CN109859141B - 一种深立井井壁图像去噪方法 - Google Patents

Abstract

本发明公开一种深立井井壁图像去噪方法，包括五步：步骤一，构建去噪模型；步骤二，设计损失函数；步骤三，用标准图像训练去噪模型，得到模型参数；步骤四，用实际图像训练、测试去噪模型，修正模型参数，得到ELU‑CNN去噪模型；步骤五，将含噪的井壁图像输入ELU‑CNN去噪模型，得到去噪结果。去噪模型深28层，包含5个特征提取模块FEM和跳跃链接，跳跃链接将第一卷积层的输出特征与每一个FEM的输出特征串联融合，使第一层提取的低级特征不断得到利用，保证图像特征的充分提取。本发明在去除井壁图像盲噪声时，能很好的保留井壁破损处的纹理特征。

Description

一种深立井井壁图像去噪方法

技术领域

本发明涉及图像去噪领域，尤其涉及一种深立井井壁图像去噪方法。

背景技术

我国约有2.95万亿吨煤炭资源深埋在1000m以下，占煤炭资源总量的53％。随着社会经济的不断发展，我国在21世纪的煤炭开采中有大批矿井转入深部开采。深井的高温高湿环境加上盐碱水的侵蚀，井筒井壁砼会被慢慢的腐蚀。井壁承受的井筒周围岩浆、泥浆膨胀引起的环压会引起井壁上出现炸裂、鼓包等破损。必须及时检测、修复破损，才能有效保证井筒安全，防止井壁破裂的发生。

图像是人类获取、表达和传递信息的重要手段，人类获取的外界信息中，约75％来自视觉。图像含有丰富的信息，已经成为人类获取知识和数据的重要来源，井壁图像能很好的传递井壁上出现的缺陷信息。图像在采集、形成与传输的过程中，会引入噪声导致图像质量的下降。深井环境复杂，必然导致获取的井壁图像中含有噪声，要想利用井壁图像实现缺陷的分类、预测，必须先去噪。本发明结合井壁图像特点利用卷积神经网络提出一种去噪模型。

利用图像处理检测井壁缺陷的研究较少，没有查阅到专门针对井壁图像去噪的方法。但是图像去噪的思路相通，目的一致，只是不同应用领域的图像具备不同特征。好的去噪方法应该具有通用性，可以处理不同背景/不同类型的含噪图像。现有文献中的去噪方法多利用标准图像测试去噪效果，实际图像中含有的噪声并不单一，难以评估噪声水平和类型，其去噪的难度远高于去除标准图像上加入的已知噪声。因此，结合实际应用设计出具有普适性的去噪方法才是研究的根本。

为了解决传统去噪方法存在的问题，卷积神经网络被用于图像去噪。专利“一种基于深度残差网络的真实图像盲去噪”(专利号：201810556645.1)，公开了一种图像去噪残差卷积神经网络，结合残差学习和批归一化策略训练神经网络并对图像测试集去噪的方法。专利“一种基于神经网络的图像去噪方法和系统”(专利号：201810063893.2)，公开了一种利用两个神经网络模型进行图像去噪的方法。专利“一种基于深度学习的深度图像去噪及增强方法”(专利号：201610169589.7)，公开了一种利用深度学习的可以实时地对带噪深度图像进行黑点填充和去噪的方法。它们与本发明设计不同之处在于：

(1)本发明中设计了特征提取模块。

(2)本发明使用跳跃连接将底层提取的特征前向传递到更高层。

(3)本发明将底层提取的特征和每一个特征提取模块提取的特征融合，从而使提取到的特征最大程度的表征图像信息。

本发明与“一种基于深度残差网络的真实图像盲去噪”、“一种基于神经网络的图像去噪方法和系统”和“一种基于深度学习的深度图像去噪及增强方法”相比，其优点为：

(1)本发明的激活函数使用的是ELU(Exponential Linear Uints)函数，ELU函数的输出均值接近于零，使网络收敛的更快，同时ELU函数对输入变化或噪声更鲁棒。

(3)本发明使用了5个特征提取模块，特征提取模块的输出由其第一、三、五三个卷积层的输出及ELU-CNN的第一个卷积层的输出串联合并而成，便于充分提取输入噪声图像的特征。

(4)本发明使用跳跃连接将第一个卷积层的特征与每一个特征提取模块的输出进行特征融合，保证网络充分利用图像的各种特征学习输入和输出之间的映射关系。

本发明的目的在于提供一种高质量的图像去噪方法，在去噪的同时尽可能的保留图像的边缘信息和细节信息。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种深立井井壁图像去噪方法，以提高井壁图像的去噪效果。

本发明涉及一种深立井井壁图像去噪方法，其特征在于，具体按照以下步骤进行：

步骤一，构建去噪模型；

步骤二，设计损失函数；

步骤三，用标准图像训练去噪模型，得到模型参数；

步骤四，用实际图像测试去噪模型，修正模型参数，得到ELU-CNN去噪模型；

步骤五，将含噪的井壁图像输入ELU-CNN去噪模型，得到去噪结果。

进一步的，所述的一种深立井井壁图像去噪方法，其特征在于，所述步骤一中，构建的去噪模型深度为28层，最后一个卷积层仅用一个3×3的滤波器且不连接激活层，其余卷积层均使用64个3×3的滤波器且连接ELU激活层。

进一步的，所述的一种深立井井壁图像去噪方法，其特征在于，所述步骤一中，构建的去噪模型由特征提取模块(feature extraction module,FEM)和跳跃连接构成，FEM中包含5个卷积层和4个激活层；每个FEM的输出由其第一、三、五三个卷积层的输出及去噪模型的第一个卷积层的输出串联合并而成。

进一步的，所述的一种深立井井壁图像去噪方法，其特征在于，所述步骤四中，所述的ELU-CNN去噪模型的数学模型为，

F_1O＝concat[L₂,L₄,L₆,L₁] (6)

F_2I＝ELU(F_1O) (7)

其中α＞0，是ELU的超参数；L_j,j＝1,…,28表示第j个卷积层的输出；ω和b分别是权重矩阵和偏置，其上、下标分别为其所在的层数和所在层的滤波器大小；concat[]表示串联合并；d表示输入通道的个数即滤波器的个数；F_kI,F_kO,k＝1,2…,5表示第k个FEM的输入和输出。

进一步的，所述的一种深立井井壁图像去噪方法，其特征在于，所述步骤五中，将含噪的井壁图像输入ELU-CNN去噪模型，得到的去噪结果为

其中X为输入去噪模型的含噪井壁图像，Γ为去噪模型学习到的噪声信息。

本发明相对于现有技术取得了以下技术效果：

(1)本发明在每个卷积层之前进行了补零操作，保证不改变图像的大小，能够尽可能的保留图像的边缘信息。

(2)本发明提出的是一种全卷积网络模型，除最后一个卷积层外的每个卷积层用64个3×3的滤波器提取不同类型、不同层次的特征。便于充分提取输入噪声图像的特征，实现高质量去噪。

(3)本发明使用的跳跃连接可以将底层提取的低级图像特征传递到高层，在去除井壁图像盲噪声时，能很好的保留井壁缺陷的特征信息。

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是本发明的去噪流程图；

图2是深立井井壁图像去噪的网络模型图；

图3本发明及几种去噪方法对含噪σ＝25的Couple图像的去噪结果图；

其中(a)原图，(b)噪声图，(c)BM3D的结果/29.72dB，(d)WNNM的结果/29.82dB，(e)CSF的结果/29.46dB，(f)TNRD的结果/29.71dB，(g)DnCNN-S的结果/30.12dB，(h)FFDNet的结果/30.18dB，(i)ELU-CNN的结果/30.25dB

图4是本发明对几幅井壁图像的去噪结果图；

其中(a)上图为含噪浓度σ＝15的井壁图像，下图为本发明的去噪结果，(b)上图为含噪浓度σ＝25的井壁图像，下图为本发明的去噪结果，(c)上图为含噪浓度σ＝35的井壁图像，下图为本发明的去噪结果。

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。

如图1所示，本发明公开一种深立井井壁图像去噪方法，包括五步。步骤一，构建去噪模型；步骤二，设计损失函数；步骤三，用标准图像训练去噪模型，得到模型参数；步骤四，用实际图像训练、测试去噪模型，修正模型参数，得到ELU-CNN去噪模型；步骤五，将含噪的井壁图像输入ELU-CNN去噪模型，得到去噪结果。

进一步的，所述的一种深立井井壁图像去噪方法，其特征在于，所述步骤一中，构建的图2所示的去噪模型，深度为28层，最后一个卷积层仅用一个3×3的滤波器且不连接激活层，其余卷积层均使用64个3×3的滤波器且连接ELU激活层。

进一步的，所述的一种深立井井壁图像去噪方法，其特征在于，所述步骤一中，构建的去噪模型由特征提取模块(feature extraction module,FEM)和跳跃连接构成，FEM中包含5个卷积层和4个激活层；每个FEM的输出由其第一、三、五三个卷积层的输出及去噪模型的第一个卷积层的输出串联合并而成。

进一步的，所述的一种深立井井壁图像去噪方法，其特征在于，所述步骤四中，所述的图2所示的ELU-CNN去噪模型的数学模型为，

F_1O＝concat[L₂,L₄,L₆,L₁] (6)

F_2I＝ELU(F_1O) (7)

其中α＞0，是ELU的超参数；L_j,j＝1,…,28表示第j个卷积层的输出；ω和b分别是权重矩阵和偏置，其上、下标分别为其所在的层数和所在层的滤波器大小；concat[]表示串联合并；d表示输入通道的个数即滤波器的个数；F_kI,F_kO,k＝1,2…,5表示第k个FEM的输入和输出。

进一步的，所述的一种深立井井壁图像去噪方法，其特征在于，所述步骤五中，将含噪的井壁图像输入ELU-CNN去噪模型，得到的去噪结果为

其中X为输入去噪模型的含噪井壁图像，Γ为图2的去噪模型学习到的噪声信息。

为了验证本发明的有效性，进行了仿真试验。

实验均在Intel(R)Core(TM)i5-8300H CPU2.30GHz和Nvidia1050 Ti GPU的PC上的Keras环境中运行。

实验一，在标准图像上测试。

选用400幅180×180的灰度图像构造训练集。通过对400幅图像进行随机翻转、任意角度旋转后按照步长10裁剪成40×40的图像块，形成ELU-CNN的训练集。参数设置为：batch_size＝64，epoch＝50，超参数α＝0.1，Adam作为优化器，初始学习效率是0.01，每十个epoch后学习效率降低一半，每个epoch训练2000步。在标准图像中加入浓度为σ＝[15,25,35,50,75]的高斯噪声后，利用ELU-CNN和几种先进的去噪方法对比。比较的方法包括：BM3D(K.Dabov,et al,Image denoising by sparse 3-D transform-domaincollaborative filtering,IEEE Trans.Image Process.,2007,16(8)：2080–2095)，WNNM(S.Gu,et al,Weighted nuclear norm minimization with application to imagedenoising,in Proc.IEEE Conf.Comput.Vis.Pattern Recognit.,2014：2862–2869),CSF(U.Schmidt et al.,Shrinkage fields for effective image restoration,inProc.IEEE Conf.Comput.Vis.Pattern Recognit.,pp.2774-2781,Columbus,OH,USA(2014)),TNRD(Y.Chen,et al,Trainable nonlinear reaction diffusion:A flexibleframework for fast and effective image restoration,IEEE Trans.PatternAnal.Mach.Intell.,2017,39(6):1256-1272),DnCNN-S(K.Zhang et al.,Beyond agaussian denoiser:Residual learning of deep CNN for image denoising,IEEETrans.Image Process.26(7),3142-3155(2017))和FFDNet(K.Zhang et al.,FFDNet:Toward a fast and flexible solution for CNN-based image denoising,IEEETrans.Image Process.,2018,27(9):4608-4622.)。

表1在BSD68测试集上的测试(PSNR)结果

采用客观评价指标峰值信噪比(Peak Signal to Noise Ratio，PSNR)衡量去噪效果。一般来说，PSNR的值越大，噪声对信号干扰程度越弱。为了说明本发明的去噪效果，选取BSD68(其中含有68幅图像)作为测试集，并与最先进的几种方法进行比较，获得的平均PSNR结果如表1所示，黑色粗体表示最高指标。

从表1测试结果可以看出，本发明的去噪方法能获得更好的客观指标PSNR。为了更直观的了解本发明的去噪图像的视觉效果，图3给出了本发明与几种方法对含噪σ＝25的Couple图像的去噪结果图。显然，ELU-CNN获得了最好的去噪效果，能清晰的体现线条纹理，呈现出图像的轮廓特征。

实验二，在井壁图像上测试。

选用400幅180×180的灰度图像构造训练集。通过对400幅图像进行随机翻转、任意角度旋转后按照步长10裁剪成50×50的图像块，形成ELU-CNN的训练集。超参数α＝0.05，其余的参数设置与实验一相同。

利用ELU-CNN对含有不同噪声的井壁图像去噪，结果见图4。可见，本发明在深立井的井壁图像上的去噪效果较好，能很好的保留井壁的破损特征，为缺陷检测奠定基础。

以上所述仅为本发明的一个实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (1)

1.一种深立井井壁图像去噪方法，其特征在于，具体按照以下步骤进行：

步骤一，构建去噪模型；

所述去噪模型深度为28层，最后一个卷积层仅用一个3×3的滤波器且不连接激活层，其余卷积层均使用64个3×3的滤波器且连接ELU激活层；

所述去噪模型由特征提取模块(feature extraction module,FEM)和跳跃连接构成，FEM中包含5个卷积层和4个激活层；每个FEM的输出由其第一、三、五三个卷积层的输出及去噪模型的第一个卷积层的输出串联合并而成；

步骤二，设计损失函数；

步骤三，用标准图像训练去噪模型，得到模型参数；

步骤四，用实际图像训练、测试去噪模型，修正模型参数，得到ELU-CNN去噪模型；

所述ELU-CNN去噪模型的数学模型为，

F_1O＝concat[L₂,L₄,L₆,L₁] (6)

F_2I＝ELU(F_1O) (7)

其中α＞0，是ELU的超参数；L_j,j＝1,…,28表示第j个卷积层的输出；ω和b分别是权重矩阵和偏置，其上、下标分别为其所在的层数和所在层的滤波器大小；concat[]表示串联合并；d表示输入通道的个数即滤波器的个数；F_kI,F_kO,k＝1,2…,5表示第k个FEM的输入和输出；

步骤五，将含噪的井壁图像输入ELU-CNN去噪模型，得到去噪结果；

所述去噪结果为

其中X为输入去噪模型的含噪井壁图像，Γ为去噪模型学习到的噪声信息。

Images