CN115496687B 一种基于卷积神经网络的边缘提取图像去噪方法 （重庆邮电大学）_第1页
CN115496687B 一种基于卷积神经网络的边缘提取图像去噪方法 （重庆邮电大学）_第2页
CN115496687B 一种基于卷积神经网络的边缘提取图像去噪方法 （重庆邮电大学）_第3页
CN115496687B 一种基于卷积神经网络的边缘提取图像去噪方法 （重庆邮电大学）_第4页
CN115496687B 一种基于卷积神经网络的边缘提取图像去噪方法 （重庆邮电大学）_第5页
已阅读5页，还剩15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

号一种基于卷积神经网络的边缘提取图像去本发明涉及一种基于卷积神经网络的边缘图像输入基于残差学习的预处理网络进行初步2S3：将初步去噪图像和边缘信息图像同时输入基于通道与空间注意力机制的融合网所述基于通道与空间注意力机制的融合网络包含一个Conv+Relu+BN层、一个信道和空间注意机制，通过Cat函数聚合预处理得到的初步去噪图像和边缘提取得到的边所述基于通道与空间注意力机制的融合网络的工作流上支路是信道注意网络，通过平均池化和最大池化操作将输入下支路是一个空间注意网络，该网络将每一个空间位置最后，将输入的每个元素都通过乘以相应的放大因子来进行述基于残差学习的预处理网络包含一个Conv+Relu层、四个残差单元和一个卷积层，通过Cat函数将三个残差跳跃连接残差单元的输出拼接在一起输入卷积层，最后再通过输入端34[0001]本发明属于图像处理领域，涉及一种基于卷积神经网络的边缘提取图像去噪方像去噪这一底层计算机视觉任务变得更加重要。当前图像去噪方法可分为滤波图像去噪、于低秩性的图像去噪方法往往通过限制低秩矩阵来降低[0003]基于深度学习的去噪方法利用深度网络和来自大数据集外部信息的强大表征能5[0019]进一步，所述基于通道与空间注意力机制的融合网络包含一个Conv+Relu+BN层、一个Conv层和信道和空间注意机制，通过Cat函数聚合预处理得到的初步去噪图像和边缘67了避免预处理模块中层次特征信息的丢失，通过Cat函数将三个残差跳跃连接残差单元的信息，因此边缘提取网络采用高斯滤波器核大小为3×3的Canny算子来提取图像的边缘信间注意机制，通过Cat函数简单聚合预处理模块得到的初步去噪图像和边缘提取模块得到[0048]本发明中边缘提取网络采用的Canny算子通过双阈值检测法来定位图像边缘，不8[0061]本发明在融合网络设计了一个如图4所示的通道与空间注意网络(channeland[0064]预处理网络和融合网络中所有卷积层的通道数均设置为64[0065]本发明提出的去噪方法只需要训练基于卷积神经网络的9BM3D和DnCNN方法恢复的图像边缘细节较为平滑，在图6中瓶身的三角尖端处

人人文库> 全部分类> 行业资料 > 信息产业

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。

最新文档

评论

0/150

提交评论