公开(公告)号：CN111402173B

公开(公告)日：2024-04-16

申请号：CN202010213383.6

申请日：2020-03-24

Applicant: 北京工业大学

Inventor： 董惠雯 ,  禹晶 ,  郭乐宁 ,  肖创柏

IPC: G06T5/70

Abstract: 本发明实施例提供一种混合噪声去除方法、装置、电子设备和存储介质。所述方法包括：将相似图像块组矩阵输入混合噪声去除模型，输出去噪图像块组矩阵；其中，所述混合噪声去除模型是基于双加权lp范数与全变分进行构建。本发明实施例通过基于双加权lp范数与全变分进行构建混合噪声去除模型，为图像成分的估计提供了更准确的约束条件，在椒盐与高斯噪声混合的情况下，具有更好的复原性能。

公开(公告)号：CN111402173A

公开(公告)日：2020-07-10

申请号：CN202010213383.6

申请日：2020-03-24

Applicant: 北京工业大学

Inventor： 董惠雯 ,  禹晶 ,  郭乐宁 ,  肖创柏

IPC: G06T5/00

Abstract: 本发明实施例提供一种混合噪声去除方法、装置、电子设备和存储介质。所述方法包括：将相似图像块组矩阵输入混合噪声去除模型，输出去噪图像块组矩阵；其中，所述混合噪声去除模型是基于双加权lp范数与全变分进行构建。本发明实施例通过基于双加权lp范数与全变分进行构建混合噪声去除模型，为图像成分的估计提供了更准确的约束条件，在椒盐与高斯噪声混合的情况下，具有更好的复原性能。

公开(公告)号：CN109783682A

公开(公告)日：2019-05-21

申请号：CN201910057434.8

申请日：2019-01-19

Applicant: 北京工业大学

Inventor： 汪海龙 ,  禹晶 ,  肖创柏 ,  郭乐宁

IPC: G06F16/583 ,  G06F16/51 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于点对相似度的深度非松弛哈希图像检索方法，将图像的数据集以5:1的比例划分为训练样本集Dtrain和测试样本集Dtest；构建深度卷积网络架构；利用训练样本集合，将训练数据集图像以及其类别标签作为神经网络的输入训练卷积神经网络，得到并保存深度神经网络的模型；根据卷积神经网络模型，去除其dropout层，在网络的输出端添加符号函数。将训练样本集Dtrain和Dtest输入模型中，得到训练样本集的哈希码Btrain和测试样本集的哈希码Btest；从测试样本取测试图像的哈希码，得到汉明距离对应的向量。将汉明距离向量的每一位数值以升序排序，作为检索的结果。本发明有效解决哈希函数量化二值哈希码过程中产生大量误差的问题，并提高图像检索的准确率。

公开(公告)号：CN114418883B

公开(公告)日：2024-03-29

申请号：CN202210052867.6

申请日：2022-01-18

Applicant: 北京工业大学

Inventor： 肖创柏 ,  王晓宁 ,  郭乐宁 ,  禹晶

IPC: G06T5/73 ,  G06T5/60 ,  G06N3/0464

Abstract: 本发明公开了一种基于深度先验的盲图像去模糊方法，使用深度卷积神经网络DIP‑Net隐式地建模图像平滑性先验约束生成清晰图像；通过求解关于模糊核最优化问题的精确解估计模糊核；交替迭代更新模糊核与清晰图像，利用复原的清晰图像和模糊核计算损失函数并更新网络参数。对模糊图像与模糊核联合建模，采用交替迭代网络模型与数学模型的方式同时估计清晰图像与模糊核；在无任何附加隐式或显式的图像先验的情况下，仅利用模糊图像实现了端到端地自监督学习的盲去模糊。本发明结合深度网络结构实现正则化方法，无需使用模糊图像与模糊核真值训练网络；与传统模型方法相比，无需采用图像金字塔的方式由粗到细的估计模糊核，有效抑制复原图像中存在的噪声。

公开(公告)号：CN114418883A

公开(公告)日：2022-04-29

申请号：CN202210052867.6

申请日：2022-01-18

Applicant: 北京工业大学

Inventor： 肖创柏 ,  王晓宁 ,  郭乐宁 ,  禹晶

IPC: G06T5/00 ,  G06N3/04

Abstract: 本发明公开了一种基于深度先验的盲图像去模糊方法，使用深度卷积神经网络DIP‑Net隐式地建模图像平滑性先验约束生成清晰图像；通过求解关于模糊核最优化问题的精确解估计模糊核；交替迭代更新模糊核与清晰图像，利用复原的清晰图像和模糊核计算损失函数并更新网络参数。对模糊图像与模糊核联合建模，采用交替迭代网络模型与数学模型的方式同时估计清晰图像与模糊核；在无任何附加隐式或显式的图像先验的情况下，仅利用模糊图像实现了端到端地自监督学习的盲去模糊。本发明结合深度网络结构实现正则化方法，无需使用模糊图像与模糊核真值训练网络；与传统模型方法相比，无需采用图像金字塔的方式由粗到细的估计模糊核，有效抑制复原图像中存在的噪声。

公开(公告)号：CN109783682B

公开(公告)日：2021-01-15

申请号：CN201910057434.8

申请日：2019-01-19

Applicant: 北京工业大学

Inventor： 汪海龙 ,  禹晶 ,  肖创柏 ,  郭乐宁

IPC: G06F16/583 ,  G06F16/51 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于点对相似度的深度非松弛哈希图像检索方法，将图像的数据集以5:1的比例划分为训练样本集Dtrain和测试样本集Dtest；构建深度卷积网络架构；利用训练样本集合，将训练数据集图像以及其类别标签作为神经网络的输入训练卷积神经网络，得到并保存深度神经网络的模型；根据卷积神经网络模型，去除其dropout层，在网络的输出端添加符号函数。将训练样本集Dtrain和Dtest输入模型中，得到训练样本集的哈希码Btrain和测试样本集的哈希码Btest；从测试样本取测试图像的哈希码，得到汉明距离对应的向量。将汉明距离向量的每一位数值以升序排序，作为检索的结果。本发明有效解决哈希函数量化二值哈希码过程中产生大量误差的问题，并提高图像检索的准确率。