一种基于可变形卷积神经网络的图像去噪方法.pdf
Ma****57
亲,该文档总共13页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于可变形卷积神经网络的图像去噪方法.pdf
本发明公开了一种基于可变形卷积神经网络的图像去噪方法,所述方法包括构建可变形卷积神经网络模型,构建完成的可变形卷积神经网络模型包括两个子网络模型,分别为用于图像去噪的第一网络模型,以及用于辅助第一网络模型进行图像去噪的第二网络模型。然后再训练构建完成的可变形卷积神经网络模型,最后利用训练完成的可变形卷积神经网络模型进行图像去噪。本发明公开的图像去噪方法有效改进了目前基于神经网络的去噪方法中存在的图像失真或去噪效果不良的问题。
一种基于卷积神经网络的光场图像去噪方法.pdf
本发明公开了一种基于卷积神经网络的光场图像去噪方法,其首先将4D光场图像分别重组为子孔径图像和微透镜阵列图像;之后构建初始堆栈空间卷积块和初始角度卷积块以分别对子孔径图像和微透镜阵列图像提取空间特征和角度特征;然后引入空间角度联合编码器组来建模空间特征和角度特征间的信息补偿关系并提高特征的表达能力;基于提取的空间特征和角度特征,构建空间角度特征融合器组以充分利用特征来丰富重建去噪光场图像的细节信息;最后利用构建的解码器来将空间角度特征融合器组输出的融合特征重建为去噪光场图像;优点是有效去除光场图像中存在的
基于多视角的卷积神经网络的图像去噪方法.pdf
本发明公开了一种基于多视角的卷积神经网络的图像去噪方法。本发明用INBN技术代替了BN来加快去噪网络的收敛;该方法能有效地补就BN的不足和加快网络收敛,能处理真实噪声图像、盲噪声以及高斯噪声。本发明仅仅用20层的网络来进行去噪,减少网络的计算代价。此外,本发明用一种新的技术GF技术来更好把线性数据变换为非线性的数据;用Smooth函数来更好地训练去噪模型。此外,它采用多视角的特征融合来增强网络性能。本发明对于现实中灾难救援、航空探险与医疗诊病具有重要意义。
基于多尺度卷积组与并行的卷积神经网络图像去噪方法.pdf
本发明公开了基于多尺度卷积组与并行的卷积神经网络图像去噪方法,具体为:步骤1、准备训练集,选择合适的数据集作为训练集中的原始图像,并对其进行预处理操作,采用高斯白噪声模拟真实噪声并加入到原始图像中,作为与之对应的噪声图像;步骤2、构建网络模型,结合多尺度卷积组与并行的卷积网络方式搭建网络模型;步骤3、根据步骤2中所构建的网络模型设置网络的超参数、损失函数和优化算法;步骤4、进行网络训练,使用步骤2中的构建网络模型来分别训练单噪声训练集和多噪声训练集,来得到多个与训练集相对应的网络模型;步骤5、测试网络性能
一种基于卷积模板的图像去噪方法.pdf
本发明涉及一种基于卷积模板的图像去噪方法,包括:对原始图像进行预处理,获取预处理图像;对所述预处理图像进行卷积去噪,获取输出图像;对所述输出图像进行修正,获取去噪图像。本实施例通过卷积模板对图像进行卷积的方式来提取图像的特征信息,在滤波去噪的过程中,对于边缘信息保留的更加完备,且通过卷积操作来完成,没有复杂的公式计算,整体简单便于硬件实现。