CN114764803A - 一种基于真实噪场景的噪声评估方法、装置及可存储介质 - Google Patents
一种基于真实噪场景的噪声评估方法、装置及可存储介质 Download PDFInfo
- Publication number
- CN114764803A CN114764803A CN202210679685.1A CN202210679685A CN114764803A CN 114764803 A CN114764803 A CN 114764803A CN 202210679685 A CN202210679685 A CN 202210679685A CN 114764803 A CN114764803 A CN 114764803A
- Authority
- CN
- China
- Prior art keywords
- noise
- image
- mean
- learning network
- calculating
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/10004—Still image; Photographic 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于真实噪场景的噪声评估方法、装置及可存储介质,涉及图像处理技术领域,其中方法包括S1:在光线充足的环境下获取多张不同场景的干净图像,同时随机产生高斯噪声图,将所述高斯噪声图加入到所述干净图像中并扩展至与所述干净图像的大小相同,得到第一噪声图像;S2:在所述S1相同的场景下且光线不足的环境下,获取多张带噪声图像,并对所述带噪声图像进行处理,得到噪声均值图像,并对所述噪声均值图像进行处理得到对应的第二噪声图像等步骤;本发明通过对不同场景的噪声进行分类评估,可运用于拍照,摄像相关系统及终端设备。
Description
技术领域
本发明涉及图像处理技术领域,更具体的说是涉及一种基于真实噪场景的噪声评估方法、装置及可存储介质。
背景技术
目前,图像噪声是指图像中妨碍人们对通过人眼接收的信息进行理解的因素。由于图像在摄制和处理等过程中不可避免地会受到图像传感器或数字信号处理器等的影响,使得视频图像的图像内容产生错误,形成图像噪声。
但是,传统的噪声评估方法主要包括以下几种:(1)根据图像平坦区域估计噪声参数难以准确的寻找图像的平坦区域,而且图像的平坦区域的噪声不代表整张图像的噪声,适应不了真实的场景中,不同区域的噪声水平不一致的问题;(2)基于滤波器的算术平均方法,该方法对细节比较丰富的图像计算偏差比较大,对真实的场景的适应性不够;(3)基于小波变换的噪声估计该方法统计的是全图的噪声分布信息,噪声估计的程度会与图像中的纹理细节相关,在小噪声的情况下估计出来的噪声偏大,容易造成后续的去噪算法使图像过于模糊。
因此,如何提供一种能够解决上述问题的噪声评估方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于真实噪场景的噪声评估方法、装置及可存储介质,通过对不同场景的噪声进行分类评估,可运用于拍照,摄像相关系统及终端设备。
为了实现上述目的,本发明采用如下技术方案:
一种基于真实噪场景的噪声评估方法,包括以下步骤:
S1:在光线充足的环境下获取多张不同场景的干净图像,同时随机产生高斯噪声图,将所述高斯噪声图加入到所述干净图像中并扩展至与所述干净图像的大小相同,得到第一噪声图像;
S2:在所述S1相同的场景下且光线不足的环境下,获取多张带噪声图像,并对所述带噪声图像进行处理,得到噪声均值图像,并对所述噪声均值图像进行处理得到对应的第二噪声图像;
S3:将所述第一噪声图像、所述噪声均值图像及所述第二噪声图像打乱后并进行预处理,得到监督数据,并将所述监督数据输入至U型深度学习网络中进行处理,得到输出图像;
S4:计算所述输出图像的均值及方差,并计算所述输出图像与所述监督数据的总损失;
S5:利用所述总损失优化更新所述U型深度学习网络的参数,得到优化U型深度学习网络,利用所述优化U型深度学习网络实现噪声图片的评估。
优选的,所述S4具体包括:
S41:计算所述输出图像的均值及方差,并计算所述输出图像与所述监督数据的第一损失;
S42:利用所述输出图像的均值及方差,计算与所述噪声均值图像及所述第二噪声图像的第二损失;
S43:对所述第一损失及所述第二损失赋予不同的权重后相加得到总损失。
优选的,所述S43具体的计算公式为:
优选的,所述S2具体包括:
S21:在所述S1相同的场景下且光线不足的环境下,获取多张带噪声图像;
S22:将所述带噪声图像进行叠加求均值处理,得到干净无噪声图像,将所述带噪声图像与所述干净无噪声图像相减得到噪声图;
S23:将所述噪声图中每个像素的32*32邻域,并计算邻域噪声水平的均值及方差;
S24:根据所述均值及方差得到对应的所述噪声均值图像;
S25:计算所述噪声均值图像的均值及方差,生成对应的所述第二噪声图像。
优选的,所述S5还包括:利用所述总损失优化更新所述U型深度学习网络的参数,并对训练集划分出验证集,利用所述验证集对所述优化U型深度学习网络进行验证。
优选的,所述S3中,预处理步骤具体包括旋转、白平衡均衡、垂直水平对角线翻转、裁剪中的任一种或任几种。
进一步,本发明还提供一种利用上述任一项所述的基于真实噪场景的噪声评估方法的装置,包括:
第一获取模块,用于在光线充足的环境下获取多张不同场景的干净图像,同时随机产生高斯噪声图,将所述高斯噪声图加入到所述干净图像中并扩展至与所述干净图像的大小相同,得到第一噪声图像;
第二获取模块,用于在相同的场景下且光线不足的环境下,获取多张带噪声图像,并对所述带噪声图像进行处理,得到噪声均值图像,并对所述噪声均值图像进行处理得到对应的第二噪声图像;
训练模块,用于将所述第一噪声图像、所述噪声均值图像及所述第二噪声图像打乱后并进行预处理,得到监督数据,并将所述监督数据输入至U型深度学习网络中进行处理,得到输出图像;
计算模块,用于计算所述输出图像的均值及方差,并计算所述输出图像与所述监督数据的总损失;
优化模块,用于利用所述总损失优化更新所述U型深度学习网络的参数,得到优化U型深度学习网络,利用所述优化U型深度学习网络实现噪声图片的评估。
进一步,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的噪声评估方法。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于真实噪场景的噪声评估方法、装置及可存储介质,将人造噪声和真实噪声进行融合联合训练,提高了对各种类型噪声的适应性,同时引入计算图像块不同区域的噪声水平的方法,对真实世界中的同一个场景,不同的区域中噪声水平不同的计算方法,对真实噪声有很好的适应性,本发明提供的方法既可以基于深度学习来评估人造噪声的噪声水平,也可以用来评估真实世界的噪声,能有效的适应多种噪声模型的评估,后续可以融入任意图像处理流程中以及指导后续的图像去噪等。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于真实噪场景的噪声评估方法的流程图;
图2为本发明实施例提供的U型深度学习网络的结构示意图;
图3为本发明提供的一种基于真实噪场景的噪声评估装置的结构原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见附图1所示,本发明实施例公开了一种基于真实噪场景的噪声评估方法,包括以下步骤:
S1:在光线充足的环境下获取多张不同场景的干净图像,同时随机产生均值为v_0、标准差值为std_0的高斯噪声图noise_0,将高斯噪声图noise_0加入到干净图像中并扩展至与干净图像的大小相同,得到第一噪声图像v_0_img,std_0_img;
S2:在S1相同的场景下且光线不足的环境下,可以获取多张带噪声图像,并对多张带噪声图像进行处理,得到噪声均值图像,并对噪声均值图像进行处理得到对应的第二噪声图像;
S3:将第一噪声图像、噪声均值图像及第二噪声图像打乱后并进行预处理,得到监督数据,并将监督数据输入至U型深度学习网络中进行处理,得到输出图像;
S4:计算输出图像的均值及方差,并计算输出图像与监督数据的总损失;
S5:利用总损失优化更新U型深度学习网络的参数,得到优化U型深度学习网络,利用优化U型深度学习网络实现噪声图片的评估。
在一个具体的实施例中,S2具体包括:
S21:在S1相同的场景下且光线不足的环境下,获取多张带噪声图像,具体可以拍摄200张带噪声图像;
S22:将带噪声图像进行叠加求均值处理,得到干净无噪声图像clean_img,将带噪声图像与干净无噪声图像clean_img相减得到噪声图noise_1;
S23:将噪声图noise_1中每个像素的32*32邻域,并计算邻域噪声水平的均值及方差;
S24:根据每个像素的邻域的噪声水平、均值及方差得到对应的噪声均值图像v_1_img、std_1_img;
S25:计算噪声均值图像v_1_img、std_1_img的均值及方差,生成对应的第二噪声图像v_1、std_1。
在一个具体的实施例中,S3中,预处理步骤具体包括旋转、白平衡均衡、垂直水平对角线翻转、裁剪中的任一种或任几种。
在一个具体的实施例中,S4具体包括:
S41:计算输出图像out_v_img,out_std_img与第一噪声图像v_0_img,std_0_img、噪声均值图像v_1_img、std_1_img的均值及方差,并计算输出图像与监督数据的第一损失,具体计算公式为:
S42:利用输出图像的均值及方差,计算与噪声均值图像及第二噪声图像的第二损失,具体计算公式为:
式中,out_v、out_std分别表示输出图像的均值和方差,v_0,std_0表示第一噪声图像的均值及方差,v_1、std_1表示噪声均值图像的均值及方差;
该loss用于对输出图的整幅图的噪声均值和标准差监督,可以更好进行收敛;
S43:对第一损失及第二损失赋予不同的权重后相加得到总损失。
在一个具体的实施例中,S43具体的计算公式为:
在一个具体的实施例中,S5还包括:利用总损失优化更新U型深度学习网络的参数,并对训练集划分出验证集,利用验证集对优化U型深度学习网络进行验证。
具体的,从训练集中按照9:1的比例分出一部分作为验证集,采取交叉验证的方法进行验证,最终和验证集对比得到效果最好的模型。
具体的,参见附图2所示,U型深度学习网络采用改进的U型结构,经过多层卷积和下采样后,再上采样回原来输入的大小,保证输出的图片大小与原图大小一致,多级下采样可以有效的保证网络对图片的感受尺寸足够大,多级上采样相当于解码,逐层恢复图片大小至原大小。
进一步,参见附图3所示,本发明实施例还提供一种利用上述实施例任一项的基于真实噪场景的噪声评估方法的装置,包括:
第一获取模块,用于在光线充足的环境下获取多张不同场景的干净图像,同时随机产生高斯噪声图,将高斯噪声图加入到干净图像中并扩展至与干净图像的大小相同,得到第一噪声图像;
第二获取模块,用于在相同的场景下且光线不足的环境下,获取多张带噪声图像,并对带噪声图像进行处理,得到噪声均值图像,并对噪声均值图像进行处理得到对应的第二噪声图像;
训练模块,用于将第一噪声图像、噪声均值图像及第二噪声图像打乱后并进行预处理,得到监督数据,并将监督数据输入至U型深度学习网络中进行处理,得到输出图像;
计算模块,用于计算输出图像的均值及方差,并计算输出图像与监督数据的总损失;
优化模块,用于利用总损失优化更新U型深度学习网络的参数,得到优化U型深度学习网络,利用优化U型深度学习网络实现噪声图片的评估。
进一步,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现如上述实施例中任一项的噪声评估方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于真实噪场景的噪声评估方法,其特征在于,包括以下步骤:
S1:在光线充足的环境下获取多张不同场景的干净图像,同时随机产生高斯噪声图,将所述高斯噪声图加入到所述干净图像中并扩展至与所述干净图像的大小相同,得到第一噪声图像;
S2:在所述S1相同的场景下且光线不足的环境下,获取多张带噪声图像,并对所述带噪声图像进行处理,得到噪声均值图像,并对所述噪声均值图像进行处理得到对应的第二噪声图像;
S3:将所述第一噪声图像、所述噪声均值图像及所述第二噪声图像打乱后并进行预处理,得到监督数据,并将所述监督数据输入至U型深度学习网络中进行处理,得到输出图像;
S4:计算所述输出图像的均值及方差,并计算所述输出图像与所述监督数据的总损失;
S5:利用所述总损失优化更新所述U型深度学习网络的参数,得到优化U型深度学习网络,利用所述优化U型深度学习网络实现噪声图片的评估。
2.根据权利要求1所述的一种基于真实噪场景的噪声评估方法,其特征在于,所述S4具体包括:
S41:计算所述输出图像的均值及方差,并计算所述输出图像与所述监督数据的第一损失;
S42:利用所述输出图像的均值及方差,计算与所述噪声均值图像及所述第二噪声图像的第二损失;
S43:对所述第一损失及所述第二损失赋予不同的权重后相加得到总损失。
4.根据权利要求1所述的一种基于真实噪场景的噪声评估方法,其特征在于,所述S2具体包括:
S21:在所述S1相同的场景下且光线不足的环境下,获取多张带噪声图像;
S22:将所述带噪声图像进行叠加求均值处理,得到干净无噪声图像,将所述带噪声图像与所述干净无噪声图像相减得到噪声图;
S23:将所述噪声图中每个像素的32*32邻域,并计算邻域噪声水平的均值及方差;
S24:根据所述均值及方差得到对应的所述噪声均值图像;
S25:计算所述噪声均值图像的均值及方差,生成对应的所述第二噪声图像。
5.根据权利要求4所述的一种基于真实噪场景的噪声评估方法,其特征在于,所述S5还包括:利用所述总损失优化更新所述U型深度学习网络的参数,并对训练集划分出验证集,利用所述验证集对所述优化U型深度学习网络进行验证。
6.根据权利要求1所述的一种基于真实噪场景的噪声评估方法,其特征在于,所述S3中,预处理步骤具体包括旋转、白平衡均衡、垂直水平对角线翻转、裁剪中的任一种或任几种。
7.一种利用权利要求1-6任一项所述的基于真实噪场景的噪声评估方法的装置,其特征在于,包括:
第一获取模块,用于在光线充足的环境下获取多张不同场景的干净图像,同时随机产生高斯噪声图,将所述高斯噪声图加入到所述干净图像中并扩展至与所述干净图像的大小相同,得到第一噪声图像;
第二获取模块,用于在相同的场景下且光线不足的环境下,获取多张带噪声图像,并对所述带噪声图像进行处理,得到噪声均值图像,并对所述噪声均值图像进行处理得到对应的第二噪声图像;
训练模块,用于将所述第一噪声图像、所述噪声均值图像及所述第二噪声图像打乱后并进行预处理,得到监督数据,并将所述监督数据输入至U型深度学习网络中进行处理,得到输出图像;
计算模块,用于计算所述输出图像的均值及方差,并计算所述输出图像与所述监督数据的总损失;
优化模块,用于利用所述总损失优化更新所述U型深度学习网络的参数,得到优化U型深度学习网络,利用所述优化U型深度学习网络实现噪声图片的评估。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的噪声评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210679685.1A CN114764803B (zh) | 2022-06-16 | 2022-06-16 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210679685.1A CN114764803B (zh) | 2022-06-16 | 2022-06-16 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114764803A true CN114764803A (zh) | 2022-07-19 |
CN114764803B CN114764803B (zh) | 2022-09-20 |
Family
ID=82364945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210679685.1A Active CN114764803B (zh) | 2022-06-16 | 2022-06-16 | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764803B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839234A (zh) * | 2014-02-21 | 2014-06-04 | 西安电子科技大学 | 一种基于可控核的双几何非局部均值图像去噪方法 |
CN106023093A (zh) * | 2016-05-09 | 2016-10-12 | 吉林大学 | 一种基于改进图像块匹配的非局部均值图像去噪方法 |
CN109285129A (zh) * | 2018-09-06 | 2019-01-29 | 哈尔滨工业大学 | 基于卷积神经网络的图像真实噪声去除系统 |
CN109658348A (zh) * | 2018-11-16 | 2019-04-19 | 天津大学 | 基于深度学习的联合噪声估计和图像去噪方法 |
CN110458778A (zh) * | 2019-08-08 | 2019-11-15 | 深圳市灵明光子科技有限公司 | 一种深度图像去噪方法、装置及存储介质 |
US20200068151A1 (en) * | 2018-08-27 | 2020-02-27 | Qualcomm Incorporated | Systems and methods for processing low light images |
CN110852966A (zh) * | 2019-11-04 | 2020-02-28 | 西北工业大学 | 基于深度卷积神经网络的图像噪声估计方法 |
CN111292259A (zh) * | 2020-01-14 | 2020-06-16 | 西安交通大学 | 一种综合多尺度与注意力机制的深度学习图像去噪方法 |
CN112233102A (zh) * | 2020-10-26 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 图像样本集中噪声的识别方法、装置、设备及存储介质 |
CN112446838A (zh) * | 2020-11-24 | 2021-03-05 | 海南大学 | 一种基于局部统计信息的图像噪声检测方法、装置 |
CN112950501A (zh) * | 2021-02-26 | 2021-06-11 | 平安科技(深圳)有限公司 | 基于噪声场的图像降噪方法、装置、设备及存储介质 |
-
2022
- 2022-06-16 CN CN202210679685.1A patent/CN114764803B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839234A (zh) * | 2014-02-21 | 2014-06-04 | 西安电子科技大学 | 一种基于可控核的双几何非局部均值图像去噪方法 |
CN106023093A (zh) * | 2016-05-09 | 2016-10-12 | 吉林大学 | 一种基于改进图像块匹配的非局部均值图像去噪方法 |
US20200068151A1 (en) * | 2018-08-27 | 2020-02-27 | Qualcomm Incorporated | Systems and methods for processing low light images |
CN109285129A (zh) * | 2018-09-06 | 2019-01-29 | 哈尔滨工业大学 | 基于卷积神经网络的图像真实噪声去除系统 |
CN109658348A (zh) * | 2018-11-16 | 2019-04-19 | 天津大学 | 基于深度学习的联合噪声估计和图像去噪方法 |
CN110458778A (zh) * | 2019-08-08 | 2019-11-15 | 深圳市灵明光子科技有限公司 | 一种深度图像去噪方法、装置及存储介质 |
CN110852966A (zh) * | 2019-11-04 | 2020-02-28 | 西北工业大学 | 基于深度卷积神经网络的图像噪声估计方法 |
CN111292259A (zh) * | 2020-01-14 | 2020-06-16 | 西安交通大学 | 一种综合多尺度与注意力机制的深度学习图像去噪方法 |
CN112233102A (zh) * | 2020-10-26 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 图像样本集中噪声的识别方法、装置、设备及存储介质 |
CN112446838A (zh) * | 2020-11-24 | 2021-03-05 | 海南大学 | 一种基于局部统计信息的图像噪声检测方法、装置 |
CN112950501A (zh) * | 2021-02-26 | 2021-06-11 | 平安科技(深圳)有限公司 | 基于噪声场的图像降噪方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
EIKE J. NUSTEDE等: "Towards speech enhancement using a variational U-Net architecture", 《ARXIV:2012.03594V2》 * |
TAO HUANG等: "Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images", 《ARXIV:2101.02824V3》 * |
周生笛: "面向实际图像的联合噪声估计与去除研究", 《中国优秀硕士学位论文全文数据库_信息科技辑》 * |
李瑞芳: "改进的NLM与布谷鸟算法在图像处理中的应用", 《中国优秀硕士学位论文全文数据库_信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114764803B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861894B (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
CN111192226B (zh) | 一种图像融合去噪方法及装置、系统 | |
CN108564597B (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN112164011A (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
CN111105376B (zh) | 基于双分支神经网络的单曝光高动态范围图像生成方法 | |
CN110825900A (zh) | 特征重构层的训练方法、图像特征的重构方法及相关装置 | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
CN111179189A (zh) | 基于生成对抗网络gan的图像处理方法、装置以及电子设备、存储介质 | |
CN114936979B (zh) | 一种模型训练方法、图像去噪方法、装置、设备及存储介质 | |
CN113850741B (zh) | 图像降噪方法、装置、电子设备以及存储介质 | |
CN112507617A (zh) | 一种SRFlow超分辨率模型的训练方法及人脸识别方法 | |
CN111724317A (zh) | Raw域视频去噪监督数据集构造方法 | |
CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
US20220122225A1 (en) | Image quality improvement method and image processing apparatus using the same | |
CN112509144A (zh) | 人脸图像处理方法、装置、电子设备及存储介质 | |
CN113362338A (zh) | 铁轨分割方法、装置、计算机设备和铁轨分割处理系统 | |
CN110570375B (zh) | 一种图像处理方法、装置、电子设置以及存储介质 | |
CN114419102A (zh) | 一种基于帧差时序运动信息的多目标跟踪检测方法 | |
CN107945119B (zh) | 基于拜耳模式的图像内相关噪声估计方法 | |
CN111951373B (zh) | 一种人脸图像的处理方法和设备 | |
CN117392036A (zh) | 基于照明幅度的低光图像增强方法 | |
CN114764803B (zh) | 一种基于真实噪场景的噪声评估方法、装置及可存储介质 | |
CN111489300A (zh) | 基于无监督学习的屏幕图像去摩尔纹方法 | |
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 | |
CN112734678B (zh) | 基于深度残差收缩网络和生成对抗网络的去图像运动模糊方法 |
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 |