CN115761242A - 一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 - Google Patents
一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 Download PDFInfo
- Publication number
- CN115761242A CN115761242A CN202211426937.6A CN202211426937A CN115761242A CN 115761242 A CN115761242 A CN 115761242A CN 202211426937 A CN202211426937 A CN 202211426937A CN 115761242 A CN115761242 A CN 115761242A
- Authority
- CN
- China
- Prior art keywords
- image
- noisy
- denoising
- network
- fuzzy
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种基于卷积神经网络和模糊图像特征的去噪方法及终端机，涉及图像处理技术领域，选取预设数量的图像进行裁切，形成图像块，作为干净图像数据集；将干净图像块与合成高斯白噪声相加，得到含噪图像数据集；构造基于模糊图像特征的模糊特征去噪网络BFCNN；利用Adam优化器对模糊特征去噪网络BFCNN进行训练，形成图像去噪网络，并保存训练完成的图像去噪网络；将含噪图像数据集中待去噪的图像输入到训练完成的图像去噪网络中，得到去噪后的图像。通过设置模糊图像作为去噪过程的中间状态，形成了对去噪过程的一个约束，能减少去噪过程中的信息浪费和信息丢失，从而保证了去噪图像的准确性。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于卷积神经网络和模糊图像特征的图像去噪方法及终端机。
背景技术
数字图像是现代信息传递的重要媒介，其特点在于较高的信息密度并且符合人脑理解习惯，数字图像大大提高了现代信息交流的效率。随着计算机技术和互联网技术的快速发展，数字图像在工业、文化、教育、医疗等方面具有不可替代的地位。目前获得数字图像的途径主要是相机等设备的传感器。传感器本身通过将光信号转为电信号来生成数字图像，这个过程天然地存在一定误差，同时也容易受外部环境的干扰，这些误差和外部干扰就导致数字化后的图像存在噪声。在数字图像存储和传输过程中也不可避免地会产生信息丢失，这也造成了数字图像的噪声。
图像噪声意味着信息的丢失或者失真。轻度的噪声使得信息传递的效率下降，而严重的噪声甚至会导致关键的信息丢失。在高级计算机视觉领域，例如图像分割和图像识别领域，准确的图像信息是一切高级视觉任务的基础，只有正确的图像信息才能带来正确的图像分割和正确的识别结果，因此有必要对含噪声的图像进行去噪处理。
目前处理图像去噪问题的方法主要分为传统方法深度学习的方法等。传统方法通过某些先验信息例如图像自相似性来获得一个去噪图像。这些方法的理论基础比较扎实，但是他们的计算复杂度通常比较高，而且去噪的性能依赖于方法内的超参数，因此在实际应用中受到一定限制。深度学习的方法是计算机视觉任务中比较流行的算法。深度学习的方法依赖于深度神经网络的强大的数据拟合能力来学习一个从含噪声图像到无噪声图像的映射。在若干种类的深度神经网络中，卷积神经网络由于其平移不变性和相对全连接网络更快的速度而成为计算机视觉的主流网络技术。近年来，基于上述卷积神经网络的图像去噪方法层出不穷。这些方法通过引入了残差学习，频域变换，注意力机制等技术来提高网络的学习能力。但是这些网络大都是单输入单输出的结构，也就是从含噪声图像直接学习出无噪声的估计。这种设计较为直观，但是对其去噪过程缺乏一定的约束，有可能导致不受控制的信息丢失。这种不受控制的信息丢失最终导致了较差的网络泛化性能，同时限制了网络的去噪性能。除了上述单输入单输出的网络设计外，有一些网络尝试利用一个从含噪声图像获得的边缘估计来丰富网络的信息，也就是说网络可以同时利用含噪声图像和边缘信息作为输入来估计最终的无噪声图像。这种设计相当于对去噪过程进行了一定的约束，因此去噪过程较为可控。
但是边缘信息仍有其缺点，一是这种边缘信息直接由含噪图像获得，而边缘和噪声都是一种高频的信息，因而这种边缘信息容易受噪声干扰；二是这种边缘信息和含噪图像都代表着原图像的高频信息，因而整个去噪过程是一个单向的平滑过程，这种单向的平滑过程缺少约束，无法保证去噪结果的稳定性。
发明内容
本发明提供一种基于卷积神经网络和模糊图像特征的图像去噪方法，与现有边缘特征方法相比，更加可靠，同时模糊图像特征作为重要的信息补充，将传统的单向平滑的去噪过程改造为从过平滑的模糊图像和平滑不足的含噪图像中寻找最佳平滑的去噪图像的双向过程。这个双向过程相比单向平滑的去噪过程具有两个优点：一是估计模糊图像和估计最佳平滑点的过程相比传统一次性平滑去噪过程来说难度更小；二是双向的去噪过程相当于对去噪过程进行了一个比较强的约束，因此有效避免了不可控的信息丢失。
图像去噪方法包括如下步骤：
S101、选取预设数量的图像进行裁切，形成图像块，作为干净图像数据集；将干净图像块与合成高斯白噪声相加，得到含噪图像数据集；
S102、构造基于模糊图像特征的模糊特征去噪网络BFCNN；
S103、利用Adam优化器对模糊特征去噪网络BFCNN进行训练，形成图像去噪网络，并保存训练完成的图像去噪网络；
S104、将含噪图像数据集中待去噪的图像输入到训练完成的图像去噪网络中，得到去噪后的图像。
进一步需要说明的是，S101还包括：预设数量的图像进行裁切为从96×96到256×256大小的图像块，作为干净图像数据集。
进一步需要说明的是，S101还包括：对干净图像数据集中的干净图像块使用3×3大小的高斯模糊核进行卷积操作得到模糊图像块数据集。
进一步需要说明的是，模糊特征去噪网络BFCNN包括：BM模糊模块；BM模糊模块描述为：
BM(Inoisy)＝RG(RG(Conv(Inoisy))+Conv(Inoisy))+Conv(Inoisy) (1)
其中BM(Inoisy)代表BM模糊模块的输出，RG代表残差组，Inoisy代表含噪图像。
进一步需要说明的是，模糊特征去噪网络BFCNN还包括：CM聚合模块；
CM聚合模块包含两个聚合块，每个聚合块包含一个残差组、一个用于提升通道数的卷积层、一个聚合层和一个用于降低通道数的卷积层；两个聚合块的输入最终由一个聚合层聚合为一个高维的特征；
CM聚合模块描述为：
CB1(BM(Inoisy),Inoisy)＝Conv(Concate(RG(BM(Inoisy)),Conv(Inoisy))) (2)
CB2(Inoisy)＝Conv(Concate(RG(CB1(Inoisy)),Conv(Inoisy))) (3)
CM(BM(Inoisy),Inoisy)＝Concate(CB1(BM(Inoisy)，Inoisy),CB2(Inoisy)) (4)
CB1和CB2分别代表两个聚合块，Conv代表卷积层，Concate代表聚合层。
进一步需要说明的是，模糊特征去噪网络BFCNN还包括：AM调整模块；
AM调整模块描述为：
AM(CM(Inoisy),Inoisy)＝DB(FA(CM(Inoisy)))+Inoisy(5)
FA(CM(Inoisy))＝CM(Inoisy)×Conv(Conv(GlobalAvgPool(CM(Inoisy))))(6)
其中DB表示密集连接块，FA表示特征注意力机制，GlobalAvgPool表示全局平均池化操作。
进一步需要说明的是，S103、利用Adam优化器对模糊特征去噪网络BFCNN进行训练，形成图像去噪网络，并保存训练完成的图像去噪网络；
利用Adam优化器对模糊特征去噪网络BFCNN进行训练的初始学习率为0.0001，学习率按指数衰减；对模糊图像，采用平均绝对值误差MAE损失，对去噪图像，采用均方误差MSE损失。
进一步需要说明的是，每10000次迭代后更新学习率，更新指数为0.95。
本发明还提供一种终端机，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现基于卷积神经网络和模糊图像特征的图像去噪方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供的基于卷积神经网络和模糊图像特征的图像去噪方法通过设置模糊图像作为去噪过程的中间状态，形成了对去噪过程的一个约束，能减少去噪过程中的信息浪费和信息丢失，从而保证了去噪图像的准确性。
本发明还通过设置模糊图像作为去噪过程的中间状态，将传统的去噪过程分解为模糊阶段和双向调整的阶段，从而降低去噪过程的难度。与传统的单向平滑的去噪过程相比，本发明将去噪过程改造为从欠平滑的含噪图像和过平滑的模糊图像中寻找最佳平滑点的过程，这个双向的过程比传统的单向过程包含更多可参考的信息。
本发明的方法与其他方法利用的边缘特征相比，模糊图像特征不容易受噪声影响，保证了去噪结果的稳定性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对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一些实施例，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为基于卷积神经网络和模糊图像特征的图像去噪方法流程图；
图2是本发明中神经网络BFCNN的结构示意图；
图3是本发明与现有去噪算法的视觉效果对比图；
图4是本发明与现有去噪算法的PSNR指标对比图。
具体实施方式
如图1和图2是本发明提供一种基于卷积神经网络和模糊图像特征的图像去噪方法中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的模块而非按照实际实施时的模块数目及功能，其实际实施时各模块的功能、数量及作用可为一种随意的改变，且其模块的功能和用途也可能更为复杂。
基于卷积神经网络和模糊图像特征的图像去噪方法可以基于人工智能技术对关联的数据进行获取和处理。其中，本发明的去噪方法利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
基于卷积神经网络和模糊图像特征的图像去噪方法中既有硬件层面的技术也有软件层面的技术。图像去噪方法基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。图像去噪方法软件技术主要包括计算机视角技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等。
图像去噪方法还具有机器学习功能，其中本发明方法中的机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本发明涉及的图像去噪方法，通过建立卷积神经网络和模糊图像特征，利用传感器监控、数据传输等技术，将传统的去噪过程分解为模糊阶段和双向调整的阶段，从而降低去噪过程的难度。
本发明将卷积神经网络和模糊图像特征相融合，可以有效解决基于单向平滑过程的去噪过程导致缺少约束，无法保证去噪结果的稳定性的问题。
如图1示出了本发明的基于卷积神经网络和模糊图像特征的图像去噪方法的较佳实施例的流程图。基于卷积神经网络和模糊图像特征的图像去噪方法应用于一个或者多个终端机中，所述终端机是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
终端机可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、交互式网络电视(Internet Protocol Television，IPTV)等。
终端机还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
终端机所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
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。
请参阅图1至2所示是一具体实施例中离合器摩擦片表面温度分析方法的流程图，方法包括：
S101、选取预设数量的图像进行裁切，形成图像块，作为干净图像数据集；将干净图像块与合成高斯白噪声相加，得到含噪图像数据集；
具体来讲，选取PASCAL VOC数据集中33260张图像裁切为从96×96到256×256大小的图像块，将其作为干净图像数据集。将干净图像块与合成高斯白噪声相加，得到含噪图像数据集。对干净图像块使用一个3×3大小的高斯模糊核进行卷积操作得到模糊图像块数据集。
S102、构造基于模糊图像特征的模糊特征去噪网络BFCNN；
本发明的实施例，利用深度学习框架构造模糊特征去噪模糊特征去噪网络BFCNN。模糊特征去噪网络BFCNN包含BM模糊模块、CM聚合模块和AM调整模块。获得含噪输入后，首先利用一个轻量级的BM模糊模块获得一个无噪声的模糊图像；利用一个CM聚合模块合并原始含噪图像和模糊图像特征，同时尽可能多地产生代表不同程度平滑的特征；通过AM调整模块来增强聚合后产生的特征，同时在这些特征中得到一个最佳平滑的无噪声图像。
S103、利用Adam优化器对模糊特征去噪网络BFCNN进行训练，形成图像去噪网络，并保存训练完成的图像去噪网络；
本实施例是利用深度学习框架构将BM模糊模块、CM聚合模块和AM调整模块组合为模糊特征去噪网络BFCNN，利用Adam优化器进行训练。初始学习率为0.0001，学习率按指数衰减。对模糊图像，采用平均绝对值误差MAE损失，对去噪图像，采用均方误差MSE损失。待损失稳定后，保存网络权重完成训练。
S104、将含噪图像数据集中待去噪的图像输入到训练完成的图像去噪网络中，得到去噪后的图像。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供的基于卷积神经网络和模糊图像特征的图像去噪方法包括以下步骤：
1)制作含噪图像数据集。
本发明选取PASCAL VOC数据集中33260张图像裁切为从96×96到256×256大小的图像块，将其作为干净图像数据集。将干净图像块与合成高斯白噪声相加，得到含噪图像数据集。对干净图像块使用一个3×3大小的高斯模糊核进行卷积操作得到模糊图像块数据集。干净图像数据集和模糊图像数据集作为标签数据用于计算损失并调整网络权重。
2)构造基于模糊图像特征的神经网络BFCNN。BFCNN的结构如图2所示。本发明采用了一个单输入双输出的卷积神经网络。同时，BFCNN包含BM模糊模块、CM聚合模块和AM调整模块。
其中，附图2中的
表示级联层，
表示按元素乘法，
表示按元素加法，
表示密集连接块，
表示残差组。
BM模糊模块的作用是从含噪图像中获得一个模糊但是无噪声的图像。BM模糊模块包括一个卷积层用于提升特征的维度，两个残差组(RG)进行特征提取。另外从第一个卷积层到两个残差块之间分别增添短连接(SCC)。BM模糊模块的结构可以描述为：
BM(Inoisy)＝RG(RG(Conv(Inoisy))+Conv(Inoisy))+Conv(Inoisy) (1)
其中RG代表残差组，Inoisy代表含噪图像。
CM聚合模块的作用是将含噪图像特征和模糊模块BM输出的特征进行融合。含噪图像特征代表了欠平滑的信息，模糊图像特则代表了过平滑的信息，而CM聚合模块的作用是尽量多地产生不同平滑程度的信息。聚合模块包含两个聚合块(CB)，每个聚合块包含一个残差组(RG)、一个用于提升通道数的卷积层、一个聚合层和另一个用于降低通道数的卷积层。每个聚合块都相当于将过平滑信息与欠平滑信息进行了一次融合。两个聚合块的输入最终由另一个聚合层聚合为一个高维的特征。CM聚合模块的结构可以描述为：
CB1(BM(Inoisy),Inoisy)＝Conv(Concate(RG(BM(Inoisy)),Conv(Inoisy))) (2)
CB2(Inoisy)＝Conv(Concate(RG(CB1(Inoisy)),Conv(Inoisy))) (3)
CM(BM(Inoisy),Inoisy)＝Concate(CB1(BM(Inoisy)，Inoisy),CB2(Inoisy)) (4)
CB1和CB2分别代表两个聚合块，Conv代表卷积层，Concate代表聚合层。
AM调整模块的作用是处理和精炼CM聚合模块所输出的特征并且从中找出最佳平滑点。这个调整过程是双向的，因为CM聚合模块的输出特征中既包含过平滑信息也包含欠平滑的信息。AM调整模块中首先包含一个特征注意力机制，用于增强某些特征。随后是一个密集连接块DB，密集连接块强调特征复用，从而避免了寻找最佳平滑点时的信息丢失。密集连接块DB后面是一个用于降低通道数的卷积层。AM调整模块的结构可以描述为：
AM(CM(Inoisy),Inoisy)＝DB(FA(CM(Inoisy)))+Inoisy(5)
FA(CM(Inoisy))＝CM(Inoisy)×Conv(Conv(GlobalAvgPool(CM(Inoisy))))(6)
其中DB表示密集连接块，FA表示特征注意力机制，GlobalAvgPool表示全局平均池化操作。
3)利用深度学习框架构建BFCNN实例，导入上述三个数据集进行训练。本发明的训练过程使用Adam优化器，初始学习率为0.0001，学习率按指数衰减，每10000次迭代后更新学习率，更新指数为0.95。待损失值稳定后结束训练，保存网络的权重。
4)将测试集中待去噪的图像输入训练好的图像去噪网络中，得到去噪后的图像
图3提供了本发明与现有方法的去噪视觉效果对比图。噪声水平为50。从视觉效果来看，本发明的去噪网络能实现对物体边缘和纹理细节的精确理解与复原，同时有能力在过滤噪声的同时避免产生伪纹理。
A、对比实验方案：
本发明与卷积神经网络DnCNN和基于注意力机制的去噪网络ADNet在不同噪声方差下进行峰值信噪比指标PSNR对比，PSNR越高代表去噪图像的像素值与原图像的像素值差距越小，也就代表去噪性能越强。
B、实验条件：
测试图像为图像去噪标准测试集Set12和BSD68。选择在高斯噪声水平为15，25和50的条件下测量去噪图像与原图像之间的PSNR指标。
C、实验结果
图4提供了不同方法在Set12数据集上的去噪性能。可以看出本发明大幅领先DnCNN和ADNet并且在各种噪声水平上都取得最高的去噪性能。
综上，本发明利用模糊图像的特点，提出了一种基于深度卷积神经网络和模糊图像特征的图像去噪方法。
本发明的方法通过合理地利用模糊图像的过平滑信息，可以帮助神经网络获得一个对含噪图像的初步感知，从而把传统去噪过程转变为更加简单稳定的双向调整过程，有利于提高神经网络的去噪性能。
在本发明的实施例中，可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电力服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(示例性的讲利用因特网服务提供商来通过因特网连接)。
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 (9)
1.一种基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，方法包括：
S101、选取预设数量的图像进行裁切，形成图像块，作为干净图像数据集；将干净图像块与合成高斯白噪声相加，得到含噪图像数据集；
S102、构造基于模糊图像特征的模糊特征去噪网络BFCNN；
S103、利用Adam优化器对模糊特征去噪网络BFCNN进行训练，形成图像去噪网络，并保存训练完成的图像去噪网络；
S104、将含噪图像数据集中待去噪的图像输入到训练完成的图像去噪网络中，得到去噪后的图像。
2.根据权利要求1所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，S101还包括：
预设数量的图像进行裁切为从96×96到256×256大小的图像块，作为干净图像数据集。
3.根据权利要求2所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，S101还包括：
对干净图像数据集中的干净图像块使用3×3大小的高斯模糊核进行卷积操作得到模糊图像块数据集。
4.根据权利要求1所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，
模糊特征去噪网络BFCNN包括：BM模糊模块；
BM模糊模块描述为：
BM(Inoisy)＝RG(RG(Conv(Inoisy))+Conv(Inoisy))+Conv(Inoisy) (1)
其中BM(Inoisy)代表BM模糊模块的输出，RG代表残差组，Inoisy代表含噪图像。
5.根据权利要求1所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，
模糊特征去噪网络BFCNN还包括：CM聚合模块；
CM聚合模块包含两个聚合块，每个聚合块包含一个残差组、一个用于提升通道数的卷积层、一个聚合层和一个用于降低通道数的卷积层；两个聚合块的输入最终由一个聚合层聚合为一个高维的特征；
CM聚合模块描述为：
CB1(BM(Inoisy),Inoisy)＝Conv(Concate(RG(BM(Inoisy)),Conv(Inoisy))) (2)
CB2(Inoisy)＝Conv(Concate(RG(CB1(Inoisy)),Conv(Inoisy))) (3)
CM(BM(Inoisy),Inoisy)＝Concate(CB1(BM(Inoisy)，Inoisy),CB2(Inoisy)) (4)
CB1和CB2分别代表两个聚合块，Conv代表卷积层，Concate代表聚合层。
6.根据权利要求1所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，
模糊特征去噪网络BFCNN还包括：AM调整模块；
AM调整模块描述为：
AM(CM(Inoisy),Inoisy)＝DB(FA(CM(Inoisy)))+Inoisy(5)
FA(CM(Inoisy))＝CM(Inoisy)×Conv(Conv(GlobalAvgPool(CM(Inoisy))))(6)
其中DB表示密集连接块，FA表示特征注意力机制，GlobalAvgPool表示全局平均池化操作。
7.根据权利要求1所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，
S103、利用Adam优化器对模糊特征去噪网络BFCNN进行训练，形成图像去噪网络，并保存训练完成的图像去噪网络；
利用Adam优化器对模糊特征去噪网络BFCNN进行训练的初始学习率为0.0001，学习率按指数衰减；对模糊图像，采用平均绝对值误差MAE损失，对去噪图像，采用均方误差MSE损失。
8.根据权利要求7所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，
每10000次迭代后更新学习率，更新指数为0.95。
9.一种终端机，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述基于卷积神经网络和模糊图像特征的图像去噪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211426937.6A CN115761242B (zh) | 2022-11-15 | 2022-11-15 | 一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211426937.6A CN115761242B (zh) | 2022-11-15 | 2022-11-15 | 一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115761242A true CN115761242A (zh) | 2023-03-07 |
| CN115761242B CN115761242B (zh) | 2023-09-19 |
Family
ID=85371182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211426937.6A Active CN115761242B (zh) | 2022-11-15 | 2022-11-15 | 一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115761242B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703772A (zh) * | 2023-06-15 | 2023-09-05 | 山东财经大学 | 一种基于自适应插值算法的图像去噪方法、系统及终端机 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113610719A (zh) * | 2021-07-19 | 2021-11-05 | 河南大学 | 一种注意力和密集连接残差块卷积核神经网络图像去噪方法 |
| CN113744160A (zh) * | 2021-09-15 | 2021-12-03 | 马上消费金融股份有限公司 | 图像处理模型训练方法、图像处理方法、装置及电子设备 |
| US20220092742A1 (en) * | 2019-10-23 | 2022-03-24 | University Of Shanghai For Science And Technology | Learning Method of Generative Adversarial Network with Multiple Generators for Image Denoising |
| US20220122225A1 (en) * | 2020-10-21 | 2022-04-21 | National Chengchi University | Image quality improvement method and image processing apparatus using the same |
| CN114926883A (zh) * | 2022-05-27 | 2022-08-19 | 公安部第一研究所 | 一种满足多种降质模型的人脸图像处理方法 |
-
2022
- 2022-11-15 CN CN202211426937.6A patent/CN115761242B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220092742A1 (en) * | 2019-10-23 | 2022-03-24 | University Of Shanghai For Science And Technology | Learning Method of Generative Adversarial Network with Multiple Generators for Image Denoising |
| 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 |
| US20220122225A1 (en) * | 2020-10-21 | 2022-04-21 | National Chengchi University | Image quality improvement method and image processing apparatus using the same |
| CN113610719A (zh) * | 2021-07-19 | 2021-11-05 | 河南大学 | 一种注意力和密集连接残差块卷积核神经网络图像去噪方法 |
| CN113744160A (zh) * | 2021-09-15 | 2021-12-03 | 马上消费金融股份有限公司 | 图像处理模型训练方法、图像处理方法、装置及电子设备 |
| CN114926883A (zh) * | 2022-05-27 | 2022-08-19 | 公安部第一研究所 | 一种满足多种降质模型的人脸图像处理方法 |
Non-Patent Citations (3)
| Title |
|---|
| TIANXU LV ET AL.: "Unsupervised medical images denoising via graph attention dual adversarial network", APPLIED INTELLIGENCE, pages 4094 * |
| 范琳伟: "基于非局部均值和正则化模型的图像去噪研究", 中国博士学位论文全文数据库信息科技辑, vol. 2019, no. 09, pages 138 - 29 * |
| 黄容: "基于卷积神经网络的图像去噪方法研究", 中国优秀硕士学位论文全文数据库信息科技辑, vol. 2022, no. 03, pages 138 - 2547 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703772A (zh) * | 2023-06-15 | 2023-09-05 | 山东财经大学 | 一种基于自适应插值算法的图像去噪方法、系统及终端机 |
| CN116703772B (zh) * | 2023-06-15 | 2024-03-15 | 山东财经大学 | 一种基于自适应插值算法的图像去噪方法、系统及终端机 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115761242B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109872288B (zh) | 用于图像去噪的网络训练方法、装置、终端及存储介质 | |
| Wang et al. | Multi-scale dilated convolution of convolutional neural network for image denoising | |
| CN109087273B (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
| CN109671026B (zh) | 基于空洞卷积及自动编解码神经网络的灰度图像降噪方法 | |
| Yin et al. | Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data | |
| CN113362250B (zh) | 一种基于双树四元小波与深度学习的图像去噪方法及系统 | |
| CN112419191B (zh) | 基于卷积神经网络的图像运动模糊去除方法 | |
| TWI765264B (zh) | 處理影像超解析度的裝置及方法 | |
| CN110349112B (zh) | 一种基于自适应奇异值阈值的两阶段图像去噪方法 | |
| Routray et al. | An efficient image denoising method based on principal component analysis with learned patch groups | |
| CN110809126A (zh) | 一种基于自适应可变形卷积的视频帧插值方法及系统 | |
| CN115761242B (zh) | 一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 | |
| CN117174105A (zh) | 一种基于改进型深度卷积网络的语音降噪与去混响方法 | |
| Chaurasiya et al. | Deep dilated CNN based image denoising | |
| Zheng et al. | An unsupervised deep learning approach for real-world image denoising | |
| CN114463223A (zh) | 一种图像增强的处理方法、装置、计算机设备及介质 | |
| CN112581397A (zh) | 一种基于图像先验信息的退化图像修复方法及其应用 | |
| CN114830168A (zh) | 图像重建方法、电子设备和计算机可读存储介质 | |
| CN115880187A (zh) | 基于去噪扩散概率模型的单图像反光去除方法及相关设备 | |
| CN116703772B (zh) | 一种基于自适应插值算法的图像去噪方法、系统及终端机 | |
| Xu et al. | Depth map super-resolution via joint local gradient and nonlocal structural regularizations | |
| CN111861940A (zh) | 一种基于条件连续调节的图像调色增强方法 | |
| CN111489306A (zh) | 基于强化学习的图像去噪方法 | |
| CN113888405B (zh) | 基于分簇自适应膨胀卷积神经网络的去噪去马赛克方法 | |
| Ma et al. | TPE: Lightweight transformer photo enhancement based on curve adjustment |
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 |