CN113850323B 训练方法、图像去噪方法及可读存储介质 (豪威科技(武汉)有限公司)_第1页
CN113850323B 训练方法、图像去噪方法及可读存储介质 (豪威科技(武汉)有限公司)_第2页
CN113850323B 训练方法、图像去噪方法及可读存储介质 (豪威科技(武汉)有限公司)_第3页
CN113850323B 训练方法、图像去噪方法及可读存储介质 (豪威科技(武汉)有限公司)_第4页
CN113850323B 训练方法、图像去噪方法及可读存储介质 (豪威科技(武汉)有限公司)_第5页
已阅读5页,还剩17页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

中存在的去除噪声的同时会抹去很多图像原本2基于所述去噪模型的预测图像和目标图像得到特计算所述第一空间特征谱与所述第二空间特征谱的平基于空间特征网络得到所述预测图像的第一空间特基于所述空间特征网络的第一层卷积层的输出结果融合得到所基于所述空间特征网络得到所述目标图像的第二空间特基于所述空间特征网络的第一层卷积层的输出结果融合得到所所述空间特征网络自身的总输出是在最后一层卷积层的输出基础上进行计算得到的,y的第yx代表所述预测图像沿宽度方向xy34[0013]可选的,基于所述去噪模型的预测图像和目标图像得到5基于所述空间特征网络的第一层卷积层的输出结果融合得到所述xxyx代表所述预测图像沿宽x6[0032]图3c是现有技术的方法一作为监督方法训练得到的去噪模型对图3a所示的图像[0033]图3d是现有技术的方法二作为监督方法训练得到的去噪模型对图3a所示的图像[0036]图4c是现有技术的方法一作为监督方法训练得到的去噪模型对图4a所示的图像[0037]图4d是现有技术的方法二作为监督方法训练得到的去噪模型对图4a所示的图像7[0048]S40基于所述预测图像得到正则项,其中,所述正则项用于表征图像的空间平滑[0049]S50所述特征空间损失值、所述梯度损失值和所述正则项通过加权求和得到加权失值的基础上叠加了何种修正方式或者进行了何种计算,都是可以根据实际需要进行设[0053]所述特征空间损失值用于表征图像的特征损失程度,即关注于图像的局部的细8络的第一层卷积层2的输出结果融合得到所述第一空间特征谱;基于所述空间特征网络得理解,所述空间特征网络自身的总输出5是在最后一层卷积层的输出基础上进行计算得到的实施例中,也可以基于所述第二卷积层3或者其他的中间参数进行计算得到所述特征空果仍为一个P*Q的矩阵,矩阵中第j行第k列的元素为第1维~第10维的所述特征谱的第j行[0059]在一实施例中,基于所述预测图像和所述目标图像得到所述梯度损失值的步骤xxyx代表所述预测图像沿宽9x[0068]图4a展示了所述第二测试图像,图4b~4d的内容也可以参考上述描述进行理

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论