CN117392464A - 基于多尺度去噪概率模型的图像异常检测的方法、*** - Google Patents

基于多尺度去噪概率模型的图像异常检测的方法、*** Download PDF

Info

Publication number
CN117392464A
CN117392464A CN202311670113.8A CN202311670113A CN117392464A CN 117392464 A CN117392464 A CN 117392464A CN 202311670113 A CN202311670113 A CN 202311670113A CN 117392464 A CN117392464 A CN 117392464A
Authority
CN
China
Prior art keywords
image
value
analyzed
characteristic value
abnormal
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
Application number
CN202311670113.8A
Other languages
English (en)
Inventor
李暑升
聂欣
陈斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Zhubainian Construction Technology Co ltd
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Suzhou Zhubainian Construction Technology Co ltd
Shenzhen Graduate School Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Zhubainian Construction Technology Co ltd, Shenzhen Graduate School Harbin Institute of Technology filed Critical Suzhou Zhubainian Construction Technology Co ltd
Priority to CN202311670113.8A priority Critical patent/CN117392464A/zh
Publication of CN117392464A publication Critical patent/CN117392464A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及知识库检索领域，特别涉及一种基于多尺度去噪概率模型的图像异常检测的方法、***。所述方法包括：将待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像；将多个加噪图像输入去噪扩散模型进行去噪扩散处理，以获取多个去噪图像；对多个去噪图像的每个像素点进行特征值提取，以得到重构特征值组，其中，重构特征值组包括若干重构特征值，每个像素点具备多个重构特征值；对待分析图像的每个像素点进行特征值提取，以得到每个像素点的原始特征值；将重构特征值和原始特征值进行比较，以获取异常值；根据异常值判断待分析图像是否为异常图像。解决现有知识库无法智能引导的问题。

Description

基于多尺度去噪概率模型的图像异常检测的方法、***
技术领域
本发明涉及知识库检索领域，特别涉及一种基于多尺度去噪概率模型的图像异常检测的方法、***。
背景技术
图像异常识别检测是机器学习、工业生产的热门技术，即在不使用真实异常样本的情况下，利用已经构建的模型和算法识别现实产生的图像的异常。尤其在工业外观缺陷检测、医学图像分析和高光谱图像处理等领域，常规的检测手段受限于样本的积累和人为的限制，往往不能识别出多样的异常情况。
现有的异常识别检测往往是基于重构的方法，但重构的方法在异常检测中缺乏性能、检测速度的竞争力。一方面，基于重构的方法中采用去噪识别模型，识别的精度和准确性不够高。另一方面，重构的方法对运行设备的硬件需求较高。
所以提供一种能精准识别图像异常的方法及其***，以提高异常识别的准确性和效率是很有必要的。
发明内容
针对现有技术不足，本发明提出一种基于多尺度去噪概率模型的图像异常检测的方法、***，旨在解决现有无法精准识别图像异常的问题。
本发明提出的技术方案是：
一种图像异常检测的方法，所述方法包括：
将待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像，其中，每个所述加噪图像对应每个尺度下进行加噪处理的所述待分析图像；
将多个所述加噪图像输入去噪扩散模型进行去噪扩散处理，以获取多个去噪图像；
对多个所述去噪图像的每个像素点进行特征值提取，以得到重构特征值组，其中，所述重构特征值组包括若干重构特征值，一个所述去噪图像的一个像素点对应一个重构特征值；
对待分析图像的每个像素点进行特征值提取，以得到每个像素点的原始特征值；
将所述重构特征值和所述原始特征值进行比较，以获取异常值；
根据所述异常值判断所述待分析图像是否为异常图像。
优选地，将所述重构特征值和所述原始特征值进行比较，以获取异常值包括：
获取所述待分析图像中的当前像素点位置，和对应的当前原始特征值；
根据所述当前像素位置从每一个所述去噪图像中获取到位置相同的一个参考像素点，获取每个所述参考像素点对应的参考重构特征值；
将所述参考重构特征值与所述当前原始特征值作差，以得到当前差值；
根据所述当前差值获取所述当前像素位置的当前异常概率；
根据最大后验准则对所述待分析图像中的所有像素位置的异常概率，获取异常值。
优选地，根据所述异常值判断所述待分析图像是否为异常图像包括：
判断所述异常值是否大于预设异常阈值；
当所述异常值大于所述预设异常阈值时，标记所述待分析图像为异常图像；
当所述异常值小于所述预设异常阈值时，标记所述待分析图像为正常图像。
优选地，在根据所述差值计算所述像素位置的异常概率之后，所述方法还包括：
判断当前异常概率是否大于预设缺陷阈值；
若当前异常概率大于所述预设缺陷阈值时，标记对应的像素点为缺陷像素点，根据所有所述缺陷像素点的像素位置和所述原始特征值构建缺陷图像；
若所述当前异常概率小于所述预设缺陷阈值时，跳过当前像素点。
优选地，在当所述异常值大于所述预设异常阈值时，标记所述待分析图像为异常图像之后，所述方法包括：
获取所述待分析图像中的当前像素点作为参考像素点；
获取所述参考像素点的像素位置，和对应的当前原始特征值；
获取多个所述去噪图像中的位置相同的若干像素点的多个重构特征值；
根据多个重构特征值和所述当前原始特征值计算平均值作为预测特征值；
根据所述预测特征值和所述像素位置构建无异常图像，并输出。
优选地，将所述待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像之前，所述方法还包括：
获取待分析图像的文本信息；
根据所述文本信息在数据库中检索，以获取对应的尺度集；
根据所述尺度集调整所述高斯滤波模型的尺度。
优选地，所述高斯滤波模型包括第一尺度，将所述待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像包括：
将分析图像输入高斯滤波模型按照第一尺度进行加噪处理，以获取第一加噪图像；
根据标准差参数和所述尺度集计算得到第二尺度；
将分析图像输入高斯滤波模型按照第二尺度进行加噪处理，以获取第二加噪图像。
本发明还提供一种图像异常检测***，所述***包括：
加噪模块，用于将待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像，其中，每个所述加噪图像对应每个尺度下进行加噪处理的所述待分析图像；
去噪扩散模块，用于将多个所述加噪图像输入去噪扩散模型进行去噪扩散处理，以获取多个去噪图像；
第一提取模块，用于对多个所述去噪图像的每个像素点进行特征值提取，以得到重构特征值组，其中，所述重构特征值组包括若干重构特征值，一个所述去噪图像的一个像素点对应一个重构特征值；
第二提取模块，用于对待分析图像的每个像素点进行特征值提取，以得到每个像素点的原始特征值；
比较模块，用于将所述重构特征值和所述原始特征值进行比较，以获取异常值；
判断模块，用于根据所述异常值判断所述待分析图像是否为异常图像。
优选地，所述比较模块包括：
参考模块，用于获取所述待分析图像中的当前像素点位置，和对应的当前原始特征值；
第三提取模块，用于根据所述当前像素位置从每一个所述去噪图像中获取到位置相同的一个参考像素点，获取每个所述参考像素点对应的参考重构特征值；
第一计算模块，用于将所述参考重构特征值与所述当前原始特征值作差，以得到当前差值；
第二计算模块，用于根据所述当前差值获取所述当前像素位置的当前异常概率；
第三计算模块，用于根据最大后验准则对所述待分析图像中的所有像素位置的异常概率，获取异常值。
优选地，所述判断模块包括：
子判断模块，用于判断所述异常值是否大于预设异常阈值；
第一标记模块，用于当所述异常值大于所述预设异常阈值时，标记所述待分析图像为异常图像；
第二标记模块，用于当所述异常值小于所述预设异常阈值时，标记所述待分析图像为正常图像。
优选地，所述***还包括：
第二判断模块，用于判断当前异常概率是否大于预设缺陷阈值；
第一重构模块，用于若当前异常概率大于所述预设缺陷阈值时，标记对应的像素点为缺陷像素点，根据所有所述缺陷像素点的像素位置和所述原始特征值构建缺陷图像；
跳过模块，用于若所述当前异常概率小于所述预设缺陷阈值时，跳过当前像素点。
优选地，所述***还包括：
参考模块，用于获取所述待分析图像中的当前像素点作为参考像素点；
第四提取模块，用于获取所述参考像素点的像素位置，和对应的所述当前原始特征值；
第五提取模块，用于获取多个所述去噪图像中的位置相同的若干像素点的多个重构特征值；
第四计算模块，根据多个重构特征值和原始特征值计算平均值作为预测特征值；
第二重构模块，根据所述预测特征值和所述像素位置构建无异常图像，并输出。
优选地，所述***还包括：
第四获取模块，用于获取待分析图像的文本信息；
检索模块，用于根据所述文本信息在数据库中检索，以获取对应的尺度集；
调整模块，用于根据所述尺度集调整所述高斯滤波模型的尺度。
优选地，所述加噪模块还包括：
第一子加噪模块，用于将分析图像输入高斯滤波模型按照第一尺度进行加噪处理，以获取第一加噪图像；
第六计算模块，用于根据标准差参数和所述尺度集计算得到第二尺度；
第二子加噪模块，用于将分析图像输入高斯滤波模型按照第二尺度进行加噪处理，以获取第二加噪图像。
为了解决上述问题，本发明实施例还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述图像异常检测的方法。
为了解决上述问题，本发明实施例还提供一种计算机可读存储介质，其存储计算机程序，所述计算机程序被处理器执行时实现如上述图像异常检测的方法。
根据上述的技术方案，在实际场景中，由于观察角度、距离或光照等原因，物体或场景会以多种大小或方向出现。通过在多个尺度上提取特征，可以确保算法对这些变化具有稳健性。通过不同尺度可以同时捕获图像中的细微结构和细节和更广泛或全局的特征。多尺度的图像异常识别可以帮助识别在某些尺度上不明显的特征，但在其他尺度上明显的异常特征从而提高了算法的准确性和稳健性。在异常检测中，这种多尺度的方法可以帮助揭示那些在单一尺度上可能被忽略的重要细节。
附图说明
图1是本发明实施例提供的图像异常检测方法的主流程图；
图2是本发明实施例提供的图像异常检测方法的第一子流程图；
图3是本发明实施例提供的图像异常检测方法的第二子流程图；
图4是本发明实施例提供的图像异常检测方法的第三子流程图；
图5是本发明实施例提供的图像异常检测方法的第四子流程图；
图6是本发明实施例提供的图像异常检测方法的第五子流程图；
图7是本发明实施例提供的图像异常检测方法的第六子流程图；
图8是本发明实施例提供的图像异常检测***的结构示意图；
图9是本发明实施例提供的图像异常检测***的第一子结构示意图；
图10是本发明实施例提供的图像异常检测***的加噪模块的结构示意图；
图11是本发明实施例提供的图像异常检测***的比较模块的结构示意图；
图12是本发明实施例提供的图像异常检测***的第二子结构示意图；
图13是本发明实施例提供的图像异常检测***的判断模块的结构示意图；
图14是本发明实施例提供的图像异常检测***的第三子结构示意图；
图15是本发明实施例提供的电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何合以及所有可能合，并且包括这些合。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”和“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语料“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
本发明实施例提供一种图像异常检测的方法，该图像异常检测的方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，该图像异常检测的方法可以由安装在终端设备或服务端设备的软件或硬件来执行，软件可以是区块链平台。服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
如图1所示，其为本发明实施例提供的图像异常检测方法的主流程图。图像异常检测的方法具体包括如下步骤。
步骤S101，将待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像。
其中，每个加噪图像对应每个尺度下进行加噪处理的待分析图像。***将待分析图像输入高斯滤波模型，待分析图像在不同尺度和不同噪声下经过处理得到一系列多尺度图像。具体地，***将一张待分析图像输入高斯滤波模型的m个尺度，得到m个加噪图像。
更具体地，高斯滤波器是一种常用的平滑滤波器，能够抑制图像的高频噪声，同时保留图像的低频信息。公式：
其中，/>为高斯分布，/>，/>为前向加噪过程中的参数。
待分析图像在不同的尺度下处理图像，可以得到待分析图像在不同空间尺度下的纹理、边缘和结构等特征信息。在实际的场景中，物体或特征仅不同尺度下出现。多尺度提取的方法使得***能够捕获到这些在不同尺度上的特征，提高了***的稳健性和适应性。
***将待分析图像按照不同的分辨率的训练模型进行分割形达到不同尺度分析的功能。如按照不同比例的高h和宽w进行分割，如以h×w、h/2×w/2、h/4×w/4、h/8×w/8和h/16×w/16对待分析图像进行处理。多尺度的特征能够提取多层次的特征表示（语义信息），其中h×w和h/2×w/2表示待分析图像中细节的特征，如边缘和梯度信息；而h/4×w/4、h/8×w/8和h/16×w/16则表示待分析图像中抽象的整体全局特征。
更具体地，将待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像的具体过程将在下文详细描述。
步骤S102，将多个加噪图像输入去噪扩散模型进行去噪扩散处理，以获取多个去噪图像。
其中，去噪扩散模型（DDPM模型）是一种基于深度学习的去噪方法，通过训练一个深度神经网络来学习数据中的噪声分布，从而实现对图像的高效去噪。通过使用DDPM算法对多尺度图像进行去噪处理，可以得到一组更加清晰、细节更加丰富的图像。
***通过对每个像素进行在各个尺度的去噪扩散，从而能够捕捉到该像素的尺度空间行为，可以更准确地捕捉到局部和全局的异常。
在去噪过程中，缩放梯度用于更新/>。公式如下：
；
其中：是噪声项，它是通过学***的变化。
整个过程可以理解为一种在多尺度上进行的迭代去噪过程。每个时间步t都对应一个尺度，网络学习如何针对每个尺度上的噪声分布进行去噪。通过这种方式，可以逐步减少数据中的噪声，最终重建出清晰的数据。
步骤S103，对多个去噪图像的每个像素点进行特征值提取，以得到重构特征值组。
其中，重构特征值组包括若干重构特征值，一个去噪图像的一个像素点对应一个重构特征值。***对每个去噪图像的每个像素点进行特征值提取，以得到重构特征值组。如现有m组去噪图像，每个去噪图像有n个像素点，则***获取到m×n个重构特征值的重构特征值组。
步骤S104，对待分析图像的每个像素点进行特征值提取，以得到每个像素点的原始特征值。
具体地，***通过获取待分析图像的n个像素点的像素位置和原始特征值，用于后续分析。
步骤S105，将重构特征值和原始特征值进行比较，以获取异常值。
更具体地，将重构特征值和原始特征值进行比较，以获取异常值的具体过程将在下文详细描述。
步骤S106，根据异常值判断待分析图像是否为异常图像。
更具体地，根据异常值判断待分析图像是否为异常图像的具体过程将在下文详细描述。
在实际场景中，由于观察角度、距离或光照等原因，物体或场景会以多种大小或方向出现。通过在多个尺度上提取特征，可以确保算法对这些变化具有稳健性。通过不同尺度可以同时捕获图像中的细微结构和细节和更广泛或全局的特征。多尺度的图像异常识别可以帮助识别在某些尺度上不明显的特征，但在其他尺度上明显的异常特征从而提高了算法的准确性和稳健性。在异常检测中，这种多尺度的方法可以帮助揭示那些在单一尺度上可能被忽略的重要细节。
请结合参看图2，其为本发明实施例提供的图像异常检测方法的第一子流程图。执行步骤S101之前，图像异常检测方法还包括如下步骤。
步骤S201，获取待分析图像的文本信息。
具体地，待分析图像包括有涉及待分析图像的文本信息。如待分析图像是医学相关图像，则带有医学图像的文本；待分析图像是工业相关图像，则带有工业图像的文本。该文本信息用于确定待分析图像的尺度信息。
步骤S202，根据文本信息在数据库中检索，以获取对应的尺度集。
具体地，不同的待分析图像有不同的尺度检查的需求。如医学相关图像在尺度为3×3的条件下更为清晰，而工业相关图像在尺度为5×5的条件下更为清晰。***通过识别待分析图像的文本信息，并在数据库中检索得到对应的尺度集，用于调整高斯滤波模型的尺度。
步骤S203，根据尺度集调整高斯滤波模型的尺度。
具体地，***根据文本信息检索到的尺度集调整高斯滤波模型的尺度。
请结合参看图3，其为本发明实施例提供的图像异常检测方法的第二子流程图。高斯滤波模型包括第一尺度，步骤S101具体包括如下步骤。
步骤S301，将分析图像输入高斯滤波模型按照第一尺度进行加噪处理，以获取第一加噪图像。
步骤S302，根据标准差参数和尺度集计算得到第二尺度。
步骤S303，将分析图像输入高斯滤波模型按照第二尺度进行加噪处理，以获取第二加噪图像。
具体地，高斯滤波器用于对图像进行平滑操作，从而减少图像中的噪声或细节。当改变高斯滤波器的标准差（sigma）时，可以控制平滑的程度。较小的标准差（sigma）值会导致较少的平滑，而较大的标准差（sigma）值则会导致更多的平滑。
具体地，在多尺度特征提取中，待分析图像会被多次滤波，每次都使用不同的标准差（sigma）值，就可以得到一系列平滑的图像，每一张都在不同的尺度上表示了原始图像的特征。
具体地，尺度通常由标准差（sigma）的值来决定。常用的方法是以几何级数的方式递增标准差（sigma）值，例如标准差（sigma）可能从1开始，然后变为2，4，8等。一个尺度可以对应128张图像或者256张图像，所以一个尺度对应一组图像，则m个尺度对应m组图。
请结合参看图4，其为本发明实施例提供的图像异常检测方法的第三子流程图。步骤S105具体包括如下步骤。
步骤S401，获取待分析图像中的当前像素点位置，和对应的当前原始特征值。
具体地，***获取待分析图像中的任意一个像素点，并获取该像素点的像素点位置和当前原始特征值。如***在待分析图像中的像素点A（x1，y1）和当前原始特征值2。
步骤S402，根据当前像素位置从每一个去噪图像中获取到位置相同的一个参考像素点，获取每个参考像素点对应的参考重构特征值。
具体地，***在每一个去噪图像中获取到与待分析图像的像素点位置相同的像素点，并获取到多个参考重构特征值。如***在去噪图像中的像素点A1（x1，y1）、A2（x1，y1）、A3（x1，y1）和参考重构特征值3、4和2。
步骤S403，将参考重构特征值与当前原始特征值作差，以得到当前差值。
具体地，***将每一个参考重构特征值减去当前原始特征值得到当前差值。如将当前原始特征值2减去参考重构特征值3、4和2得到当前差值1、2、0。
步骤S404，根据当前差值获取当前像素位置的当前异常概率。
具体地，如***根据当前差值1、2、0计算得到的当前异常概率为60%。
步骤S405，根据最大后验准则对待分析图像中的所有像素位置的异常概率，获取异常值。
具体地，***计算每个像素在各个尺度下的异常概率。具体来说，对于每个像素位置(x,y)，首先计算它在各个尺度下的值与对应的***的概率模型的预测值的差值(j=1,2,...,n)。然后，利用这些差值计算每个像素在各个尺度下的异常概率/>。***使用一个基于最大后验概率（MAP）的准则来计算每个像素的异常分数S(x,y)。
具体地，如***计算每个像素点的异常概率60%、50%、30%，按最大后验准则计算得到异常值3。
请结合参看图5，其为本发明实施例提供的图像异常检测方法的第四子流程图。执行步骤S404之后，图像异常检测方法还包括如下步骤。
步骤S501，判断当前异常概率是否大于预设缺陷阈值。
若当前异常概率大于预设缺陷阈值时，执行步骤S502；若当前异常概率小于预设缺陷阈值时，执行步骤S503。
具体地，在本实施例中预设缺陷阈值为50%，当当前异常概率大于50%时，执行步骤S502；当前异常概率小于50%时，执行步骤S503。
步骤S502，标记对应的像素点为缺陷像素点，根据所有缺陷像素点的像素位置和原始特征值构建缺陷图像。
具体地，如A2（x1，y1）的当前异常概率为60%，则获取到A2（x1，y1）以及对应的原始特征值2，并根据全部获取到的缺陷像素点构建出缺陷图像。
步骤S503，跳过当前像素点。
具体地，如B（x2，y2）的当前异常概率为30%，则跳过当前像素点B。
请结合参看图6，其为本发明实施例提供的图像异常检测方法的第五子流程图。步骤S106具体包括如下步骤。
步骤S601，判断异常值是否大于预设异常阈值。
当异常值大于预设异常阈值时，执行步骤S602；当异常值小于预设异常阈值时，执行步骤S603。
步骤S602，标记待分析图像为异常图像。
步骤S603，标记待分析图像为正常图像。
***通过比较异常分数和预设异常阈值的大小判断是否属于异常图像或正常图像。如果异常分数大于阈值，则***认为该像素点是异常的；否则认为该像素点是正常的。进一步地，***通过获取到整体去噪图像的得分来判断，则***认为该待分析图像是异常图像；否则认为该待分析图像是正常图像。
例如，在较大的尺度上，局部的异常可能会被忽略，但在较小的尺度上，这些异常可能会变得更加明显。不同空间尺度下的特征信息为图像分析和处理提供了一个多层次的视角。
请结合参看图7，其为本发明实施例提供的图像异常检测方法的第六子流程图。执行步骤S602之后，图像异常检测方法还包括如下步骤。
步骤S701，获取待分析图像中的当前像素点作为参考像素点。
步骤S702，获取参考像素点的像素位置，和对应的当前原始特征值。
步骤S703，获取多个去噪图像中的位置相同的若干像素点的多个重构特征值。
步骤S704，根据多个重构特征值和原始特征值计算平均值作为预测特征值。
步骤S705，根据预测特征值和像素位置构建无异常图像，并输出。
具体地，***获取到待分析图像的全部像素点的像素位置和原始特征值，并计算多个去噪图像相同位置的重构特征值，计算原始特征值和多个重构特征值的平均值作为预测特征值，构建出无异常图像。
请结合参看图8，其为本发明实施例提供的图像异常检测***的结构示意图。图像异常检测***1包括加噪模块11、去噪扩散模块12、第一提取模块13、第二提取模块14、比较模块15以及判断模块16。
加噪模块11，用于将待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像。
其中，每个加噪图像对应每个尺度下进行加噪处理的待分析图像。***将待分析图像输入高斯滤波模型，待分析图像在不同尺度和不同噪声下经过处理得到一系列多尺度图像。具体地，***将一张待分析图像输入高斯滤波模型的m个尺度，得到m个加噪图像。
更具体地，高斯滤波器是一种常用的平滑滤波器，能够抑制图像的高频噪声，同时保留图像的低频信息。公式
其中，/>为高斯分布，/>，/>为前向加噪过程中的参数。
待分析图像在不同的尺度下处理图像，可以得到待分析图像在不同空间尺度下的纹理、边缘和结构等特征信息。在实际的场景中，物体或特征仅不同尺度下出现。多尺度提取的方法使得***能够捕获到这些在不同尺度上的特征，提高了***的稳健性和适应性。
***将待分析图像按照不同的分辨率的训练模型进行分割形达到不同尺度分析的功能。如按照不同比例的高h和宽w进行分割，如以h×w、h/2×w/2、h/4×w/4、h/8×w/8和h/16×w/16对待分析图像进行处理。多尺度的特征能够提取多层次的特征表示（语义信息），其中h×w、h/2×w/2表示待分析图像中细节的特征，如边缘和梯度信息；而h/4×w/4、h/8×w/8和h/16×w/16则表示待分析图像中抽象的整体全局特征。
去噪扩散模块12，用于将多个加噪图像输入去噪扩散模型进行去噪扩散处理，以获取多个去噪图像。
其中，去噪扩散模型（DDPM模型）是一种基于深度学习的去噪方法，通过训练一个深度神经网络来学习数据中的噪声分布，从而实现对图像的高效去噪。通过使用DDPM算法对多尺度图像进行去噪处理，可以得到一组更加清晰、细节更加丰富的图像。
***通过对每个像素进行在各个尺度的去噪扩散，从而能够捕捉到该像素的尺度空间行为，可以更准确地捕捉到局部和全局的异常。
在去噪过程中，缩放梯度用于更新/>，公式如下：
；
其中：是噪声项，它是通过学***的变化。
整个过程可以理解为一种在多尺度上进行的迭代去噪过程。每个时间步t都对应一个尺度，网络学习如何针对每个尺度上的噪声分布进行去噪。通过这种方式，可以逐步减少数据中的噪声，最终重建出清晰的数据。
第一提取模块13，用于对多个去噪图像的每个像素点进行特征值提取，以得到重构特征值组。
其中，重构特征值组包括若干重构特征值，一个去噪图像的一个像素点对应一个重构特征值。***对每个去噪图像的每个像素点进行特征值提取，以得到重构特征值组。如现有m组去噪图像，每个去噪图像有n个像素点，则***获取到m×n个重构特征值的重构特征值组。
第二提取模块14，用于对待分析图像的每个像素点进行特征值提取，以得到每个像素点的原始特征值。
具体地，***通过获取待分析图像的n个像素点的像素位置和原始特征值，用于后续分析。
比较模块15，用于将重构特征值和原始特征值进行比较，以获取异常值。
判断模块16，用于根据异常值判断待分析图像是否为异常图像。
在实际场景中，由于观察角度、距离或光照等原因，物体或场景会以多种大小或方向出现。通过在多个尺度上提取特征，可以确保算法对这些变化具有稳健性。通过不同尺度可以同时捕获图像中的细微结构和细节和更广泛或全局的特征。多尺度的图像异常识别可以帮助识别在某些尺度上不明显的特征，但在其他尺度上明显的异常特征从而提高了算法的准确性和稳健性。在异常检测中，这种多尺度的方法可以帮助揭示那些在单一尺度上可能被忽略的重要细节。
请结合参看图9，其为本发明实施例提供的图像异常检测***的第一子结构示意图。图像异常检测***1还包括第四获取模块21、检索模块22以及调整模块23。
第四获取模块21，用于获取待分析图像的文本信息。
具体地，待分析图像包括有涉及待分析图像的文本信息。如待分析图像是医学相关图像，则带有医学图像的文本；待分析图像是工业相关图像，则带有工业图像的文本。该文本信息用于确定待分析图像的尺度信息。
检索模块22，用于根据文本信息在数据库中检索，以获取对应的尺度集。
具体地，不同的待分析图像有不同的尺度检查的需求。如医学相关图像在尺度为3×3的条件下更为清晰，而工业相关图像在尺度为5×5的条件下更为清晰。***通过识别待分析图像的文本信息，并在数据库中检索得到对应的尺度集，用于调整高斯滤波模型的尺度。
调整模块23，用于根据尺度集调整高斯滤波模型的尺度。
请结合参看图10，其为本发明实施例提供的图像异常检测***的加噪模块的结构示意图。加噪模块11包括第一子加噪模块111、第六计算模块112以及第二加噪模块113。
第一子加噪模块111，用于将分析图像输入高斯滤波模型按照第一尺度进行加噪处理，以获取第一加噪图像。
第六计算模块112，用于根据标准差参数和尺度集计算得到第二尺度。
第二子加噪模块113，用于将分析图像输入高斯滤波模型按照第二尺度进行加噪处理，以获取第二加噪图像。
具体地，高斯滤波器用于对图像进行平滑操作，从而减少图像中的噪声或细节。当改变高斯滤波器的标准差（sigma）时，可以控制平滑的程度。较小的标准差（sigma）值会导致较少的平滑，而较大的标准差（sigma）值则会导致更多的平滑。
具体地，在多尺度特征提取中，待分析图像会被多次滤波，每次都使用不同的标准差（sigma）值，就可以得到一系列平滑的图像，每一张都在不同的尺度上表示了原始图像的特征。
具体地，尺度通常由标准差（sigma）的值来决定。常用的方法是以几何级数的方式递增标准差（sigma）值，例如标准差（sigma）可能从1开始，然后变为2，4，8等。一个尺度可以对应128张图像或者256张图像，所以一个尺度对应一组图像，则m个尺度对应m组图。
请结合参看图11，其为本发明实施例提供的图像异常检测***的比较模块的结构示意图。比较模块15包括参考模块151、第三提取模块152、第一计算模块153、第二计算模块154、第三计算模块155。
参考模块151，用于获取待分析图像中的当前像素点位置，和对应的当前原始特征值。
具体地，***获取待分析图像中的任意一个像素点，并获取该像素点的像素点位置和当前原始特征值。如***在待分析图像中的像素点A（x1，y1）和当前原始特征值2。
第三提取模块152，用于根据当前像素位置从每一个去噪图像中获取到位置相同的一个参考像素点，获取每个参考像素点对应的参考重构特征值。
具体地，***在每一个去噪图像中获取到与待分析图像的像素点位置相同的像素点，并获取到多个参考重构特征值。如***在去噪图像中的像素点A1（x1，y1）、A2（x1，y1）、A3（x1，y1）和参考重构特征值3、4和2。
第一计算模块153，用于将参考重构特征值与当前原始特征值作差，以得到当前差值。
具体地，***将每一个参考重构特征值减去当前原始特征值得到当前差值。如将当前原始特征值2减去参考重构特征值3、4和2得到当前差值1、2、0。
第二计算模块154，用于根据当前差值获取当前像素位置的当前异常概率。
具体地，如***根据当前差值1、2、0计算得到的当前异常概率为60%。
第三计算模块155，用于根据最大后验准则对待分析图像中的所有像素位置的异常概率，获取异常值。
具体地，***计算每个像素在各个尺度下的异常概率。具体来说，对于每个像素位置(x,y)，首先计算它在各个尺度下的值与对应的***的概率模型的预测值的差值(j=1,2,...,n)。然后，利用这些差值计算每个像素在各个尺度下的异常概率/>。***使用一个基于最大后验概率（MAP）的准则来计算每个像素的异常分数S(x,y)。
具体地，如***计算每个像素点的异常概率60%、50%、30%，按最大后验准则计算得到异常值3。
请结合参看图12，其为本发明实施例提供的图像异常检测***的第二子结构示意图。图像异常检测***1还包括第二判断模块31、第一重构模块32以及跳过模块33。
第二判断模块31，用于判断当前异常概率是否大于预设缺陷阈值。
具体地，在本实施例中预设缺陷阈值为50%。
第一重构模块32，用于若当前异常概率大于预设缺陷阈值时，标记对应的像素点为缺陷像素点，根据所有缺陷像素点的像素位置和原始特征值构建缺陷图像。
具体地，如A2（x1，y1）的当前异常概率为60%，则获取到A2（x1，y1）以及对应的原始特征值2，并根据全部获取到的缺陷像素点构建出缺陷图像。
跳过模块33，用于若当前异常概率小于预设缺陷阈值时，跳过当前像素点。
具体地，如B（x2，y2）的当前异常概率为30%，则跳过当前像素点B。
请结合参看图13，其为本发明实施例提供的图像异常检测***的判断模块的结构示意图。判断模块16包括子判断模块161、第一标记模块162以及第二标记模块163。
子判断模块161，用于判断异常值是否大于预设异常阈值。
第一标记模块162，用于当异常值大于预设异常阈值时，标记待分析图像为异常图像。
第二标记模块163，用于当异常值小于预设异常阈值时，标记待分析图像为正常图像。
***通过比较异常分数和预设异常阈值的大小判断是否属于异常图像或正常图像。如果异常分数大于阈值，则***认为该像素点是异常的；否则认为该像素点是正常的。进一步地，***通过获取到整体去噪图像的得分来判断，则***认为该待分析图像是异常图像；否则认为该待分析图像是正常图像。
例如，在较大的尺度上，局部的异常可能会被忽略，但在较小的尺度上，这些异常可能会变得更加明显。不同空间尺度下的特征信息为图像分析和处理提供了一个多层次的视角。
请结合参看图14，其为本发明实施例提供的图像异常检测***的第三子结构示意图。图像异常检测***1还包括参考模块41、第四提取模块42、第五提取模块43、第四计算模块44以及第二重构模块45。
参考模块41，用于获取待分析图像中的当前像素点作为参考像素点。
第四提取模块42，用于获取参考像素点的像素位置，和对应的当前原始特征值。
第五提取模块43，用于获取多个去噪图像中的位置相同的若干像素点的多个重构特征值。
第四计算模块44，根据多个重构特征值计算平均值作为预测特征值。
第二重构模块45，根据预测特征值和像素位置构建无异常图像，并输出。
具体地，***获取到待分析图像的全部像素点的像素位置和原始特征值，并计算多个去噪图像相同位置的重构特征值，计算原始特征值和多个重构特征值的平均值作为预测特征值，构建出无异常图像。
详细地，本发明实施例中的图像异常检测***1中的各模块在使用时采用与上述图1-图7中的图像异常检测的方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
本发明还公开了一种电子设备1000，请参阅图15所示，图15是本发明实施例提供的电子设备的结构示意图。
所述电子设备1000可以包括至少一个处理器100。以及，与所述至少一个处理器100通信连接的存储器200。其中，存储器200存储有可被所述至少一个处理器100执行的计算机程序，所述计算机程序被所述至少一个处理器100执行，以使所述至少一个处理器100能够执行如上述所述的图像异常检测的方法。
其中，所述处理器100在一些实施例中可以由集成电路成，例如可以由单个封装的集成电路所成，也可以是由多个相同功能或不同功能封装的集成电路所成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的合等。所述处理器100是所述电子设备1000的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备1000的各个部件，通过运行或执行存储在所述存储器200内的程序或者模块(例如图像异常检测程序等)，以及调用存储在所述存储器200内的数据，以执行电子设备1000的各种功能和处理数据。
进一步地，所述电子设备1000集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，包括计算机程序，所述计算机程序可被处理器100执行以完成如图像异常检测的方法。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

Claims (10)

1.一种图像异常检测的方法，其特征在于，所述方法包括：
将待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像，其中，每个所述加噪图像对应每个尺度下进行加噪处理的所述待分析图像；
将多个所述加噪图像输入去噪扩散模型进行去噪扩散处理，以获取多个去噪图像；
对多个所述去噪图像的每个像素点进行特征值提取，以得到重构特征值组，其中，所述重构特征值组包括若干重构特征值，一个所述去噪图像的一个像素点对应一个重构特征值；
对待分析图像的每个像素点进行特征值提取，以得到每个像素点的原始特征值；
将所述重构特征值和所述原始特征值进行比较，以获取异常值；
根据所述异常值判断所述待分析图像是否为异常图像。
2.根据权利要求1所述的图像异常检测的方法，其特征在于，将所述重构特征值和所述原始特征值进行比较，以获取异常值包括：
获取所述待分析图像中的当前像素点位置，和对应的当前原始特征值；
根据所述当前像素位置从每一个所述去噪图像中获取到位置相同的一个参考像素点，获取每个所述参考像素点对应的参考重构特征值；
将所述参考重构特征值与所述当前原始特征值作差，以得到当前差值；
根据所述当前差值获取所述当前像素位置的当前异常概率；
根据最大后验准则对所述待分析图像中的所有像素位置的异常概率，获取异常值。
3.根据权利要求1所述的图像异常检测的方法，其特征在于，根据所述异常值判断所述待分析图像是否为异常图像包括：
判断所述异常值是否大于预设异常阈值；
当所述异常值大于所述预设异常阈值时，标记所述待分析图像为异常图像；
当所述异常值小于所述预设异常阈值时，标记所述待分析图像为正常图像。
4.根据权利要求2所述的图像异常检测的方法，其特征在于，在根据所述差值计算所述像素位置的异常概率之后，所述方法还包括：
判断当前异常概率是否大于预设缺陷阈值；
若当前异常概率大于所述预设缺陷阈值时，标记对应的像素点为缺陷像素点，根据所有所述缺陷像素点的像素位置和所述原始特征值构建缺陷图像；
若所述当前异常概率小于所述预设缺陷阈值时，跳过当前像素点。
5.根据权利要求3所述的图像异常检测的方法，其特征在于，在当所述异常值大于所述预设异常阈值时，标记所述待分析图像为异常图像之后，所述方法包括：
获取所述待分析图像中的当前像素点作为参考像素点；
获取所述参考像素点的像素位置，和对应的当前原始特征值；
获取多个所述去噪图像中的位置相同的若干像素点的多个重构特征值；
根据多个重构特征值和所述当前原始特征值计算平均值作为预测特征值；
根据所述预测特征值和所述像素位置构建无异常图像，并输出。
6.根据权利要求1所述的图像异常检测的方法，其特征在于，将所述待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像之前，所述方法还包括：
获取待分析图像的文本信息；
根据所述文本信息在数据库中检索，以获取对应的尺度集；
根据所述尺度集调整所述高斯滤波模型的尺度。
7.根据权利要求6所述的图像异常检测的方法，其特征在于，所述高斯滤波模型包括第一尺度，将所述待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像包括：
将分析图像输入高斯滤波模型按照第一尺度进行加噪处理，以获取第一加噪图像；
根据标准差参数和所述尺度集计算得到第二尺度；
将分析图像输入高斯滤波模型按照第二尺度进行加噪处理，以获取第二加噪图像。
8.一种图像异常检测***，其特征在于，所述***包括：
加噪模块，用于将待分析图像输入高斯滤波模型进行多个尺度的加噪处理，以获取多个加噪图像，其中，每个所述加噪图像对应每个尺度下进行加噪处理的所述待分析图像；
去噪扩散模块，用于将多个所述加噪图像输入去噪扩散模型进行去噪扩散处理，以获取多个去噪图像；
第一提取模块，用于对多个所述去噪图像的每个像素点进行特征值提取，以得到重构特征值组，其中，所述重构特征值组包括若干重构特征值，一个所述去噪图像的一个像素点对应一个重构特征值；
第二提取模块，用于对待分析图像的每个像素点进行特征值提取，以得到每个像素点的原始特征值；
比较模块，用于将所述重构特征值和所述原始特征值进行比较，以获取异常值；
判断模块，用于根据所述异常值判断所述待分析图像是否为异常图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法。
CN202311670113.8A 2023-12-07 2023-12-07 基于多尺度去噪概率模型的图像异常检测的方法、*** Pending CN117392464A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311670113.8A CN117392464A (zh) 2023-12-07 2023-12-07 基于多尺度去噪概率模型的图像异常检测的方法、***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311670113.8A CN117392464A (zh) 2023-12-07 2023-12-07 基于多尺度去噪概率模型的图像异常检测的方法、***

Publications (1)

Publication Number Publication Date
CN117392464A true CN117392464A (zh) 2024-01-12

Family

ID=89437566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311670113.8A Pending CN117392464A (zh) 2023-12-07 2023-12-07 基于多尺度去噪概率模型的图像异常检测的方法、***

Country Status (1)

Country Link
CN (1) CN117392464A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808816A (zh) * 2024-03-01 2024-04-02 腾讯科技（深圳）有限公司 图像异常检测方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688890A (zh) * 2021-08-13 2021-11-23 上海商汤智能科技有限公司 异常检测方法、装置、电子设备及计算机可读存储介质
CN114663335A (zh) * 2020-12-22 2022-06-24 富泰华工业（深圳）有限公司 图像瑕疵检测方法、装置、电子设备及介质
CN115880187A (zh) * 2023-01-10 2023-03-31 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于去噪扩散概率模型的单图像反光去除方法及相关设备
CN116664450A (zh) * 2023-07-26 2023-08-29 国网浙江省电力有限公司信息通信分公司 基于扩散模型的图像增强方法、装置、设备及存储介质
CN116993610A (zh) * 2023-07-25 2023-11-03 湖北珞珈实验室 基于去噪扩散模型的受限制ct图像重建方法和设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663335A (zh) * 2020-12-22 2022-06-24 富泰华工业（深圳）有限公司 图像瑕疵检测方法、装置、电子设备及介质
CN113688890A (zh) * 2021-08-13 2021-11-23 上海商汤智能科技有限公司 异常检测方法、装置、电子设备及计算机可读存储介质
CN115880187A (zh) * 2023-01-10 2023-03-31 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于去噪扩散概率模型的单图像反光去除方法及相关设备
CN116993610A (zh) * 2023-07-25 2023-11-03 湖北珞珈实验室 基于去噪扩散模型的受限制ct图像重建方法和设备
CN116664450A (zh) * 2023-07-26 2023-08-29 国网浙江省电力有限公司信息通信分公司 基于扩散模型的图像增强方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王佑芯等: ""基于深度对比网络的印刷缺陷检测方法"", 《计算机应用》, vol. 41, no. 1, 31 January 2023 (2023-01-31), pages 250 - 258 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808816A (zh) * 2024-03-01 2024-04-02 腾讯科技（深圳）有限公司 图像异常检测方法、装置及电子设备
CN117808816B (zh) * 2024-03-01 2024-06-11 腾讯科技（深圳）有限公司 图像异常检测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN108122236B (zh) 基于距离调制损失的迭代式眼底图像血管分割方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN114418957A (zh) 基于机器人视觉的全局和局部二值模式图像裂缝分割方法
CN113109368B (zh) 玻璃裂纹检测方法、装置、设备及介质
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN108961180B (zh) 红外图像增强方法及***
US8396303B2 (en) Method, apparatus and computer program product for providing pattern detection with unknown noise levels
CN107590512B (zh) 一种模板匹配中参数的自适应方法和***
CN117392464A (zh) 基于多尺度去噪概率模型的图像异常检测的方法、***
CN110378893B (zh) 图像质量评价方法、装置和电子设备
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
CN111429372A (zh) 一种增强低对比度图像边缘检测效果的方法
CN114494775A (zh) 视频切分方法、装置、设备及存储介质
CN114067147A (zh) 一种基于局部形状匹配的舰船目标确认方法
CN111723634A (zh) 一种图像检测方法、装置、电子设备及存储介质
CN113918744A (zh) 相似图像检索方法、装置、存储介质及计算机程序产品
CN115083008A (zh) 运动目标检测方法、装置、设备及存储介质
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN109035306B (zh) 动目标自动检测方法及装置
CN116188826A (zh) 一种复杂光照条件下的模板匹配方法及装置
CN115797314A (zh) 零件表面缺陷检测方法、***、设备及存储介质
CN115457044A (zh) 基于类激活映射的路面裂缝分割方法
CN111951254B (zh) 基于边缘引导加权平均的源相机识别方法及***
CN114373086A (zh) 集成模板匹配方法、装置、计算机设备及存储介质
CN112085683A (zh) 一种显著性检测中的深度图可信度检测方法

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