【CN110020684A】一种基于残差卷积自编码网络的图像去噪方法【专利】

合集下载
  1. 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. 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. 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

相关文档
最新文档