【CN110020684A】一种基于残差卷积自编码网络的图像去噪方法【专利】
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910276255.3
(22)申请日 2019.04.08
(71)申请人 西南石油大学
地址 610500 四川省成都市新都区新都大
道8号
(72)发明人 罗仁泽 王瑞杰 张可 李阳阳
马磊 袁杉杉 吕沁
(51)Int.Cl.
G06K 9/62(2006.01)
G06N 3/04(2006.01)
G06T 5/00(2006.01)
(54)发明名称
一种基于残差卷积自编码网络的图像去噪
方法
(57)摘要
本发明公开了一种基于残差卷积自编码网
络的图像去噪方法,为了克服传统浅层线性结构
特征提取能力有限,现有基于深度学习的图像去
噪模型存在泛化能力弱等问题。以残差块、批归
一化层和自编码器组成的残差卷积自编码块为
基本去噪网络结构,提出了多功能去噪残差卷积
自编码神经网络。本发明公开的图像去噪方法,
在保持较高去噪质量和去噪精度的同时,不仅拥
有盲去噪能力,还能去除与训练集类型不相同的
噪声。权利要求书2页 说明书5页 附图2页CN 110020684 A 2019.07.16
C N 110020684
A
1.一种基于残差卷积自编码网络的图像去噪方法,其特征在于包括如下步骤:
步骤1、将预处理后的原图和对应含噪声的图像作为训练集和测试集,具体步骤如下:
(1)将m*m像素的三通道原图预处理为单通道灰度图像,并对图像进行切割;
(2)将预处理切割后的灰度图像加入相应噪声;
(3)将原图的灰度图像及其对应的加噪图像作为一组数据,以原图像的灰度图像作为标签,制作训练集和测试集;
步骤2、构建残差卷积自编码块,主结构由n+2层卷积层组成,恒等映射部分由卷积自编码结构组成,残差卷积自编码块输出为:
x n+2=f(x)+x cae
x cae 为输入x经过卷积自编码器提取的潜在特征,f(x)为输入x经过n+2层卷积层输出的结果,n为大于1的正整数,其中,主结构第1层卷积核大小为1*1,激活函数为Swish;第2到第n+1层结构相同,均添加批归一化层,卷积核大小为3*3,激活函数为Relu;第n+2层卷积核大小为1*1,激活函数为Swish;
其中Relu激活函数为:
Swish激活函数为:
式中β为x的缩放参数,β>0;
步骤3、网络结构主要由步骤2提出的残差卷积自编码块组成,网络共(n+2)*a+8层,a为大于2的正整数,第一层是一个用来降维的卷积层,中间层由残差卷积自编码块和残差卷积块组成,最后一层为一个全连接层;
步骤4、将步骤1预处理后的训练集,通过列队输入到步骤3搭建的网络模型中,采用误差反向传播,并以均方误差损失函数来衡量真实值与预测值的距离,通过数据集的每次迭代,使用梯度下降来调整神经元之间的权重以降低代价函数,进而优化网络,并以定量的峰值信噪比和定性的视觉感受判断网络去噪效果,初次保存网络模型的各个参数;
均方误差损失函数为:
式中,y i 为通过列队读入的标签数据,z i 为输出去噪后的数据,均方误差越小代表去噪后的数据与标签数据越接近,网络准确率越高;
峰值信噪比公式为:
其中M MSE 是原图和处理图像之间的均方误差,PSNR数值越大表示失真越小;
步骤5、将步骤1预处理后的测试集,输入到步骤4优化训练好的网络模型中,并通过定
权 利 要 求 书1/2页2CN 110020684 A