-06-10 | Huawei Technologies Co., Ltd. | Noise reconstruction for image denoising |
CN111311506A (zh) * | 2020-01-21 | 2020-06-19 | 辽宁师范大学 | 基于双残差网络的低剂量ct牙齿图像去噪方法 |
WO2021218765A1 (zh) * | 2020-04-27 | 2021-11-04 | 深圳市中兴微电子技术有限公司 | 图像去噪方法及装置、电子设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
郭恒意;贾振堂;: "结合残差密集块的卷积神经网络图像去噪方法", 计算机工程与设计, no. 07, 16 July 2020 (2020-07-16) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115929495A (zh) * | 2022-11-30 | 2023-04-07 | 昆明理工大学 | 基于马尔可夫变迁场和改进高斯原型网络的发动机气门故障诊断方法 |
CN115929495B (zh) * | 2022-11-30 | 2024-05-14 | 昆明理工大学 | 基于马尔可夫变迁场和改进高斯原型网络的发动机气门故障诊断方法 |
CN116051408A (zh) * | 2023-01-06 | 2023-05-02 | 郑州轻工业大学 | 一种基于残差自编码的图像深度去噪方法 |
CN116051408B (zh) * | 2023-01-06 | 2023-10-27 | 郑州轻工业大学 | 一种基于残差自编码的图像深度去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114494047B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292259A (zh) | 一种综合多尺度与注意力机制的深度学习图像去噪方法 | |
CN111833246B (zh) | 基于注意力级联网络的单帧图像超分辨方法 | |
CN111932461B (zh) | 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统 | |
CN114494047B (zh) | 一种基于双增强残差网络的生物图像去噪方法 | |
CN112419184B (zh) | 一种综合局部信息和全局信息的空间注意力图像去噪方法 | |
CN110443768B (zh) | 基于多重一致性约束的单帧图像超分辨率重建方法 | |
CN108416755A (zh) | 一种基于深度学习的图像去噪方法及系统 | |
CN111192211B (zh) | 一种基于单个深度神经网络的多噪声类型盲去噪方法 | |
CN111598804B (zh) | 基于深度学习的图像多级去噪方法 | |
CN110490816B (zh) | 一种水下异构信息数据降噪方法 | |
CN113269818B (zh) | 一种基于深度学习的地震数据纹理特征重建方法 | |
CN110648292A (zh) | 一种基于深度卷积网络的高噪声图像去噪方法 | |
CN111007566A (zh) | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 | |
CN112699844A (zh) | 一种基于多尺度残差层级密连接网络的图像超分辨率方法 | |
CN111768340A (zh) | 一种基于密集多路径网络的超分辨图像重构方法和系统 | |
CN110838089B (zh) | 一种基于OctBlock密集块的快速图像去噪方法 | |
CN113657532A (zh) | 一种电机磁瓦缺陷分类方法 | |
CN114266939A (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
CN114492522B (zh) | 基于改进堆叠沙漏神经网络的自动调制分类方法 | |
CN114187191B (zh) | 一种基于高频-低频信息融合的图像去模糊方法 | |
CN113743301B (zh) | 一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法 | |
CN109272450A (zh) | 一种基于卷积神经网络的图像超分方法 | |
CN110728726B (zh) | 一种基于用户交互与深度神经网络的图像压缩方法 | |
CN116523794A (zh) | 一种基于卷积神经网络的低光照图像增强方法 | |
CN114219738A (zh) | 单幅图像多尺度超分辨重建网络结构及方法 |
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 |