CN108416755A - 一种基于深度学习的图像去噪方法及系统 - Google Patents

一种基于深度学习的图像去噪方法及系统 Download PDF

Info

Publication number
CN108416755A
CN108416755A CN201810227380.0A CN201810227380A CN108416755A CN 108416755 A CN108416755 A CN 108416755A CN 201810227380 A CN201810227380 A CN 201810227380A CN 108416755 A CN108416755 A CN 108416755A
Authority
CN
China
Prior art keywords
image
uproar
training
network structure
making
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810227380.0A
Other languages
English (en)
Other versions
CN108416755B (zh
Inventor
盖杉
鲍中运
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN201810227380.0A priority Critical patent/CN108416755B/zh
Publication of CN108416755A publication Critical patent/CN108416755A/zh
Application granted granted Critical
Publication of CN108416755B publication Critical patent/CN108416755B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Abstract

本发明公开一种基于深度学习的图像去噪方法及系统，方法先构建主神经网络结构和副神经网络结构，采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值；其次将训练集加噪图像加入赋值后的主神经网络结构，通过前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；根据噪声特征图像确定训练模型；然后将验证集加噪图像输入到训练模型中，输出最终训练去噪模型；最后将测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像，大大提高了去噪效率和去噪效果。

Description

一种基于深度学习的图像去噪方法及系统
技术领域
本发明涉及图像去噪技术领域，特别是涉及一种基于深度学习的图像去噪方法及系统。
背景技术
随着信息科学技术的快速发展，人们对目标检测、物体识别、图像检索等研究越来越多，然而对目标检测、物体识别、图像检索等很多应用都要求输入尽可能清晰的数字图像，而数字图像在采集和存储的过程中会因为各种原因被噪声所污染，因此图像去噪是一个十分重要的课题。
目前现有去噪方法包括：采用K-SVD字典训练算法进行去噪，采用TNRD非线性反应扩散算法进行去噪，采用中值滤波进行去噪，采用小波变换进行去噪以及采用BM3D块匹配稀疏三维变换域协作滤波算法进行去噪，其中，采用BM3D块匹配稀疏三维变换域协作滤波算法进行去噪作为当前最优去噪方法，在去噪效果上已经达到了很高的水平。而采用BM3D算法进行去噪是根据噪声图片内部的信息进行去噪，高斯噪声的标准差越大或者光照条件越差，图像的信噪比就越低，图像内部能够利用的有用信息就越少，受到的噪声干扰就越多，从理论上说去噪效果就会越差。当图像内部能够利用的信息变少时，借助外部信息进行去噪就成为了一个自然的想法，因此，学者提出了基于深度学习对于图像去噪方法。
目前基于深度学习的图像去噪方法虽然采用卷积神经网络算法借助图像外部信息解决了传统的去噪方法存因高斯噪声标准差较大、光照较暗的情况下采集的内部可利用的有用信息较少而产生的图像去噪效果差的问题，但此方法仍存在以下区别：1)、本论文在对于训练单一的神经网络模型进行不同标准差的高斯噪声图像去噪时，即使在Matlab(R2015b)环境下，在Intel(R)core(TM)i7-5820K CPU 3.30GHz的PC上和一个Nvidia TitanX GPU下也需要6个小时的训练学习才能得到本实验认为较为理想的训练模型，所以在效率上，需要耗费大量的时间。2)、本论文中的卷积神经网络算法，它的隐藏层使用的激活函数为目前很受欢迎的ReLU修正线性单元函数，虽然采用ReLU函数起到了稀疏激活作用，解决了神经网络训练过程中的梯度弥散问题，同时相比于sigmoid/tanh，ReLU只需要一个阈值就可以得到激活值，而不用去算一大堆复杂的运算，加快了计算速度，加速收敛。但是ReLU函数在神经网络训练的时候表现的很脆弱，很容易死亡，如：一个非常大的梯度流过一个ReLU神经元，更新过参数之后，这个神经元再也不会对任何数据有激活现象了。如果这个情况发生了，那么这个神经元的梯度就永远都会是0，在实际的操作中如果学习率设置的比较大，那么神经网络中40％的神经元都会死亡，使得负轴信息全部丢失，相对来说可利用的信息就会变少，容易受到噪声干扰就越多，进而去噪效果就会越差。
发明内容
本发明的目的是提供一种基于深度学习的图像去噪方法及系统，以提高图像去噪效率和去噪效果。
为实现上述目的，本发明提供一种基于深度学习的图像去噪方法，所述方法包括：
构建主神经网络结构和副神经网络结构；
确定主神经网络结构的训练集加噪图像、主神经网络结构的验证集加噪图像和主神经网络结构的测试集加噪图像；
根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；
采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值；
将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；
根据所述噪声特征图像确定训练模型；
将所述主神经网络结构的验证集加噪图像输入到训练模型中，采用前向传播算法确定图像峰值信噪比；
判断所述图像峰值信噪比是否小于设定图像峰值信噪比阈值；如果小于设定图像峰值信噪比阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；如果大于等于设定峰值信噪比阈值，则训练结束，输出最终训练去噪模型；
将所述主神经网络结构的测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像。
可选的，所述确定主神经网络结构的训练集加噪图像，具体包括：
从图像数据库中选取第一数量的图像；
对第一数量的图像进行图像增强处理，获得第一数量增强图像；
对第一数量增强图像依次进行随机裁剪、不同角度翻转、补光以及加入高斯噪声，获得第二数量的第一加噪图像；所述第一加噪图像的大小为100×100；
将第二数量的第一加噪图像作为主神经网络的训练集加噪图像。
可选的，所述确定主神经网络结构的验证集加噪图像，具体包括：
从图像数据库中选取第三数量的图像；
对第三数量的图像进行裁剪，获得第三数量的第一裁剪图像；
对第三数量的第一裁剪图像加入高斯噪声，获得第三数量的第二加噪图像；所述第二加噪图像的大小为100×100；
将第三数量的第二加噪图像作为主神经网络的验证集加噪图像。
可选的，所述确定主神经网络结构的测试集加噪图像，具体包括：
从图像数据库中选取第四数量的图像；
对第四数量的图像进行四周加中心裁剪，获得第四数量的第二裁剪图像；
对第四数量的第二裁剪图像加入高斯噪声，获得第四数量的第三加噪图像；所述第三加噪图像的大小为100×100；
将第四数量的第三加噪图像作为主神经网络的测试集加噪图像。
可选的，所述根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值，具体包括：
从图像数据库中选取第五数量的图像；
对第五数量的图像加入高斯噪声，获得第五数量的第四加噪图像；
将第五数量的第四加噪图像作为副神经网络结构的测试集加噪图像；
将副神经网络结构的测试集加噪图像加入副神经网络结构，采用随机梯度下降算法进行图像特征提取和训练，获得副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；所述可训练参数初始值包括部分权重初始值和偏置初始值。
可选的，所述根据所述噪声特征图像确定训练模型，具体包括：
根据所述噪声特征图像确定目标损失函数值，记录迭代次数；
判断所述目标损失函数值是否大于设定损失阈值；
如果所述目标损失函数值大于设定损失阈值，则判断迭代次数是否大于等于设定次数阈值；如果大于等于设定次数阈值，则停止训练，输出训练模型；如果小于设定次数阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；
如果所述目标损失函数值小于等于设定损失阈值，则停止训练，输出训练模型。
可选的，所述根据所述噪声特征图像确定目标损失函数值，具体公式为：
N为训练集加噪图片的样本数量，yi为训练集的加噪图片，Θ为主体神经网络结构中各层可训练参数初始值，R(yi；Θ)为主体神经网络结构输出的噪声特征图像，xi为图像数据库中原始干净的图片，||...||F为范数。
本发明还提供一种基于深度学习的图像去噪系统，所述系统包括：
构建模块，用于构建主神经网络结构和副神经网络结构；
加噪图像确定模块，用于确定主神经网络结构的训练集加噪图像、主神经网络结构的验证集加噪图像和主神经网络结构的测试集加噪图像；
可训练参数初始值确定模块，用于根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；
赋值模块，用于采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值；
噪声特征图像确定模块，用于将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；
训练模型确定模块，用于根据所述噪声特征图像确定训练模型；
图像峰值信噪比确定模块，用于将所述主神经网络结构的验证集加噪图像输入到训练模型中，采用前向传播算法确定图像峰值信噪比；
判断模块，用于判断所述图像峰值信噪比是否小于设定图像峰值信噪比阈值；如果小于设定图像峰值信噪比阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；如果大于等于设定峰值信噪比阈值，则训练结束，输出最终训练去噪模型；
测试模块，用于将所述主神经网络结构的测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像。
可选的，所述可训练参数初始值确定模块，具体包括：
选取单元，用于从图像数据库中选取第五数量的图像；
加噪单元，用于对第五数量的图像加入高斯噪声，获得第五数量的第四加噪图像；
测试集加噪图像确定单元，用于将第五数量的第四加噪图像作为副神经网络结构的测试集加噪图像；
可训练参数初始值确定单元，用于将副神经网络结构的测试集加噪图像加入副神经网络结构，采用随机梯度下降算法进行图像特征提取和训练，获得副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；所述可训练参数初始值包括部分权重初始值和偏置初始值。
可选的，所述训练模型确定模块，具体包括：
目标损失函数值确定单元，用于根据所述噪声特征图像确定目标损失函数值，记录迭代次数；
判断单元，用于判断所述目标损失函数值是否大于设定损失阈值；如果所述目标损失函数值大于设定损失阈值，则判断迭代次数是否大于等于设定次数阈值；如果大于等于设定次数阈值，则停止训练，输出训练模型；如果小于设定次数阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；如果所述目标损失函数值小于等于设定损失阈值，则停止训练，输出训练模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明先构建主神经网络结构和副神经网络结构，首先用副神经网络结构进行预训练获得副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值，然后采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值；这样能够大大提高去噪效率；
另外，本发明将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；根据所述噪声特征图像确定训练模型；然后将所述主神经网络结构的验证集加噪图像输入到训练模型中，输出最终训练去噪模型；最后将所述主神经网络结构的测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像，这样大大提高去噪效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于深度学习的图像去噪方法流程图；
图2为本发明实施例VGGNet16模型的结构图；
图3为本发明实施例主神经网络结构的结构图；
图4为本发明实施例主神经网络结构的结构图；
图5为本发明实施例四周加中心裁剪示意图；
图6为本发明实施基于深度学习的图像去噪系统结构图；
图7为本发明实施去噪效果图一；
图8为本发明实施去噪效果图二；
图9为本发明实施去噪效果对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于深度学习的图像去噪方法及系统，以提高图像去噪效率和去噪效果。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
深度学习：深度学习源于人工神经网络的研究，“深”指的是神经网络中隐藏层的数量，深度学习就是指通过神经网络提取组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
迁移学习：迁移学习是指一种学习对另一种学习的影响，在这里指的是把一个训练好的模型中的可训练参数迁移到其他相似模型中可用于参数初始化并在训练学习。
批量归一化：由于训练过程中深度网络内部节点分布的变化作为内部协变量转移，消除它可以提供一个更快的训练，批量归一化就是用来减少内部协变量转移的，它可以大大地加快深度神经网络的训练。
卷积神经网络：是一种前馈神经网络，卷积神经网络是受生物学上感受野(Receptive Field)的机制而提出的。感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质，人工神经元可以响应周围单元，可以用于大型图像处理。卷积神经网络包括卷积层和池化层。
卷积层：主要通过卷积的方法用于提取图像的局部特征。
卷积核：是一种算子即卷积时使用到的权矩阵，该矩阵与使用的图像区域大小相同，其行、列都是奇数
目标损失函数：衡量训练模型好坏的标准并且一般优先选择容易被优化函数为标准。
梯度下降优化学习算法：梯度下降是优化过程中最流行的方法之一并且广泛运用在优化神经网络的过程中，它是通过在目标函数的梯度方向相反的方向更新参数最小化目标函数的一种方法，它会沿着由目标函数生成的斜坡的斜率方向一路往下直到走到谷底。
图1为本发明实施例基于深度学习的图像去噪方法流程图，如图1所示，本发明提供一种基于深度学习的图像去噪方法，所述方法包括：
步骤11：构建主神经网络结构和副神经网络结构。
步骤12：确定主神经网络结构的训练集加噪图像、主神经网络结构的验证集加噪图像和主神经网络结构的测试集加噪图像。
步骤13：根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值。
步骤14：采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值。
步骤15：将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像。
步骤16：根据所述噪声特征图像确定训练模型；
步骤17：将所述主神经网络结构的验证集加噪图像输入到训练模型中，采用前向传播算法确定图像峰值信噪比。
步骤18：判断所述图像峰值信噪比是否小于设定图像峰值信噪比阈值。如果小于设定图像峰值信噪比阈值，则执行步骤15。如果大于等于设定峰值信噪比阈值，则训练结束，输出最终训练去噪模型。所述设定图像峰值信噪比阈值可根据实际需求进行设置。
步骤19：将所述主神经网络结构的测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像。
下面对各个步骤进行详细论述：
步骤11：构建主神经网络结构和副神经网络结构，具体包括以下步骤：
图2为本发明实施例VGGNet16模型的结构图，如图2所示，所述VGGNet16模型结构为大规模图像识别的非常深层的网络模型结构；所述VGGNet16模型具体包括：1个输入层、13个隐含层、3个全连接层和1个输出层，其中，13个隐含层中有5个隐含层包括卷基层和池化层，有8个隐含层仅包括卷基层。其中第一隐含层和第二隐含层均为64个卷积核，第三隐含层和第四隐含层均为128个卷积核，第五隐含层、第六隐含层、第七隐含层均为256个卷积核，第八隐含层、第九隐含层、第十隐含层均为512个卷积核，第十一隐含层、第十二隐含层、第十三隐含层均为512个卷积核。
步骤111：构建主神经网络结构，具体步骤包括：
步骤1111：去掉VGGNet16模型结构中用于分类的全连接层；
步骤1112：在VGGNet16模型结构中添加一个包括卷基层的隐含层；
步骤1113：将VGGNet16模型结构中的各隐含层中的池化层去除；
步骤1114：将第一个隐含层中的ReLU(修正线性单元)函数更改成Leakly ReLU(修正线性单元变体)函数、第二个隐含层到第十三个隐含层分别添加BN批量归一层和用LeaklyReLU(修正线性单元变体)函数代替ReLU(修正线性单元)函数。
具体主神经网络结构如图3所示，主神经网络结构依次包括1个输入层、14个隐含层和1个输出层；其中，输入层用于输入主神经网络结构的训练集加噪图像；输出层用于输出噪声特征图像；第一个隐含层包括Conv卷积层和Leakly ReLU修正线性单元变体函数，第二个隐含层到第十三个隐含层包括Conv卷基层、BN批量归一层和LeaklyReLU修正线性单元变体函数，第十四个隐含层仅包括Conv卷积层。
另外，整个卷积过程中输入层大小为cx3x3的64个卷积核，第2-15隐含层，每个隐含层为3x3x64的64个卷积核，最后输出层为64x3x3的c个卷积核，其中,如果输入图像为灰度图像则c＝1，若为色彩图像则c＝3。
步骤112：构建副神经网络结构，具体包括：
步骤1121：去掉用于分类的全连接层和9个隐含层；
步骤1122：去掉VGGNet16模型结构中的隐含层中的池化层；
步骤1123：将第一个隐含层到第四个隐含层添加LeaklyReLU(修正线性单元变体)函数代替ReLU(修正线性单元)。
具体副神经网络结构如图4所示，副神经网络结构依次包括1个输入层、5个隐含层和1个输出层；其中，输入层用于输入副神经网络结构的训练集加燥图像；输出层用于输出噪声特征图像；第一个隐含层到第四个隐含层包括Conv卷基层和LeaklyReLU修正线性单元变体函数，第五个隐含层仅包括Conv卷基层。
另外，整个卷积过程中输入层大小为cx3x3的64个卷积核，第2-15隐含层，每个隐含层为3x3x64的64个卷积核，最后输出层为64x3x3的c个卷积核，其中,如果输入图像为灰度图像则c＝1，若为色彩图像则c＝3。
Leakly ReLU修正线性单元变体函数的数学表达式为：f(x)＝max(0.01x,x)，其中，x为自变量
步骤12：确定主神经网络结构的训练集加噪图像、主神经网络结构的验证集加噪图像和主神经网络结构的测试集加噪图像，具体包括：
步骤121：确定主神经网络结构的训练集加噪图像，具体包括：
步骤1211：从图像数据库中选取第一数量的图像。
步骤1212：对第一数量的图像进行图像增强处理，获得第一数量增强图像。
步骤1213：对第一数量增强图像依次进行随机裁剪、不同角度翻转、补光以及加入高斯噪声，获得第二数量的第一加噪图像；所述第一加噪图像的大小为100x100。
本发明的多次实验中发现更大的图片块在去噪性能和效率上只能带来很小的改善，但在训练过程中神经网络需要更多的时间去训练、学习，因此本范明将第一加噪图像设置为100x100。
步骤1214：将第二数量的第一加噪图像作为主神经网络的训练集加噪图像。
步骤122：确定主神经网络结构的验证集加噪图像，具体包括：
步骤1221：从图像数据库中选取第三数量的图像。
步骤1222：对第三数量的图像进行裁剪，获得第三数量的第一裁剪图像。
步骤1223：对第三数量的第一裁剪图像加入高斯噪声，获得第三数量的第二加噪图像；所述第二加噪图像的大小为100×100。
本发明的多次实验中发现更大的图片块在去噪性能和效率上只能带来很小的改善，但在训练过程中神经网络需要更多的时间去训练、学习，因此本范明将第二加噪图像设置为100×100。
步骤1224：将第三数量的第二加噪图像作为主神经网络的验证集加噪图像。
步骤123：确定主神经网络结构的测试集加噪图像，具体包括：
步骤1231：从图像数据库中选取第四数量的图像。
步骤1232：对第四数量的图像进行四周加中心裁剪，获得第四数量的第二裁剪图像；所述四周加中心裁剪具体如图5所示。
步骤1233：对第四数量的第二裁剪图像加入高斯噪声，获得第四数量的第三加噪图像；所述第三加噪图像的大小为100×100。
本发明的多次实验中发现更大的图片块在去噪性能和效率上只能带来很小的改善，但在训练过程中神经网络需要更多的时间去训练、学习，因此本范明将第三加噪图像设置为100×100。
步骤1234：将第四数量的第三加噪图像作为主神经网络的测试集加噪图像。
步骤13：根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值，具体包括：
步骤131：从图像数据库中选取第五数量的图像。
步骤132：对第五数量的图像加入高斯噪声，获得第五数量的第四加噪图像。
步骤133：将第五数量的第四加噪图像作为副神经网络结构的测试集加噪图像。
步骤134：将副神经网络结构的测试集加噪图像加入副神经网络结构，采用随机梯度下降算法进行图像特征提取和训练，获得副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；所述可训练参数初始值包括部分权重初始值和偏置初始值。
步骤16：根据所述噪声特征图像确定训练模型，记录迭代次数，具体包括：
步骤161：根据所述噪声特征图像确定目标损失函数值；具体公式为：
N为训练集加噪图片的样本数量，yi为训练集的加噪图片，Θ为主体神经网络结构中各层可训练参数初始值，R(yi；Θ)为主体神经网络结构输出的噪声特征图像，xi为图像数据库中原始干净的图片，||...||F为范数。
步骤162：判断所述目标损失函数值是否大于设定损失阈值。
步骤163：如果所述目标损失函数值大于设定损失阈值，则判断迭代次数是否大于等于设定次数阈值；如果大于等于设定次数阈值，则停止训练，输出训练模型；如果小于设定次数阈值，则执行步骤15。所述设定次数阈值可根据实际需求进行设置。
步骤164：如果所述目标损失函数值小于等于设定损失阈值，则停止训练，输出训练模型。
本发明通过使用Leakly ReLU修正线性单元变体函数代替ReLU修正线性单元函数，Leakly ReLU修正线性单元变体函数主要是用来解决ReLU修正线性单元中存在的部分神经元死亡的缺点，既延用了ReLU修正线性单元函数的优点，同时也克服了其存在的不足之处，充分利用了图像可用信息，使得图像特征学习的更加高效充分，通过实验对比数据表明，此方法进一步的提高了去噪性能。
本发明将主神经网络中的隐含层和副神经网络中的隐含层设置为64个卷积核，相比于采用CGGNet16模型结构进行去噪，降低了计算量，减小计算内存。
本发明根据不同实验需求加入不同标准差的高斯噪声，以实现加入不同高斯噪声。
图6为本发明实施基于深度学习的图像去噪系统结构图；如图6所示，本发明还提供一种基于深度学习的图像去噪系统，所述系统包括：
构建模块61，用于构建主神经网络结构和副神经网络结构；
加噪图像确定模块62，用于确定主神经网络结构的训练集加噪图像、主神经网络结构的验证集加噪图像和主神经网络结构的测试集加噪图像；
可训练参数初始值确定模块63，用于根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；
赋值模块64，用于采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值；
噪声特征图像确定模块65，用于将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；
训练模型确定模块66，用于根据所述噪声特征图像确定训练模型；
图像峰值信噪比确定模块67，用于将所述主神经网络结构的验证集加噪图像输入到训练模型中，采用前向传播算法确定图像峰值信噪比；
判断模块68，用于判断所述图像峰值信噪比是否小于设定图像峰值信噪比阈值；如果小于设定图像峰值信噪比阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；如果大于等于设定峰值信噪比阈值，则训练结束，输出最终训练去噪模型；
测试模块69，用于将所述主神经网络结构的测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像。
下面对各个模块进行详细论述：
所述加噪图像确定模块62，具体包括：主神经网络结构的训练集加噪图像确定单元、主神经网络结构的验证集加噪图像确定单元和主神经网络结构的测试集加噪图像确定单元。
主神经网络结构的训练集加噪图像确定单元，具体包括：第一选取子单元、增强处理子单元、第一加噪子单元和第一确定子单元。
第一选取子单元，用于从图像数据库中选取第一数量的图像。
增强处理子单元，用于对第一数量的图像进行图像增强处理，获得第一数量增强图像。
第一加噪子单元，用于对第一数量增强图像依次进行随机裁剪、不同角度翻转、补光以及加入高斯噪声，获得第二数量的第一加噪图像；所述第一加噪图像的大小为100×100。
第一确定子单元，用于将第二数量的第一加噪图像作为主神经网络的训练集加噪图像。
主神经网络结构的验证集加噪图像确定单元，具体包括：第二选取子单元、第二裁剪子单元、第二加噪子单元和第二确定子单元。
第二选取子单元，用于从图像数据库中选取第三数量的图像。
第二裁剪子单元，用于对第三数量的图像进行裁剪，获得第三数量的第一裁剪图像。
第二加噪子单元，用于对第三数量的第一裁剪图像加入高斯噪声，获得第三数量的第二加噪图像；所述第二加噪图像的大小为100×100。
第二确定子单元，用于将第三数量的第二加噪图像作为主神经网络的验证集加噪图像。
主神经网络结构的测试集加噪图像确定单元，具体包括：第三选取子单元、第三裁剪子单元、第三加噪子单元和第三确定子单元。
第三选取子单元，用于从图像数据库中选取第四数量的图像。
第三裁剪子单元，用于对第四数量的图像进行四周加中心裁剪，获得第四数量的第二裁剪图像；所述四周加中心裁剪具体如图5所示。
第三加噪子单元，用于对第四数量的第二裁剪图像加入高斯噪声，获得第四数量的第三加噪图像；所述第三加噪图像的大小为100×100。
第三确定子单元，用于将第四数量的第三加噪图像作为主神经网络的测试集加噪图像。
所述可训练参数初始值确定模块63，具体包括：选取单元、加噪单元、测试集加噪图像确定单元、可训练参数初始值确定单元。
选取单元，用于从图像数据库中选取第五数量的图像。
加噪单元，用于对第五数量的图像加入高斯噪声，获得第五数量的第四加噪图像。
测试集加噪图像确定单元，用于将第五数量的第四加噪图像作为副神经网络结构的测试集加噪图像。
可训练参数初始值确定单元，用于将副神经网络结构的测试集加噪图像加入副神经网络结构，采用随机梯度下降算法进行图像特征提取和训练，获得副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；所述可训练参数初始值包括部分权重初始值和偏置初始值。
所述训练模型确定模块66，具体包括：目标损失函数值确定单元、判断单元。
目标损失函数值确定单元，用于根据所述噪声特征图像确定目标损失函数值，记录迭代次数；
判断单元，用于判断所述目标损失函数值是否大于设定损失阈值；如果所述目标损失函数值大于设定损失阈值，则判断迭代次数是否大于等于设定次数阈值；如果大于等于设定次数阈值，则停止训练，输出训练模型；如果小于设定次数阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；如果所述目标损失函数值小于等于设定损失阈值，则停止训练，输出训练模型。
具体举例：
本发明中用到的图像数据库采用深度卷积神经网络中的残差学习用于图像去噪这篇论文里面的数据集，a、对于训练集加噪图像，从图像数据库中选取原始的400张干净的图片；对选取的400张干净的图片进行数据增强处理获得400张增强图像；对400张增强图像进行随机裁剪、不同角度翻转、补光以及加入标准差为15的高斯噪声，最终实现加入高斯噪声的标准差为15的加噪图片各9万张，且每张图片块大小为100×100，把9万张图像作为本发明的训练集加噪图像，并且用于输入下文中的主体神经网络中进行主体神经网络模型的迭代训练和优化。b、对于验证集加噪图像，采用图像数据库中另外12张干净图像，同样裁剪成块状大小为100×100的图片，并分别加入标准差为15的高斯噪声，最终得到高斯噪声为15的验证集加噪图片各12张，并且把得到的验证集加噪图片加入训练模型中进行性能测试，并且用图像峰值信噪比来衡量测试结果和对模型的评估；c、对于测试集加噪图像，采用图片数据库中的另外的68张干净图片，但在裁剪过程中使用的方法是采用四周加中心裁剪，同样裁剪成图片块大小为100×100并分别加入标准差为15的高斯噪声，最终得到高斯噪声标准差为15的加噪图片各68张作为测试集加噪图片，并且用于通过对主体神经网络进行迭代训练达到实验预期的理想的去噪模型的性能进行测试和评估，在测试和评估时仍然用图片的峰值信噪比参量进行衡量。
在设置副神经网络结构进行主体神经网络部分权重值和偏置值初始化时：
1)首先在上文同一数据库中选取另外50张干净图片，然后对干净图片进行加入高斯噪声标准差为15的高斯噪声，最终得到高斯噪声标准差为15的高斯噪声图片各50张并且作为副神经网络输入的训练集加噪图像。
2)将得到的第四加噪图像输入到副神经网络结构中进行加噪图像的特征提取、训练和学习，采用随机梯度下降算法训练后得到各层的可训练参数初始值。
3)最后从各层的可训练参数初始值中选取副神经网络结构中的第一个卷积层的卷积核参数和第五个卷积层的卷积核参数分别用于主体神经网络中的第一个卷积层和第十五个卷积层的卷积核的初始值。
另外，将主神经网络结构中的重衰减率设置为0.0001，冲量设置为0.9，mini-batch设置成128的随机梯度下降算法进行可训练参数的反向更新优化，设置迭代次数阈值为50轮，在训练过程中该学习率成指数衰减，从1e-1到1e-4。
本发明所涉及的技术实验均在在Matlab(R2015b)环境下，在Intel(R)core(TM)i7-5820K CPU 3.30GHz的PC上和一个Nvidia Titan X GPU下完成。通过测试集加噪图像对最终训练去噪模型的去噪性能进行测试，测试结果如图7和图8所示，图7中的(a)和图8中的(a)分别为原始图像；图7中的(b)和图8中的(b)分别为测试集加噪图像；图7中的(c)和图8中的(c)分别为去噪图像；显然采用本发明中的方法能够提高去噪效果。
另外，本发明通过平均峰值信噪比对本发明的最终的去噪效果进行衡量并与传统方法和DnCNN的去噪效果进行对比如表1所示：
表1为平均峰值信噪比对比表(单位：dB)
Method BM3D WNNM EPLL MLP TNRD DnCNN 本发明方法
σ＝15 31.07 31.17 31.21 --- 31.42 31.73 32.01
σ＝25 28.57 28.83 28.68 28.96 28.92 29.23 30.12
σ＝30 25.62 25.87 25.67 26.03 25.97 26.23 27.46
BM3D为块匹配稀疏三维变换域协作滤波的方法,，WNNM为加权核规范化用于图像去噪的方法，EPLL为从学习自然图像块的模型到整个图形重构的方法，MLP为多层感知机的方法，CSF为层叠收缩场的方法，TNRD为可训练的非线性反应扩散的方法。
从上表可知，加入不同标准差的高斯噪声时，采用本发明方法获得的平均峰值信噪比均较高，所以采用本发明方法在去噪性能上的确优于目前几个比较先进的传统的去噪方法和最新发明中表现最好的DnCNND的去噪方法。同时本发明方法在与DnCNN同等条件下，训练相同的训练数据集时，比DnCNN节省了1.5个小时左右的训练收敛时间，提高了去噪效率。
图9为本发明实施例去噪效果对比图，如图9所示，其中图(a)为加入标准差为15的加噪图像；图(b)为采用DnCNN方法进行去噪后的图像；图(c)为采用本发明方法进行去噪后的图像，显然采用本发明方法进行去噪能够有效提高去噪效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于深度学习的图像去噪方法，其特征在于，所述方法包括：
构建主神经网络结构和副神经网络结构；
确定主神经网络结构的训练集加噪图像、主神经网络结构的验证集加噪图像和主神经网络结构的测试集加噪图像；
根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；
采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值；
将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；
根据所述噪声特征图像确定训练模型；
将所述主神经网络结构的验证集加噪图像输入到训练模型中，采用前向传播算法确定图像峰值信噪比；
判断所述图像峰值信噪比是否小于设定图像峰值信噪比阈值；如果小于设定图像峰值信噪比阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；如果大于等于设定峰值信噪比阈值，则训练结束，输出最终训练去噪模型；
将所述主神经网络结构的测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像。
2.根据权利要求1所述的基于深度学习的图像去噪方法，其特征在于，所述确定主神经网络结构的训练集加噪图像，具体包括：
从图像数据库中选取第一数量的图像；
对第一数量的图像进行图像增强处理，获得第一数量增强图像；
对第一数量增强图像依次进行随机裁剪、不同角度翻转、补光以及加入高斯噪声，获得第二数量的第一加噪图像；所述第一加噪图像的大小为100×100；
将第二数量的第一加噪图像作为主神经网络的训练集加噪图像。
3.根据权利要求1所述的基于深度学习的图像去噪方法，其特征在于，所述确定主神经网络结构的验证集加噪图像，具体包括：
从图像数据库中选取第三数量的图像；
对第三数量的图像进行裁剪，获得第三数量的第一裁剪图像；
对第三数量的第一裁剪图像加入高斯噪声，获得第三数量的第二加噪图像；所述第二加噪图像的大小为100×100；
将第三数量的第二加噪图像作为主神经网络的验证集加噪图像。
4.根据权利要求1所述的基于深度学习的图像去噪方法，其特征在于，所述确定主神经网络结构的测试集加噪图像，具体包括：
从图像数据库中选取第四数量的图像；
对第四数量的图像进行四周加中心裁剪，获得第四数量的第二裁剪图像；
对第四数量的第二裁剪图像加入高斯噪声，获得第四数量的第三加噪图像；所述第三加噪图像的大小为100×100；
将第四数量的第三加噪图像作为主神经网络的测试集加噪图像。
5.根据权利要求1所述的基于深度学习的图像去噪方法，其特征在于，所述根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值，具体包括：
从图像数据库中选取第五数量的图像；
对第五数量的图像加入高斯噪声，获得第五数量的第四加噪图像；
将第五数量的第四加噪图像作为副神经网络结构的测试集加噪图像；
将副神经网络结构的测试集加噪图像加入副神经网络结构，采用随机梯度下降算法进行图像特征提取和训练，获得副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；所述可训练参数初始值包括部分权重初始值和偏置初始值。
6.根据权利要求1所述的基于深度学习的图像去噪方法，其特征在于，所述根据所述噪声特征图像确定训练模型，具体包括：
根据所述噪声特征图像确定目标损失函数值，记录迭代次数；
判断所述目标损失函数值是否大于设定损失阈值；
如果所述目标损失函数值大于设定损失阈值，则判断迭代次数是否大于等于设定次数阈值；如果大于等于设定次数阈值，则停止训练，输出训练模型；如果小于设定次数阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；
如果所述目标损失函数值小于等于设定损失阈值，则停止训练，输出训练模型。
7.根据权利要求6所述的基于深度学习的图像去噪方法，其特征在于，所述根据所述噪声特征图像确定目标损失函数值，具体公式为：
N为训练集加噪图片的样本数量，yi为训练集的加噪图片，Θ为主体神经网络结构中各层可训练参数，R(yi；Θ)为主体神经网络结构输出的噪声特征图像，xi为图像数据库中原始干净的图片，||...||F为范数。
8.一种基于深度学习的图像去噪系统，其特征在于，所述系统包括：
构建模块，用于构建主神经网络结构和副神经网络结构；
加噪图像确定模块，用于确定主神经网络结构的训练集加噪图像、主神经网络结构的验证集加噪图像和主神经网络结构的测试集加噪图像；
可训练参数初始值确定模块，用于根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；
赋值模块，用于采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值；
噪声特征图像确定模块，用于将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；
训练模型确定模块，用于根据所述噪声特征图像确定训练模型；
图像峰值信噪比确定模块，用于将所述主神经网络结构的验证集加噪图像输入到训练模型中，采用前向传播算法确定图像峰值信噪比；
判断模块，用于判断所述图像峰值信噪比是否小于设定图像峰值信噪比阈值；如果小于设定图像峰值信噪比阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；如果大于等于设定峰值信噪比阈值，则训练结束，输出最终训练去噪模型；
测试模块，用于将所述主神经网络结构的测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像。
9.根据权利要求8所述的基于深度学习的图像去噪系统，其特征在于，所述可训练参数初始值确定模块，具体包括：
选取单元，用于从图像数据库中选取第五数量的图像；
加噪单元，用于对第五数量的图像加入高斯噪声，获得第五数量的第四加噪图像；
测试集加噪图像确定单元，用于将第五数量的第四加噪图像作为副神经网络结构的测试集加噪图像；
可训练参数初始值确定单元，用于将副神经网络结构的测试集加噪图像加入副神经网络结构，采用随机梯度下降算法进行图像特征提取和训练，获得副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；所述可训练参数初始值包括部分权重初始值和偏置初始值。
10.根据权利要求8所述的基于深度学习的图像去噪系统，其特征在于，所述训练模型确定模块，具体包括：
目标损失函数值确定单元，用于根据所述噪声特征图像确定目标损失函数值，记录迭代次数；
判断单元，用于判断所述目标损失函数值是否大于设定损失阈值；如果所述目标损失函数值大于设定损失阈值，则判断迭代次数是否大于等于设定次数阈值；如果大于等于设定次数阈值，则停止训练，输出训练模型；如果小于设定次数阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；如果所述目标损失函数值小于等于设定损失阈值，则停止训练，输出训练模型。
CN201810227380.0A 2018-03-20 2018-03-20 一种基于深度学习的图像去噪方法及系统 Expired - Fee Related CN108416755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810227380.0A CN108416755B (zh) 2018-03-20 2018-03-20 一种基于深度学习的图像去噪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810227380.0A CN108416755B (zh) 2018-03-20 2018-03-20 一种基于深度学习的图像去噪方法及系统

Publications (2)

Publication Number Publication Date
CN108416755A true CN108416755A (zh) 2018-08-17
CN108416755B CN108416755B (zh) 2020-06-30

Family

ID=63132929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810227380.0A Expired - Fee Related CN108416755B (zh) 2018-03-20 2018-03-20 一种基于深度学习的图像去噪方法及系统

Country Status (1)

Country Link
CN (1) CN108416755B (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108897045A (zh) * 2018-08-28 2018-11-27 中国石油天然气股份有限公司 深度学习模型训练方法和地震数据去噪方法、装置及设备
CN109635795A (zh) * 2018-10-22 2019-04-16 小黄狗环保科技有限公司 一种基于vgg16网络模型提高瓶罐识别率的智能补光方法
CN109658348A (zh) * 2018-11-16 2019-04-19 天津大学 基于深度学习的联合噪声估计和图像去噪方法
CN109784479A (zh) * 2019-01-16 2019-05-21 上海西井信息科技有限公司 基于神经网络的闸杆防砸方法、系统、设备及存储介质
CN110111266A (zh) * 2019-04-08 2019-08-09 西安交通大学 一种基于深度学习去噪的近似信息传递算法改进方法
CN110211069A (zh) * 2019-06-03 2019-09-06 广东工业大学 一种图像去噪模型及训练方法、系统、设备、计算机介质
CN110363139A (zh) * 2019-07-15 2019-10-22 上海点积实业有限公司 一种数字信号处理方法和系统
CN110415217A (zh) * 2019-07-03 2019-11-05 东华大学 基于子集导引与变异系数的图像集增强优选方法
CN110443868A (zh) * 2019-08-02 2019-11-12 上海联影医疗科技有限公司 Pet图像获取方法、装置、计算机设备和存储介质
CN110648292A (zh) * 2019-09-11 2020-01-03 昆明理工大学 一种基于深度卷积网络的高噪声图像去噪方法
CN110659694A (zh) * 2019-09-27 2020-01-07 华中农业大学 一种基于机器学习的柑橘果蒂的检测方法
CN110738605A (zh) * 2019-08-30 2020-01-31 山东大学 基于迁移学习的图像去噪方法、系统、设备及介质
CN110858391A (zh) * 2018-08-23 2020-03-03 通用电气公司 患者专用的深度学习图像降噪方法和系统
CN110990658A (zh) * 2019-11-15 2020-04-10 西安交通大学 一种输电线路图像处理算法在嵌入式系统上实现的方法
CN111176925A (zh) * 2019-12-24 2020-05-19 北京安兔兔科技有限公司 设备性能测试方法、装置及电子设备
CN111223162A (zh) * 2020-01-06 2020-06-02 华北电力大学（保定） 一种用于重建epat图像的深度学习方法及系统
CN111223564A (zh) * 2020-01-14 2020-06-02 浙江大学 一种基于卷积神经网络的噪声性听力损失预测系统
CN111709911A (zh) * 2020-05-18 2020-09-25 杭州电子科技大学 一种基于神经网络的卵巢卵泡自动计数的方法
CN111784645A (zh) * 2020-06-15 2020-10-16 北京科技大学 一种充填管道裂纹检测方法
CN111861912A (zh) * 2020-06-30 2020-10-30 湖南傲英创视信息科技有限公司 一种线列周扫立体全景图像去噪方法、系统及存储介质
CN112508804A (zh) * 2020-11-19 2021-03-16 中国石油大学(华东) 基于图像加噪和去噪的海洋涡旋图像自动增强系统、计算机设备、存储介质
CN112598593A (zh) * 2020-12-25 2021-04-02 吉林大学 基于非均衡深度期望块对数似然网络的地震噪声压制方法
CN113001559A (zh) * 2021-02-24 2021-06-22 汕头大学 一种带压堵漏机器人自主漏点定位方法
CN113344825A (zh) * 2021-07-02 2021-09-03 南昌航空大学 一种图像去雨方法及系统
CN113808047A (zh) * 2021-09-22 2021-12-17 武汉商学院 一种人体运动捕捉数据去噪方法
CN116310356A (zh) * 2023-03-23 2023-06-23 昆仑芯(北京)科技有限公司 深度学习模型的训练方法、目标检测方法、装置及设备
WO2023231954A1 (zh) * 2022-06-02 2023-12-07 华为技术有限公司 一种数据的去噪方法以及相关设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070031237A1 (en) * 2005-07-29 2007-02-08 General Electric Company Method and apparatus for producing wind energy with reduced wind turbine noise
CN105844331A (zh) * 2015-01-15 2016-08-10 富士通株式会社 神经网络系统及该神经网络系统的训练方法
CN106204468A (zh) * 2016-06-27 2016-12-07 深圳市未来媒体技术研究院 一种基于ReLU卷积神经网络的图像去噪方法
CN106408522A (zh) * 2016-06-27 2017-02-15 深圳市未来媒体技术研究院 一种基于卷积对神经网络的图像去噪方法
CN106709875A (zh) * 2016-12-30 2017-05-24 北京工业大学 一种基于联合深度网络的压缩低分辨率图像复原方法
US20170286803A1 (en) * 2016-03-29 2017-10-05 Wipro Limited System and method for optical character recognition
CN107644401A (zh) * 2017-08-11 2018-01-30 西安电子科技大学 基于深度神经网络的乘性噪声去除方法
JP2018022473A (ja) * 2016-07-21 2018-02-08 パナソニックＩｐマネジメント株式会社 学習装置、識別装置、学習識別システム、及び、プログラム
CN107689034A (zh) * 2017-08-16 2018-02-13 清华-伯克利深圳学院筹备办公室 一种神经网络的训练方法、去噪方法及装置
CN107730497A (zh) * 2017-10-27 2018-02-23 哈尔滨工业大学 一种基于深度迁移学习的血管内斑块属性分析方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070031237A1 (en) * 2005-07-29 2007-02-08 General Electric Company Method and apparatus for producing wind energy with reduced wind turbine noise
CN105844331A (zh) * 2015-01-15 2016-08-10 富士通株式会社 神经网络系统及该神经网络系统的训练方法
US20170286803A1 (en) * 2016-03-29 2017-10-05 Wipro Limited System and method for optical character recognition
CN106204468A (zh) * 2016-06-27 2016-12-07 深圳市未来媒体技术研究院 一种基于ReLU卷积神经网络的图像去噪方法
CN106408522A (zh) * 2016-06-27 2017-02-15 深圳市未来媒体技术研究院 一种基于卷积对神经网络的图像去噪方法
JP2018022473A (ja) * 2016-07-21 2018-02-08 パナソニックＩｐマネジメント株式会社 学習装置、識別装置、学習識別システム、及び、プログラム
CN106709875A (zh) * 2016-12-30 2017-05-24 北京工业大学 一种基于联合深度网络的压缩低分辨率图像复原方法
CN107644401A (zh) * 2017-08-11 2018-01-30 西安电子科技大学 基于深度神经网络的乘性噪声去除方法
CN107689034A (zh) * 2017-08-16 2018-02-13 清华-伯克利深圳学院筹备办公室 一种神经网络的训练方法、去噪方法及装置
CN107730497A (zh) * 2017-10-27 2018-02-23 哈尔滨工业大学 一种基于深度迁移学习的血管内斑块属性分析方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JAIN V ET AL: "Natural image denoising with convolutional", 《PROCEEDINGS OF INTERNATIONAL CONFERENCE》 *
WEIYUE WANG ET AL.: "Self-paced cross-modality tranfer learning for efficient road segmentation", 《IEEE》 *
ZHANG ET AL.: "Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
吴洋威: "基于深度学习的图像去噪算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
周彧聪 等: "互补学习：一种面向图像应用和噪声标注的深度神经网络训练方法", 《计算机研究与发展》 *

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858391B (zh) * 2018-08-23 2023-10-10 通用电气公司 患者专用的深度学习图像降噪方法和系统
CN110858391A (zh) * 2018-08-23 2020-03-03 通用电气公司 患者专用的深度学习图像降噪方法和系统
CN108897045A (zh) * 2018-08-28 2018-11-27 中国石油天然气股份有限公司 深度学习模型训练方法和地震数据去噪方法、装置及设备
CN109635795A (zh) * 2018-10-22 2019-04-16 小黄狗环保科技有限公司 一种基于vgg16网络模型提高瓶罐识别率的智能补光方法
CN109658348A (zh) * 2018-11-16 2019-04-19 天津大学 基于深度学习的联合噪声估计和图像去噪方法
CN109784479A (zh) * 2019-01-16 2019-05-21 上海西井信息科技有限公司 基于神经网络的闸杆防砸方法、系统、设备及存储介质
CN110111266A (zh) * 2019-04-08 2019-08-09 西安交通大学 一种基于深度学习去噪的近似信息传递算法改进方法
CN110111266B (zh) * 2019-04-08 2021-07-13 西安交通大学 一种基于深度学习去噪的近似信息传递算法改进方法
CN110211069A (zh) * 2019-06-03 2019-09-06 广东工业大学 一种图像去噪模型及训练方法、系统、设备、计算机介质
CN110415217A (zh) * 2019-07-03 2019-11-05 东华大学 基于子集导引与变异系数的图像集增强优选方法
CN110363139A (zh) * 2019-07-15 2019-10-22 上海点积实业有限公司 一种数字信号处理方法和系统
CN110363139B (zh) * 2019-07-15 2020-09-18 上海点积实业有限公司 一种数字信号处理方法和系统
CN110443868A (zh) * 2019-08-02 2019-11-12 上海联影医疗科技有限公司 Pet图像获取方法、装置、计算机设备和存储介质
CN110443868B (zh) * 2019-08-02 2023-09-26 上海联影医疗科技股份有限公司 Pet图像获取方法、装置、计算机设备和存储介质
CN110738605A (zh) * 2019-08-30 2020-01-31 山东大学 基于迁移学习的图像去噪方法、系统、设备及介质
CN110738605B (zh) * 2019-08-30 2023-04-28 山东大学 基于迁移学习的图像去噪方法、系统、设备及介质
CN110648292A (zh) * 2019-09-11 2020-01-03 昆明理工大学 一种基于深度卷积网络的高噪声图像去噪方法
CN110648292B (zh) * 2019-09-11 2022-06-21 昆明理工大学 一种基于深度卷积网络的高噪声图像去噪方法
CN110659694B (zh) * 2019-09-27 2022-10-11 华中农业大学 一种基于机器学习的柑橘果蒂的检测方法
CN110659694A (zh) * 2019-09-27 2020-01-07 华中农业大学 一种基于机器学习的柑橘果蒂的检测方法
CN110990658A (zh) * 2019-11-15 2020-04-10 西安交通大学 一种输电线路图像处理算法在嵌入式系统上实现的方法
CN111176925B (zh) * 2019-12-24 2024-04-09 北京安兔兔科技有限公司 设备性能测试方法、装置及电子设备
CN111176925A (zh) * 2019-12-24 2020-05-19 北京安兔兔科技有限公司 设备性能测试方法、装置及电子设备
CN111223162B (zh) * 2020-01-06 2023-06-23 华北电力大学（保定） 一种用于重建epat图像的深度学习方法及系统
CN111223162A (zh) * 2020-01-06 2020-06-02 华北电力大学（保定） 一种用于重建epat图像的深度学习方法及系统
CN111223564A (zh) * 2020-01-14 2020-06-02 浙江大学 一种基于卷积神经网络的噪声性听力损失预测系统
CN111709911A (zh) * 2020-05-18 2020-09-25 杭州电子科技大学 一种基于神经网络的卵巢卵泡自动计数的方法
CN111709911B (zh) * 2020-05-18 2023-05-05 杭州电子科技大学 一种基于神经网络的卵巢卵泡自动计数的方法
CN111784645B (zh) * 2020-06-15 2023-08-22 北京科技大学 一种充填管道裂纹检测方法
CN111784645A (zh) * 2020-06-15 2020-10-16 北京科技大学 一种充填管道裂纹检测方法
CN111861912A (zh) * 2020-06-30 2020-10-30 湖南傲英创视信息科技有限公司 一种线列周扫立体全景图像去噪方法、系统及存储介质
CN112508804A (zh) * 2020-11-19 2021-03-16 中国石油大学(华东) 基于图像加噪和去噪的海洋涡旋图像自动增强系统、计算机设备、存储介质
CN112598593B (zh) * 2020-12-25 2022-05-27 吉林大学 基于非均衡深度期望块对数似然网络的地震噪声压制方法
CN112598593A (zh) * 2020-12-25 2021-04-02 吉林大学 基于非均衡深度期望块对数似然网络的地震噪声压制方法
CN113001559A (zh) * 2021-02-24 2021-06-22 汕头大学 一种带压堵漏机器人自主漏点定位方法
CN113344825B (zh) * 2021-07-02 2022-04-26 南昌航空大学 一种图像去雨方法及系统
CN113344825A (zh) * 2021-07-02 2021-09-03 南昌航空大学 一种图像去雨方法及系统
CN113808047B (zh) * 2021-09-22 2023-10-03 武汉商学院 一种人体运动捕捉数据去噪方法
CN113808047A (zh) * 2021-09-22 2021-12-17 武汉商学院 一种人体运动捕捉数据去噪方法
WO2023231954A1 (zh) * 2022-06-02 2023-12-07 华为技术有限公司 一种数据的去噪方法以及相关设备
CN116310356A (zh) * 2023-03-23 2023-06-23 昆仑芯(北京)科技有限公司 深度学习模型的训练方法、目标检测方法、装置及设备
CN116310356B (zh) * 2023-03-23 2024-03-29 昆仑芯(北京)科技有限公司 深度学习模型的训练方法、目标检测方法、装置及设备

Also Published As

Publication number Publication date
CN108416755B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN108416755A (zh) 一种基于深度学习的图像去噪方法及系统
CN106204467A (zh) 一种基于级联残差神经网络的图像去噪方法
CN106204468A (zh) 一种基于ReLU卷积神经网络的图像去噪方法
CN110443364A (zh) 一种深度神经网络多任务超参数优化方法及装置
CN111369563A (zh) 一种基于金字塔空洞卷积网络的语义分割方法
CN108765319A (zh) 一种基于生成对抗网络的图像去噪方法
CN109190684A (zh) 基于素描及结构生成对抗网络的sar图像样本生成方法
CN109584337A (zh) 一种基于条件胶囊生成对抗网络的图像生成方法
CN106447626A (zh) 一种基于深度学习的模糊核尺寸估计方法与系统
CN106228512A (zh) 基于学习率自适应的卷积神经网络图像超分辨率重建方法
CN111681178B (zh) 一种基于知识蒸馏的图像去雾方法
CN107563510A (zh) 一种基于深度卷积神经网络的wgan模型方法
CN106408522A (zh) 一种基于卷积对神经网络的图像去噪方法
CN106845529A (zh) 基于多视野卷积神经网络的影像特征识别方法
CN107609638A (zh) 一种基于线性解码器和插值采样优化卷积神经网络的方法
CN109035142A (zh) 一种对抗网络结合航拍图像先验的卫星图像超分辨方法
CN109598342B (zh) 一种决策网络模型自博弈训练方法及系统
CN107316004A (zh) 基于深度学习的空间目标识别方法
CN106339753A (zh) 一种有效提升卷积神经网络稳健性的方法
CN107784628A (zh) 一种基于重建优化和深度神经网络的超分辨率实现方法
CN108734675A (zh) 基于混合稀疏先验模型的图像复原方法
CN111723701A (zh) 一种水中目标识别方法
CN106980830A (zh) 一种基于深度卷积网络自亲缘关系识别方法与装置
CN112184547B (zh) 红外图像的超分辨率方法及计算机可读存储介质
CN111127490A (zh) 一种基于循环残差U-Net网络的医学图像分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200630

CF01 Termination of patent right due to non-payment of annual fee