CN114596896A - 一种基于忆阻器的图像降噪实现方法 - Google Patents
一种基于忆阻器的图像降噪实现方法 Download PDFInfo
- Publication number
- CN114596896A CN114596896A CN202210253415.4A CN202210253415A CN114596896A CN 114596896 A CN114596896 A CN 114596896A CN 202210253415 A CN202210253415 A CN 202210253415A CN 114596896 A CN114596896 A CN 114596896A
- Authority
- CN
- China
- Prior art keywords
- resistance state
- memristor
- pixel value
- image
- voltage
- 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.)
- Withdrawn
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000033228 biological regulation Effects 0.000 claims abstract description 8
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C13/00—Digital stores characterised by the use of storage elements not covered by groups G11C11/00, G11C23/00, or G11C25/00
- G11C13/0002—Digital stores characterised by the use of storage elements not covered by groups G11C11/00, G11C23/00, or G11C25/00 using resistive RAM [RRAM] elements
- G11C13/0021—Auxiliary circuits
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于忆阻器的图像降噪实现方法，涉及硬件实现图像降噪技术领域，包括以下步骤：S1、图像预处理：将图像像素值转换为与忆阻器对应的调控电压范围，选取具有电致电阻转变和非易失性的忆阻器，所述的忆阻器初始阻态为最高阻态，记最高阻态为HRS，在从0V到V1的扫描电压下阻态不会变化，在从V1到V2的扫描电压调控下呈现从高阻态到低阻态的多个阻态变化的趋势，V2电压调控的忆阻器呈现最低阻态，记最低阻态为LRS2，记V1调控的忆阻器阻态为LRS1，其中0V<|V1|<|V2|，V1与V2同向；本发明相较于软件降噪算法的计算效率受计算机性能的限制，本发明所采用的硬件算法对构建高性能图像降噪识别系统具有一定的指导意义。
Description
技术领域
本发明涉及硬件实现图像降噪技术领域，具体为一种基于忆阻器的图像降噪实现方法。
背景技术
噪声的干扰会导致图像质量的下降，对后续的视觉效果和神经网络图像识别都会产生负面影响。常用的图像信号处理技术除了传统的滤波器算法之外，目前新兴的深度学习算法也能对图像降噪起到较好的效果。现有的图像去噪算法虽然比较完善，但其计算效率受到计算机性能的限制，计算过程需要耗费大量资源和时间。由于忆阻器件具有低功耗、高运行速度、高密度存储等特性，使得忆阻器可以运用于二值和多值存储器方面，还可以运用于图像处理硬件加速系统这一具有现实意义的应用方面。
发明内容
针对现有技术的不足，本发明提供了一种基于忆阻器的图像降噪实现方法，解决了背景技术中提到的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于忆阻器的图像降噪实现方法，包括以下步骤：
S1、图像预处理：将图像像素值转换为与忆阻器对应的调控电压范围，选取具有电致电阻转变和非易失性的忆阻器，所述的忆阻器初始阻态为最高阻态，记最高阻态为HRS，在从0V到V1的扫描电压下阻态不会变化，在从V1到V2的扫描电压调控下呈现从高阻态到低阻态的多个阻态变化的趋势，V2电压调控的忆阻器呈现最低阻态，记最低阻态为LRS2，记V1调控的忆阻器阻态为LRS1，其中0V<|V1|<|V2|，V1与V2同向；
对忆阻器多阻态特性进行函数拟合，拟合后的曲线函数记为R＝F(V)，其中V为从V1到V2的扫描电压，R为忆阻器阻态；
构建图像像素与忆阻器阻态的映射关系：将像素值从P0增大到P2的图像转换为0V到V2的电压值，其中像素值P0对应大小为0V的电压，像素值P2对应大小为V2的电压，像素值增量1对应电压增量为V2/(P2-P0)，根据图像像素值，给忆阻器施加对应电压，得到对应的阻态，其中像素值P0对应的阻态为HRS，像素值P2对应的阻态为LRS2，同时记阻态LRS1对应的像素值为P1，且P0<P1<P2；
S2、噪声信息去除与特征信息保留：通过将图像像素值转换为电压信号并作为忆阻器的输入，读取对应的忆阻器输出电流，再根据忆阻器阻态的变化情况对图像进行降噪与特征信息保留；
S3、信息的多态存储：通过调控器件的输入电压，可以实现多态信息存储，保留更多的图像特征信息。
如上述的基于忆阻器的图像降噪实现方法，其中，优选的是，所述S2中，将图像像素转换为忆阻器输入电压，从P0到P1的像素值所对应的忆阻器阻态为HRS，从P1到P2的像素值所对应的阻态从LRS1变化到LRS2，噪声像素值比特征像素值要小很多，噪声像素值大部分分布在P0到P1之间，而特征像素值大部分分布在P1到P2之间，则噪声像素值被量化为HRS，特征像素值被量化为LRS1到LRS2之间的阻态，再将阻态转换为对应的像素值，得到降噪量化的图像。
本发明与现有技术相比具备以下有益效果：利用忆阻器在不同偏压下呈现的多阻态特性，可以对加噪图像的像素进行量化降噪，从而提高加噪图像在神经网络中的识别准确率，通过将图像像素值转换为电压信号，作为多阻态忆阻器的输入电压，从而改变忆阻器的阻态，读出忆阻器的输出电流，再将输出电流转换为图像像素值，由于施加的电压只有达到一定阈值才会改变忆阻器阻态，因此利用忆阻器能够对带噪声的图像像素进行量化，而噪声信息一般对应较小的像素值，特征信息对应较大的像素值，从而达到图像降噪与特征信息保留的目的，相较于软件降噪算法的计算效率受计算机性能的限制，本发明所采用的硬件算法对构建高性能图像降噪识别系统具有一定的指导意义。
附图说明
图1为本发明忆阻器的结构示意图；
图2为本发明忆阻器的电流-电压曲线图；
图3为本发明忆阻器在施加负偏置扫描电压下的多阻态特性；
图4为本发明对忆阻器在施加负偏置扫描电压下的多阻态进行拟合后的曲线；
图5为本发明基于忆阻器的图像降噪的操作示意图。
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。
请参阅图1-5，图1所示，从下到上依次由底电极、阻变介质层、顶电极三部分组成，图1为忆阻器的电流-电压曲线图，图2为忆阻器在负偏置扫描电压下的多阻态特性，通过对图3的多阻态特性进行函数拟合可以得到图4的拟合曲线，其中忆阻器在-0.7V到-1.5V的电压范围内具有多阻态特性，因此V1＝-0.7V，V2＝-1.5V，曲线函数R＝F(V)＝y＝-745745.17164-1743.63131*x，此处x即为电压V，图5为利用图4的曲线函数对图像做量化降噪的操作示意图，图5中加噪图像像素值为0到255，即P0＝0，P2＝255，本发明提供一种技术方案：一种基于忆阻器的图像降噪实现方法，包括以下步骤：
S1、图像预处理：将图像像素值转换为与忆阻器对应的调控电压范围，选取具有电致电阻转变和非易失性的忆阻器，所述的忆阻器初始阻态为最高阻态，记最高阻态为HRS，在从0V到V1的扫描电压下阻态不会变化，在从V1到V2的扫描电压调控下呈现从高阻态到低阻态的多个阻态变化的趋势，V2电压调控的忆阻器呈现最低阻态，记最低阻态为LRS2，记V1调控的忆阻器阻态为LRS1，其中0V<|V1|<|V2|，V1与V2同向；
对忆阻器多阻态特性进行函数拟合，拟合后的曲线函数记为R＝F(V)，其中V为从V1到V2的扫描电压，R为忆阻器阻态；
构建图像像素与忆阻器阻态的映射关系：将像素值从P0增大到P2的图像转换为0V到V2的电压值，其中像素值P0对应大小为0V的电压，像素值P2对应大小为V2的电压，像素值增量1对应电压增量为V2/(P2-P0)，根据图像像素值，给忆阻器施加对应电压，得到对应的阻态，其中像素值P0对应的阻态为HRS，像素值P2对应的阻态为LRS2，同时记阻态LRS1对应的像素值为P1，且P0<P1<P2；
S2、噪声信息去除与特征信息保留：通过将图像像素值转换为电压信号并作为忆阻器的输入，读取对应的忆阻器输出电流，再根据忆阻器阻态的变化情况对图像进行降噪与特征信息保留；
S3、信息的多态存储：通过调控器件的输入电压，可以实现多态信息存储，保留更多的图像特征信息。
如上述的基于忆阻器的图像降噪实现方法，其中，优选的是，所述S2中，将图像像素转换为忆阻器输入电压，从P0到P1的像素值所对应的忆阻器阻态为HRS，从P1到P2的像素值所对应的阻态从LRS1变化到LRS2，噪声像素值比特征像素值要小很多，噪声像素值大部分分布在P0到P1之间，而特征像素值大部分分布在P1到P2之间，则噪声像素值被量化为HRS，特征像素值被量化为LRS1到LRS2之间的阻态，再将阻态转换为对应的像素值，得到降噪量化的图像。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于忆阻器的图像降噪实现方法，其特征在于：包括以下步骤：
S1、图像预处理：将图像像素值转换为与忆阻器对应的调控电压范围，选取具有电致电阻转变和非易失性的忆阻器，所述的忆阻器初始阻态为最高阻态，记最高阻态为HRS，在从0V到V1的扫描电压下阻态不会变化，在从V1到V2的扫描电压调控下呈现从高阻态到低阻态的多个阻态变化的趋势，V2电压调控的忆阻器呈现最低阻态，记最低阻态为LRS2，记V1调控的忆阻器阻态为LRS1，其中0V<|V1|<|V2|，V1与V2同向；
对忆阻器多阻态特性进行函数拟合，拟合后的曲线函数记为R＝F(V)，其中V为从V1到V2的扫描电压，R为忆阻器阻态；
构建图像像素与忆阻器阻态的映射关系：将像素值从P0增大到P2的图像转换为0V到V2的电压值，其中像素值P0对应大小为0V的电压，像素值P2对应大小为V2的电压，像素值增量1对应电压增量为V2/(P2-P0)，根据图像像素值，给忆阻器施加对应电压，得到对应的阻态，其中像素值P0对应的阻态为HRS，像素值P2对应的阻态为LRS2，同时记阻态LRS1对应的像素值为P1，且P0<P1<P2；
S2、噪声信息去除与特征信息保留：通过将图像像素值转换为电压信号并作为忆阻器的输入，读取对应的忆阻器输出电流，再根据忆阻器阻态的变化情况对图像进行降噪与特征信息保留；
S3、信息的多态存储：通过调控器件的输入电压，可以实现多态信息存储，保留更多的图像特征信息。
2.根据权利要求1所述的一种基于忆阻器的图像降噪实现方法，其特征在于：所述S2中，将图像像素转换为忆阻器输入电压，从P0到P1的像素值所对应的忆阻器阻态为HRS，从P1到P2的像素值所对应的阻态从LRS1变化到LRS2，噪声像素值比特征像素值要小很多，噪声像素值大部分分布在P0到P1之间，而特征像素值大部分分布在P1到P2之间，则噪声像素值被量化为HRS，特征像素值被量化为LRS1到LRS2之间的阻态，再将阻态转换为对应的像素值，得到降噪量化的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210253415.4A CN114596896A (zh) | 2022-03-15 | 2022-03-15 | 一种基于忆阻器的图像降噪实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210253415.4A CN114596896A (zh) | 2022-03-15 | 2022-03-15 | 一种基于忆阻器的图像降噪实现方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114596896A true CN114596896A (zh) | 2022-06-07 |
Family
ID=81817812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210253415.4A Withdrawn CN114596896A (zh) | 2022-03-15 | 2022-03-15 | 一种基于忆阻器的图像降噪实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114596896A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011097687A1 (en) * | 2010-02-11 | 2011-08-18 | Idatamap Pty Ltd | Image matching, data compression and tracking architectures |
| CN106847335A (zh) * | 2016-12-27 | 2017-06-13 | 北京大学 | 基于阻变存储阵列的卷积计算存储一体化设备及方法 |
| EP3404611A1 (en) * | 2017-05-19 | 2018-11-21 | RetinAI Medical GmbH | Reducing noise in an image |
| US10440341B1 (en) * | 2018-06-07 | 2019-10-08 | Micron Technology, Inc. | Image processor formed in an array of memory cells |
| CN111951283A (zh) * | 2020-08-12 | 2020-11-17 | 汪礼君 | 一种基于深度学习的医学图像识别方法及系统 |
| US20210110517A1 (en) * | 2019-10-09 | 2021-04-15 | Siemens Healthcare Gmbh | Method and device for noise reduction in image recordings |
| CN113489484A (zh) * | 2021-03-16 | 2021-10-08 | 上海交通大学 | 一种基于阻变器件的全加器函数实现方法 |
-
2022
- 2022-03-15 CN CN202210253415.4A patent/CN114596896A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011097687A1 (en) * | 2010-02-11 | 2011-08-18 | Idatamap Pty Ltd | Image matching, data compression and tracking architectures |
| CN106847335A (zh) * | 2016-12-27 | 2017-06-13 | 北京大学 | 基于阻变存储阵列的卷积计算存储一体化设备及方法 |
| EP3404611A1 (en) * | 2017-05-19 | 2018-11-21 | RetinAI Medical GmbH | Reducing noise in an image |
| US10440341B1 (en) * | 2018-06-07 | 2019-10-08 | Micron Technology, Inc. | Image processor formed in an array of memory cells |
| US20210110517A1 (en) * | 2019-10-09 | 2021-04-15 | Siemens Healthcare Gmbh | Method and device for noise reduction in image recordings |
| CN111951283A (zh) * | 2020-08-12 | 2020-11-17 | 汪礼君 | 一种基于深度学习的医学图像识别方法及系统 |
| CN113489484A (zh) * | 2021-03-16 | 2021-10-08 | 上海交通大学 | 一种基于阻变器件的全加器函数实现方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHANG YUEJUN , WU ZHIXIN , LIU SHUZHI , GUO ZHECHENG , CHEN QILAI , GAO PINGQI , WANG PENGJUN , LIU GANG: "A Quantized Convolutional Neural Network Implemented With Memristor for Image Denoising and Recognition", FRONTIERS IN NEUROSCIENCE, vol. 15, 16 September 2021 (2021-09-16), pages 2 - 5 * |
| ZHANG YUEJUN等: "A Quantized Convolutional Neural Network Implemented With Memristor for Image Denoising and Recognition", FRONTIERS IN NEUROSCIENCE, 16 September 2021 (2021-09-16), pages 2 - 5 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11263515B2 (en) | Heterogeneous processor architecture for integrating CNN and RNN into single high-performance, low-power chip | |
| US11416744B2 (en) | Max pooling processor based on 1T1R memory | |
| Florencio et al. | Decision-based median filter using local signal statistics | |
| CN112418014A (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
| Patel et al. | Survey on image compression using machine learning and deep learning | |
| CN101620888A (zh) | 多位阶单元存储器的读取方法及应用其的读取电路 | |
| CN114596896A (zh) | 一种基于忆阻器的图像降噪实现方法 | |
| US7672161B2 (en) | Adaptive detection of threshold levels in memory | |
| CN108985151B (zh) | 手写模型训练方法、手写字识别方法、装置、设备及介质 | |
| CN110569763B (zh) | 一种用于细粒度人脸识别的眼镜去除方法 | |
| CN114550173A (zh) | 图像预处理方法、装置、电子设备以及可读存储介质 | |
| Klanke et al. | Variants of unsupervised kernel regression: General cost functions | |
| Sen et al. | A Comparative Analysis of the Algorithms for De-noising Images Contaminated with Impulse Noise | |
| Alshathri et al. | Denoising Letter Images from Scanned Invoices Using Stacked Autoencoders. | |
| CN114692745A (zh) | 数据处理方法、装置、集成芯片、电子设备及存储介质 | |
| Sabeenian et al. | High-density salt & pepper noise removal using machine learning | |
| DE112021002742T5 (de) | Training oszillatorischer neuronaler netze | |
| CN112734786A (zh) | 一种基于hsv颜色空间的自适应葡萄叶图像分割方法 | |
| CN114692076A (zh) | 一种忆阻器芯片及其操作方法 | |
| Wang et al. | A Weight Importance Analysis Technique for Area-and Power-Efficient Binary Weight Neural Network Processor Design | |
| CN117131917A (zh) | 一种忆阻器神经网络权重训练方法 | |
| CN111583292B (zh) | 一种面向双光子钙成像视频数据的自适应图像分割方法 | |
| US20240089628A1 (en) | Image Compression using Integrated Circuit Devices having Analog Inference Capability | |
| CN114612838A (zh) | 一种基于显著区域视频行人再识别方法、系统、设备和存储介质 | |
| CN115937866A (zh) | 一种基于rpa和ai的图像文本识别方法及相关产品 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220607 |
|
| WW01 | Invention patent application withdrawn after publication |