本发明公开了一种高光谱图像去噪方法、装置及存储介质，将待去噪的高光谱图像数据输入预训练优化好的高光谱图像去噪模型，得到输出的经过去噪的高光谱图像结果；其中所述高光谱图像去噪模型的构建方法包括：首先利用低秩张量分解将噪声从原始图像中分离出来，得到退化模型；接着在模型中加入改进的加权的全变分正则器,充分表征高光谱图像波段之间的空间和光谱相关性；然后用L1范数来规范稀疏噪声，用F范数来规范高斯噪声；最后利用增广拉格朗日乘子法求解模型，结合输入带有稀疏噪声和高斯噪声的训练集图像，更新优化模型。本发明公开的高光谱图像去噪方法可以得到更好的恢复效果，在定量评价和视觉比较方面有明显的改善。
📄 2022103658313
📂 G06T5_00
👤 南京邮电大学
📅 2022-04-08
一种适用于超声图像去噪的自适应加权混合总变分方法,包括通过超声图像成像模型和已知的乘性高斯噪声分布，采用最大后验概率估计理论推导出适用于超声图像去噪的通用最小化凸能量泛函；将通用凸能量泛函的正则化项采用一阶总变分、二阶总变分和自适应加权函数融合形成自适应加权混合总变分项，从而得到本发明方法的凸能量泛函。将凸能量泛函采用Split‑Bregman算法进行最小化求解，迭代过程中交替实现超声图像的去噪和自适应加权函数的优化，最终得到的去噪超声图像在有效降低散斑噪声的同时能更好地保留超声图像细节和边缘信息，从而有效提高超声图像的视觉判读性。
📄 2020114968155
📂 G06T5_00
👤 三峡大学
📅 2020-12-17
本发明公开了一种基于卷积转置自注意力的红外图像去噪方法。首先通过成对的干净图像和带噪图像构建数据集；构建基于卷积转置自注意力的网络模型，网络模型采用对称的编码器‑解码器结构；基于构建好的红外图像训练数据集，对基于卷积转置自注意力的网络模型进行训练；最后采用测试数据集数据对训练好的网络模型进行测试。本发明引入了在红外图像去噪领域中尚未深入研究的自注意力机制对红外图像全局依赖关系进行建模，并在其基础上进行改进设计了卷积转置自注意力，在减少计算量的同时依然可以充分提取红外图像的空间特征信息，有效提高红外图像的去噪质量，填补了红外图像去噪的研究空缺。
📄 2024104161985
📂 G06T5_70
👤 淮安昆博信息科技有限公司
📅 2024-04-08
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
本发明涉及一种基于OctBlock密集块的快速图像去噪方法，将待去噪图像分为训练数据集与测试数据集并分别进行增强和/或加噪，构建基于OctBlock密集块的去噪网络，输入训练数据集进行训练，输入测试数据集进行图像去噪，获得去噪后的图像。本发明的子模块OctConv将卷积层的输出特征图分解为不同空间频率的特征，并将特征图存储到不同的组，在相邻位置之间共享信息以减少空间冗余、提高模型效率、加快图像去噪；OctBlock密集块内部的每个子模块提取到的特征将被连接到后续的子模块中，提取丰富的局部特征，更快更好获得去噪后的图像；在网络中应用残差学习，减少网络参数，避免网络复杂度导致的梯度消失、梯度爆炸。
📄 2019108795264
📂 G06T5_00
👤 浙江工业大学
📅 2019-09-18
基于残差学习的卷积神经网络医学CT图像去噪，具体步骤如下：步骤1)构建医学CT图像模型；步骤2)构建神经网络模型；步骤3)训练网络；步骤4)更新参数；步骤5)医学CT图像去噪，向构建好的网络模型中输入含噪声的医学CT图像，网络输出去除噪声后的医学CT图像。本发明具有以下优点：提出了结合深度学习中卷积神经网络方面的知识进行医学CT图像去噪；采用残差学习的方式来近似学习图像中的噪声，具有很好的针对性，同时提升神经网络的训练效率；采用卷积神经网络和残差学习的方法，能够更好的学习图像中的特征信息，在图像去噪的过程中保留更多的局部图像信息。同时图像去噪能力也得到提升。
📄 201910166558X
📂 G06T5_00
👤 浙江工业大学
📅 2019-03-06
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
基于多通道截断核范数及全变差正则化的高光谱图像去噪方法，包括以下步骤：1)获取带待去噪的高光谱数据图像，其中，N为加性高斯白噪声(AWGN)，X为恢复出来的干净图像，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)构建多通道截断核范数及全变差正则化的高光谱图像去噪模型；3)采用交替方向乘子算法(Alternating Direction Method of Multipliers，ADMM)对模型进行优化；4)输出去除噪声后的高光谱图像。本发明的优点是：更好地保留分段平滑先验和有效地保持边缘信息，同时增强了高斯噪声的去噪效果。
📄 2020107518267
📂 G06V20_10
👤 浙江工业大学
📅 2020-07-30
本发明公开了一种基于张量环分解的高光谱图像去噪方法及装置，包括获取带噪的高光谱图像数据，建立高光谱图像噪声的数学模型；结合全变分和张量环分解，构建基于全变分正则化张量环分解的高光谱图像去噪模型TR‑TV；在模型TR‑TV的基础上，将加权邻域均值三维全变分作为低秩项的非凸松弛，得到基于加权邻域均值三维全变分正则化张量环分解的高光谱图像去噪模型TR‑WTDTV；引入辅助变量；优化去噪模型TR‑WTDTV，采用ADMM算法求解，获得降噪后的高光谱图像。本发明有良好的高光谱图像去噪效果。
📄 2020103446857
📂 G06T5_00
👤 浙江工业大学
📅 2020-04-27
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
一种融合对比学习的生成对抗网络声呐图像去噪方法和装置，其方法包括：构建生成网络，输入带噪图像，经过融合注意力机制模块和对比学习模块，进行图像去噪处理；构建判别网络，输入不含噪声的无噪图像和生成网络生成的去噪图像，进行图像判别；S3、训练由生成网络和判别网络组成的对抗网络，并保存训练结束的最终参数；S4、将噪声图像输入到已经训练好的生成网络中，得到去噪图像。本发明的融合注意力机制模块和对比学习模块能提高生成网络对于输入图像的理解和处理能力，增强网络对于图像细节的捕捉和保留能力，准确还原噪声图像的主体特征和细节信息。
📄 2024116336834
📂 G06T5_70
👤 浙江工业大学
📅 2024-11-15
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
柿子坊 · 知识产权运营
柿子坊知识产权运营平台