基于U-Net融合的保留纹理的图像去噪方法

图像的噪声阻碍了高级视觉任务对图像的理解,且去除图像的噪声是一个具有挑战性的任务.现有的基于卷积神经网络的图像去噪方法在去除噪声的同时,对图像纹理会引入一定程度的破坏,导致去噪后图像无法保留图像的纹理.为了解决这个问题,本文提出一种用二分支U-Net网络来融合特征和保留纹理的图像去噪方法.首先选取一种去噪方法的两个不同去噪参数的预训练模型分别得到同一张噪声图像的不同去噪结果,其中一个结果中去噪效果比纹理保留效果好,另一个结果中纹理保留比去噪效果好.然后将这两个去噪图像作为卷积神经网络的输入,利用两个编码器分别提取图像的特征,并同时放入融合模块融合图像的特征,最后利用解码器重建出无噪声图像.实验结果表明,与现有的方法相比本文的方法更有效,在去除噪声的同时能保留更多的图像纹理信息.

基于循环神经网络的多阶段图像去噪方法

图像在采集和传输过程中往往受到噪声污染,去噪任务是图像预处理中的重要步骤.现有的基于深度学习的图像去噪方法往往只进行单次的去噪,容易产生过于平滑或者太多噪点未去除的结果且无法恢复.因此,本文提出了一种基于循环神经网络的多阶段图像去噪方法.该方法包括两个去噪阶段,通过调整两个阶段的训练权重可以使得第1阶段的去噪结果包含部分未去除干净的噪点和更多细节信息,然后将第1阶段提取的特征通过门控循环单元传递到第2阶段,再进行第2个阶段的去噪.同时,为了使深度网络的训练更稳定,本文还设计了一个估计噪声分布的子网络,用于从噪声图像中估计噪声的分布.最后,将噪声分布和噪声图像拼接,作为网络的输入来训练去噪网络.实验结果表明,本文的基于循环神经网络的多阶段图像去噪方法具有先进的去噪性能.

核心素养下小学数学的教学方法探究

新课标提出要全面提升学生的核心素养,要把课堂的主体还给学生。核心素养的前提就是要教师改变传统的教学观念,采用多元化的教学手段,激发学生对数学学习的积极性,促进学生的自主探索和思维,从而全面提升学生的核心素养。