[发明专利]一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法在审
| 申请号： | 201910584613.7 | 申请日： | 2019-07-01 |
| 公开（公告）号： | CN110349103A | 公开（公告）日： | 2019-10-18 |
| 发明（设计）人： | 刘辉;陆县委 | 申请（专利权）人： | 昆明理工大学 |
| 主分类号： | G06T5/00 | 分类号： | G06T5/00 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 650093 云*** | 国省代码： | 云南;53 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法，属图像处理和计算机视觉领域。本发明通过对公共数据集的噪声处理，即对清晰的图像数据集添加各类噪声；接着构建一个高效率和高性能的深度卷积神经网络，该网络采用的完全对称的结构，各个卷积层采用跳跃连接的方式将浅层特征和深层特征进行结合；然后将下采样结合所得到的特征经过上采样和卷积，得到预测的清晰图像；最后通过求解最小化损失函数的值，学习模型中最优参数；最终利用训练好的网络模型对噪声图像进行去噪。本发明不需要输入噪声图像对应的清晰图像标签，但是可以达到与输入清晰图像标签训练时相当的效果水平，且显著提高了噪声图像的清晰程度。 | ||
| 搜索关键词： | 清晰图像 去噪 标签图像 神经网络 噪声图像 跳跃 卷积 计算机视觉领域 卷积神经网络 公共数据集 图像数据集 标签训练 输入噪声 损失函数 图像处理 网络模型 效果水平 噪声处理 最优参数 高效率 上采样 下采样 最小化 清晰 求解 构建 浅层 噪声 对称 标签 图像 预测 网络 学习 | ||
【主权项】：
1.一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法，其特征在于：所述基于深度神经网络和跳跃连接的无干净标签图像去噪方法的具体步骤如下：Step1、选择公用的数据集；Step2、对选择的数据集进行添加噪声处理；Step3、结合图像中的噪声类型，建立U‑Net++深度卷积神经网络；Step4、将有噪声的图像送入所述的U‑Net++深度卷积神经网络，得到图像去噪网络模型；Step5、通过求解最小化损失函数的值，学习到网络模型的最优参数，利用训练好的网络模型来对噪声图像进行复原。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于昆明理工大学，未经昆明理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910584613.7/，转载请声明来源钻瓜专利网。
