CN116823627A - 一种基于图像复杂度评价的超大尺寸图像快速去噪方法 - Google Patents
一种基于图像复杂度评价的超大尺寸图像快速去噪方法 Download PDFInfo
- Publication number
- CN116823627A CN116823627A CN202210278250.6A CN202210278250A CN116823627A CN 116823627 A CN116823627 A CN 116823627A CN 202210278250 A CN202210278250 A CN 202210278250A CN 116823627 A CN116823627 A CN 116823627A
- Authority
- CN
- China
- Prior art keywords
- image
- complexity
- denoising
- color
- network
- 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 39
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 239000003086 colorant Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- DXTLBEQSVNRVKT-UHFFFAOYSA-N 2-thiocyanatoethyl dodecanoate Chemical compound CCCCCCCCCCCC(=O)OCCSC#N DXTLBEQSVNRVKT-UHFFFAOYSA-N 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像复杂度评价的超大尺寸图像快速去噪方法。包括如下步骤：(1)提取图像颜色、纹理和内容维度的复杂度特征，构建多特征信息融合的图像复杂度分类模型；(2)构建多尺度残差密集去噪网络；(3)构建数据集，设置多尺度残差密集去噪网络的训练参数；(4)设置损失函数，以最小化损失函数为目标训练多尺度残差密集去噪网络，更新网络参数；(5)将待处理的图像分块，得到多个图块；使用图像复杂度分类模型对图块进行分类，根据图块的分类结果引导图块从不同深度层级的出口输出，得到去噪后的图块；(6)将所有图块拼接复原。本发明的方法大大节省了计算资源，缩短运行时间，可以实现对超大尺寸图像的快速去噪。
Description
技术领域
本发明涉及计算机视觉和深度学习领域，尤其涉及一种基于图像复杂度评价的超大尺寸图像快速去噪方法。
背景技术
图像在采集和传输过程中，由于环境、传感器局限、自然噪声污染等原因，会一定程度上退化失真，质量下降。由于图像噪声的产生是一个系统性问题，且极难避免，图像去噪问题的研究对提升人眼对图像的直接感受，以及图像的后续处理具有十分重要的意义。
图像去噪算法作为图像处理领域的经典问题，已经被广泛研究了数十年。早期的传统算法大致可以分为基于滤波的去噪方法、基于稀疏表示的去噪方法和基于矩阵低秩的去噪方法，其中块匹配3D滤波方法(block-matching and 3D filtering，BM3D)是其中最先进的传统算法之一。随着计算机算力的提升和深度学习的快速发展，人们开始尝试使用深度学习的方法。多层感知机网络(multi-layer perception，MLP)，通过其强大的拟合能力和非线性映射能力，学习带噪图像和无噪参考图像之间的映射关系。深度卷积残差网络的去噪模型(DnCNN)，该模型结合残差学习和批量归一化学习图像中的噪声，实验结果表明去噪性能优于传统算法。近年来基于深度学习的去噪算法发展飞速，然而模型性能的提升往往伴随着网络深度和算法复杂度的增加，使得它们在实际应用中受到限制。
随着数字成像技术的快速发展，成像设备采集的图像分辨率越来越高，比如分辨率在10000×10000以上、数据量达到几百MB甚至几GB。这样的超大尺寸图像通常不能一次性将所有像素数据读入内存中，因此必须对图像进行分块，然后分别将每一个图块输入到网络模型中。然而，单个图像中可能存在区域复杂程度的巨大变化，内容少、纹理平滑的区域本质上比其他区域更容易恢复，因而对所有图像区域采用相同的网络路径增加了很多不必要的计算量，效率低下。
发明内容
针对以上现有方法存在的缺陷，本发明的目的在于提出一种基于图像复杂度评价的超大尺寸图像快速去噪方法。
为达上述目的，本发明采用的技术方案如下：
一种基于图像复杂度评价的超大尺寸图像快速去噪方法，其特征在于，包括如下步骤：
步骤1，提取图像颜色、纹理和内容维度的复杂度特征，构建多特征信息融合的图像复杂度分类模型；
步骤2，构建多尺度残差密集去噪网络，该网络采用U型网络结构，深度为M层，包括多个卷积单元、下采样模块和上采样模块，每个所述卷积单元采用密集连接的方式融合上下文信息；所述多尺度残差密集去噪网络具有M个不同深度层级的出口；
步骤3，构建数据集，设置所述多尺度残差密集去噪网络的训练参数；
步骤4，设置损失函数，以最小化损失函数为目标训练所述多尺度残差密集去噪网络，更新网络参数；
步骤5，将待处理的图像分块，得到多个图块；使用步骤1中建立的图像复杂度分类模型对图块进行分类，根据图块的分类结果引导图块从不同深度层级的出口输出，得到去噪后的图块；
步骤6，将步骤5得到的所有图块拼接复原。
进一步地，所述步骤1中，提取的复杂度特征包括：
1)颜色熵ColorH
其中K是HSV色彩模型下的图像量化后的总颜色级数，Pi为第i级颜色在图中出现的频率；
2)颜色分布均匀度ColorD
其中CH、CS、CV分别是图像在HSV颜色空间三个分量的均匀度，n为色彩通道的级数，分别为色彩通道上颜色级别为i的像素的统计频率；/>表示通道的最大可能方差；
3)能量ASM
其中p(i，j，d，θ)为灰度共生矩阵，i，j为两个像素的灰度值，d为两个像素的距离，θ规定为两个像素点的角度；L为图像量化后的灰度级数；
4)信息熵ENT
5)边缘比率Redge
其中Pcanny为图像经过Canny边缘检测后的得到的边缘像素数，M×N表示图像的总像素数。
进一步地，所述步骤1中，构建多特征信息融合的图像复杂度分类模型具体包括：根据提取出5个描述不同维度的特征参数：颜色熵、颜色分布匀度、能量、信息熵、边缘比率，将它们组成一个复杂度特征向量C，具体表示为：
C＝[ColorH，ColorD，ASM，ENT，Redge]
选取1500张复杂度分布不同的图像，分别提取它们的复杂度特征向量，使用模糊的K-means算法进行聚类，得到三个中心点，这三个中心点分别代表不同等级的复杂度：低复杂度VL，中复杂度VM，高复杂度VH；对于一张新的图，计算它的复杂度特征向量与这三个中心点的欧氏距离，距离最近的点的类别即是该图像的复杂度类别。
进一步地，所述卷积单元包括维度变换模块、特征提取模块和通道注意力模块；所述维度变换模块用于改变输入图像的通道数；所述特征提取模块由深度可分离卷积层和ReLU激活函数串联而成，用于将卷积运算分解为逐通道卷积和逐点卷积两部分；所述通道注意力模块用于计算输入特征图的权重，并把权重和特征图进行融合，得到注意力加强后的特征图。
进一步地，所述多尺度残差密集去噪网络还包括深度监督模块，用于监督每一个深度层级的输出。
进一步地，所述上采样模块为卷积核大小2×2，步长为2的转置卷积，所述下采样模块为卷积核大小3×3，步长为2的卷积层；所述多尺度残差密集去噪网络的每个出口采用残差学习的方式预测噪声。
进一步地，所述步骤4中，损失函数L为：
其中，为估计的噪声残差，/>为每个出口的输出，Li(θi)为预测的噪声残差和噪声真值的均方误差，wi表示深度监督过程中Li(θi)的权重。
进一步地，所述步骤4中，网络训练过程使用Adam优化器，对训练集图像添加噪声等级为[0，55]的随机高斯噪声，共训练300次迭代，前100次迭代学习率为1e-3，第101-200次迭代学习率为1e-4，最后100次迭代学习率为1e-5。
与现有技术相比，本发明的有益效果在于：
(1)提出一种有效的图像复杂度分类模型，可将原始图像的图块按照其噪声去除的难度分为简单、中等、复杂三类，使待测图块根据分类结果实现简单样本从浅层输出，复杂样本从更深层输出，有效去除噪声的同时大大减少了计算量和总运行时间；
(2)提出的多尺度残差密集去噪网络结构中，采用多尺度U型网络充分提取了不同尺度的特征，密集连接有效还原编码过程带来的信息损失，融合不同层次的特征，深度监督机制使梯度有效传播，残差学习预测噪声分布比直接预测干净图像更加高效。
(3)与已有去噪方法相比，本发明提出的方法可以在实现相当去噪性能的同时大大节省计算资源，缩短运行时间，可以实现对超大尺寸图像的快速去噪。
附图说明
图1为本发明方法的流程图；
图2为本发明实施例中的多尺度残差密集去噪网络结构图；
图3为本发明实施例中的特征提取模块结构图；
图4为本发明实施例中的通道注意力模块结构图；
图5为本发明实施例中的分类结果示意图；
图6为本发明实施例中的效果比对示意图；
图7为本发明实施例中的运行时间比对图。
具体实施方式
下面将结合附图及具体实施例对本发明进行详细描述。
参照图1，本实施例的一种基于图像复杂度评价的超大尺寸图像快速去噪方法，具体步骤如下：
步骤1，提取图像颜色、纹理和内容维度的复杂度特征，构建多特征信息融合的图像复杂度分类模型。
步骤11，提取复杂度特征，包括：
1)颜色熵ColorH
其中K是HSV色彩模型下的图像量化后的总颜色级数，Pi为第i级颜色在图中出现的频率；
2)颜色分布均匀度ColorD
其中CH、CS、CV分别是图像在HSV颜色空间三个分量的均匀度，n为该色彩通道的级数，分别为该色彩通道上颜色级别为i的像素的统计频率；/>表示该通道的最大可能方差；
3)能量ASM
其中L为图像量化后的灰度级数，一取值为8；p(i，j，d，θ)为灰度共生矩阵，i，j为两个像素的灰度值，d为两个像素的距离，θ为两个像素的角度。通常θ∈{0°，45°，90°，135°}，d∈{(0，d)，(d，d)，(d，0)，(-d，d)}。灰度分布越均匀，相应能量值越大；
4)信息熵ENT
图像细纹理越多，复杂程度越高，熵值越大；
5)边缘比率Redge
其中Pcanny为图像经过Canny边缘检测后的得到的边缘像素数，M×N表示图像的总像素数。
步骤12，建立复杂度分类模型。采集1500张不同类型不同复杂度的图像，其中包括简单、中等、复杂各500张，根据所述步骤11对每张图像提取5个特征参数，组成复杂度向量C，具体表示为：
C＝[ColorH，ColorD，ASM，ENT，Redge]
进行归一化处理。使用模糊K-means算法对复杂度特征向量进行聚类，得到三个代表不同等级复杂度的中心点：VL(Low Complexity)，VM(Middle Complexity)，VH(HighComplexity)。
步骤13，确定复杂度类别。对待测图片提取复杂度向量C，分别计算它与所述步骤12中聚类中心点的欧氏距离：
它的复杂度等级与离它最近的那个聚类中心一致：
步骤2，搭建多尺度残差密集去噪网络。网络结构如图2所示。在具体实施中，网络深度层级M设置为5，卷积层通道数CN设置为32。该网络具有5个对应不同深度的出口，每个出口的输出与输入直接相加，采用残差学习的方式预测噪声。上采样模块为卷积核大小2×2，步长为2的转置卷积，下采样模块为卷积核大小3×3，步长为2的卷积层，同一层级的卷积单元采用密集连接的方式融合上下文信息。
本实施例多尺度残差密集去噪网络的具体实现过程如下：
输入图像ILQ，原始大小为(C，H，W)，经过一个由卷积层构成的维度变换模块得到C0，0，大小为(CN，H，W)，只改变通道数，便于参与后续的特征提取和融合。经过M次下采样操作得到Cm，0，m∈{1，2…，M}，每下采样一次特征图的大小就缩小一半，从而获得不同尺度特征的信息。设第m层中第n个特征图为Cm，n，运算过程可以表示为：
Cm，n＝HEF(HcA([Hup(Cm+1，n-1)，Cm，n-1，Cm，n-2，…Cm，0]))，n∈{1，…M-m}
其中HEF表示特征提取模块，HCA表示通道注意力模块，Hup表示上采样操作，[…]表示cat运算。经过运算得到的Cm，n大小为
特征提取模块HEF的结构如图3所示，由两个深度可分离卷积和ReLU激活函数的组合串联而成，它和一般特征提取模块的区别在于使用深度可分离卷积(DepthwiseSeparable Convolution，DSC)代替了常规卷积，从而将常规卷积运算分解为逐通道卷积和逐点卷积两部分，可以有效降低网络的计算量。
通道注意力模块HCA的结构如图4所示，由全局平均池化、全连接层、ReLU激活函数和sigmoid激活函数组成，通过对输入的特征图计算一个权重，再把这个权重和特征图进行融合，得到注意力加强后的特征图，这个过程可以表示为：
其中，Fsq表示将特征图全局池化的压缩过程，Fex表示应用sigmoid函数的激活过程，得到权重矩阵，Fscale表示将权重矩阵赋值到输入特征图上，得到注意力加强后的特征图。这个操作可以有效学习到不同通道的重要性，弥补应用DSC后由于计算量减少带来的性能下降。
网络结构还包括深度监督模块，它可以监督每一个深度层次的输出。第一层的特征图C0，n，n∈{1，2，…M}经过一个维度变换后，输出结果都是原始大小的图像，即每个子网络的输出都已经是网络对图像的处理结果。反向传播的梯度通过深度监督模块直接流入子网络，从而尽可能的把每一个子网络的性能提升到对应深度的最佳水平。
步骤3，构建数据集，设置上述多尺度残差密集去噪网络模型的训练参数。选取BSD500数据集的300张图像，对原图进行尺度因子为[1.0，0.9，0.8]的尺度缩放、水平镜像翻转、上下翻转、旋转等数据增广操作，并随机剪裁为96×96大小的图块，对原始图像加高斯白噪声，最终获得5万7千个噪声图像对。训练参数为，批处理大小为64，采用Adam算法优化损失函数，优化器参数设置为默认值。训练阶段共迭代300次，前100次迭代学习率为1e-3，第101-200次迭代学习率为1e-4，最后100次迭代学习率为1e-5。
步骤4，根据多尺度密集残差去噪网络模型及训练参数，以最小化损失函数为目标更新网络参数，损失函数L为：
其中为估计的噪声残差，/>为每个出口的输出，Li(θi)为预测的噪声残差和噪声真值的均方误差(MSE)，wi表示深度监督过程中Li(θi)的权重。
步骤5，将待处理超大尺寸图像分块，使用步骤1中建立的图像复杂度评价模型将图块分为简单(LC)、中等(ML)、复杂(HC)三个类别，根据图块的分类结果引导样本从不同深度的出口输出，得到去噪后的图像。该步骤与步骤4的区别在于：批处理数量为1，每个出口不再加权求和，而是直接得到每个出口的输出。
步骤6，将步骤5所得去噪图块拼接复原。
在一个实例中，待处理超大尺寸图像大小为6000×4000，将其分块为600×400的图块共100个，经过复杂度评价模型进行分类，60％的图块属于简单类别(low complexity，LC)，18％的图块属于中等类别(more or less，ML)，22％的图块属于复杂类别(highcomplexity，HC)，分类结果如图5所示。
测试阶段，将5个输出分支编号为S1、S2、S3、S4、S5，引导三个复杂度类别的图块分别从S1、S3、S5输出。在网络性能上，三个类别的图块分别得到了18.14dB、13.30dB、12.07dB的PSNR提升，获得了令人满意的视觉效果；在网络效率上，通过引导简单样本从浅层输出，每个简单样本的运行时间比单一网络路径的DnCNN减少了75.9％，同时PSNR仅下降了0.37dB；属于ML类别的图块运行时间也减少了40.8％，属于HC类别的图块运行时间相当，取得的PSNR也相当，具体结果如图6、图7所示。综合来说本发明提出的方法在取得相当性能的同时大大减少了运行时间，提高了计算效率。
Claims (8)
1.一种基于图像复杂度评价的超大尺寸图像快速去噪方法，其特征在于，包括如下步骤：
步骤1，提取图像颜色、纹理和内容维度的复杂度特征，构建多特征信息融合的图像复杂度分类模型；
步骤2，构建多尺度残差密集去噪网络，该网络采用U型网络结构，深度为M层，包括多个卷积单元、下采样模块和上采样模块，每个所述卷积单元采用密集连接的方式融合上下文信息；所述多尺度残差密集去噪网络具有M个不同深度层级的出口；
步骤3，构建数据集，设置所述多尺度残差密集去噪网络的训练参数；
步骤4，设置损失函数，以最小化损失函数为目标训练所述多尺度残差密集去噪网络，更新网络参数；
步骤5，将待处理的图像分块，得到多个图块；使用步骤1中建立的图像复杂度分类模型对图块进行分类，根据图块的分类结果引导图块从不同深度层级的出口输出，得到去噪后的图块；
步骤6，将步骤5得到的所有图块拼接复原。
2.根据权利要求1所述的一种基于图像复杂度评价的超大尺寸图像快速去噪方法，其特征在于，所述步骤1中，提取的复杂度特征包括：
1)颜色熵ColorH
其中K是HSV色彩模型下的图像量化后的总颜色级数，Pi为第i级颜色在图中出现的频率；
2)颜色分布均匀度ColorD
其中CH、CS、CV分别是图像在HSV颜色空间三个分量的均匀度，n为色彩通道的级数，fi H、fi S、fi V分别为色彩通道上颜色级别为i的像素的统计频率；表示通道的最大可能方差；
3)能量ASM
其中p(i，j，d，θ)为灰度共生矩阵，i，j为两个像素的灰度值，d为两个像素的距离，θ规定为两个像素点的角度；L为图像量化后的灰度级数；
4)信息熵ENT
5)边缘比率Redge
其中Pcanny为图像经过Canny边缘检测后的得到的边缘像素数，M×N表示图像的总像素数。
3.根据权利要求2所述的一种基于图像复杂度评价的超大尺寸图像快速去噪方法，其特征在于，所述步骤1中，构建多特征信息融合的图像复杂度分类模型具体包括：根据提取出5个描述不同维度的特征参数：颜色熵、颜色分布匀度、能量、信息熵、边缘比率，将它们组成一个复杂度特征向量C，具体表示为：
C＝[ColorH，ColorD，ASM，ENT，Redge]
选取1500张复杂度分布不同的图像，分别提取它们的复杂度特征向量，使用模糊的K-means算法进行聚类，得到三个中心点，这三个中心点分别代表不同等级的复杂度：低复杂度VL，中复杂度VM，高复杂度VH；对于一张新的图，计算它的复杂度特征向量与这三个中心点的欧氏距离，距离最近的点的类别即是该图像的复杂度类别。
4.根据权利要求1所述的一种基于图像复杂度评价的超大尺寸图像快速去噪方法，其特征在于，所述卷积单元包括维度变换模块、特征提取模块和通道注意力模块；所述维度变换模块用于改变输入图像的通道数；所述特征提取模块由深度可分离卷积层和ReLU激活函数串联而成，用于将卷积运算分解为逐通道卷积和逐点卷积两部分；所述通道注意力模块用于计算输入特征图的权重，并把权重和特征图进行融合，得到注意力加强后的特征图。
5.根据权利要求1所述的一种基于图像复杂度评价的超大尺寸图像快速去噪方法，其特征在于，所述多尺度残差密集去噪网络还包括深度监督模块，用于监督每一个深度层级的输出。
6.根据权利要求1所述的一种基于图像复杂度评价的超大尺寸图像快速去噪方法，其特征在于，所述上采样模块为卷积核大小2×2，步长为2的转置卷积，所述下采样模块为卷积核大小3×3，步长为2的卷积层；所述多尺度残差密集去噪网络的每个出口采用残差学习的方式预测噪声。
7.根据权利要求1所述的一种基于图像复杂度评价的超大尺寸图像快速去噪方法，其特征在于，所述步骤4中，损失函数L为：
其中，为估计的噪声残差，/>为每个出口的输出，Li(θi)为预测的噪声残差和噪声真值的均方误差，wi表示深度监督过程中Li(θi)的权重。
8.根据权利要求1所述的一种基于图像复杂度评价的超大尺寸图像快速去噪方法，其特征在于，所述步骤4中，网络训练过程使用Adam优化器，对训练集图像添加噪声等级为[0，55]的随机高斯噪声，共训练300次迭代，前100次迭代学习率为1e-3，第101-200次迭代学习率为1e-4，最后100次迭代学习率为1e-5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210278250.6A CN116823627A (zh) | 2022-03-21 | 2022-03-21 | 一种基于图像复杂度评价的超大尺寸图像快速去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210278250.6A CN116823627A (zh) | 2022-03-21 | 2022-03-21 | 一种基于图像复杂度评价的超大尺寸图像快速去噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116823627A true CN116823627A (zh) | 2023-09-29 |
Family
ID=88117206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210278250.6A Pending CN116823627A (zh) | 2022-03-21 | 2022-03-21 | 一种基于图像复杂度评价的超大尺寸图像快速去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823627A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423113A (zh) * | 2023-12-18 | 2024-01-19 | 青岛华正信息技术股份有限公司 | 一种档案ocr图像自适应去噪方法 |
| CN118570243A (zh) * | 2024-08-05 | 2024-08-30 | 国网天津市电力公司城东供电分公司 | 基于边缘有效跳变区域分级统计的彩色图像简约量化方法 |
-
2022
- 2022-03-21 CN CN202210278250.6A patent/CN116823627A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423113A (zh) * | 2023-12-18 | 2024-01-19 | 青岛华正信息技术股份有限公司 | 一种档案ocr图像自适应去噪方法 |
| CN117423113B (zh) * | 2023-12-18 | 2024-03-05 | 青岛华正信息技术股份有限公司 | 一种档案ocr图像自适应去噪方法 |
| CN118570243A (zh) * | 2024-08-05 | 2024-08-30 | 国网天津市电力公司城东供电分公司 | 基于边缘有效跳变区域分级统计的彩色图像简约量化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378844B (zh) | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 | |
| CN113313164B (zh) | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 | |
| CN111738954B (zh) | 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法 | |
| CN116823627A (zh) | 一种基于图像复杂度评价的超大尺寸图像快速去噪方法 | |
| CN109598220B (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
| CN112699844B (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 | |
| CN112241939B (zh) | 一种基于多尺度和非局部的轻量去雨方法 | |
| CN113962878B (zh) | 一种低能见度图像去雾模型方法 | |
| CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
| CN115131558B (zh) | 一种少样本环境下的语义分割方法 | |
| Golestaneh et al. | No-reference image quality assessment via feature fusion and multi-task learning | |
| CN116309178A (zh) | 一种基于自适应注意力机制网络的可见光图像去噪方法 | |
| CN114331913B (zh) | 基于残差注意力块的运动模糊图像复原方法 | |
| CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 | |
| CN115861113A (zh) | 一种基于融合深度图与特征掩膜的半监督去雾方法 | |
| Wu et al. | Dcanet: Dual convolutional neural network with attention for image blind denoising | |
| CN113096032A (zh) | 一种基于图像区域划分的非均匀一致模糊去除方法 | |
| CN116721033A (zh) | 一种基于随机掩码卷积和注意力机制的单幅图像去雾方法 | |
| CN116703750A (zh) | 基于边缘注意力和多阶微分损失的图像去雾方法及系统 | |
| CN116152107A (zh) | 一种基于细节恢复的单幅图像去雾方法 | |
| CN115456908A (zh) | 一种鲁棒的自监督图像去噪方法 | |
| CN109741313A (zh) | 独立成分分析和卷积神经网络的无参考图像质量评价方法 | |
| CN115205148A (zh) | 基于双路径残差网络的图像去模糊方法 | |
| CN113379641A (zh) | 一种基于自编码卷积神经网络的单幅图像去雨方法及系统 | |
| Ooi et al. | Enhanced dense space attention network for super-resolution construction from single input image |
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 |