CN111127354B - 一种基于多尺度字典学习的单图像去雨方法 - Google Patents
一种基于多尺度字典学习的单图像去雨方法 Download PDFInfo
- Publication number
- CN111127354B CN111127354B CN201911300714.3A CN201911300714A CN111127354B CN 111127354 B CN111127354 B CN 111127354B CN 201911300714 A CN201911300714 A CN 201911300714A CN 111127354 B CN111127354 B CN 111127354B
- Authority
- CN
- China
- Prior art keywords
- rain
- image
- network model
- rain line
- rough
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000000746 purification Methods 0.000 claims abstract description 14
- 230000004913 activation Effects 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种多尺度字典单图像去雨方法,包括:步骤1,将每对干净图像和合成带雨图像作为一个训练样本对,建立训练集;步骤2,网络模型构建,所述网络模型包括粗糙雨线提取模块和精细雨线提纯模块,其中,粗糙雨线提取模块包括两个卷积层和两个ReLU激活函数层,用于实现对合成带雨图像的粗糙雨线提取;精细雨线提纯模块包括七个卷积层和四个ReLU激活函数,用于从带噪雨线图像中恢复出精细雨线图;步骤3,利用步骤1中构建的训练集对网络模型进行训练,步骤4,将待测试的带雨图像输入到训练好的网络模型中,获得相应的去雨图像。本发明综合利用了稀疏理论和CNN学习能力,大大提高了SC问题的求解效率和重建精度。
Description
技术领域
本发明属于图像处理领域,特别涉及用字典学习的方法进行单帧图像去雨。
背景技术
现实中,大部分计算机视觉算法都假定输入是清晰的,然而对于大多数室外视觉***,例如视频监控和自动驾驶,雨天环境会严重影响成像质量,造成图像模糊、变形、可视性差等问题,这会大大降低***的性能,因此,有效地消除雨水对图像的影响具有重要应用价值,特别是单张图像去雨,是去雨任务的重中之重。目前,单张图像去雨算法主要分为两类:基于先验和基于学习的方法。
基于先验的方法往往需要事先观察雨线特性,设计特定先验信息,例如雨线在某范围内多呈倾斜的直线或者具有低秩特性,但是此类算法的去雨性能很大程度上取决于先验信息的选取,难以处理现实中的复杂降雨情况。
基于学习的方法是近些年的研究热点,主要包括基于卷积神经网络(CNN)的方法,此类方法将图像去雨任务视为一个逐像素的回归任务,以整张图作为输入,去雨图作为输出,进行端对端的训练和测试。此类方法无需手工设计先验,利用CNN强大的学习能力,让网络自己学习雨线特征,但是此类方法中网络设计时缺少指导方案,缺少可解释性,不利于网络的改进和提升。
发明内容
基于上述分析,本发明的目的在于提供一种多尺度字典学习的单图像去雨方法,该方法将稀疏先验引入CNN网络设计,大大提高了去雨效果
本发明提供的一种多尺度字典单图像去雨方法,包括以下具体步骤:
步骤1,根据已有干净图像,通过添加雨线得到对应合成带雨图像,将每对干净图像和合成带雨图像作为一个训练样本对,建立训练集;
步骤2,网络模型构建,所述网络模型包括粗糙雨线提取模块和精细雨线提纯模块,其中,粗糙雨线提取模块包括两个卷积层和两个ReLU激活函数层,用于实现对合成带雨图像的粗糙雨线提取;精细雨线提纯模块包括七个卷积层和四个ReLU激活函数,用于从带噪雨线图像中恢复出精细雨线图;
步骤3,利用步骤1中构建的训练集对网络模型进行训练,
步骤4,将待测试的带雨图像输入到训练好的网络模型中,获得相应的去雨图像。
进一步的,步骤2中的粗糙雨线提取模块的具体实现如下,
进一步的,步骤2中精细雨线提纯模块的具体实现方式如下,
所述精细雨线提纯模块包括稀疏编码求解与HR特征重建两部分,其中稀疏编码是通过卷积方式求解如下最小化问题:
其中,fj,i表示第j个字典的第i个滤波器核,fj,i为三组滤波器组,即j=3,实际含义为三个不同尺度的雨线字典,记为S1、S2、S3,其转置字典记为G1、G2、G3,其中S1、S2、S3、G1、G2、G3均由卷积层实现,c为分解的通道数,zj,i为待求解的卷积稀疏编码,||·||1,||·||2分别表示l1范数与l2范数,λ为稀疏惩罚系数;
取得稀疏编码后,重建出去噪后的雨线图:
具体流程为:首先将均初始化为r∈,r∈为特征提取模块提取的带噪雨线图像;计算分别经过S1、S2、S3的和,将此和从r∈中减去,将上述差值分别经过G1、G2、G3后再分别与相加,得到重复上述过程,得到即为最终的卷积稀疏编码,其中t为迭代次数;重建时,计算分别经过S1、S2、S3的和,此和经过ReLU后再经过E3,即恢复出精细的雨线图像。
进一步的,利用卷积与矩阵相乘的关系将式(2)转化为传统稀疏编码问题,并且在非负稀疏编码假设下,采用ISTA算法求解,
进一步的,步骤3中将全局残差学习引入到网络模型中,并选择MSE损失函数,以最小化此损失函数为训练目标,MSE损失函数的表达式如下:
其中,Θ是指网络模型参数,l为训练集中训练样本的索引,yl-rl为网络模型输出的去雨图像,与真实的干净图像xl做差并累加得到最终误差,使得最终误差最小化实现网络模型的优化。
进一步的,步骤1中采用翻转、旋转、缩放、裁剪的手段增加训练集中的图像数量,然后通过Photoshop对每个干净图像添加雨线,得到合成带雨图像,将对应的干净图像和合成带雨图像作为一个训练样本对。
本发明提供了一种单图像去雨算法,综合利用了稀疏理论和CNN学习能力,通过求解SC中的优化问题得到迭代公式,并用CNN实现,大大提高了SC问题的求解效率和重建精度。
附图说明
图1为本发明实施例中网络模型构建的大致流程图。
图2为稀疏编码求解示意图。
图3为Rain12数据集中猫咪图像各算法去雨对比图。
图4为Rain1200数据集中森林图像各算法去雨对比图。
具体实施方式
为了更清楚地了解本发明,下面具体介绍本发明技术内容。
如图1所示,本发明提供的一种基于多尺度字典学习的单图像去雨方法,具体分为四个步骤:
步骤1,根据已有干净图像,通过添加雨线得到对应合成带雨图像,将每对干净图像和合成带雨图像作为一个训练样本对,建立训练集;
由于训练数据集有限,需要经过数据增强方法来有效利用有限的HR图像。数据增强是扩充数据样本规模的一种有效地方法。深度学习是一种数据驱动的方法,训练数据集越大,训练的模型泛化能力越强。然而,实际中采集数据时,很难覆盖所有场景,而且采集数据也需要大量成本,这就导致实际中训练集有限。如果能够根据已有数据生成各种训练数据,就能做到更好的开源节流,这就是数据增强的目的。
常用的数据增强技术有:
(1)翻转:翻转包括水平翻转和垂直翻转。
(2)旋转:旋转就是顺时针或者逆时针的旋转,注意在旋转的时候,最好旋转90-180°,否则会出现尺度问题。
(3)缩放:图像可以被放大或缩小。放大时,放大后的图像尺寸会大于原始尺寸。大多数图像处理架构会按照原始尺寸对放大后的图像进行裁切。
(4)裁剪:裁剪图片的感兴趣区域,通常在训练的时候,会采用随机裁剪出不同区域,并重新放缩回原始尺寸。
(5)平移:平移是将图像沿着x或者y方向(或者两个方向)移动。我们在平移的时候需对背景进行假设,比如说假设为黑色等等,因为平移的时候有一部分图像是空的,由于图片中的物体可能出现在任意的位置,所以说平移增强方法十分有用。
(6)添加噪声:过拟合通常发生在神经网络学习高频特征的时候(因为低频特征神经网络很容易就可以学到,而高频特征只有在最后的时候才可以学到)而这些特征对于神经网络所做的任务可能没有帮助,而且会对低频特征产生影响,为了消除高频特征我们随机加入噪声数据来消除这些特征。
首先,本实施例为了训练CNN模型,需要构造训练样本对。通过Photoshop软件对上述干净图像添加雨线,得到合成带雨图像。在获得干净和合成图像对后,采用翻转、旋转、缩放、裁剪的手段增加训练样本对数量,然后即可输入模型进行训练。
步骤2,网络模型构建,具体包括粗糙雨线提取模块和精细雨线提纯模块两部分。
步骤2a,粗糙雨线提取模块由简单的两层卷积层和两个ReLU层实现,实现对带雨图像的粗糙雨线提取;
步骤2b,构建精细雨线提纯模块,包括七个卷积层,四个ReLU激活函数,用于对上述粗糙(带噪)雨线图像进行去噪处理,得到干净的雨线;
精细雨线提纯模块是本发明的核心内容,关键在于求解三个字典S1、S2、S3及其转置字典G1、G2、G3:
其中,fj,i表示第j个字典的第i个滤波器核,fj,i为三组滤波器组,即j=3,实际含义为三个不同尺度的雨线字典,记为S1、S2、S3,其转置字典记为G1、G2、G3(S1、S2、S3、G1、G2、G3均由卷积层实现),c为分解的通道数,zj,i为待求解的卷积稀疏编码,||·||1,||·||2分别表示l1范数与l2范数,λ为稀疏惩罚系数,本实施例中设置为1。
取得稀疏编码后,即可重建出去噪后的雨线图像;
针对于第一个最小化问题,利用卷积与矩阵相乘的关系可以转化为传统稀疏编码问题,并且在非负稀疏编码假设下,采用ISTA算法求解:
据此,可以得到精细雨线提纯模块中的稀疏编码迭代求解过程,CNN实现示意图如附图2所示,S1、S2、S3和G1、G2、G3均可通过卷积层实现。经过粗糙雨线提取模块后,粗糙雨线图像r∈被输入进精细雨线提纯模块部分,该部分主要分为两步:稀疏编码求解与HR特征重建,求解稀疏编码对应图2,通过迭代卷积实现的ISTA算法,经过一定次数后将输出最优稀疏编码。
最终,整个网络流程为:输入合成带雨图像y,经过两个卷积E1,E2和两个ReLU得到粗糙雨线图像r∈,将均初始化为r∈。计算分别经过S1、S2、S3的和,将此和从r∈中减去,将上述差值分别经过G1、G2、G3后再分别与相加,得到重复上述过程,得到即为最终的卷积稀疏编码,其中t为迭代次数,t的取值优选为25。重建时,计算分别经过S1、S2、S3的和,此和经过ReLU后再经过E3即可恢复出精细的雨线图像。
步骤3,利用步骤1中构建的训练集对网络模型进行训练。同时,本实施例中选择MSE损失函数:
其中,Θ是指网络模型参数,l为训练集中训练数据的索引,yl-rl为网络模型输出的去雨图像,与真实的干净图像xl做差并累加得到最终误差,据此进行网络优化。
步骤4,将待测试的带雨图像输入到训练好的网络模型中,获得相应的去雨图像。
测试过程中采用峰值信噪比(PSNR)和结构相似度(SSIM)作为衡量标准,二者具体定义如下:
PSNR=10*log10(2552/mean(mean((X-Y)2)))
SSIM=[L(X,Y)a]×[C(X,Y)b]×[S(X,Y)c]
其中,PSNR与SSIM数值越高,则说明重建效果越好。
测试过程中,选择CNN、JORDER与DIDMDN作为对比算法,视觉对比如附图4所示,本专利方法更容易去除图像中的雨线,同时保存良好细节信息,而对比算法去雨效果不理想,去雨不完全或产生模糊结果,甚至产生伪影。至于定量指标,则选择常用的两个数据集(Rain12和Rain1200)作为测试集,测试结果如表1所示,可以看出:本专利的方法大幅度提升去雨结果的PSNR和SSIM,说明了本专利方法的有效性。
表1测试结果
应当理解的是,上述针对实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种基于多尺度字典学习的单图像去雨方法,其特征在于,包括如下步骤:
步骤1,根据已有干净图像,通过添加雨线得到对应合成带雨图像,将每对干净图像和合成带雨图像作为一个训练样本对,建立训练集;
步骤2,网络模型构建,所述网络模型包括粗糙雨线提取模块和精细雨线提纯模块,其中,粗糙雨线提取模块包括两个卷积层和两个ReLU激活函数层,用于实现对合成带雨图像的粗糙雨线提取;精细雨线提纯模块包括七个卷积层和四个ReLU激活函数,用于从带噪雨线图像中恢复出精细雨线图;
步骤2中的粗糙雨线提取模块的具体实现如下,
步骤2中精细雨线提纯模块的具体实现方式如下,
所述精细雨线提纯模块包括稀疏编码求解与HR特征重建两部分,其中稀疏编码是通过卷积方式求解如下最小化问题:
其中,fj,i表示第j个字典的第i个滤波器核,fj,i为三组滤波器组,即j=3,实际含义为三个不同尺度的雨线字典,记为S1、S2、S3,其转置字典记为G1、G2、G3,其中S1、S2、S3、G1、G2、G3均由卷积层实现,c为分解的通道数,zj,i为待求解的卷积稀疏编码,||·||1,||·||2分别表示l1范数与l2范数,λ为稀疏惩罚系数;
取得稀疏编码后,重建出去噪后的雨线图:
利用卷积与矩阵相乘的关系将式(2)转化为传统稀疏编码问题,并且在非负稀疏编码假设下,采用ISTA算法求解,
具体流程为:首先将均初始化为r∈,r∈为特征提取模块提取的带噪雨线图像;计算分别经过S1、S2、S3的和,将此和从r∈中减去,将上述差值分别经过G1、G2、G3后再分别与相加,得到重复上述过程,得到即为最终的卷积稀疏编码,其中t为迭代次数;重建时,计算分别经过S1、S2、S3的和,此和经过ReLU后再经过E3,即恢复出精细的雨线图像;
步骤3,利用步骤1中构建的训练集对网络模型进行训练,
步骤4,将待测试的带雨图像输入到训练好的网络模型中,获得相应的去雨图像。
3.如权利要求1所述的一种基于多尺度字典学习的单图像去雨方法,其特征在于:步骤1中采用翻转、旋转、缩放、裁剪的手段增加训练集中的图像数量,然后通过Photoshop对每个干净图像添加雨线,得到合成带雨图像,将对应的干净图像和合成带雨图像作为一个训练样本对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300714.3A CN111127354B (zh) | 2019-12-17 | 2019-12-17 | 一种基于多尺度字典学习的单图像去雨方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300714.3A CN111127354B (zh) | 2019-12-17 | 2019-12-17 | 一种基于多尺度字典学习的单图像去雨方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127354A CN111127354A (zh) | 2020-05-08 |
CN111127354B true CN111127354B (zh) | 2022-07-26 |
Family
ID=70498195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911300714.3A Expired - Fee Related CN111127354B (zh) | 2019-12-17 | 2019-12-17 | 一种基于多尺度字典学习的单图像去雨方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127354B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738932A (zh) * | 2020-05-13 | 2020-10-02 | 合肥师范学院 | 一种车载摄像头拍照图像自动去雨方法 |
CN111861935B (zh) * | 2020-07-29 | 2022-06-03 | 天津大学 | 一种基于图像修复技术的去雨方法 |
CN112712486B (zh) * | 2020-11-26 | 2024-04-26 | 贵州大学 | 一种基于激活函数的射电天文图像重建方法 |
CN113222888B (zh) * | 2021-03-19 | 2022-07-22 | 复旦大学 | 基于深度纹理特征的纺织品纱织尺寸检测方法 |
CN113902931B (zh) * | 2021-09-17 | 2022-07-12 | 淮阴工学院 | 基于学习型卷积稀疏编码的图像去雨方法 |
CN115131452A (zh) * | 2022-04-19 | 2022-09-30 | 腾讯医疗健康(深圳)有限公司 | 用于伪影去除的图像处理方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657593A (zh) * | 2017-04-20 | 2018-02-02 | 湘潭大学 | 一种单幅图像去雨方法 |
CN108765344A (zh) * | 2018-05-30 | 2018-11-06 | 南京信息工程大学 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
CN110570351A (zh) * | 2019-08-01 | 2019-12-13 | 武汉大学 | 一种基于卷积稀疏编码的图像超分辨率重建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8340461B2 (en) * | 2010-02-01 | 2012-12-25 | Microsoft Corporation | Single image haze removal using dark channel priors |
CN107133935B (zh) * | 2017-05-25 | 2019-07-02 | 华南农业大学 | 一种基于深度卷积神经网络的单图像精细去雨方法 |
CN109360155B (zh) * | 2018-08-17 | 2020-10-13 | 上海交通大学 | 基于多尺度特征融合的单帧图像去雨方法 |
-
2019
- 2019-12-17 CN CN201911300714.3A patent/CN111127354B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657593A (zh) * | 2017-04-20 | 2018-02-02 | 湘潭大学 | 一种单幅图像去雨方法 |
CN108765344A (zh) * | 2018-05-30 | 2018-11-06 | 南京信息工程大学 | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 |
CN110570351A (zh) * | 2019-08-01 | 2019-12-13 | 武汉大学 | 一种基于卷积稀疏编码的图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
A Coarse-to-fine Multi-stream Hybrid Deraining Network for Single Image Deraining;Yanyan Wei et.al;《Arxiv》;20190827;第1-9页 * |
多尺度卷积神经网络的单幅图像去雨方法;郭继昌 等;《哈尔滨工业大学学报》;20180330;第50卷(第3期);第185-191页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111127354A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127354B (zh) | 一种基于多尺度字典学习的单图像去雨方法 | |
CN112200750B (zh) | 一种超声图像去噪模型建立方法及超声图像去噪方法 | |
Wei et al. | 3-D quasi-recurrent neural network for hyperspectral image denoising | |
Yeh et al. | Multi-scale deep residual learning-based single image haze removal via image decomposition | |
CN112308860B (zh) | 基于自监督学习的对地观测图像语义分割方法 | |
Wang et al. | Haze concentration adaptive network for image dehazing | |
CN111340738B (zh) | 一种基于多尺度渐进融合的图像去雨方法 | |
CN110570351B (zh) | 一种基于卷积稀疏编码的图像超分辨率重建方法 | |
CN113066025B (zh) | 一种基于增量学习与特征、注意力传递的图像去雾方法 | |
CN112419174B (zh) | 基于门循环单元的图像文字去除方法、***及装置 | |
CN110807744B (zh) | 一种基于卷积神经网络的图像去雾方法 | |
CN107590779A (zh) | 一种基于图像块聚类字典训练的图像去噪去模糊方法 | |
CN114723631A (zh) | 基于深度上下文先验与多尺度重建子网络的图像去噪方法、***及装置 | |
CN114820352A (zh) | 一种高光谱图像去噪方法、装置及存储介质 | |
Frants et al. | QSAM-Net: Rain streak removal by quaternion neural network with self-attention module | |
CN113962905A (zh) | 基于多阶段特征互补网络的单幅图像去雨方法 | |
Hussain et al. | Image denoising to enhance character recognition using deep learning | |
CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN113192076A (zh) | 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法 | |
CN116594061A (zh) | 一种基于多尺度u形注意网络的地震数据去噪方法 | |
Xia et al. | Embedded conformal deep low-rank auto-encoder network for matrix recovery | |
CN115689958A (zh) | 一种基于深度学习的合成雷达图像去噪方法 | |
Li et al. | Distribution-transformed network for impulse noise removal | |
CN110288525B (zh) | 一种多字典超分辨率图像重建方法 | |
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*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220726 |