一种基于伪标签的人脸图像高光去除方法.pdf
绮兰****文章
亲,该文档总共16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
一种基于伪标签的人脸图像高光去除方法.pdf
本发明涉及图像处理、计算机视觉及深度学习领域,特别涉及一种基于伪标签的人脸图像高光去除方法,包括通过渲染引擎获取合成人脸数据集,与真实带高光人脸图像组成带标签数据集和无标签数据集;使用带标签数据集对卷积神经网络进行训练;使用伪标签的方法,提升神经网络的泛化能力;将带高光的人脸图像输入卷积神经网络,得到去除高光的图片;本发明得到的人脸去高光图像符合人脸观测效果,且不会损伤人脸纹理细节。
人脸图像高光分量去除装置和方法、存储介质产品.pdf
一种人脸图像高光分量去除装置和方法、存储介质产品。该人脸图像高光分量去除装置包括全局估计模块、局部修正模块和高光分量去除模块。全局估计模块配置为基于人脸图像皮肤区域的图像颜色值和高光分量颜色值的经验值估计人脸图像皮肤区域的高光分量的粗略数值;局部修正模块配置为基于图像颜色值获取人脸图像皮肤区域的高光概率值,并基于高光概率值和人脸皮肤颜色值的连续特性修正粗略数值,以获取高光分量的修正数值;高光分量去除模块配置为基于修正数值去除人脸图像的高光分量。该人脸图像高光分量去除装置和方法提升了上述装置和方法的通用性和
一种基于不可靠伪标签学习的半监督高光谱图像分类方法.pdf
本发明公开了一种基于不可靠伪标签学习的半监督高光谱图像分类方法,包括:(1)搭建两个具有相同结构的教师和学生神经网络模型用于提取样本特征;(2)使用少量标记样本预先训练教师网络模型;(3)根据类别概率将无标记样本划分成可靠和不可靠样本;(4)将可靠的预测值作为正确的伪标签,同少量标记样本计算监督损失;(5)通过采样的策略构造锚点像素、正样本和负样本,使用对比学习重新利用不可靠预测值的样本特征;(6)计算目标函数,优化神经网络模型参数;(7)预测高光谱图像分类性能。本发明采取对比学习方式将不可靠伪标签作为对
一种医学图像伪影去除方法.pdf
本发明涉及一种医学图像伪影去除方法,其包括将具有环状伪影的图像转换为第一直线性伪影图像;将第一直线性伪影图像通过平滑处理得到第二直线性伪影图像;将第二直线性伪影图像与第一直线性伪影图像相减,得到高对比度图像;将高对比度图像通过径向基神经网络得到伪影去除后的图像;将伪影去除后的图像通过逆极坐标变换得到无环图像。本发明通过极坐标变换将环状伪影转换为线性伪影,再通过平滑操作准确定位环状伪影,通过自适应梯度下降算法和重力搜索算法的结合对神经网络进行训练,精确提取和学习源信息,不仅可以更多地保留源图像的细节信息,而
CT图像伪影去除方法.pdf
本发明提供了一种CT图像伪影去除方法,涉及医学影像技术领域,通过对输入图像进行滤波得到带有边缘保护区域的图像纹理,获得图像纹理在频率阈的相位分布和幅值分布,计算幅值分布中相同频率成分的均值并做归一化,得到归一化的幅值分布,并根据设定的阈值和低频掩膜得到峰值的分布;对峰值分布进行高斯滤波得到滤波矩阵,得到无混叠的纹理频域图像;结合图像纹理在频率阈的相位分布,对无混叠的纹理频域图像处理,得到无混叠的纹理空间域图像;然后将图像纹理与无混叠的纹理空间域图像相减,得到混叠空间域图像;最后将输入图像减去混叠伪影图像,