基于深度卷积神经网络的图像噪声估计方法

    公开(公告)号:CN110852966B

    公开(公告)日:2022-04-22

    申请号:CN201911066796.X

    申请日:2019-11-04

    Abstract: 本发明公开了一种基于深度卷积神经网络的图像噪声估计方法,用于解决现有图像噪声估计方法实用性差的技术问题。技术方案是同时结合噪声误差和噪声水平误差构造损失函数训练深度卷积神经网络,训练所得深度卷积神经网络从噪声污染图像中获取数值分布准确且统计均方差准确的噪声图,所采用深度卷积神经网络,卷积核膨胀数值逐层先成倍递增再等比例对称递减,提升深度卷积神经网络对随机噪声的提取能力,各卷积层卷积核数量多,在训练时所用噪声的分布模型和水平均完全随机,提升深度卷积神经网络对随机噪声的泛化能力。该方法从噪声污染图像中提取噪声图像,提升在后续操作中对噪声进行建模和分析的灵活性,实用性好。

    基于深度卷积神经网络的图像噪声估计方法

    公开(公告)号:CN110852966A

    公开(公告)日:2020-02-28

    申请号:CN201911066796.X

    申请日:2019-11-04

    Abstract: 本发明公开了一种基于深度卷积神经网络的图像噪声估计方法,用于解决现有图像噪声估计方法实用性差的技术问题。技术方案是同时结合噪声误差和噪声水平误差构造损失函数训练深度卷积神经网络,训练所得深度卷积神经网络从噪声污染图像中获取数值分布准确且统计均方差准确的噪声图,所采用深度卷积神经网络,卷积核膨胀数值逐层先成倍递增再等比例对称递减,提升深度卷积神经网络对随机噪声的提取能力,各卷积层卷积核数量多,在训练时所用噪声的分布模型和水平均完全随机,提升深度卷积神经网络对随机噪声的泛化能力。该方法从噪声污染图像中提取噪声图像,提升在后续操作中对噪声进行建模和分析的灵活性,实用性好。

Patent Agency Ranking