申请/专利权人:桂林电子科技大学
申请日:2023-11-17
公开(公告)日:2024-02-02
公开(公告)号:CN117495706A
主分类号:G06T5/70
分类号:G06T5/70;G06V10/774;G06V10/82;G06N3/0464
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.02.23#实质审查的生效;2024.02.02#公开
摘要:本发明提供的是一种基于深度学习的干涉图高密度椒盐噪声去噪方法,包括以下步骤:步骤S1:预处理实测干涉图数据集,得到用于深度学习训练的训练集,验证集;步骤S2:搭建LSConv,用于初步填补噪声图像的线选择卷积块;步骤S3:以传统的CNN为主,搭建降噪模型,进一步矫正被LSConv修复的数据集数据,训练时,针对不同比例的SAP噪声,单独训练去噪模型;步骤S4:使用损失函数判断模型收敛情况,输出针对不同比例SAP噪声的降噪网络。该线选择卷积块网络能有效地恢复被SAP噪声破坏的干涉图,并在定量标准和视觉效果方面超越了大部分同类方法,尤其是在高密度和超高密度噪声的情况下。可广泛用于光学图像信息恢复等领域。
主权项:1.一种基于深度学习的干涉图高密度椒盐噪声去噪方法。其特征在于:包括下列步骤:步骤S1:预处理实测干涉图数据集,得到用于深度学习训练的训练集,验证集;步骤S2:训练集,验证集通过LSConvNet的第一部分,该部分设计了新的结构,用于填补干涉图像中被SAP噪声破坏的像素值的线选择卷积块,初步修正噪声像元;步骤S3:训练集,验证集通过LSConvNet的第二部分,以传统的CNN为主的降噪模型,进一步矫正被LSConv修复的数据集数据,训练时,针对不同比例的SAP噪声,单独训练去噪模型;步骤S4:使用损失函数判断模型收敛情况,输出针对不同比例SAP噪声的降噪网络。
全文数据:
权利要求:
百度查询: 桂林电子科技大学 基于深度学习的干涉图高密度椒盐噪声去噪方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。