CN113793263B - 多尺度空洞卷积的并行残差网络高分辨率图像重建方法 - Google Patents
多尺度空洞卷积的并行残差网络高分辨率图像重建方法 Download PDFInfo
- Publication number
- CN113793263B CN113793263B CN202110967124.7A CN202110967124A CN113793263B CN 113793263 B CN113793263 B CN 113793263B CN 202110967124 A CN202110967124 A CN 202110967124A CN 113793263 B CN113793263 B CN 113793263B
- Authority
- CN
- China
- Prior art keywords
- convolution
- resolution image
- layer
- residual error
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000011800 void material Substances 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000008707 rearrangement Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002604 ultrasonography 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法,先通过大小为9*9、通道数为64的卷积层进行浅层特征提取,然后利用空洞卷积在参数量不变的情况下提高感受野的特性来构造多尺度空洞卷积块,接着将多尺度空洞卷积块与普通3*3卷积层和BN层接在一起构成残差块,将16个残差块串联在一起构成残差网络,采用多路并行结构对特征进行非线性映射,得到高层次的特征,最后通过亚像素卷积层对特征图进行重列,最终得到高分辨率图像SR。
Description
技术领域
本发明属于图像处理技术领域,更为具体地讲,涉及一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法。
背景技术
在石油测井领域中,井周成像测井是一个重要的分支。井周成像测井能够以直观的井壁图像来反应石油井的状况,可以清晰明了地看到井壁上裂隙与孔洞的发育情况,是评价石油井的重要手段,而得到的井壁图像的清晰度就直接影响了测井人员对该井的解析评价。高分辨率重建是进行图像增强的主要研究方向之一,像双线性插值法、双三次插值法等传统方法增强效果并不明显,而基于深度学***滑,高频细节信息不够清晰等缺点。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法,以实现对测井图像的快速增强,以便测井人员更好的观察图像对井下状况进行实时分析。
为实现上述发明目的,本发明一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法,其特征在于,包括以下步骤:
(1)、图像采集及预处理;
利用井周超声成像仪采集多张原始的高分辨率测井图像,然后对每一张高分辨率图像进行裁剪得到大小一致的高分辨率图像HR,然后对每一张高分辨率测井图像作n倍的下采样,得到大小为H*W的低分辨率图像LR,其中,n为采样倍数;
(2)、构建基于多尺度空洞卷积的图像重建网络并训练;
(2.1)、提取包含浅层特征的特征图;
将低分辨率图像LR输入至大小为9*9、通道数为64的卷积层v1,并使用PRelu激活函数进行浅层特征提取,得到64个大小为H*W的特征图;
(2.2)、构建两路并行的残差网络;
(2.2.1)、构造多尺度空洞卷积块;
采用64个3*3大小卷积核的卷积层v2与64个扩张率为2的3*3卷积核大小的卷积层v3同时对64个特征图进行特征提取,然后再将v2和v3的输出结果相加再次输入到v2和v3中,最后使用1*1卷积核对v2和v3的输出结果进行特征融合后再和输入的64个特征图直接相加,构造成多尺度空洞卷积块;
(2.2.2)、构造单路残差网络:将多尺度空洞卷积块和3*3大小卷积核的卷积层v4以及归一化层接在一起再和输入的64个特征图相加,构成一个残差块,然后将16个这样的残差块串联接在一起构成一个单路残差网络;
(2.2.3)、构造两路并行的残差网络:采用64个5*5大小卷积核的卷积层v5与64个扩张率为2的5*5大小卷积核的卷积层v6同时进行特征提取,然后再将v5和v6的输出结果相加再次输入到v5和v6中,最后使用1*1卷积核对v5和v6的输出结果进行特征融合后再和输入的64个特征图直接相加,构造成另一个多尺度空洞卷积块;之后,多尺度空洞卷积块再和3*3大小卷积核的卷积层v4和归一化层再和输入的64个特征图相加接在一起构成另一个残差块,然后将16个这样的残差块串联接在一起构成另一个单路残差网络;
将两个单路残差网络以并行方式连接在步骤(2.1)中的卷积层后,再用1*1卷积核对步骤(2.2)中的两路并行的残差网络所输出的结果做特征融合后再输入到3*3大小卷积核的卷积层v4以及归一化层,再和步骤(2.1)中卷积层的输出直接相加,得到包含64个高层次特征的特征图;
(2.3)、高分辨率图像重建;
将64个包含高层次特征的特征图输入至通道数为64*n2的卷积层v7来扩宽通道数,然后再输入到亚像素卷积层,从而将多个通道特征图上的单个像素组合排列成一个通道特征图上的一组像素,即:H*W*r*n2→(n*H)*(n*W)*r,r为最后一级输出后的通道数;最后再通过大小为9*9、通道数为3的卷积层v8输出重建后的大小为(n*H)*(n*W)、通道为3的高分辨率图像SR;
(2.4)、计算损失函数值;
计算重建后的高分辨率图像SR和原高分辨率图像HR的像素均方误差MSE,并以MSE作为损失函数值;
其中,SR(i,j)表示高分辨率图像SR中坐标为(i,j)的像素点的像素值,HR(i,j)表示高分辨率图像HR中坐标为(i,j)的像素点的像素值;
(2.5)、重复步骤(2.1)-(2.4),继续训练图像重建网络,并使用Adam优化算法以使MSE最小为目的进行参数优化,最终得到训练好的图像重建网络模型;
(3)、实时采集一张测井图像,然后输入至训练完成的图像重建网络,从而输出重建后的高分辨率图像。
本发明的发明目的是这样实现的:
本发明基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法,先通过大小为9*9、通道数为64的卷积层进行浅层特征提取,然后利用空洞卷积在参数量不变的情况下提高感受野的特性来构造多尺度空洞卷积块,接着将多尺度空洞卷积块与普通3*3卷积层和BN层接在一起构成残差块,将16个残差块串联在一起构成残差网络,采用多路并行结构对特征进行非线性映射,得到高层次的特征,最后通过亚像素卷积层对特征图进行重列,最终得到高分辨率图像SR。
同时,本发明基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法还具有以下有益效果:
(1)、通过使用空洞卷积来在参数量不变的情况下提高了感受野,获得了更为全局化的特征。
(2)、通过使用并行的网络结构互补了不同尺度的特征信息。
(3)、使用基于空洞卷积的多尺度并行网络和传统的双三次插值、深度学习超分辨率重建经典算法SRCNN、VDSR、SRResNet等相比明显提高了图像重建客观指标PSNR和SSIM。
附图说明
图1是本发明一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法流程图;
图2是井周超声成像仪结构图;
图3是多尺度空洞卷积块;
图4是基于多尺度空洞卷积块的并行网络结构;
图5是本算法和其他经典算法的测试集4倍重建平均指标分析;
图6是本算法和其他经典算法的测试集2倍重建平均指标分析;
图7是本算法和其他经典算法的多个单张测井图像参加效果比较;
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
在本实施例中,如图1所示,本发明一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法,包括以下步骤:
S1、图像采集及预处理;
如图2所示,井周超声成像仪包括地面控制***和井下测井电路***,测井时,超声换能器探头在电机传动装置的带动下进行360°旋转,每旋转一周,齿牙传感器将产生250次脉冲且BodyMaark传感器产生1次脉冲,然后井下测井电路的主控模块对该信号进行整形,整形后的齿牙信号将作为发射信号使FPGA驱动发射电路产生高压脉冲并激励超声换能器,整形后的BodyMark信号作为采集周期同步信号标志着新一周采集起点。
超声换能器采集回波的全波列数据,经由EDIB总线发给地面控制***,上位机通过USB口接收到经数据转换的数据后会对数据进行解析,提取数据包中的回波幅度和到时数据,利用软件合成最终的井壁图像。
实际测井后,最终获得了127张140*140,152张180*180,860张352*352分辨率大小的图像来作为训练集和366张352*352,265张180*180,30张140*140分辨率大小的图片作为测试集;
将训练集中的原图像作为原高分辨率图像,对每一张原高分辨率图像做裁剪得到大小为96*96的原高分辨率图像HR,然后将HR做四倍下采样,得到大小为H*W=24*24的低分辨率图像LR,以便进行网络训练。
S2、构建基于多尺度空洞卷积的图像重建网络并训练;
S2.1、提取包含浅层特征的特征图;
在本实施例中,每次随机抽取20张LR进入特征提取层,将抽取的低分辨率图像LR输入至大小为9*9、通道数为64的卷积层v1,并使用PRelu激活函数进行浅层特征提取,得到64个大小为H*W的特征图;
S2.2、构建两路并行的残差网络;
S2.2.1、构造多尺度空洞卷积块;
采用64个3*3大小卷积核的卷积层v2与64个扩张率为2的3*3卷积核大小的卷积层v3同时对64个特征图进行特征提取,然后再将v2和v3的输出结果相加再次输入到v2和v3中,最后使用1*1卷积核对v2和v3的输出结果进行特征融合后再和输入的64个特征图直接相加,构造成多尺度空洞卷积块,如图3所示;
S2.2.2、构造单路残差网络:将多尺度空洞卷积块和3*3大小卷积核的卷积层v4以及归一化层接在一起再和输入的64个特征图相加,构成一个残差块,然后将16个这样的残差块串联接在一起构成一个单路残差网络;
S2.2.3、如图4所示,构造两路并行的残差网络:采用64个5*5大小卷积核的卷积层v5与64个扩张率为2的5*5大小卷积核的卷积层v5同时进行特征提取,然后再将v5和v6的输出结果相加再次输入到v5和v6中,最后使用1*1卷积核对v5和v6的输出结果进行特征融合后再和输入的64个特征图直接相加,构造成另一个多尺度空洞卷积块;之后,多尺度空洞卷积块再和3*3大小卷积核的卷积层v4和归一化层再和输入的64个特征图相加接在一起构成另一个残差块,然后将16个这样的残差块串联接在一起构成另一个单路残差网络;
将两个单路残差网络以并行方式连接在步骤S2.1中的卷积层后,再用1*1卷积核对步骤S2.2中的两路并行的残差网络所输出的结果做特征融合后再输入到3*3大小卷积核的卷积层v4以及归一化层,再和步骤S2.1中卷积层的输出直接相加,得到包含64个高层次特征的特征图;
S2.3、高分辨率图像重建;
将64个包含高层次特征的特征图输入至通道数为64*4*4的卷积层v7来扩宽通道数,然后再输入到亚像素卷积层,从而将多个通道特征图上的单个像素组合排列成一个通道特征图上的一组像素,即:H*W*r*42→(4*H)*(4*W)*r,在本实施例中,r取最后一级输出后的通道数64;最后再通过大小为9*9、通道数为3的卷积层v8输出重建后的大小为(4*H)*(4*W)、通道为3的高分辨率图像SR;
S2.4、计算损失函数值;
计算重建后的高分辨率图像SR和原高分辨率图像HR的像素均方误差MSE,并以MSE作为损失函数值;
其中,SR(i,j)表示高分辨率图像SR中坐标为(i,j)的像素点的像素值,HR(i,j)表示高分辨率图像HR中坐标为(i,j)的像素点的像素值;
S2.5、重复步骤S2.1-S2.4,继续训练图像重建网络,并使用Adam优化算法以使MSE最小为目的进行参数优化,最终得到训练好的图像重建网络模型;
S3、实时采集一张测井图像,然后输入至训练完成的图像重建网络,从而输出重建后的高分辨率图像。
验证
在本实施例中,对重建后的高分辨率图像(SR)和原高分辨率图像(HR)作高分辨率重建,算法中常用的峰值信噪比(PSNR)和结构相似性(SSIM)指标进行比较。PSNR是从像素中进行比较,PSNR越高,代表重建后的图像的失真越小,像素和HR的像素越相似。峰值信噪比的计算公式如下:
其中,n为每像素的比特数,一般取8。
SSIM是从对比度、结构特征和亮度对两幅图像进行比较,SSIM越接近1代表图像越相似,重建效果越好。结构相似性的计算公式如下:
SSIM(X,Y)=l(X,Y)·c(X,Y)·s(X,Y)
其中,X,Y分别表示图像SR和图像HR,μX、μY分别代表图像SR和图像HR的均值,σX、σY分别表示图像SR和HR的标准差,σXY代表图像SR和HR协方差,c1、c2、c3为常数。
为验证本算法的重建效果,将本算法和深度学***均PSNR和平均SSIM对比如图5所示。然后重复上述步骤将本算法提出的网络和深度学***均PSNR和平均SSIM对比如图6所示。从图中可看出多尺度空洞卷积块和并行的网络结构对于重建效果是有效的,本算法所提出的基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法对于重建效果是有所提升的。
如图7所示,展示了本算法和传统双三次插值,基于深度学习的SRCNN、VDSR、ESPCN、SRResNet对于随机选择了测试集中的四张测井图像进行重建的客观指标PSNR和SSIM比较以及主观视觉比较。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于多尺度空洞卷积的并行残差网络高分辨率图像重建方法,其特征在于,包括以下步骤:
(1)、图像采集及预处理;
利用井周超声成像仪采集多张原始的高分辨率测井图像,然后对每一张高分辨率图像进行裁剪得到大小一致的高分辨率图像HR,然后对每一张高分辨率测井图像作n倍的下采样,得到大小为H*W的低分辨率图像LR,其中,n为采样倍数;
(2)、构建基于多尺度空洞卷积的图像重建网络并训练;
(2.1)、提取包含浅层特征的特征图;
将低分辨率图像LR输入至大小为9*9、通道数为64的卷积层v1,并使用PRelu激活函数进行浅层特征提取,得到64个大小为H*W的特征图;
(2.2)、构建两路并行的残差网络;
(2.2.1)、构造多尺度空洞卷积块;
采用64个3*3大小卷积核的卷积层v2与64个扩张率为2的3*3卷积核大小的卷积层v3同时对64个特征图进行特征提取,然后再将v2和v3的输出结果相加再次输入到v2和v3中,最后使用1*1卷积核对v2和v3的输出结果进行特征融合后再和输入的64个特征图直接相加,构造成多尺度空洞卷积块;
(2.2.2)、构造单路残差网络:将多尺度空洞卷积块和3*3大小卷积核的卷积层v4以及归一化层接在一起再和输入的64个特征图相加,构成一个残差块,然后将16个这样的残差块串联接在一起构成一个单路残差网络;
(2.2.3)、构造两路并行的残差网络:采用64个5*5大小卷积核的卷积层v5与64个扩张率为2的5*5大小卷积核的卷积层v6同时进行特征提取,然后再将v5和v6的输出结果相加再次输入到v5和v6中,最后使用1*1卷积核对v5和v6的输出结果进行特征融合后再和输入的64个特征图直接相加,构造成另一个多尺度空洞卷积块;之后,多尺度空洞卷积块再和3*3大小卷积核的卷积层v4和归一化层再和输入的64个特征图相加接在一起构成另一个残差块,然后将16个这样的残差块串联接在一起构成另一个单路残差网络;
将两个单路残差网络以并行方式连接在步骤(2.1)中的卷积层后,再用1*1 卷积核对步骤(2.2)中的两路并行的残差网络所输出的结果做特征融合后再输入到3*3大小卷积核的卷积层v4以及归一化层,再和步骤(2.1)中卷积层的输出直接相加,得到包含64个高层次特征的特征图;
(2.3)、高分辨率图像重建;
将64个包含高层次特征的特征图输入至通道数为64*n2的卷积层v7来扩宽通道数,然后再输入到亚像素卷积层,从而将多个通道特征图上的单个像素组合排列成一个通道特征图上的一组像素,即:H*W*r*n2→(n*H)*(n*W)*r,r为最后一级输出后的通道数;最后再通过大小为9*9、通道数为3的卷积层v8输出重建后的大小为(n*H)*(n*W)、通道为3的高分辨率图像SR;
(2.4)、计算损失函数值;
计算重建后的高分辨率图像SR和原高分辨率图像HR的像素均方误差MSE,并以MSE作为损失函数值;
其中,SR(i,j)表示高分辨率图像SR中坐标为(i,j)的像素点的像素值,HR(i,j)表示高分辨率图像HR中坐标为(i,j)的像素点的像素值;
(2.5)、重复步骤(2.1)-(2.4),继续训练图像重建网络,并使用Adam优化算法以使MSE最小为目的进行参数优化,最终得到训练好的图像重建网络模型;
(3)、实时采集一张测井图像,然后输入至训练完成的图像重建网络,从而输出重建后的高分辨率图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967124.7A CN113793263B (zh) | 2021-08-23 | 2021-08-23 | 多尺度空洞卷积的并行残差网络高分辨率图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967124.7A CN113793263B (zh) | 2021-08-23 | 2021-08-23 | 多尺度空洞卷积的并行残差网络高分辨率图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113793263A CN113793263A (zh) | 2021-12-14 |
CN113793263B true CN113793263B (zh) | 2023-04-07 |
Family
ID=78876216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110967124.7A Active CN113793263B (zh) | 2021-08-23 | 2021-08-23 | 多尺度空洞卷积的并行残差网络高分辨率图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793263B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114025118A (zh) * | 2022-01-06 | 2022-02-08 | 广东电网有限责任公司中山供电局 | 一种低码率视频重构方法、***、电子设备及存储介质 |
CN114529519B (zh) * | 2022-01-25 | 2024-07-12 | 河南大学 | 基于多尺度深度空洞残差网络的图像压缩感知重建方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097512A (zh) * | 2019-04-16 | 2019-08-06 | 四川大学 | 基于Wasserstein生成对抗网络的三维MRI图像去噪模型的构建方法及应用 |
CN110211038A (zh) * | 2019-04-29 | 2019-09-06 | 南京航空航天大学 | 基于dirac残差深度神经网络的超分辨率重建方法 |
CN110232653A (zh) * | 2018-12-12 | 2019-09-13 | 天津大学青岛海洋技术研究院 | 快速轻型超分辨率重建密集残差网络 |
CN110930306A (zh) * | 2019-10-28 | 2020-03-27 | 杭州电子科技大学 | 一种基于非局部感知的深度图超分辨率重建网络构建方法 |
CN111047515A (zh) * | 2019-12-29 | 2020-04-21 | 兰州理工大学 | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11237111B2 (en) * | 2020-01-30 | 2022-02-01 | Trustees Of Boston University | High-speed delay scanning and deep learning techniques for spectroscopic SRS imaging |
-
2021
- 2021-08-23 CN CN202110967124.7A patent/CN113793263B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232653A (zh) * | 2018-12-12 | 2019-09-13 | 天津大学青岛海洋技术研究院 | 快速轻型超分辨率重建密集残差网络 |
CN110097512A (zh) * | 2019-04-16 | 2019-08-06 | 四川大学 | 基于Wasserstein生成对抗网络的三维MRI图像去噪模型的构建方法及应用 |
CN110211038A (zh) * | 2019-04-29 | 2019-09-06 | 南京航空航天大学 | 基于dirac残差深度神经网络的超分辨率重建方法 |
CN110930306A (zh) * | 2019-10-28 | 2020-03-27 | 杭州电子科技大学 | 一种基于非局部感知的深度图超分辨率重建网络构建方法 |
CN111047515A (zh) * | 2019-12-29 | 2020-04-21 | 兰州理工大学 | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
PRED: A PARALLEL NETWORK FOR HANDLING MULTIPLE DEGRADATIONS VIA SINGLE MODEL IN SINGLE IMAGE SUPER-RESOLUTION;Guangyang Wu等;《网页在线公开:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8804409》;第1-5页 * |
基于并行残差卷积网络的图像超分辨重建;杨伟铭等;《空军工程大学学报(自然科学版)》;第20卷(第4期);第84-89页 * |
基于并行通道-空间注意力机制的腹部MRI影像多尺度超分辨率重建;樊帆等;《计算机应用》;第40卷(第12期);第3624-3630页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113793263A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113793263B (zh) | 多尺度空洞卷积的并行残差网络高分辨率图像重建方法 | |
CN111127374B (zh) | 一种基于多尺度密集网络的Pan-sharpening方法 | |
CN112734646B (zh) | 一种基于特征通道划分的图像超分辨率重建方法 | |
CN110310227A (zh) | 一种基于高低频信息分解的图像超分辨率重建方法 | |
CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN108629816A (zh) | 基于深度学习进行薄层磁共振图像重建的方法 | |
CN109712077B (zh) | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 | |
CN113379601A (zh) | 基于降质变分自编码器的真实世界图像超分辨方法及*** | |
CN110533591B (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN109584162A (zh) | 一种基于生成网络的图像超分辨率重构的方法 | |
CN111178499B (zh) | 一种基于生成对抗网络改进的医学图像超分辨率方法 | |
CN111833261A (zh) | 一种基于注意力的生成对抗网络的图像超分辨率复原方法 | |
CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
CN113284046A (zh) | 基于无高分辨率参考图的遥感图像增强和复原方法及网络 | |
CN115880158A (zh) | 一种基于变分自编码的盲图像超分辨率重建方法及*** | |
CN115760814A (zh) | 一种基于双耦合深度神经网络的遥感图像融合方法及*** | |
CN112365505A (zh) | 一种基于编码解码结构的轻量级舌体分割方法 | |
CN117455770A (zh) | 基于逐层上下文信息聚合网络的轻量级图像超分辨率方法 | |
CN102298768B (zh) | 基于稀疏样本的高分辨率图像重建方法 | |
CN108267311A (zh) | 一种基于张量分解的机械多维大数据处理方法 | |
CN112818777A (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
CN117173022A (zh) | 基于多路径融合和注意力的遥感图像超分辨率重建方法 | |
CN116664587A (zh) | 基于伪彩色增强的混合注意力UNet超声图像分割方法与装置 | |
CN113554070B (zh) | 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法 | |
CN115375968A (zh) | 一种针对行星齿轮箱的故障诊断方法 |
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 |