Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Metallographic Analysis of the Percentage of Carbon in the Test Tube Based on Artificial Vision Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

37. IQINN: Improve the Quality of Image by Neural Network

verfasst von : Priyanka Birajdar, Bashirahamad Momin

Erschienen in: Intelligent Manufacturing and Energy Sustainability

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The proposed paper deals with image quality improvement. In many applications, images play noteworthy roles. In the application of pathology, satellite imaging better excellence of the image is very vital. In recent days, there are numerous methods that are used to increase the quality of the image. There are different noise removing algorithm are available such as homogeneous filter, Gaussian filter, median filter, and bilateral filter. Such kinds of algorithms improve the excellence of the image. The proposed work is done with the help of neural network architecture. The ideal is to work on seven-layer neural network architecture. The model is light weighted. The model gets analyzed by changing the parameters. The performance of image quality is evaluated through peak signal-to-noise ratio (PSNR), mean squared error (MSE), and structural similarity index (SSIM). It is noticed that the proposed model works well.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Literature Review of Lean Methodology and Research Issues for Identifying and Eliminating Waste in Software Development
Nächstes Kapitel Traffic Monitoring System in Smart Cities Using Image Processing
Literatur
1.
M. Bevilacqua, A. Roumy, C. Guillemot, M. Morel, Low-complexity single-image super-resolution based on nonnegative neighbor embedding, in British Machine Vision Conference (2012)
2.
H. Chang, D. Yeung, Y. Xiong, Super-resolution through neighbor embedding, in IEEE Conference on Computer Vision and Pattern Recognition (2004)
3.
Y. Yang, Z. Wang, Z. Lin, S. Cohen, T. Huang, Coupled dictionary training for image super-resolution. IEEE Trans. Image Process. 21(8), 3467–3478 (2012)MathSciNetCrossRef
4.
R. Timofte, V. Smet, L. Gool, Anchored neighborhood regression for fast example-based super-resolution, in IEEE International Conference on Computer Vision, pp. 1920–1927 (2013)
5.
K. He, X. Zhang, S. Ren, J. Sun, Spatial pyramid pooling in deep convolutional networks for visual recognition, in European Conference on Computer Vision, pp. 346–361 (2014)
6.
A. Krizhevsky, I. Sutskever, G. Hinton, ImageNet classification with deep convolutional neural networks, in Advances in Neural Information Processing Systems, pp. 1097–1105 (2012)
7.
W. Ouyang, P. Luo, X. Zeng, S. Qiu, Y. Tian, H. Li, S. Yang, Z. Wang, Y. Xiong, C. Qian, et al., Deepid-net: multi-stage and deformable deep convolutional neural networks for object detection (2014). arXiv preprint arXiv: 1409.3505
8.
C. Szegedy, S. Reed, D. Erhan, D. Anguelov, S. Ioffe, Scalable, high quality object detection (2014). arXiv preprint arXiv: 1412.1441
9.
Y. Sun, Y. Chen, X. Wang, X. Tang, Deep learning face representation by joint identification-verification, in Advances in Neural Information Processing Systems, pp. 1988–19 (2014)
10.
Y. Taigman, M. Yang, M. Ranzato, L. Wolf, DeepFace: closing the gap to human-level performance in face verification, in Proceedings of CVPR (2014)
11.
S. Chopra, R. Hadsell, Y. LeCun, Learning a similarity metric discriminatively, with application to face verification, in Proceedings of CVPR (2005)
12.
G. Huang, H. Lee, E. Learned-Miller, Learning hierarchical representations for face verification with convolutional deep belief networks, in Proceedings of CVPR (2012)
13.
Y. Sun, X. Wang, X. Tang, Hybrid deep learning for face verification, in Proceedings of ICCV (2013)
14.
Z. Zhu, P. Luo, X. Wang, X. Tang, Deep learning identity-preserving face space, in Proceedings of ICCV (2013)
15.
J. Hu, J. Lu, Y. Tan, Discriminative deep metric learning for face verification in the wild, in Proceedings of CVPR (2014)
16.
H. Burger, C. Schuler, S. Harmeling, Image denoising: can plain neural networks compete with BM3D?, in IEEE Conference on Computer Vision and Pattern Recognition, pp. 2392–2399, 2012
17.
C. Dong, C. Loy, K. He, X. Tang, Image super-resolution using deep convolutional networks. IEEE Trans. Pattern Anal. Mach. Intell. 38(2), 295–307 (2016)CrossRef
18.
J. Kim, J. Lee, K. Lee, Deeply-recursive convolutional network for image super-resolution, in IEEE Conference on Computer Vision and Pattern Recognition, pp. 1637–1645 (2016)
19.
N. Kumar, A. Sethi, Fast learning-based single image super resolution. IEEE Trans. Multimed. 18(8), 1504–1515 (2016)CrossRef
20.
J. Kim, J. Lee, K. Lee, Accurate image super-resolution using very deep convolutional networks, in IEEE Conference on Computer Vision and Pattern Recognition, pp. 1646–1654 (2016)
Metadaten
Titel
IQINN: Improve the Quality of Image by Neural Network
verfasst von
Priyanka Birajdar
Bashirahamad Momin
Copyright-Jahr
2021
Verlag
Springer Singapore
Buch
Intelligent Manufacturing and Energy Sustainability

Print ISBN: 978-981-334-442-6

Electronic ISBN: 978-981-334-443-3

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-981-33-4443-3_37

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise