CN112001956A - 基于cnn的纹影法强激光远场焦斑测量图像去噪方法 - Google Patents
基于cnn的纹影法强激光远场焦斑测量图像去噪方法 Download PDFInfo
- Publication number
- CN112001956A CN112001956A CN202010751208.2A CN202010751208A CN112001956A CN 112001956 A CN112001956 A CN 112001956A CN 202010751208 A CN202010751208 A CN 202010751208A CN 112001956 A CN112001956 A CN 112001956A
- Authority
- CN
- China
- Prior art keywords
- image
- lobe
- focal spot
- denoising
- noise
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000005259 measurement Methods 0.000 title claims abstract description 76
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000003321 amplification Effects 0.000 claims abstract description 20
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims description 39
- 230000000694 effects Effects 0.000 claims description 37
- 238000005315 distribution function Methods 0.000 claims description 33
- 230000009467 reduction Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000006872 improvement Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 abstract description 23
- 238000002474 experimental method Methods 0.000 abstract description 15
- 238000013178 mathematical model Methods 0.000 description 11
- 206010040925 Skin striae Diseases 0.000 description 10
- 230000002238 attenuated effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000001444 catalytic combustion detection Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000008188 pellet Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于CNN的纹影法强激光远场焦斑测量图像去噪方法。该方法在分析远场焦斑测量CCD图像的噪声特点基础上，将基于卷积神经网络的去噪算法(DnCNN)引入主瓣和旁瓣CCD图像去噪处理中，能够有效去除主瓣和旁瓣CCD图像不同级别(0‑75dB)的噪声。使用DnCNN算法去噪后的主瓣和旁瓣图像进行焦斑重构，降低了纹影法测量远场焦斑主瓣图像光强大倍率放大而导致噪声同比例放大的问题，提高了基于纹影的高动态范围远场焦斑测量的可信度。本发明对DnCNN算法还作了重要的改进，使其适用于对不同灰度级别(12位或者16位)、不同噪声级别(0～75dB)图像去噪处理，以满足远场焦斑测量实验的要求。
Description
技术领域
本发明涉及一种强激光远场焦斑测量图像去噪方法。
背景技术
对于十万焦耳量级高功率激光装置48路光束中任意1路光束的高动态范围远场焦斑分布进行测量，目前是基于纹影法来实现的。例如，在十万焦耳量级高功率激光装置[1]综合诊断系统中基于纹影法来实现强激光远场焦斑测量，开展高能量密度物理和惯性约束聚变(ICF)研究。但是基于纹影的远场焦斑测量方法存在诸多影响测量精度的误差源，如光束质量差、CCD图像去噪、旁瓣光束纹影小球衍射等。为了进一步提高十万焦耳量级高功率激光装置的实验性能和测量精度，并为DH装置研究频率转换组件[2]及相关科学技术问题提供全面、精确的激光参量，使用新的技术手段开展装置性能提升和算法优化工作是十分必要的。
由于纹影法测量中需要对光束进行大倍率衰减(主瓣光束能量通常衰减为原始光束能量的0.1％)。对主瓣CCD来说，在纹影法测量远场焦斑中主要测量焦斑的主瓣分布信息，主瓣图像的特点是光斑亮度大，同样根据光子迁移曲线，主瓣光斑噪声相比旁瓣光斑噪声大很多，且纹影法计算远场焦斑动态范围是需要分别乘以主瓣光路衰减倍数和主瓣光强放大比例K。这样，主瓣图像噪声对于远场焦斑动态范围结果的影响是十分巨大的。例如，在一个叠加了相对主瓣能量5％的噪声信号，经过焦斑重构后动态范围增大为原来的1.05倍，如果旁瓣CCD的能量灰度为3600，则最终重构图像的主瓣光斑增加的灰度相对值为1800000。因此，使用纹影对远场焦斑进行测量，噪声信号对于重构结果的影响是十分巨大的，所以需要选择最优的去噪算法对CCD测量图像进行去噪，是提高远场焦斑测量的有效手段。
纹影法[3]是目前有效的测量强激光高动态范围远场焦斑的方法，即主瓣、旁瓣分开测量，用纹影小球遮挡旁瓣光束中心，主瓣光束能量大倍率衰减，拼接实现高动态范围的焦斑测量的方法。在传统的综合诊断系统焦斑重构数据处理过程中，探测CCD去噪使用减本底、中值滤波算法、小波变换法等方法。这些传统的去噪算法对去除图像中的高斯噪声效果良好，但对于强辐照环境下受污染图像去噪效果不佳[4]。在强激光远场焦斑测量实验中，由于强辐照环境导致CCD图像噪声的复杂性，传统的噪声处理方法在改善图像质量的同时也使得很多细节信息如物体边缘变得模糊，反而使图像质量降低[5]。
目前，卷积神经网络作为一种典型的深度学习方法，具有自动提取图像特征、权值共享等优良特性，在图像去噪领域得到了广泛的应用[6]。早期利用卷积神经网络的方法[7]、[8]的MLP模型与传统方法相比效果提升并不明显。Divakar N等人将卷积神经网络用于图像的盲去噪[9]，但该方法计算成本很高，耗时长。He K等人提出了深度残差学习，减少了对网络的训练时间的同时，也解决了网络层数过多难以训练等问题[10]。张凯提出著名的DnCNN[11]使用卷积通过端到端的残差学习，从函数回归角度用卷积神经网络将噪声从噪声图片中分离出来，取得显著优于其他方法的降噪效果。此后一系列基于网络结构改进的工作相继出现，REDNet[12]采用基于对称跳跃链接的深度卷积编码-解码，在反向过程中信息可以从顶层直接传递到底层；MemNet[13]进一步提出了一种长期记忆模型用于图像去噪。但是这些方法通常需要针对不同的噪声水平单独训练模型，不仅缺乏灵活性，也很难用于远场焦斑测量这种复杂的真实噪声图像。FFDNet[14]使用噪声水平图作为输入，实现了一种快速灵活的去噪模型，可以同时处理不同的噪声水平及在空间上变化的噪声。
发明内容
本发明的目的是：克服目前基于纹影的远场焦斑测量方法因光束质量差、CCD图像去噪、旁瓣光束纹影小球衍射等误差源的影响，有效提高高动态范围远场焦斑分布测量的精度。
为了实现以上目的，本发明提出以下解决方案：
基于CNN的纹影法强激光远场焦斑测量图像去噪方法，包括以下步骤：
1)按照纹影法采集得到强激光远场焦斑的主瓣图像和旁瓣图像；
2)采用基于残差学习的全卷积去噪网络算法(DnCNN)分别同时对主瓣图像和旁瓣图像进行去噪处理，去除主瓣图像和旁瓣图像不同级别的噪声；
3)按照纹影法将去噪后的主瓣图像和旁瓣图像进行焦斑重构。
上述基于残差学习的全卷积去噪网络算法(DnCNN)的算法框架分为三部分：
第一部分为第1层，由卷积层3×3×64和Relu激活函数组成；
第二部分为第2～16层，共15个Unit block单元块组成，每个Unit block单元块由卷积层3×3×64、BN层及激活函数Relu组成；
第三部分由卷积层3×3组成；
通过用期望的噪声残差值和卷积网络计算得到的估计噪声残差值求得对于噪声的估计误差，进行网络参数的更新。
上述步骤3)按照纹影法将去噪后的主瓣图像和旁瓣图像进行焦斑重构，重构焦斑的分布函数为h(xi,yj)：
式中：
hz(xi,yj)为重构焦斑中单独对应于主瓣区域的分布函数；hp(xi,yj)为重构焦斑中单独对应于旁瓣区域的分布函数；
fz_dn(xi,yj)为主瓣图像减去估计噪声后结果，fp_dn(xi,yj)为旁瓣图像减去估计噪声后结果；
A为主瓣光斑填充区域，B为旁瓣光斑填充区域，C为主瓣光斑和旁瓣光斑的重合区域，d1和d2代表重叠区域主瓣和旁瓣图像所占的比例，且d1+d2＝1，0＜d1＜1，0＜d2＜1,k＝kz；α为原始光束经过分光系统后主瓣光束相比原始光束的比例系数，β为旁瓣光束相比原始光束的比例系数；
Denoise为基于残差学习的全卷积去噪网络算法(DnCNN)的去噪函数；fz(xi,yj)为主瓣CCD上所探测到的分布函数；fp(xi,yj)为旁瓣CCD探测到的分布函数；nz(x,y)为主瓣CCD的噪声分布函数，np(x,y)为旁瓣CCD的噪声分布函数。
上述去噪函数是对基于残差学习的全卷积去噪网络算法(DnCNN)作以下调整：
a)归一化：对12位或16位科学CCD采集的输入图像(即按照纹影法采集得到的强激光远场焦斑的主瓣图像和旁瓣图像)进行归一化处理，将图像数据归一化为0-1之间的doube类型；
b)变更数据类型：将DnCNN算法中相关函数所有参数的数据类型由uint8变更为double；
c)减本底：对DnCNN算法去噪处理后的图像数据再执行减本底操作；
d)灰度等级恢复：将去噪处理和减本底操作后的图像double数据进行灰度级还原，恢复至归一化前的灰度等级，拉伸至0-4095之间。
另外，本发明还提供了一种基于CNN的纹影法强激光远场焦斑测量图像去噪模拟方法，包括以下步骤：
首先，按照纹影法激光远场焦斑强度分布原理，使用Matlab编程并运行生成远场焦斑分布原始图像；
其次，对原始远场仿真光束进行分光处理和各自光束衰减处理，将光束分为主瓣光束和旁瓣光束。对主瓣仿真图像和旁瓣仿真图像增加本地随机噪声，主瓣光束和旁瓣光束的随机噪声。为了模拟纹影小球对于旁瓣图像的遮挡效果，在旁瓣图像中将纹影小球区域内的图像灰度值置为0，纹影小球区域外的图像灰度保持不变，旁瓣光束中心区域使用纹影小球遮挡效果；
然后，采用基于残差学习的全卷积去噪网络算法(DnCNN)对主瓣光束图像和旁瓣光束图像进行去噪处理；
最后，由于主瓣光束经过了大倍率衰减，所以在焦斑重构前需对主瓣光束图像和旁瓣光束图像进行衰减倍率放大处理,对经过去噪和衰减倍率放大处理后的主瓣光束和旁瓣光束图像进行焦斑重构，重构二维图像。
本发明具有以下有益效果：
本发明在分析远场焦斑测量CCD图像的噪声特点基础上，将基于卷积神经网络的去噪算法(DnCNN)引入主瓣和旁瓣CCD图像去噪处理中，能够有效去除主瓣和旁瓣CCD图像不同级别(0-75dB)的噪声。使用DnCNN算法去噪后的主瓣和旁瓣图像进行焦斑重构，降低了纹影法测量远场焦斑主瓣图像光强大倍率放大而导致噪声同比例放大的问题，提高了基于纹影的高动态范围远场焦斑测量的可信度。
本发明对DnCNN算法还作了重要的改进，使其适用于对不同灰度级别(12位或者16位)、不同噪声级别(0～75dB)图像去噪处理，以满足远场焦斑测量实验的要求。
附图说明
图1纹影测量远场焦斑示意图。
图2纹影重构区域示意图。
图3DnCNN算法框架。
图4本实施例模拟方法的数据处理流程。
图5原始图像；其中，(a)为二维原始图像，(b)为三维原始图像。
图6实验数据预处理；其中，(a)为主瓣光束分光图像，(b)为旁瓣光束分光图像，(c)为主瓣光束衰减图像，(d)为纹影小球遮挡效果旁瓣光束图像，(e)为主瓣光束模拟噪声，(f)为旁瓣光束模拟噪声，(g)为包含随机噪声的主瓣光束，(h)为包含随机噪声的旁瓣光束。
图7主瓣和旁瓣光束去噪；其中，(a)为主瓣光束去噪图像，(b)为旁瓣光束去噪图像。
图8焦斑重构图像；其中，(a)为主瓣光束分光和衰减倍率放大图像，(b)为旁瓣光束衰减倍率放大图像，(c)为二维重构图像，(d)为三维重构图像。
图9DNCNN算法处理效果；其中，(a)为主瓣原始图像，(b)为主瓣噪声图像，(c)为主瓣去噪图像，(d)为旁瓣原始图像，(e)为旁瓣噪声图像，(f)为旁瓣去噪图像。
图10主瓣和旁瓣图像去噪效果对比(y＝256曲线)；其中，(a)为主瓣原始、加噪声和去噪曲线比较(δ＝250)，(b)为主瓣原始和去噪曲线比较(δ＝250)，(c)为旁瓣原始、加噪声和去噪曲线比较(δ＝25)，(d)为旁瓣原始和去噪曲线比较(δ＝25)。
图11DnCNN对不同级别噪声的去噪效果比较。
图12焦瓣重构精度分析；其中，(a)为原始图像和重构焦瓣y＝256水平曲线，(b)为(a)中虚线区域的局部放大。
具体实施方式
以下结合附图，通过实施例进一步详述本发明。
本实施例在分析远场焦斑测量CCD图像的噪声特点基础上，将基于卷积神经网络的去噪算法(DnCNN)引入主瓣和旁瓣CCD图像去噪处理中，能够有效去除主瓣和旁瓣CCD图像不同级别(0-75dB)的噪声。使用DnCNN算法去噪后的主瓣和旁瓣图像进行焦斑重构，降低了纹影法测量远场焦斑主瓣图像光强大倍率放大而导致噪声同比例放大的问题，提高了基于纹影的高动态范围远场焦斑测量的可信度。
纹影法远场焦斑测量原理：
纹影法测量远场焦斑光路如图1所示[3]。光束经过分光镜后分成两束，将纹影小球放在旁瓣光路的焦点位置以挡住光斑中心，旁瓣CCD得到的光斑是纹影小球周围的光斑信息，称为“旁瓣”。而将光束经过适当衰减，主瓣CCD得到的是没有遮挡的光斑，称为“主瓣”。再将一个望远镜系统和望远小球放在分光镜前的光路中，用来标定主瓣光强放大系数K和光斑放大系数b，最后通过对主瓣和旁瓣光斑的重构，得到焦斑相对强度的完整分布如图1。
改进的基于纹影的高动态范围激光焦斑测量数学模型：
在文献[15]中，提出了高动态范围激光焦斑测量数学模型，该数学模型没有考虑基于纹影的远场焦瓣测量过程中噪声对于测量结果的影响。为了真实模拟现场的测量环境，提出考虑噪声影响的高动态范围激光焦斑测量数学模型是十分必要的，构建新的数学模型需要经过分光、衰减、量化、去噪和焦瓣重构几个步骤，分析如下：
(1)光路分光。假设需要测量的原始光束远场光强分布函数为f(x,y)；原始光束经过分光系统后主瓣光束相比原始光束的比例系数为α，旁瓣光束相比原始光束的比例系数为β，则主瓣光束光强分布函数为：
fOrg_z(x,y)＝αf(x,y) (1)
旁瓣光束光强分布函数为
fOrg_p(x,y)＝βf(x,y) (2)
式中，α+β＝1。
(2)光路衰减。由于主瓣光束光强很大，为了使得主瓣CCD探测到主瓣光束光强分布，必须对主瓣光束能量进行衰减，假设主瓣光束衰减系数为kz,其中kz的取值范围为(0.001～1)。因此经过衰减后的主瓣光束光强分布函数为
fAtt_z(x,y)＝kzfOrg_z(x,y) (3)
由于旁瓣光束能量相对主瓣光束光强来说较小，旁瓣光束测量主要关注旁瓣信息，而且中心光斑使用纹影小球进行遮挡，旁瓣光束相比主瓣光束衰减倍率较小。为了降低焦斑重构的复杂度，选择旁瓣光束衰减系数kp＝1，因此旁瓣光束光强分布函数为
fAtt_p(x,y)＝kpfOrg_p(x,y)＝fOrg_p(x,y) (4)
(3)量化。为了获得真实的主瓣和旁瓣光束的光强分布信息，需要分别使用主瓣和旁瓣CCD进行探测，由于CCD存在噪声，假设主瓣CCD的噪声分布函数为nz(x,y),旁瓣CCD的噪声分布函数为np(x,y)，则在主瓣CCD上所探测到的分布函数为
fz(xi,yj)＝fAtt_z(xi,yj)+nz(xi,yj) (5)
由于旁瓣光束中心使用纹影小球遮挡，在不考虑纹影小球边缘衍射的情况下，最理想的模型是将处于纹影小球遮挡的圆形区域内的能量分布看作为0，则旁瓣CCD探测到的分布函数为:
式中，(x0,y0)为纹影小球的中心坐标，r为在旁瓣CCD图像中的纹影小球半径，单位为像素。
(4)去噪。考虑CCD噪声为加性噪声的情况下，对CCD采集图像的去噪方法是用CCD采集图像减去估计噪声，用公式表示为：
式中，fz_dn(xi,yj)为主瓣图像减去估计噪声后结果，fp_dn(xi,yj)为旁瓣图像减去估计噪声后结果。以上直接减噪声的去噪方法，只是主瓣CCD噪声nz(xi,yj)和旁瓣CCD噪声np(xi,yj)已知的理想情况下所用的去噪方法。然而，在真实基于纹影的远场焦瓣测量实验中，主瓣CCD和旁瓣CCD采集的图像分别为fz(xi,yj)和fp(xi,yj)，由于CCD的噪声是未知的，采集的图像是包含随机噪声的信号，因此，只有对包含噪声的主瓣和旁瓣图像选择有效的去噪处理，才能获得去除主瓣和旁瓣噪声后干净主瓣和旁瓣图像。假设去噪函数为Denoise，最终去噪函数用公式表示为：
式中，加号+的含义是将主瓣CCD采集到的图像fz(xi,yi)与旁瓣CCD采集到的图像fp(xi,yi)合并为一个图像，以合并后的图像作为去噪对象；
(5)焦瓣重构。为了使用主瓣CCD和旁瓣CCD测量到主瓣光斑和旁瓣光斑重构远场焦斑图像，对主瓣CCD图像来说，去噪图像先除以主瓣光束衰减系数k，再除以主瓣光束相对原始光束的分光比例α，将主瓣CCD处理数据作为重构图像的主瓣区域焦瓣分布函数。对旁瓣CCD图像来说，将去噪图像纹影小球遮挡区域外的数据作为重构图像旁瓣区域焦瓣分布函数。
假设主瓣CCD采集到的图像为fz(xi,yi)，旁瓣CCD采集到的图像为fp(xi,yi)，则重构焦斑的分布函数为h(xi,yj)：
式中：A为主瓣光斑填充区域，B为旁瓣光斑填充区域，C为主瓣光斑和旁瓣光斑的重合区域，即过渡带，如图2所示。d1和d2代表重叠区域主瓣和旁瓣图像所占的比例，且d1+d2＝1，0＜d1＜1，0＜d2＜1,k＝kz。
DnCNN去噪算法：
卷积神经网络(CNN)[16]是由纽约大学的LeCun[17]在1998年提出，该模型是在传统的人工神经网络基础上发展而来的多层网络拓扑结构，由一系列可学习的权值和偏重构成的。卷积神经网络具有广泛的应用前景，主要应用在智能识别、图像分类、图像去噪等领域。近年来，国内外很多学者提出了很多著名的基于卷积神经网络的去噪算法，如DnCNN[11]和FFDNet[14]等。采用卷积神经网络进行图像去噪基本思路是让卷积神经网络学习干净的图像，从而达到图像去噪的作用。
DnCNN是一种基于残差学习的全卷积去噪网络算法，是2017年由Zhang等[11]人提出的。DnCNN算法基于神经网络和统计的原理，第一次在图像去噪模型中引入了残差学习和批量标准化的方法，让DnCNN去噪模型学习噪声图像中的噪声，最终通过用期望的噪声残差值和通过卷积网络计算得到的估计噪声残差值求得其误差，进行网络参数的更新，使模型达到较好的去噪效果，加速了网络的收敛，避免了梯度消失情形的出现。DnCNN算法具有在不引入额外的参数，就可提高去噪性能的优势。
DnCNN算法框架如图3所示，主要可以分为三部分，第一部分为第一层由卷积层3×3×64和Relu[18]激活函数组成；第二部分为第2～16层共15个Unit block单元块组成，由卷积层3×3×64、BN[19]层及激活函数Relu组成；第三部分由卷积层3×3组成。整个网络从输入端到输出端进行了全局跳跃，形成残差学习[20]策略。
整个网络描述可以表示为
Y＝X+V (7)
式(7)中:Y为二维的噪声图像；X为无噪声的原始干净图像；V表示附加的噪声。噪声图像就是原始图像在加性噪声叠加下的一种退化结果。因此，图像去噪的目的是得到一个X'，X'是原始图像的一个估计值。X和X'的差值越小，说明图像去噪效果越好。
DnCNN去噪算法的不足和进一步的改进措施：
在主机装置综合诊断系统中，对于强激光远场焦斑测量实验去噪方法，通常选用减本底、中值滤波算法、高斯滤波等方法，这些传统去噪算法对去除图像中的高斯噪声效果良好，但对于强辐照环境下受污染图像去噪效果不佳[21]。强激光远场焦斑测量实验的强辐照环境导致了CCD图像噪声的复杂性。根据光子迁移曲线[22]，旁瓣光束低能量具有较弱的噪声信号，旁瓣噪声对于焦斑重构结果影响较小；而主瓣光束能量的高强度，会产生较强的噪声信号，主瓣噪声对于焦斑重构结果影响较大。基于纹影的远场焦斑测量实验去噪算法必须具备以下功能：1)能够同时对旁瓣和主瓣图像进行去噪处理；2)能够满足强辐照环境下不同能量强激光光束能量的去噪处理；3)能够去除不同噪声级别、不同类型的复杂噪声。结合远场焦斑图像噪声特征和各种卷积神经网络去噪算法的去噪特点，DnCNN算法具有去噪模型快速灵活，适合处理不同的噪声水平及在空间上变化的噪声特点，非常适合用于远场焦斑测量实验中对主瓣和旁瓣CCD图像的去噪处理。
然而，DnCNN算法虽然具有极大的优点，是基于纹影的远场焦斑测量去噪的首选方法，但是DnCNN去噪方法只能对8位的图像进行去噪处理，而基于纹影的远场焦斑测量选用的CCD都是大于12位科学级CCD，所采集图像最大灰度值为4095，无法直接使用DnCNN方法对主瓣和旁瓣图像进行去噪处理。因此，需要对DnCNN算法进行改进，使其适用于对不同灰度级别(12位或者16位)、不同噪声级别(0～75dB)图像去噪处理，以满足远场焦斑测量实验的要求。
具体地讲，在远场焦斑测量实验中使用DnCNN算法具有以下不足：1)算法输入为8位bmp图像，无法处理12位科学CCD图像；2)如果将12位科学CCD图像直接转化为8位bmp图像，这样主瓣区域将全部转化为255，主瓣区域的灰度精度损失巨大；3)去噪处理完成后将去噪结果直接转化为8位bmp图像，无法恢复原始图像的灰度等级。
针对DnCNN算法存在的不足，改进措施主要体现在四个方面：
1)归一化：对12位科学CCD采集的输入图像进行归一化处理，将图像数据归一化为0-1之间的doube类型；
2)变更数据类型：将DnCNN算法中相关函数所有参数的数据类型由uint8变更为double；
3)减本底：对去噪处理后的图像数据执行减本底操作；
4)灰度等级恢复：将去噪处理和减本底操作后的图像double数据进行灰度级还原，恢复至归一化前的灰度等级，拉伸至0-4095之间。
基于卷积神经网络的强激光远场焦斑测量去噪算法共分为4个步骤：1)生成实验数据；2)实验数据预处理(分光、加噪声、纹影小球遮挡)；3)去除噪声；4)焦斑重构。
以下结合改进的基于纹影的高动态范围激光焦斑测量数学模型，通过一个实施例来进一步详述本发明。
1.生成实验数据
按照激光远场焦斑强度分布原理[3]，使用Matlab编程并运行生成远场焦斑分布原始图像，如图5所示，具体的实验参数如表1所示。
表1激光远场焦斑强度分布仿真实验参数
2.实验数据预处理(分光、加噪声、纹影小球遮挡)
模拟分光、衰减、模拟生成主瓣和旁瓣噪声数据并增加噪声到主瓣和旁瓣衰减图像中，主瓣和旁瓣图像去噪。
首先，对原始远场仿真光束进行分光处理和各自光束衰减处理，将光束分为主瓣光束和旁瓣光束,如图6(a)和(b)所示。
其次，对主瓣仿真图像和旁瓣仿真图像增加本地随机噪声，主瓣光束和旁瓣光束的随机噪声如图6(c)和(d)所示；包含随机噪声后的主瓣光束和旁瓣光束如图6(e)和(f)所示。
最后，为了模拟纹影小球对于旁瓣图像的遮挡效果，在旁瓣图像中将纹影小球区域内的图像灰度值置为0，纹影小球区域外的图像灰度保持不变。旁瓣光束中心区域使用纹影小球遮挡效果如图6(g)所示。
3.去除噪声
对主瓣光束图像和旁瓣光束图像进行去噪处理，如图7(a)和(b)所示。
4.焦斑重构
由于主瓣光束经过了大倍率衰减，所以在焦斑重构前需对主瓣光束图像和旁瓣光束图像进行衰减倍率放大处理，如图8(a)和(b)所示。
对经过去噪和衰减倍率放大处理后的主瓣光束和旁瓣光束图像进行焦斑重构，重构二维图像如图8(c)所示，三维重构图像如图8(d)所示。
5.实验结果分析
在纹影法测量远场焦斑过程中，使用探测CCD获得主瓣光束和旁瓣光束的分布图像。这样，获得主瓣光束和旁瓣光束图像存在CCD噪声，由于CCD噪声模型的非线性特征，将卷积神经网络的DnCNN方法运用到主瓣和旁瓣CCD图像去噪中，尤其使用DnCNN对主瓣CCD所采集的图像进行去噪处理，能够有效地提高纹影法远场焦斑测量的重构精度。
为了准确恢复原始光路中真实的远场焦斑分布，需要对采集到的主瓣图像和旁瓣图像进行去噪处理。由于旁瓣光束能量强度低，却包含丰富的旁瓣环状能量分布信息。同时，主瓣光束能量强度高，导致噪声信号较强。这就要求旁瓣图像在去噪时尽量保留较低的原始旁瓣光束分布信息，而主瓣图像需要在较强光斑信息中去除较强的噪声信号，即远场焦斑测量中的CCD噪声存在很大的噪声级别，而DnCNN最大的特点就是能够使用单一网络有效处理各种噪音水平(即[0～75dB])，可以灵活处理主瓣CCD和旁瓣CCD所采集图像不同级别的噪声。
本发明将卷积神经网络的DnCNN方法引入到主瓣和旁瓣CCD图像去噪中，并改进DnCNN去噪方法中的不足，使得该方法适用于远场焦瓣测量实验不同参数条件下的去噪处理，能够有效地提高纹影法远场焦斑测量的重构精度。
1)去噪效果定量分析
使用新的改进措施分别对主瓣分光和衰减图像(以下简称主瓣图像)和旁瓣分光和衰减图像(以下简称旁瓣图像)进行去噪处理，由于主瓣图像和旁瓣图像灰度级别不同，分别增加均方差不同的噪声。在DnCNN去噪算法验证实验中，主瓣图像最大灰度值为3584，主瓣图像增加均方差为250的随机噪声；旁瓣图像最大灰度值为754，增加均值为50的随机噪声。主瓣图像和旁瓣图像去噪处理如图9所示。
将去噪图像和原始图像进行比较：对主瓣图像来说，主瓣图像的信噪比为36.67dB，主瓣原始图像和主瓣去噪图像之间的相关系数为0.9986；主瓣原始图像的最大值为3583,主瓣去噪图像的最大值为3534，最大灰度的误差为1.37％，对均方差为250、信噪比为36.67dB的噪声图像来说，对于焦斑图像中心的高能量区域信息恢复效果近乎完美，去噪效果非常令人满意；对旁瓣图像来说，旁瓣图像的信噪比为29.23dB，旁瓣原始图像和旁瓣去噪图像之间的相关系数为0.9591，旁瓣原始图像的最大值为574,旁瓣去噪图像的最大值为580，最大灰度的误差为1.03％。旁瓣去噪图像相比旁瓣原始图像纹理保持完整，只是焦斑图像周围区域的旁瓣光束能量具有一定的损失，对均方差为25、信噪比29.76dB的噪声图像来说，去噪效果非常好。
为了定量对去噪效果进行分析，将主瓣图像和旁瓣图像在焦斑中心(y＝256)水平曲线进行比较如图10所示，图中蓝色为原始曲线，绿色为的加噪声曲线，红色为去噪曲线。
对主瓣图像的去噪来说，通过图10(a)和10(b)进行对比分析。图10(a)为主瓣原曲线、加噪声曲线和去噪曲线的比较结果，图10(b)为主瓣原始曲线和去噪曲线比较结果。从图10(a)可以看出，噪声信号远大于背景信号，噪声信号最大值为1053，对主瓣原始图像增加或者减少值0-800之间，增加最大值为619，减小最小值为-780。由于原始主瓣图像增加的是随机噪声，从噪声曲线上看无任何规律，这样对噪声的去除会产生一定的困难。原曲线和去噪曲线的比较结果如图10(b)所示，从图中可以看出，两个曲线相似度极好，相关系数达到0.9997，只是在旁瓣边缘区域200≤x≤225和287≤x≤312中原曲线和去噪曲线存在一定的误差，灰度差小于30。对于主瓣核心区域225≤x≤287来说，平均误差为27.22，最大灰度值之间误差为66.40，这相比均方差为250随机噪声、原始曲线最大灰度值为3558来说，去噪效果已经十分理想了。
对旁瓣图像的去噪来说，通过图10(c)和10(d)进行对比分析。图10(c)为旁瓣原曲线、加噪声曲线和去噪曲线的比较结果，图10(d)为旁瓣原始曲线和去噪曲线比较结果。从图10(c)可以看出，在旁瓣有效区域，随机噪声对旁瓣原始图像增加或者减少值0-150之间，增加最大值为105.37，减少最小值为-124.80。原曲线和去噪曲线的比较结果如图10(d)所示，从图中可以看出，两个曲线相似度也极好，相关系数达到0.9977，旁瓣有效区域的每个波峰区域中原曲线和去噪曲线存在误差，灰度差小于10，在每个脉冲的上升沿、下降沿两个曲线误差相似度最好，误差小于2。旁瓣有效区域0≤x≤178和335≤x≤512的平均误差为2.13，这相比均方差为25随机噪声、原始曲线最大灰度值为574来说，去噪效果也非常理想。
去噪曲线旁瓣区域灰度积分和原始曲线旁瓣区域灰度积分的比值为0.9580，原曲线和去噪曲线的误差小于3.9％，说明DnCNN去噪算法对于主瓣区域去噪效果更好，这更加有利于提高基于纹影的远场焦斑测量的精度。
2)不同级别噪声去噪效果分析
为了说明DnCNN算法对不同级别噪声的去噪效果，将仿真原始图像进行灰度拉伸到0-255之间后，在分别增加方差为50、25、10、5的噪声，焦斑中心(y＝256)水平曲线的去噪效果如图12所示。图中红色“*”曲线为原始曲线，其他4条曲线为增加方差50、25、10、5后的去噪曲线。对于同方差噪声的去噪效果，定量比较结果如表2所示。
表2 DnCNN对不同级别噪声的去噪效果比较
从图11和表1中可以出，对于增加不同方差噪声、不同信噪比的焦斑图像，DnCNN算法都能够有效的去除。从整体上来看，去噪图像和原始图像之间的相关系数全部大于0.9983，从局部上来看，去噪曲线和原始曲线(y＝256)之间的相关系数大于0.9995，而去噪曲线和原始曲线灰度积分(y＝256)的比值都大于0.998。
从图11和表2中可以出，对于增加不同均方差噪声、不同信噪比的旁瓣焦斑图像，DnCNN算法都能够有效的去除。从整体上来看，均方差小于50时旁瓣去噪图像和旁瓣原始图像之间的相关系数全部大于0.9944，从局部上来看，均方差小于时旁瓣去噪曲线和旁瓣原始曲线(y＝256)之间的相关系数大于0.9971，而旁瓣去噪曲线和旁瓣原始曲线灰度积分(y＝256)的比值都大于0.9619。对不同均方差噪声条件下(均方差小于50)，将y＝256的去噪曲线和旁瓣原始曲线的误差进行对比，误差最大值为59.49，最小值为-23.77，均值绝对值小于5。随着均方差噪声的逐渐增大，旁瓣去噪图像和旁瓣原始图像之间的相关系逐渐变小，去噪效果越差，当均方差小于100时，旁瓣去噪图像和旁瓣原始图像之间的相关系小于0.99。这说明，当随机噪声小于一定阈值的情况下，DnCNN去噪算法都能够实现对于不同级别噪声的有效去除。因此，在远场焦瓣测量实验过程中，必须保证CCD噪声的均方差小于100。
这说明DnCNN算法在去噪的同时，对于原始仿真图像的信号影响很小，尤其该算法能够自适应地去除不同级别的噪声。实验结果表明，具有良好去噪效果的DnCNN方法能够对主瓣图像和旁瓣图像的进行有效去噪，对于远场焦斑图像的焦斑重构和准确恢复具有决定性的意义，能够满足纹影法测量远场焦斑测量对于精确和可靠性的要求。
3)噪声对重构结果的影响分析
在纹影法测量远场焦斑中，噪声对于测量结果的影响结果至关重要，因此需要对噪声进行估计，以衡量对于测量结果的影响程度。对于噪声的估计误差越小，则重构焦斑越趋近于理论值，和理想焦斑的误差越小。
首先，考虑最为理想的情况，估计噪声和实际噪声完全相同。这种情况下，模拟噪声和去除的噪声使用相同的值，即在每个像素中所增加的噪声和CCD测量后减去的噪声为同一个值，则重构焦斑和原始焦斑相关性为100％，两幅图像完全相同，这是最理想的情况。但是，在实际物理实验中，这种理想的状态显然是不存在的。
其次，随机噪声是最常见的噪声，也是最容易估计的噪声。本次仿真实验选择均方差为25的候机噪声时，获得的焦斑重构结果二维图像和三维图像分别如图8(c)和(d)所示。原始图像和重构焦瓣y＝256水平曲线如图12(a)所示，图12(b)为图12(a)粉色虚线区域的局部放大，是为了突出原始图像和重构焦瓣的旁瓣区域的细节。
在焦斑重构恢复过程中，主瓣重构灰度值主要受到两个因素的影响：(a)选用去噪算法的去噪效果；(b)主瓣分光比例α和主瓣衰减比例kz。
对于重构图像的主瓣波峰来说，重构图像主瓣波峰和原始图像的主瓣波峰误差为11864，如图15(a)所示。以y＝256水平曲线x＝257位置为例，主瓣原始图像灰度值为3583.6289，主瓣去噪图像灰度值为3524.3099，由于去噪处理的影响，两个灰度值之间的误差为59.319，由于主瓣衰减比例和分光比例系数α*kz＝0.005，根据公式(8)，重构焦瓣位置(256，256)的灰度值误差＝59.319/α*kz＝11864。造成重构图像和原始仿真图像之间巨大误差的原因主要有两点：1)去噪算法误差估计不精确；2)噪声误差经过分光和衰减倍率放大后被放大200倍。由于分光和衰减倍率放大比例是确定的，所以降低重构误差的唯一方法就是提高主瓣光斑图像的去噪精度。
对于重构图像的旁瓣波峰来说，噪声对于焦斑重构误差最大的区域是旁瓣第一和第二个波峰区域，如图12(b)所示，第一个旁瓣波峰位置误差为4314，第二个波峰位置误差1452，第三个波峰位置误差为11，第四个波峰位置误差为26。第一和第二个波峰[172-228]误差较大，而第三个波峰和第三个波峰[120-172]之间误差小于26。原始实验数据动态范围为7.1673e+05/557.2＝1286.3,重构图像动态范围为7.0486e+05/530.4＝1328.9，两个动态范围之间误差1328.9-1286.3＝42.6，重构实验动态范围的精度为96.78％。这说明本发明去噪算法对于旁瓣区域能量的恢复效果是十分理想的。
通过以上分析，我们可以得出以下结论：噪声估计误差越大，则重构误差越大；主瓣分光比例α和主瓣衰减比例kz的乘积越小，也会使得重构误差越大。因此，为了降低焦斑重构的误差，需要从两个方面着手进行优化：(a)提高噪声估计的精度；(b)提高焦斑重构的主瓣分光比例α和主瓣衰减倍率kz。
为了说明和验证纹影法远场焦斑测量的可信度，需要将原始图像和重构图像进行比较，主要通过计算两幅图像之间的相关系数从总体上进行衡量。由于仿真实验中在主瓣和旁瓣图像增加了随机噪声，需要对主瓣图像和旁瓣图像进行去噪处理，当选择不同去噪方式时，焦斑重构处理结果如表2所示。从表2可以看出，原始仿真图像和重构图像的相关系数大于0.99，说明纹影法测量远场焦斑的方法在去噪效果好的情况下，焦斑重构结果是值得信赖的。
表2不同去噪方式对重构结果影响
计算比原始仿真图像和重构图像相关系数，比较原始仿真图像和重构图像的相似性，判断纹影法远场焦斑测量的可靠性和可信度。
实验结果表明，通过以上算法优化和改进措施，提高了基于纹影的高动态范围远场焦斑测量的可信度，满足了高动态范围远场焦斑测量对于精度和效率的要求，对于我国ICF系统性能的提升具有较强的科学研究意义。该去噪方法旨在解决使用纹影法测量远场焦斑在大倍率衰减(主瓣光束能量通常衰减为原始光束能量的0.1％)情况下对于焦斑的准确测量这个技术瓶颈问题，使得该去噪方法在远场焦斑测量中的实际工程应用走向成熟和可靠。
综上所述，本方法以高动态范围远场焦斑测量数学模型为依据[5]，针对原有数学模型未考虑噪声影响的缺点，对基于纹影的高动态范围远场焦瓣测量数学模型进行改进，使得该数学模型和真实的实验环境相匹配，提高了该数学模型的实用性和理论支撑作用，并通过仿真实验模拟纹影法远场焦斑测量的实验过程。为了进一步提高基于纹影法远场焦斑测量的重构精度，在分析远场焦斑测量CCD图像的噪声特点基础上，将基于卷积神经网络的去噪算法(DnCNN)引入主瓣和旁瓣CCD图像去噪处理中，能够有效去除主瓣和旁瓣CCD图像不同级别的噪声。实验结果表明，使用DnCNN算法去噪后的主瓣和旁瓣图像进行焦斑重构，降低了纹影法测量远场焦斑主瓣图像光强大倍率放大而导致噪声同比例放大的问题，提高了基于纹影的高动态范围远场焦斑测量的可信度，满足了高动态范围远场焦斑测量对于精度和效率的要求，对于我国ICF系统性能的提升具有较强的科学研究意义。
参考文献：
[1]刘维宝，郑万国，朱启华等.神光-Ⅲ激光装置的总体集成及探索[J].国防科技，2014，34(12)：30-36.
[2]翟学锋，王国富，达争尚.神光-Ⅲ3ω光路自动准直系统设计[J].应用光学，2007，28(2):177-180.
[3]程娟，秦兴武，陈波等.纹影法测量远场焦斑实验研究[J].强激光与粒子束，2006，(18)，4，612-614.
[4]王姮,桑瑞娟,张华,等.一种强辐射环境监测下图像降噪的新方法[J].传感器与微系统,2011,30(11):59-61.
[5]夏雄军.辐射图像噪声及CT环形伪影消除[D].北京:清华大学,2007.
[6]孙跃文,刘洪,丛鹏,等.基于卷积神经网络的辐射图像降噪方法研究[J].原子能科学技术,2017,51(9):1678-1682.
[7]Jain V.&Seung S.(2009).Natural Image Denoising with ConvolutionalNetworks.In D.Koller,D.Schuurmans,Y.Bengio,&L.Bottou(Eds.),Advances in NeuralInformation Processing Systems 21(pp.769–776).Curran Associates,Inc.
[8]Burger,H.C.,Schuler,C.J.,&Harmeling,S.(2012).Image denoising:Canplain neural networks compete with BM3D？2012IEEE Conference on ComputerVision and Pattern Recognition,2392–2399.
[9]DIVAKAR N，BABU R V.Image denoising via CNNs:an adversarialapproach[C].Computer Vision and Pattern Recognition Workshops.IEEE，2017:1076-1083.
[10]HE K M，ZHANG X Y，REN S Q，et al.Deep residual learning forimagerecognition[C].Proceedings of the IEEE Conference onComputer Vision andPattern Recognition.Los Alamitos:IEEEComputer Society Press，2016:770-778.
[11]Zhang,K.,Zuo,W.,Chen,Y.,Meng,D.,&Zhang,L.(2017).Beyond a Gaussiandenoiser:Residual learning of deep CNN for image denoising.IEEE Transactionson Image Processing,26(7),3142-3155.
[14]Zhang,K.,Zuo,W.,&Zhang,L.(2018).FFDNet:Toward a fast and flexiblesolution for CNN-Based image denoising.IEEE Transactions on Image Processing,27(9),4608-4622.
[15]王拯洲，王伟，夏彦文.高动态范围激光焦斑测量数学模型研究[J].光子学报，2014，43(10):1010002.
[16]秦瑜.基于卷积神经网络的低照度图像去噪与增强研究[D].长安大学.2019.
[17]LeCun Y,Bottou L,Bengio Y,et al.Gradient-based learning appliedto document recognition[J].Proceedings of the IEEE 1998:86(11):2278-2324.
[18]Montanelli H，Du Q.New error bounds for deep ReLU networks usingsparse grids[J].SIAM Journal on Mathematics of Data Science，2019，1(1):78-92.
[19]Bjorck J，Gomes C，Selman B，et al.Understanding batch normalization[C].Proceedings of the 32nd International Conference on Neural InformationProcessing Systems.New York:Curran Associates Inc，2018:7705-7716.
[20]He K，Zhang X，Ren S，et al.Deep residual learning for imagerecognition[C].Proceedings of the IEEE Conference on Computer Vision andPattern Recognition.Washington，DC:IEEE Computer Society，2016:770-778.
[21]王姮,桑瑞娟,张华,等.一种强辐射环境监测下图像降噪的新方法[J].传感器与微系统,2011,30(11):59-61。
[22]FARAJI H,MACLEAN J.CCD noise removal in digital images[J].IEEETransactions on Image Processing,2006,15(9):2676-2685.
Claims (10)
1.基于CNN的纹影法强激光远场焦斑测量图像去噪方法，其特征在于，包括以下步骤：
1)按照纹影法采集得到强激光远场焦斑的主瓣图像和旁瓣图像；
2)利用基于残差学习的全卷积去噪网络算法(DnCNN)分别同时对主瓣图像和旁瓣图像进行去噪处理，去除主瓣图像和旁瓣图像不同级别的噪声；
3)按照纹影法将去噪后的主瓣图像和旁瓣图像进行焦斑重构。
2.根据权利要求1所述的基于CNN的纹影法强激光远场焦斑测量图像去噪方法，其特征在于，所述基于残差学习的全卷积去噪网络算法(DnCNN)的算法的框架分为三部分：
第一部分为第1层，由卷积层3×3×64和Relu激活函数组成；
第二部分为第2～16层，共15个Unit block单元块组成，每个Unit block单元块由卷积层3×3×64、BN层及激活函数Relu组成；
第三部分由卷积层3×3组成；
通过用期望的噪声残差值和卷积网络计算得到的估计噪声残差值求得对于噪声的估计误差，进行网络参数的更新。
3.根据权利要求1所述的基于CNN的纹影法强激光远场焦斑测量图像去噪方法，其特征在于，
步骤3)按照纹影法将去噪后的主瓣图像和旁瓣图像进行焦斑重构，重构焦斑的分布函数为h(xi,yj)：
式中：
hz(xi,yj)为重构焦斑中单独对应于主瓣区域的分布函数；hp(xi,yj)为重构焦斑中单独对应于旁瓣区域的分布函数；
fz_dn(xi,yj)为主瓣图像减去估计噪声后结果，fp_dn(xi,yj)为旁瓣图像减去估计噪声后结果；
A为主瓣光斑填充区域，B为旁瓣光斑填充区域，C为主瓣光斑和旁瓣光斑的重合区域，d1和d2代表重叠区域主瓣和旁瓣图像所占的比例，且d1+d2＝1，0＜d1＜1，0＜d2＜1,k＝kz；α为原始光束经过分光系统后主瓣光束相比原始光束的比例系数，β为旁瓣光束相比原始光束的比例系数；
Denoise为以DnCNN算法为基础改进得到的去噪函数；fz(xi,yj)为主瓣CCD上所探测到的分布函数；fp(xi,yj)为旁瓣CCD探测到的分布函数；nz(x,y)为主瓣CCD的噪声分布函数，np(x,y)为旁瓣CCD的噪声分布函数。
4.根据权利要求3所述的基于CNN的纹影法强激光远场焦斑测量图像去噪方法，其特征在于，所述去噪函数是对DnCNN算法作以下调整：
a)归一化：对12位或16位科学CCD采集的输入图像(即按照纹影法采集得到的强激光远场焦斑的主瓣图像和旁瓣图像)进行归一化处理，将图像数据归一化为0-1之间的doube类型；
b)变更数据类型：将DnCNN算法中相关函数所有参数的数据类型由uint8变更为double；
c)减本底：对DnCNN算法去噪处理后的图像数据再执行减本底操作；
d)灰度等级恢复：将去噪处理和减本底操作后的图像double数据进行灰度级还原，恢复至归一化前的灰度等级，拉伸至0-4095之间。
5.基于CNN的纹影法强激光远场焦斑测量图像去噪模拟方法，其特征在于，包括以下步骤：
1)按照激光远场焦斑强度分布原理，利用仿真软件生成原始远场仿真光束和理想的远场焦斑分布原始图像；
2)对原始远场仿真光束进行分光处理和各自光束衰减处理，将光束分为主瓣光束和旁瓣光束形成主瓣仿真图像和旁瓣仿真图像；对主瓣仿真图像和旁瓣仿真图像增加本地随机噪声以及主瓣光束和旁瓣光束的随机噪声；
3)利用基于残差学习的全卷积去噪网络算法(DnCNN)分别同时对主瓣仿真图像和旁瓣仿真图像进行去噪处理；
4)对去噪处理后的主瓣仿真图像和旁瓣仿真图像进行相应的衰减倍率放大处理；
5)对衰减倍率放大处理后的主瓣仿真图像和旁瓣仿真图像进行焦斑重构，得到模拟去噪的二维图像。
6.根据权利要求5所述的基于CNN的纹影法强激光远场焦斑测量图像去噪模拟方法，其特征在于，步骤1)中使用Matlab编程并运行生成远场焦斑分布原始图像。
7.根据权利要求5所述的基于CNN的纹影法强激光远场焦斑测量图像去噪模拟方法，其特征在于，步骤2)中，为了模拟纹影小球对于旁瓣图像的遮挡效果，在旁瓣仿真图像中将纹影小球区域内的图像灰度值置为0，纹影小球区域外的图像灰度保持不变。
8.根据权利要求5所述的基于CNN的纹影法强激光远场焦斑测量图像去噪模拟方法，其特征在于，步骤3)中，所述基于残差学习的全卷积去噪网络算法(DnCNN)的算法的框架分为三部分：
第一部分为第1层，由卷积层3×3×64和Relu激活函数组成；
第二部分为第2～16层，共15个Unit block单元块组成，每个Unit block单元块由卷积层3×3×64、BN层及激活函数Relu组成；
第三部分由卷积层3×3组成；
通过用期望的噪声残差值和卷积网络计算得到的估计噪声残差值求得对于噪声的估计误差，进行网络参数的更新。
9.根据权利要求5所述的基于CNN的纹影法强激光远场焦斑测量图像去噪模拟方法，其特征在于，步骤5)对衰减倍率放大处理后的主瓣仿真图像和旁瓣仿真图像进行焦斑重构，重构焦斑的分布函数为h(xi,yj)：
式中：
hz(xi,yj)为重构焦斑中单独对应于主瓣区域的分布函数；hp(xi,yj)为重构焦斑中单独对应于旁瓣区域的分布函数；
fz_dn(xi,yj)为主瓣仿真图像减去估计噪声后结果，fp_dn(xi,yj)为旁瓣仿真图像减去估计噪声后结果；
A为主瓣光斑填充区域，B为旁瓣光斑填充区域，C为主瓣光斑和旁瓣光斑的重合区域，d1和d2代表重叠区域主瓣和旁瓣仿真图像所占的比例，且d1+d2＝1，0＜d1＜1，0＜d2＜1,k＝kz；α为原始光束经过分光系统后主瓣光束相比原始光束的比例系数，β为旁瓣光束相比原始光束的比例系数；
Denoise为以DnCNN算法为基础改进得到的去噪函数；fz(xi,yj)为模拟的主瓣CCD上所探测到的分布函数；fp(xi,yj)为模拟的旁瓣CCD探测到的分布函数；nz(x,y)为模拟的主瓣CCD的噪声分布函数，np(x,y)为模拟的旁瓣CCD的噪声分布函数。
10.根据权利要求9所述的基于CNN的纹影法强激光远场焦斑测量图像去噪模拟方法，其特征在于，所述去噪函数是对DnCNN算法作以下调整：
a)归一化：对12位或16位科学CCD采集的输入图像(即按照纹影法采集得到的强激光远场焦斑的主瓣图像和旁瓣图像)进行归一化处理，将图像数据归一化为0-1之间的doube类型；
b)变更数据类型：将DnCNN算法中相关函数所有参数的数据类型由uint8变更为double；
c)减本底：对DnCNN算法去噪处理后的图像数据再执行减本底操作；
d)灰度等级恢复：将去噪处理和减本底操作后的图像double数据进行灰度级还原，恢复至归一化前的灰度等级，拉伸至0-4095之间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751208.2A CN112001956B (zh) | 2020-07-30 | 2020-07-30 | 基于cnn的纹影法强激光远场焦斑测量图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751208.2A CN112001956B (zh) | 2020-07-30 | 2020-07-30 | 基于cnn的纹影法强激光远场焦斑测量图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001956A true CN112001956A (zh) | 2020-11-27 |
| CN112001956B CN112001956B (zh) | 2024-04-09 |
Family
ID=73463257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010751208.2A Active CN112001956B (zh) | 2020-07-30 | 2020-07-30 | 基于cnn的纹影法强激光远场焦斑测量图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001956B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114076751A (zh) * | 2021-11-01 | 2022-02-22 | 上海交通大学 | 一种基于点扫描策略的超分辨显微成像方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010023442A2 (en) * | 2008-08-26 | 2010-03-04 | The University Court Of The University Of Glasgow | Uses of electromagnetic interference patterns |
| JP2017199235A (ja) * | 2016-04-28 | 2017-11-02 | 株式会社朋栄 | 学習型アルゴリズムによるフォーカス補正処理方法 |
| CN109724690A (zh) * | 2018-12-13 | 2019-05-07 | 中国科学院西安光学精密机械研究所 | 基于光谱角度填图的纹影法远场测量焦斑自动重构方法 |
| CN109856238A (zh) * | 2019-03-20 | 2019-06-07 | 北京航空航天大学 | 一种基于超声检测技术的锂离子电池气泡缺陷检测方法 |
-
2020
- 2020-07-30 CN CN202010751208.2A patent/CN112001956B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010023442A2 (en) * | 2008-08-26 | 2010-03-04 | The University Court Of The University Of Glasgow | Uses of electromagnetic interference patterns |
| JP2017199235A (ja) * | 2016-04-28 | 2017-11-02 | 株式会社朋栄 | 学習型アルゴリズムによるフォーカス補正処理方法 |
| CN109724690A (zh) * | 2018-12-13 | 2019-05-07 | 中国科学院西安光学精密机械研究所 | 基于光谱角度填图的纹影法远场测量焦斑自动重构方法 |
| CN109856238A (zh) * | 2019-03-20 | 2019-06-07 | 北京航空航天大学 | 一种基于超声检测技术的锂离子电池气泡缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴从中;陈曦;季栋;詹曙;: "结合深度残差学习和感知损失的图像去噪", 中国图象图形学报, no. 10 * |
| 秦飞;李向平;洪明辉;: "从超振荡透镜到超临界透镜:超越衍射极限的光场调制", 光电工程, no. 08 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114076751A (zh) * | 2021-11-01 | 2022-02-22 | 上海交通大学 | 一种基于点扫描策略的超分辨显微成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001956B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
| CN106709877B (zh) | 一种基于多参数正则优化模型的图像去模糊方法 | |
| CN113837974A (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
| Hoshyar et al. | Comparing the performance of various filters on skin cancer images | |
| CN115063329A (zh) | 低光照环境下的可见光和红外图像融合增强方法及系统 | |
| CN110490816B (zh) | 一种水下异构信息数据降噪方法 | |
| CN104796582A (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
| CN111968047A (zh) | 一种基于生成式对抗网络的自适应光学图像盲复原方法 | |
| CN105118035A (zh) | 基于稀疏表示的自适应光学光斑信号提取方法 | |
| CN112001956B (zh) | 基于cnn的纹影法强激光远场焦斑测量图像去噪方法 | |
| CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
| CN116433518A (zh) | 一种基于改进Cycle-Dehaze神经网络的火灾图像烟雾去除方法 | |
| Ren et al. | SCGA‐Net: Skip Connections Global Attention Network for Image Restoration | |
| Marudhachalam et al. | Fuzzy hybrid filtering techniques for removal of random noise from medical images | |
| CN111340719B (zh) | 基于全连接自动编码机的瞬态图像的数据增强方法 | |
| CN114066786A (zh) | 一种基于稀疏和滤波器的红外和可见光图像融合方法 | |
| Yan et al. | Highly dynamic X-ray image enhancement based on generative adversarial network | |
| Wang et al. | Improved underwater image enhancement model based on atomization images model and deep learning | |
| AKINTOYE et al. | COMPOSITE MEDIAN WIENER FILTER BASED TECHNIQUE FOR IMAGE ENHANCEMENT. | |
| Li et al. | A denoising method based on CNN for the measurement of far-field focal spot of high power laser using Schlieren method | |
| CN111861907B (zh) | 一种高动态范围激光焦斑图像的去噪方法 | |
| CN114118308B (zh) | 基于约束能量最小化变分自编码的高光谱目标检测方法 | |
| He et al. | Based on atrous spatial convolutional and attention mechanism cycle-consistent generative adversarial defogging network | |
| Almas | A novel algorithm for denoising image with deep neural network and spatial filters | |
| Ji et al. | Research on Acceleration Methods of Semi-training Color Stripping DehazeNet |
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 |