本发明公开了一种用于恶劣天气下的红外图像去噪和小目标检测方法。首先构建三分类红外图像小目标数据集，随机的将数据集划分为三等份并添加高斯噪声、泊松噪声和椒盐噪声这三种噪声；然后构建用于恶劣天气条件下的红外图像去噪和小目标检测的网络架构，整体框架包括滤波器去噪模块、全分辨率去噪模块和YOLOv5检测器三部分，检测器中使用损失监督函数提高对小目标的检测性能；最后基于加噪的三分类红外图像小目标数据集，对提出的网络架构进行训练，获得红外图像的去噪和识别的模型。本发明去噪模块能够去除噪声并提取图像中关键特征所在的区域，再将关键区域传入检测器得出目标的定位信息和类别信息，可以更好地提高小目标检测的性能。
📄 2024102553597
📂 G06V10_30
👤 淮安昆博信息科技有限公司
📅 2024-03-06
一种结合L0梯度约束和局部低秩矩阵恢复的高光谱图像去噪方法，包括以下步骤：1)获取待去噪的高光谱图像数据，定义高光谱图像去噪模型；2)计算上述待处理高光谱图像的L0梯度矩阵；3)建立基于局部低秩约束模型；4)结合L0梯度约束和局部高光谱图像低秩性建立去噪模型，恢复出三维无噪高光谱图像。本发明较为显著的提高了高光谱图像混合噪声的去噪效果。
📄 2018114216743
📂 G06T5_00
👤 浙江工业大学
📅 2018-11-26
本发明公开了一种自适应非局部总变分的图像去噪方法，包括:(1)构建NA‑NLTV模型：其中，Ω表示恢复图像u或含噪图像u0的整个图像区域，|▽NLu|是正则项，保真项，λ1(x)为根据含噪图像u0计算得到的自适应平衡函数，具体为：其中，θ1为函数λ1(x)的值域范围参数，λ1(x)∈(0,θ1)；Ω1是以含噪图像u0中的点x∈Ω为中心的大小为s1×s1的区域，ω1(x,y)为含噪图像u0中二个像素点x、y间的非局部像素相似性权重；(2)利用构建的NA‑NLTV模型对输入的含噪图像u0进行去噪，即求解NA‑NLTV模型，输出恢复图像u1。该图像去噪方法去噪效果佳，能够获得优质量的图像。
📄 2018108204772
📂 G06T5_00
👤 浙江工业大学
📅 2018-07-24
基于非局部相似性的加权截断核范数高光谱图像去噪方法，包括以下步骤：1)获取包含均值为零，方差为σ2的高斯噪声的待去噪的高光谱图像数据#imgabs0#利用投影技术将干净高光谱图像进行降维处理，表示为#imgabs1#M为降维后的图像,E为正交矩阵，其中M和N分别是高光谱图像空间维度的长和宽，P为谱带的数量；2)构建基于非局部相似性及加权截断核范数的高光谱图像去噪模型；3)对变量与参数进行迭代细化。4)输出去除噪声后的高光谱图像。本发明的优点是：将高光谱图像的空间低秩性与光谱低秩性相结合探索空间域与光谱域上的丰富信息，所集成的空间光谱模型不仅有效改进了传统非局部去噪方法速度慢的缺点并且在抑制噪声效果上有很强的鲁棒性。
📄 2020106727710
📂 G06T5_70
👤 浙江工业大学
📅 2020-07-14
本发明公开了一种低秩图像的去噪方法，该方法应用于含有噪声图像的重构，通过对低秩矩阵相关特性的分析，将图像的去噪问题建模成一个非线性约束问题，然后利用交替方向乘子法推导出具体迭代步骤，从而得到去除噪声后的图像。本发明使用截断核范数来更精确的逼近矩阵的秩，避免了大的奇异值造成的结果偏差；另外在模型中加入Frobenius范数作为正则项，其和截断核范数构成关于奇异值的弹性网，使得最后求出的结果同时具有稀疏性和稳定性，从而达到更好的去噪效果。
📄 2018106348204
📂 G06T5_00
👤 南京邮电大学
📅 2018-06-20
本发明公开了一种高斯‑脉冲混合图像噪声去除方法，包括在目标图像上检测随机脉冲噪声的位置并滤波，得到滤波处理后的图像，且用概率矩阵记录随机脉冲噪声的位置；将滤波处理后的图像分解成多个图像块，并在目标图像上找到相应的图像子块叠成张量形式并建立相应的张量低秩‑稀疏分解模型；求解每一个张量低秩‑稀疏分解模型中的优化问题，并采用交替方向法实现分解迭代优化直到收敛；获取每一个张量低秩‑稀疏分解模型的低秩张量并展开成矩阵形式，得到每一个图像子块的去噪结果并对重叠区域求均值，得到最终去噪结果。实施本发明，有效融合图像局部和非局部的统计特性，克服自适应中值滤波器检测精确度不够的问题，能够同时滤除高斯‑脉冲混合噪声，实现信噪比更高的去噪效果。
📄 2017100050451
📂 G06T5_00
👤 温州大学
📅 2017-01-04
本发明涉及一种融合结构张量与非局域全变分的图像去噪方法，属于图像处理技术领域。该方法包括以下步骤：1)对带噪图像f进行N*N的分块，N的取值可为N＝3,5,7...；2)对图像去噪建模，建立融合结构张量与非局域全变分的目标函数；3)利用分裂Bregman算法求解目标函数得到去噪图像。本发明所述方法具有有效去噪同时保持图像的纹理特征与几何结构特征的优点，算法快速，同时能够减少阶梯效应的产生。
📄 201610060748X
📂 G06T5_00
👤 重庆邮电大学
📅 2016-01-28
本发明公开了一种基于核范数与图模型的图像去噪方法。本发明在探索图像的自相似特性时引入了图模型，图的构造方法借鉴了图论知识，提出了基于学习的图模型构造方法，通过使用动态规划方法构造出适合于每个图像块的图模型，图的表达采用了图拉普拉斯矩阵；在探索图像的低秩特性时引入了核范数，核范数是低秩的最优凸近似，主要采用奇异值分解的方法进行求解。同时，本发明还引入了增强拉格朗日乘子法将联合方程分解成子问题进行求解，起到了凸优化的作用。在本发明的最后，为更进一步优化去噪结果，引入了总体的正则化迭代方法，此方法能将误差进行回传操作优化。
📄 2019107115973
📂 G06T5_00
👤 杭州电子科技大学
📅 2019-08-02
本发明公开了一种基于小波变换的神经网络图像去噪方法。本发明首先使用小波变换对图像进行分解，具体的是将原始图像分解成为四个子图像；对于得到的子图像，分别单独的使用设计好的全卷积神经网络进行训练，四个神经网络之间互不干扰；接下来再使用图像融合的方法将四个子图融合成为最后的去噪图像。本发明针对图像中的噪声，可以有效的进行过滤，得到一张对比度强，色彩自然，视觉效果好的图像。该算法可以在手机上应用，只需要一键操作，有效的提高图像的质量，令用户的拍照体验感提升。
📄 2020103646181
📂 G06T5_00
👤 杭州电子科技大学
📅 2020-04-30
本发明属于图像处理领域，具体涉及一种综合局部信息和全局信息的空间注意力图像去噪方法，该方法包括：实时获取图像，将获取的图像输入到训练好的图像去噪模型中，得到去噪后的图像；所述图像去噪模型包括图像浅层特征提取模块、图像特征增强组以及图像重建模块；本发明设计的图像去噪模型通过同时采用串联和并联方式将非局部模块、空间注意力残差块和扩张卷积相结合来实现同时捕获图像的局部特征和全局特征，因此极大地增强了网络的表示能力，能够很好的同时兼顾噪声的去除和图像结构的保护。
📄 2020113052832
📂 G06T5_00
👤 重庆邮电大学
📅 2020-11-19
一种基于二维多路径匹配追踪算法的图像去噪方法，包括如下步骤：S100：输入含噪图像，将所述含噪图像划分为图像块，并在含噪图像上进行字典学习，以获得匹配图像有效特征的字典；S200：使用已学习的字典对每个图像块采用广度优先的二维多路径匹配追踪算法和/或深度优先的二维多路径匹配追踪算法进行稀疏表示进而去除每个图像块的噪声；S300：将已去噪后的图像块重构为一幅完整的去噪后的图像。该方法提高了二维稀疏表示算法的匹配精度，与一维多路径匹配追踪算法和现有的二维正交匹配追踪算法的去噪结果进行比较，本方法均表现出了更好的去噪效果。
📄 2022112698080
📂 G06T5_00
👤 陕西师范大学
📅 2022-10-17
本发明提供一种基于自适应插值算法的图像去噪方法、系统及终端机，提取待去噪图像和预设图像，并分别对待去噪图像和预设图像进行裁切，将裁切后的图像块作为插值去噪网络数据集；利用深度学习框架构造卷积插值网络；卷积插值网络包含若干CIB卷积插值模块堆叠形成；利用深度学习框架和Adam优化器对卷积插值网络进行训练，形成图像去噪网络；将插值去噪网络数据集中待去噪图像输入至训练好的图像去噪网络中，得到去噪后的图像。本发明通过向深度卷积神经网络引入插值操作，为去噪过程补充了先验信息，对拟合过程形成正则化的效果，减少去噪过程中的信息丢失和信息浪费。
📄 2023107101962
📂 G06T5_70
👤 山东财经大学
📅 2023-06-15
柿子坊 · 知识产权运营
柿子坊知识产权运营平台