本发明公开了基于结构感知自适应掩码与梯度加权学习的图像去噪方法,属于计算机视觉与图像处理领域。所述方法包括:通过建立结构特征与最优掩码策略的映射关系,实现对不同结构区域的差异化处理;提出双域协同优化梯度加权损失函数,通过像素域和梯度域的联合约束,增强模型对结构一致性的保持能力;提出边缘质量感知的多模态集成策略,通过建立边缘保持质量与预测可靠性的映射,实现像素级自适应融合。实验结果证明,本发明相比于现有技术取得了显著性能,特别是在处理具有复杂结构的图像时表现出优越性能,在保留图像结构特点和细节方面具有明显优势,特别适合处理医学成像和显微镜成像等专业图像。
📄 2025106228429
📂 G06T5_70
👤 江南大学
📅 2025-05-15
本发明公开了一种基于边缘增强的宽解码器显著性目标检测方法及系统包括:获取高分辨率图像数据集并对数据集中的目标高分辨率图像进行下采样处理,得到目标下采样图像;将目标高分辨率图像以及目标下采样图像分别输入显著性目标检测模型,显著性目标检测模型通过双通道网络对图像进行特征提取,得到不同层次的特征,拼接双通道网络的最深层特征并将拼接结果输入多尺度注意力模块得到第一特征;基于第一特征,利用多级宽解码器模块依次融合双通道网络的前三层特征得到第二特征,对第二特征进行特征解码得到最终的显著性目标检测结果。本发明能够在有限的计算资源下对高分辨率图像中的复杂几何形状进行精细化处理,精确提取边缘信息实现高质量分割。
📄 2024105806982
📂 G06V10_25
👤 第图(苏州)生物科技有限公司, 江南大学
📅 2024-05-11
本发明公开了一种基于纹理与边缘增强的伪装目标检测方法,属于计算机视觉目标检测技术领域。该方法构建了包含特征提取骨干网络、混合编码器颈部网络和Transformer解码器检测头的端到端检测网络。通过在骨干网络中引入多尺度边缘增强模块,增强目标边缘特征,解决边缘模糊问题;在颈部网络对特征提取与边缘增强模块输出的特征进行纹理特征增强与融合,提取多方向纹理特征,提升纹理区分能力;最终通过Transformer解码器输出目标类别与位置。本发明有效提升了伪装目标在复杂背景下的检测精度与定位准确性,具有较高的实用价值。
📄 2026103198125
📂 G06V10_764
👤 江南大学
📅 2026-03-17
本申请属于图像处理技术领域,公开了一种基于显著边缘增强的多聚焦图像融合方法及相关设备,所述方法包括:基于变换域方法,获取两个源图像的初始融合图像;两个源图像的大小相同且相互配准,两个源图像的聚焦区互补;生成初始融合图像的显著图和两个源图像的显著图;生成初始融合图像的显著图与各源图像的显著图之间的差图;根据初始融合图像的显著图、两个源图像的显著图和差图,获取各源图像对应的初始决策图;对各初始决策图进行优化处理,得到各源图像对应的优化决策图;基于优化决策图对两个源图像进行融合,得到最终融合图像;从而能够使融合图像边缘信息更加丰富并且有效解决了边缘模糊以及伪影的问题,得到更清晰的高质量融合图像。
📄 2025104115426
📂 G06T5_10
👤 佛山大学
📅 2025-04-02
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