CN115049565A - 训练方法、训练装置、电子设备和存储介质 - Google Patents
训练方法、训练装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115049565A CN115049565A CN202210965579.XA CN202210965579A CN115049565A CN 115049565 A CN115049565 A CN 115049565A CN 202210965579 A CN202210965579 A CN 202210965579A CN 115049565 A CN115049565 A CN 115049565A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- model
- noise
- discriminator
- 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
- 238000012549 training Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012804 iterative process Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001000 micrograph Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000001878 scanning electron micrograph Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 239000000463 material Substances 0.000 description 4
- 238000010894 electron beam technology Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种训练方法、训练装置、电子设备和存储介质。训练方法包括执行如下迭代处理:将噪声图像和清晰图像输入预训练模型的判别器网络;计算判别器网络的第一判别结果与图像对应度的第一误差;将预训练模型的去噪器处理得到的去噪图像和清晰图像输入判别器;计算判别器输出的第二判别结果与图像对应度的第二误差;根据第一误差和第二误差更新判别器网络的权重;训练预训练模型的去噪器网络;在迭代次数每达到预定次数后,保存一个训练后的模型;选取一个训练后的模型作为图像降噪模型。如此,通过选取满足预定次数的迭代后保存的训练后的模型来使用,可以基于训练结果的随机性实现网络自行估计图像噪声特征的目的。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种训练方法、训练装置、电子设备和存储介质。
背景技术
随着电子显微镜的广泛应用,受限于电子显微镜的成像特点,需要对电子显微镜图像进行降噪处理。其中传统滤波方法效果较差,而使用神经网络方法时,一般训练得到的神经网络在实际的电子显微镜图像降噪处理中的表现不佳。因此,如何基于合适的训练方法训练得到图像降噪模型来使用成为待解决的问题。
发明内容
本申请实施方式提供一种图像降噪模型的训练方法、训练装置、电子显微镜和存储介质。
本申请实施方式的训练方法用于电子显微镜图像,所述训练方法包括:
执行如下迭代处理:
将噪声图像和清晰图像输入预训练模型的判别器网络;
计算所述判别器网络的第一判别结果与图像对应度的第一误差,所述图像对应度为判别器根据输入的所述噪声图像和所述清晰图像而输出的判别结果,若所述噪声图像和所述清晰图像对应,所述判别结果作为第一结果,若所述噪声图像和所述清晰图像不对应,所述判别结果作为第二结果;
将所述预训练模型的去噪器处理得到的去噪图像和所述清晰图像输入所述判别器;
计算所述判别器输出的第二判别结果与所述图像对应度的第二误差;
根据所述第一误差和所述第二误差更新所述判别器网络的权重;
训练所述预训练模型的去噪器网络;
在迭代次数每达到预定次数后,保存一个训练后的模型;
选取一个训练后的模型作为图像降噪模型。
如此,训练方法更好地适合用于具有特征性的电子显微镜的图像降噪处理场景,通过选取满足预定次数的迭代后保存的训练后的模型来使用,可以基于训练结果的随机性实现网络自行估计图像噪声特征的目的。
在某些实施方式中,所述训练方法包括:
以n×n格子的中心位置的一个像素作为像素点,从原始图像中采样得到所述噪声图像;
对n×n格子中的n^2个像素进行加权平均处理后作为一个像素点,从所述原始图像中采样得到所述清晰图像;
且所述加权平均处理的方法为:
计算所述n^2个像素中所有点的灰度的均值和标准差;
剔除所述n^2个像素中灰度偏离均值三个标准差的点;
计算所述n^2个像素中剩余点的灰度的均值μ和标准差σ;
计算所述n^2个像素中剩余点的灰度的加权平均值。
在某些实施方式中,n为4,且γ的取值范围为0.7~0.8。
在某些实施方式中,所述训练方法包括:
在更新所述判别器网络的权重时,保持所述去噪器网络的权重不变。
在某些实施方式中,所述训练所述预训练模型的去噪器网络,包括:
将所述去噪图像和所述噪声图像输入所述判别器;
计算根据所述判别器输出的第三判别结果与所述第二结果之间的第三误差;
计算所述去噪图像与所述清晰图像之间的L1距离;
根据所述L1距离和所述第三误差,更新所述去噪器网络的权重。
在某些实施方式中,所述选取一个训练后的模型作为图像降噪模型,包括:
测试最新的第一预定数量的所述训练后的模型;
基于测试结果,若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值大于预定峰值信噪比,将后得到的训练后的模型作为所述图像降噪模型;
若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值小于或等于预定峰值信噪比,将前得到的训练后的模型作为所述图像降噪模型。
在某些实施方式中,所述训练方法包括:
在得到第二预定数量的所述训练后的模型后,以预定倍率减小更新所述判别器网络的权重和所述去噪器网络的权重时的学习率,其中,得到所述训练后的模型越多,预定倍率减小的频率越大。
本申请提供一种训练装置,所述训练装置包括:
迭代模块,所述迭代模块包括第一输入单元、第一计算单元、第二输入单元、第二计算单元、更新单元、训练单元、保存单元和选取单元,所述迭代模块用于执行如下迭代处理:
所述第一输入单元用于将噪声图像和清晰图像输入预训练模型的判别器网络;
所述第一计算单元用于计算所述判别器网络的第一判别结果与图像对应度的第一误差,所述图像对应度为判别器根据输入的所述噪声图像和所述清晰图像而输出的判别结果,若所述噪声图像和所述清晰图像对应,所述判别结果作为第一结果,若所述噪声图像和所述清晰图像不对应,所述判别结果作为第二结果;
所述第二输入单元用于将所述预训练模型的去噪器处理得到的去噪图像和所述清晰图像输入所述判别器;
所述第二计算单元用于计算所述判别器输出的第二判别结果与所述图像对应度的第二误差;
所述更新单元用于根据所述第一误差和所述第二误差更新所述判别器网络的权重;
所述训练单元用于训练所述预训练模型的去噪器网络;
所述保存单元用于在迭代次数每达到预定次数后,保存一个训练后的模型;
所述选取单元用于选取一个训练后的模型作为图像降噪模型。
本申请提供一种电子设备,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序以实现以上任一实施方式所述的训练方法。
本申请实施方式提供一种计算机可执行指令的非易失性计算机可读存储介质,当所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行以上任一实施方式所述的训练方法。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解,其中:
图1是本申请实施方式中的训练方法的流程示意图;
图2是本申请实施方式中的训练装置的模块示意图;
图3是本申请实施方式中的电子设备的模块示意图;
图4是本申请实施方式中的训练方法的整体模块结构示意图;
图5是本申请实施方式中的判别器网络大致结构示意图;
图6是本申请实施方式中的去噪器网络结构示意图;
图7是本申请实施方式中的训练方法的流程示意图;
图8是本申请实施方式中的训练方法的流程示意图;
图9是本申请实施方式中的训练方法的流程示意图;
图10是本申请实施方式中的训练方法的流程示意图;
图11是本申请实施方式中的训练方法的流程示意图;
图12是本申请实施方式中的训练方法的流程示意图;
图13a是本申请实施方式获得的噪声图像;
图13b是本申请实施方式获得的清晰图像(γ取值为0.7);
图13c是本申请实施方式获得的清晰图像(γ取值为0.8);
图14a是本申请实施方式获得的清晰图像(γ取值为0.5);
图14b是本申请实施方式获得的清晰图像(γ取值为1.2);
图15是本申请实施方式中电子显微镜采样获得的原始图像;
图16是本申请实施方式中图像降噪模型处理后的清晰图像。
主要元件符号说明:
电子设备100、处理器11、存储器12、训练装置200、迭代模块21、采样模块22。
具体实施方式
下面详细描述本申请的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本申请。此外,本申请可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本申请提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
请参阅图1,本申请实施方式提供一种图像降噪模型的训练方法,训练方法包括:
执行如下迭代处理:
S10:将噪声图像和清晰图像输入预训练模型的判别器网络;
S20:计算判别器网络的第一判别结果与图像对应度的第一误差,图像对应度为判别器根据输入的噪声图像和清晰图像而输出的判别结果,若噪声图像和清晰图像对应,判别结果作为第一结果,若噪声图像和清晰图像不对应,判别结果作为第二结果;
S30:将预训练模型的去噪器处理得到的去噪图像和清晰图像输入判别器;
S40:计算判别器输出的第二判别结果与图像对应度的第二误差;
S50:根据第一误差和第二误差更新判别器网络的权重;
S60:训练预训练模型的去噪器网络;
S70:在迭代次数每达到预定次数后,保存一个训练后的模型;
S80:选取一个训练后的模型作为图像降噪模型。
请参阅图2,本申请实施方式提供一种训练装置200,训练装置200包括迭代模块21,迭代模块21用于执行本训练方法中的迭代处理。
具体地,迭代模块21包括迭代模块21包括第一输入单元、第一计算单元、第二输入单元、第二计算单元、更新单元、训练单元、保存单元和选取单元,第一输入单元用于将噪声图像和清晰图像输入预训练模型的判别器网络;第一计算单元用于计算判别器网络的第一判别结果与图像对应度的第一误差,图像对应度为判别器根据输入的噪声图像和清晰图像而输出的判别结果,若噪声图像和清晰图像对应,判别结果作为第一结果,若噪声图像和清晰图像不对应,判别结果作为第二结果;第二输入单元用于将预训练模型的去噪器处理得到的去噪图像和清晰图像输入判别器;第二计算单元用于计算判别器输出的第二判别结果与图像对应度的第二误差;更新单元用于根据第一误差和第二误差更新判别器网络的权重;训练单元用于训练预训练模型的去噪器网络;保存单元用于在迭代次数每达到预定次数后,保存一个训练后的模型;选取单元用于选取一个训练后的模型作为图像降噪模型。
请参阅图3,本申请实施方式提供一种电子设备100,包括存储器12和处理器11,存储器12用于存储计算机程序,处理器11用于执行计算机程序以用于执行如下迭代处理:
将噪声图像和清晰图像输入预训练模型的判别器网络;计算判别器网络的第一判别结果与图像对应度的第一误差,图像对应度为判别器根据输入的噪声图像和清晰图像而输出的判别结果,若噪声图像和清晰图像对应,判别结果作为第一结果,若噪声图像和清晰图像不对应,判别结果作为第二结果;将预训练模型的去噪器处理得到的去噪图像和清晰图像输入判别器;计算判别器输出的第二判别结果与图像对应度的第二误差;根据第一误差和第二误差更新判别器网络的权重;训练预训练模型的去噪器网络;在迭代次数每达到预定次数后,保存一个训练后的模型;选取一个训练后的模型作为图像降噪模型。
具体地,电子设备100可以是各种类的计算机。
本申请实施方式的图像降噪模型的训练方法中,训练方法更好地适合用于具有特征性的电子显微镜的图像降噪处理场景,通过选取满足预定次数的迭代后保存的训练后的模型来使用,可以基于训练结果的随机性实现网络自行估计图像噪声特征的目的。
本申请中的电子显微镜扫描电子显微镜(Scanning Electron Microscope,SEM,简称SEM),是继透射电镜(TEM)之后发展起来的一种电子显微镜。SEM的成像原理和光学显微镜、透射电子显微镜不同,它是以电子束作为照明源,把聚焦得很细的电子束以光栅状扫描方式照射到试样上,通过电子与试样相互作用产生的二次电子、背散射电子等,然后加以收集和处理从而获得微观形貌放大像。
电子显微镜,以下简称SEM,成像特点为:SEM的成像方式是逐点扫描成像,让电子束在一个点上照射一定时间可以获取图像的一个像素点,这个时间一般在0.1~10微秒。驻留时间越长图像噪声越小。其次,SEM的探测器输出的数据范围在0~4096,而实际用于显示的图像的灰度范围是0~255,为了获得较好的显示效果,通常会将0~4096中数据较丰富的一段映射到0~255。最后,SEM在成像过程中由于热扰动等原因,即使不对机器进行任何操作,前后获得的两张图像也会发生明显的移动,相隔时间越长移动越明显,这称为飘移。
那么,在实际使用过程中,常常需要快速寻找到目标。由于其成像特点的原因,获得一张图像清晰的能够看清细节的图像需要较长的时间,因此在寻找目标时候的时候,成像的点驻留时间通常很短。但这样的图像中包含大量噪声,细节难以辨认。因此需要对图像进行降噪处理,但是传统滤波方法效果都很差。而使用神经网络方法时,一般训练得到的神经网络在实际的电子显微镜图像降噪处理中的表现不佳。因此,如何基于合适的训练方法训练得到图像降噪模型来使用成为待解决的问题。
具体地,本申请中的训练方法通过迭代执行步骤S10到步骤S60,更好地适用于具有特征性的SEM图像降噪处理场景。并且由于SEM图像噪声来源复杂,特点难以分析和表征,那么本申请的步骤S70中,在迭代次数每达到预定次数后,保存一个训练后的模型,最后经过步骤S80选择效果最好的一个训练后的模型来使用,从而可以基于训练结果的随机性,实现网络自行估计SEM图像噪声特征的目的。
进一步地,请参阅图4-图6,结合理解本训练方法。图4示出了训练方法的整体模块结构示意图,图5为判别器网络大致结构示意图,图6为去噪器网络结构示意图。可以理解,本申请的训练方法首先训练判别器,然后训练去噪器。
在训练判别器时,可以经过步骤S10,将噪声图像和清晰图像输入预训练模型的判别器网络,其中噪声图像和清晰图像的采样在下文详细介绍。
然后经过步骤S20,计算判别器网络的第一判别结果与图像对应度的第一误差,图像对应度为判别器根据输入的噪声图像和清晰图像而输出的判别结果,若噪声图像和清晰图像对应,判别结果作为第一结果,若噪声图像和清晰图像不对应,判别结果作为第二结果。在步骤S20中,计算判别器网络的第一判别结果与图像对应度的第一误差应该为计算判别器网络的第一判别结果与第一结果的第一误差,这样可以计算第一判别结果与完全对应的第一结果之间存在的误差,判断判别器网络的第一判别结果是否准确、误差有多大。
在一个实施例中,训练判别器,需要判别器判断清晰图像是不是相应的噪声图像对应的清晰图像,如果是则输出1,即判别结果为第一结果,也即图像对应度为1,否则则输出0,即判别结果为第二结果,也即图像对应度为0。那么先将噪声图像和清晰图像输入给判别器网络,然后处理器11计算判别器的输出结果与1之间误差,即计算判别器网络的第一判别结果与第一结果的第一误差。
然后经过步骤S30,去噪器对输入的这组噪声图像进行处理得到去噪图像,处理可以是经过多个卷积、下采样、上采样之后得到去噪图像。然后将去噪图像和输入的清晰图像再次输入到判别器。
然后经过步骤S40,判别器依旧对去噪图像和清晰图像做图像对应度的判别,输出第二判别结果,处理器11计算第二判别结果与图像对应度的第二误差,需要说明的是,此时用于计算第二误差的图像对应度为第二结果,也即图像对应度为0;也即处理器11计算第二判别结果与0之间的误差得到第二误差。
然后经过步骤S50,根据第一误差和第二误差更新判别器网络的权重。此处参照图6,将两个误差进行反向传播,更新判别器网络的权重。
然后经过步骤S60,训练预训练模型的去噪器网络。此处需要说明的是训练一次或多次判别器之后,训练一次去噪器。
这样,在步骤S70中,预定次数可以为10000次,也即经过10000次迭代的步骤S10-步骤S60后,在步骤S70中保存一个训练后的模型。并在步骤S80中,选取一个训练后的模型作为图像降噪模型。
特别地,可以在保存有30个训练后的模型后停止训练,并在第8个之后所保存的模型中选择效果最好的一个训练后的模型来作为图像降噪模型来使用。
请参阅图7,在某些实施方式中,训练方法包括:
S51:在更新判别器网络的权重时,保持去噪器网络的权重不变。
在某些实施方式中,更新单元用于在更新判别器网络的权重时,保持去噪器网络的权重不变。
在某些实施方式中,处理器11用于在更新判别器网络的权重时,保持去噪器网络的权重不变。
具体地,在步骤S50,根据第一误差和第二误差更新判别器网络的权重。此处参照图6,将两个误差进行反向传播,更新判别器网络的权重。特别地,训练方法还经过步骤S51,在更新判别器网络权重的同时保持去噪器网络的权重不变。
请参阅图8,在某些实施方式中,训练预训练模型的去噪器网络(S60),包括:
S61:将去噪图像和噪声图像输入判别器;
S62:计算根据判别器输出的第三判别结果与第二结果之间的第三误差;
S63:计算去噪图像与清晰图像之间的L1距离;
S64:根据L1距离和第三误差,更新去噪器网络的权重。
在某些实施方式中,训练单元用于将去噪图像和噪声图像输入判别器;及用于计算根据判别器输出的第三判别结果与第二结果之间的第三误差;及用于计算去噪图像与清晰图像之间的L1距离;及用于根据L1距离和第三误差,更新去噪器网络的权重。
在某些实施方式中,处理器11用于将去噪图像和噪声图像输入判别器;及用于计算根据判别器输出的第三判别结果与第二结果之间的第三误差;及用于计算去噪图像与清晰图像之间的L1距离;及用于根据L1距离和第三误差,更新去噪器网络的权重。
如此,可以完成对去噪器的训练,更好地适用于具有特征性的SEM图像降噪处理场景。
具体地,在步骤S61-步骤S64中,在一个实施例中,将噪声图像输入去噪器,经过多个卷积、下采样、上采样之后得到去噪图像;然后将噪声图像和去噪图像输入判别器,计算判别器的第三判断结果与第二结果,即计算第三判别结果与0之间的误差,得到第三误差;然后计算去噪图像和清晰图像之间的L1距离;最后根据L1距离和判别器的输出误差,更新去噪器网络的权重,特别地,此时只更新去噪器网络的权重,保持判别器网络权重不变。另外,在训练一次或多次判别器之后,才训练一次去噪器。
请参阅图9,在某些实施方式中,选取一个训练后的模型作为图像降噪模型(步骤S80),包括:
S81:测试最新的第一预定数量的训练后的模型;
S82:基于测试结果,若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值大于预定峰值信噪比,将后得到的训练后的模型作为图像降噪模型;
S83:若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值小于或等于预定峰值信噪比,将前得到的训练后的模型作为图像降噪模型。
在某些实施方式中,选取单元用于测试最新的第一预定数量的训练后的模型;及用于基于测试结果,若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值大于预定峰值信噪比,将后得到的训练后的模型作为图像降噪模型;及用于若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值小于或等于预定峰值信噪比,将前得到的训练后的模型作为图像降噪模型。
在某些实施方式中,处理器11用于测试最新的第一预定数量的训练后的模型;及用于基于测试结果,若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值大于预定峰值信噪比,将后得到的训练后的模型作为图像降噪模型;及用于若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值小于或等于预定峰值信噪比,将前得到的训练后的模型作为图像降噪模型。
如此,可以选取到效果最好的一个训练后的模型来作为图像降噪模型来使用。
具体地,在步骤S81-步骤S83中,在一个实施例中,第一预定数量可以为30。
对30个训练后的模型进行测试,以测试集上平均峰值信噪比(PSNR)作为参考,若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值大于预定峰值信噪比,将后得到的训练后的模型作为图像降噪模型。在实施例中,可以是如果后面的结果显著高于(0.7个PSNR)前面的,则选择靠后得到的模型作为图像降噪模型。
若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值小于或等于预定峰值信噪比,将前得到的训练后的模型作为图像降噪模型,在实施例中,可以是如果前后的差别不明显,选择稍靠前的PSNR变化开始明显变得缓慢时的模型作为图像降噪模型。
请参阅图10,在某些实施方式中,训练方法包括:
S71:在得到第二预定数量的训练后的模型后,以预定倍率减小更新判别器网络的权重和去噪器网络的权重时的学习率,其中,得到训练后的模型越多,预定倍率减小的频率越大。
在某些实施方式中,单元模块用于在得到第二预定数量的训练后的模型后,以预定倍率减小更新判别器网络的权重和去噪器网络的权重时的学习率,其中,得到训练后的模型越多,预定倍率减小的频率越大。
在某些实施方式中,处理器11用于在得到第二预定数量的训练后的模型后,以预定倍率减小更新判别器网络的权重和去噪器网络的权重时的学习率,其中,得到训练后的模型越多,预定倍率减小的频率越大。
具体地,第二预定数量可以有多个,在一个实施例中,进行10000次迭代之后,即为完成预定次数的迭代,保存一个训练后的模型。在第10,15,20,25,28,30次预定次数的迭代之后,以倍率0.6 减小更新判别器网络的权重和去噪器网络的权重时学习率。
进一步地,可以在完成30次预定次数的迭代后停止训练,从第8个保存的训练后的模型之后所保存的训练之后的模型中选择效果最好的一个结果来使用。
请参阅图11和图12,在某些实施方式中,训练方法包括:
步骤S01:以n×n格子的中心位置的一个像素作为像素点,从原始图像中采样得到噪声图像;
步骤S02:对n×n格子中的n^2个像素进行加权平均处理后作为一个像素点,从原始图像中采样得到清晰图像;
且加权平均处理的方法为:
步骤S021:计算n^2个像素中所有点的灰度的均值和标准差;
步骤S022:剔除n^2个像素中灰度偏离均值三个标准差的点;
步骤S023:计算n^2个像素中剩余点的灰度的均值μ和标准差σ;
步骤S025:计算n^2个像素中剩余点的灰度的加权平均值。
在某些实施方式中,训练装置200还包括采样模块22,采样模块22用于以n×n格子的中心位置的一个像素作为像素点,从原始图像中采样得到噪声图像;及用于对n×n格子中的n^2个像素进行加权平均处理后作为一个像素点,从原始图像中采样得到清晰图像;及用于计算n^2个像素中所有点的灰度的均值和标准差;及用于剔除n^2个像素中灰度偏离均值三个标准差的点;及用于计算n^2个像素中剩余点的灰度的均值μ和标准差σ;及用于计算n^2个像素中每个剩余点的权重w;以及用于计算n^2个像素中剩余点的灰度的加权平均值。
在某些实施方式中,处理器11用于以n×n格子的中心位置的一个像素作为像素点,从原始图像中采样得到噪声图像;及用于对n×n格子中的n^2个像素进行加权平均处理后作为一个像素点,从原始图像中采样得到清晰图像;及用于计算n^2个像素中所有点的灰度的均值和标准差;及用于剔除n^2个像素中灰度偏离均值三个标准差的点;及用于计算n^2个像素中剩余点的灰度的均值μ和标准差σ;及用于计算n^2个像素中每个剩余点的权重w;以及用于计算n^2个像素中剩余点的灰度的加权平均值。
如此,可以实现对噪声图像的采样,并且该采样方法在训练数据集上尽可能地保留了原始噪声的特征;并且还可以实现对清晰图像的采样,可以降低数据采集要求,为模型训练提供大量的噪声-清晰图像对,且所提供的噪声-清晰图像图对能够很好地保留原始噪声的特征,从而提高训练得到的网络在实际的SEM图像降噪处理中的表现。
具体地,如上文所述,训练降噪模型时一般选择使用神经网络的方法。而使用神经网络降噪首先需要获取数据。传统地,获取用于训练神经网络的图像的一般做法是拍摄两张除质量外完全一样的图像分别作为噪声图像和清晰图像。但是,由于SEM的成像特点,使得获得大量数据的时间非常长,没有足够的数据神经网络无法获取较好的效果;并且,使得通过这种方法获得的两张图像无法完全对齐,虽然可以引入其他对齐的方法,但难以保证正确性,同时可能会引入额外的错误信息误导神经网络。
另外一种用于获取训练数据的方法是在清晰的图像中人为地添加噪声。但是由于SEM的成像特点,数据映射转换过程中会丢失一些信息,这在低噪声的图像中丢失不是很严重,但是在高噪声的图像中丢失情况比较严重。这使得实时图像中的噪声分布既不是高斯噪声也不是泊松噪声。因此这种方法训练得到的神经网络在实际的SEM图像中效果也并不理想。
因此本申请中使用特殊的方法获取噪声-清晰图像对。其中,可以基于步骤S01采样得到噪声图像。例如,在一个实施例中,以n×n(n=3,4)为一个格子,取格子的中心位置附加的一个像素作为噪声图像的一个像素点,这样,将一个高宽nH×nW的原始图像中采样得到一张大小为H×W的噪声图像。另外,格子大小一般为4x4,原始图像较小时使用3x3。
然后可以基于步骤S02采样得到清晰图像,把n×n的格子n^2个像素加权平均值作为清晰图像的一个像素点,从而将一个高宽nH×nW的原始图像中采样得到一张大小为H×W的清晰图像。
特别地,加权方法为步骤S021-步骤S025,首先计算这n^2个值的均值和标准差;然后,剔除偏离均值三个标准差的点;接着重新计算剩余点的灰度的均值μ和标准差σ;然后按计算式,计算每个剩余点的权重,其中ν为当前计算点的灰度值,μ为所述n^2个像素中剩余点的灰度的均值,σ为n^2个像素中剩余点的灰度的标准差,γ为0.5~2.0中的任一值,一般可以取0.75,最后进行加权平均。这样,便完成了对清晰图像的采样。
需要说明的是,基于电子显微镜的图像采样特点,从原始图像数据中提取n×n格子的中心位置的像素点得到噪声图像,即像素直接缩小n^2倍的“原始图像”,直接保留了电子显微镜的图像噪音;基于上述采样方法以及噪声特点,通过尝试多种加权方法,优选出上述加权方式,对于显著偏离均值的噪音可以直接剔除,对于接近均值的噪音可以通过加权弱化其影响,使获得的清晰图像接近实际图像。
采用上述方式提供的噪声图像和清晰图像,能够较好地保留原始噪声的特征,从而提高训练得到的网络在实际的SEM图像降噪处理中的表现。可以理解的是,直接采用上述采样方法也可以对电子显微镜图像降噪,但处理效率极低,而采用训练方法训练后得到的图像降噪模型进行降噪,在训练完成后对图像降噪的效率较高。以及,通过其它方式直接获得清晰图像,如增加驻留时间,则由于图像漂移等问题,会导致噪声图像和清晰图像无法完全对齐,虽然可以引入其他对齐的方法,但难以保证正确性,同时可能会引入额外的错误信息误导神经网络;在清晰图像中人工添加噪声,无法再现电子显微镜的图像噪音特点,训练得到的网络在降噪工作中的表现不佳。
在本申请中,还需要说明的是,每次迭代随机选取batchSize(一般取16或32)张图片,然后再从每张图片中选取patchSize x patchSize(一般取128或256)大小的区域。随机选取的原因一是显卡显存有限,二是一次给太多会导致模型收敛缓慢,太少导致模型不稳定无法收敛。
这是由于神经网络的训练要求一次输入多张大小一样的图像,而实际图像大小各异。除去上文的随机选取的方法,另一种方法是把大图像切成相同大小的小块,但是这样每次调整patchSize时都需要重新制作数据集,非常麻烦且占用磁盘空间。另一个原因是patchSize相当于网络一次看到的最大范围,batchSize和patchSize都会对网络训练时的收敛有一定影响。
综上所述,本申请的训练方法中,采样一种特殊的采样方式获取噪声-清晰图像对。该方法在训练数据集上尽可能地保留了原始噪声的特征,让网络自己学习其中的特征。同时,使用GAN+UNet的网络框架,使用PyTorch进行训练。
这样,在采样时,可以降低数据采集要求,为模型训练提供大量的噪声-清晰图像图对,且所提供的噪声-清晰图像图对能够很好地保留原始噪声的特征,从而提高训练得到的网络在实际的SEM图像降噪处理中的表现。对训练方法的具体优化,也可以更好地适用于具有特征性的SEM图像降噪处理场景;且由于SEM图像噪声来源复杂,特点难以分析和表征,通过在不同次预定次数迭代后保存的训练后的模型中,选择效果最好的一个训练后的模型来作为图像降噪模型来使用,可以基于训练结果的随机性,实现网络自行估计SEM图像噪声特征的目的。
在某些实施方式中,n为4,且γ的取值范围为0.7~0.8。具体地,本申请中为针对不同n值,γ可以有不同取值。其中,n为4是电子显微镜最常用的图像采样率,此时γ取值范围为0.7~0.8,对于噪声的弱化效果较好。
还需要说明的是,为了说明γ取值不同带来的影响,请参阅图13a、图13b、图13c、图14a和图14b,其中图13a、图13b以及图13c依次为按照上述方法获得的噪声图像、清晰图像(γ取值为0.7)、清晰图像(γ取值为0.8);从图14a到图14b依次为按照上述方法获得的清晰图像(γ取值为0.5)、清晰图像(γ取值为1.2)。可以容易理解,图13a、图13b、图13c、图14a和图14b说明了在γ取值范围为0.7~0.8的情况下,对于噪声的弱化效果较好。特别地,在一些实施方式中,γ一般可以取0.75。
另外,综上所述,还请参阅图15和图16,图15为电子显微镜采样获得的原始图像,图16为经过被训练方法训练完成的图像降噪模型处理后的清晰图像。图15至图16显示了应用本申请的训练方法训练所得的图像降噪模型对原始图像的降噪效果。
本申请实施方式提供了一种存储有计算机程序的非易失性计算机可读存储介质,当计算机程序被一个或多个处理器11执行时,使得处理器11执行以上任一实施方式的图像降噪模型的训练方法。
具体地,在一个实施例中,处理器11可以为中央处理器(Central ProcessingUnit,CPU)。处理器11还可以为其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
计算机程序可以被存储在存储器12中,存储器12作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如上述方法实施例中的方法所对应的程序指令/模块。处理器11通过运行存储在存储器12中的非暂态软件程序、指令以及模块,从而执行处理器11的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,实现的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器12的组合。
在本说明书的描述中,参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
Claims (10)
1.一种图像降噪模型的训练方法,用于电子显微镜图像,其特征在于,所述训练方法包括:
执行如下迭代处理:
将噪声图像和清晰图像输入预训练模型的判别器网络;
计算所述判别器网络的第一判别结果与图像对应度的第一误差,所述图像对应度为判别器根据输入的所述噪声图像和所述清晰图像而输出的判别结果,若所述噪声图像和所述清晰图像对应,所述判别结果作为第一结果,若所述噪声图像和所述清晰图像不对应,所述判别结果作为第二结果;
将所述预训练模型的去噪器处理得到的去噪图像和所述清晰图像输入所述判别器;
计算所述判别器输出的第二判别结果与所述图像对应度的第二误差;
根据所述第一误差和所述第二误差更新所述判别器网络的权重;
训练所述预训练模型的去噪器网络;
在迭代次数每达到预定次数后,保存一个训练后的模型;
选取一个训练后的模型作为图像降噪模型。
2.根据权利要求1所述的训练方法,其特征在于,所述训练方法包括:
以n×n格子的中心位置的一个像素作为像素点,从原始图像中采样得到所述噪声图像;
对n×n格子中的n^2个像素进行加权平均处理后作为一个像素点,从所述原始图像中采样得到所述清晰图像;
且所述加权平均处理的方法为:
计算所述n^2个像素中所有点的灰度的均值和标准差;
剔除所述n^2个像素中灰度偏离均值三个标准差的点;
计算所述n^2个像素中剩余点的灰度的均值μ和标准差σ;
计算所述n^2个像素中剩余点的灰度的加权平均值。
3.根据权利要求2所述的训练方法,其特征在于,n为4,且γ的取值范围为0.7~0.8。
4.根据权利要求1所述的训练方法,其特征在于,所述训练方法包括:
在更新所述判别器网络的权重时,保持所述去噪器网络的权重不变。
5.根据权利要求1所述的训练方法,其特征在于,所述训练所述预训练模型的去噪器网络,包括:
将所述去噪图像和所述噪声图像输入所述判别器;
计算根据所述判别器输出的第三判别结果与所述第二结果之间的第三误差;
计算所述去噪图像与所述清晰图像之间的L1距离;
根据所述L1距离和所述第三误差,更新所述去噪器网络的权重。
6.根据权利要求1所述的训练方法,其特征在于,所述选取一个训练后的模型作为图像降噪模型,包括:
测试最新的第一预定数量的所述训练后的模型;
基于测试结果,若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值大于预定峰值信噪比,将后得到的训练后的模型作为所述图像降噪模型;
若后得到的训练后的模型的峰值信噪比与前得到的训练后的模型的峰值信噪比的差值小于或等于预定峰值信噪比,将前得到的训练后的模型作为所述图像降噪模型。
7.根据权利要求1所述的训练方法,其特征在于,所述训练方法包括:
在得到第二预定数量的所述训练后的模型后,以预定倍率减小更新所述判别器网络的权重和所述去噪器网络的权重时的学习率,其中,得到所述训练后的模型越多,预定倍率减小的频率越大。
8.一种训练装置,其特征在于,所述训练装置包括:
迭代模块,所述迭代模块包括第一输入单元、第一计算单元、第二输入单元、第二计算单元、更新单元、训练单元、保存单元和选取单元,所述迭代模块用于执行如下迭代处理:
所述第一输入单元用于将噪声图像和清晰图像输入预训练模型的判别器网络;
所述第一计算单元用于计算所述判别器网络的第一判别结果与图像对应度的第一误差,所述图像对应度为判别器根据输入的所述噪声图像和所述清晰图像而输出的判别结果,若所述噪声图像和所述清晰图像对应,所述判别结果作为第一结果,若所述噪声图像和所述清晰图像不对应,所述判别结果作为第二结果;
所述第二输入单元用于将所述预训练模型的去噪器处理得到的去噪图像和所述清晰图像输入所述判别器;
所述第二计算单元用于计算所述判别器输出的第二判别结果与所述图像对应度的第二误差;
所述更新单元用于根据所述第一误差和所述第二误差更新所述判别器网络的权重;
所述训练单元用于训练所述预训练模型的去噪器网络;
所述保存单元用于在迭代次数每达到预定次数后,保存一个训练后的模型;
所述选取单元用于选取一个训练后的模型作为图像降噪模型。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序以实现如权利要求1-7任一项所述的训练方法。
10.一种计算机可执行指令的非易失性计算机可读存储介质,其特征在于,当所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行权利要求1-7中任一项所述的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210965579.XA CN115049565B (zh) | 2022-08-12 | 2022-08-12 | 训练方法、训练装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210965579.XA CN115049565B (zh) | 2022-08-12 | 2022-08-12 | 训练方法、训练装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049565A true CN115049565A (zh) | 2022-09-13 |
CN115049565B CN115049565B (zh) | 2022-11-08 |
Family
ID=83167818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210965579.XA Active CN115049565B (zh) | 2022-08-12 | 2022-08-12 | 训练方法、训练装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049565B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944358A (zh) * | 2017-11-14 | 2018-04-20 | 华南理工大学 | 一种基于深度卷积对抗网络模型的人脸生成方法 |
CN109859147A (zh) * | 2019-03-01 | 2019-06-07 | 武汉大学 | 一种基于生成对抗网络噪声建模的真实图像去噪方法 |
CN111461979A (zh) * | 2020-03-30 | 2020-07-28 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
CN112381725A (zh) * | 2020-10-16 | 2021-02-19 | 广东工业大学 | 基于深度卷积对抗生成网络的图像修复方法及装置 |
CN112837247A (zh) * | 2021-04-06 | 2021-05-25 | 哈尔滨理工大学 | 一种融合改进残差网络的gan图像去噪算法 |
US11087215B1 (en) * | 2020-07-25 | 2021-08-10 | Sas Institute Inc. | Machine learning classification system |
CN113792743A (zh) * | 2021-08-24 | 2021-12-14 | 西安理工大学 | 一种基于渐进式生成对抗的古籍汉字图像去噪方法 |
WO2021253316A1 (zh) * | 2020-06-18 | 2021-12-23 | 深圳先进技术研究院 | 图像降噪模型的训练方法、装置、电子设备和存储介质 |
WO2022008363A1 (en) * | 2020-07-08 | 2022-01-13 | Koninklijke Philips N.V. | 3d-cnn processing for ct image noise removal |
CN114063168A (zh) * | 2021-11-16 | 2022-02-18 | 电子科技大学 | 一种地震信号人工智能降噪方法 |
-
2022
- 2022-08-12 CN CN202210965579.XA patent/CN115049565B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944358A (zh) * | 2017-11-14 | 2018-04-20 | 华南理工大学 | 一种基于深度卷积对抗网络模型的人脸生成方法 |
CN109859147A (zh) * | 2019-03-01 | 2019-06-07 | 武汉大学 | 一种基于生成对抗网络噪声建模的真实图像去噪方法 |
CN111461979A (zh) * | 2020-03-30 | 2020-07-28 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
WO2021253316A1 (zh) * | 2020-06-18 | 2021-12-23 | 深圳先进技术研究院 | 图像降噪模型的训练方法、装置、电子设备和存储介质 |
WO2022008363A1 (en) * | 2020-07-08 | 2022-01-13 | Koninklijke Philips N.V. | 3d-cnn processing for ct image noise removal |
US11087215B1 (en) * | 2020-07-25 | 2021-08-10 | Sas Institute Inc. | Machine learning classification system |
CN112381725A (zh) * | 2020-10-16 | 2021-02-19 | 广东工业大学 | 基于深度卷积对抗生成网络的图像修复方法及装置 |
CN112837247A (zh) * | 2021-04-06 | 2021-05-25 | 哈尔滨理工大学 | 一种融合改进残差网络的gan图像去噪算法 |
CN113792743A (zh) * | 2021-08-24 | 2021-12-14 | 西安理工大学 | 一种基于渐进式生成对抗的古籍汉字图像去噪方法 |
CN114063168A (zh) * | 2021-11-16 | 2022-02-18 | 电子科技大学 | 一种地震信号人工智能降噪方法 |
Non-Patent Citations (3)
Title |
---|
LUJIE CHEN 等: "A C-GAN Denoising Algorithm in Projection Domain for Micro-CT", 《DOI: 10.32604/MCB.2019.07386》 * |
YUEFENG ZHAO 等: "The application of near-infrared reflectance hyperspectral imaging for the detection and extraction of bloodstains", 《HTTPS://DOI.ORG/10.1007/S10586-018-1869-9》 * |
孔华永 等: "基于生成式对抗网络的煤矿图像去噪研究", 《煤矿机械》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049565B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021166062A (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
US8908989B2 (en) | Recursive conditional means image denoising | |
CN113221903B (zh) | 跨域自适应语义分割方法及系统 | |
US10812815B2 (en) | Methods, systems, and computer readable media for compressing video images | |
CN111179195B (zh) | 深度图像空洞填充方法、装置、电子设备及其存储介质 | |
CN112200887B (zh) | 一种基于梯度感知的多聚焦图像融合方法 | |
CN112164008A (zh) | 图像数据增强网络的训练方法及其训练装置、介质和设备 | |
Bhardwaj et al. | A Novel Method for Despeckling of Ultrasound Images Using Cellular Automata-Based Despeckling Filter | |
CN112330549B (zh) | 一种基于盲解卷积网络的模糊图像盲复原方法及系统 | |
Roziere et al. | Tarsier: Evolving noise injection in super-resolution gans | |
CN108596840B (zh) | 一种用于深度学习评定血管网络发育水平的数据集增强方法 | |
CN115049565B (zh) | 训练方法、训练装置、电子设备和存储介质 | |
CN112381845B (zh) | 岩心图像生成方法、模型训练方法及装置 | |
JP2023532755A (ja) | 画像を処理するためのコンピュータ実装方法、コンピュータプログラム製品、およびシステム | |
Mahmood | Shape from focus by total variation | |
El Hassani et al. | Efficient image denoising method based on mathematical morphology reconstruction and the Non-Local Means filter for the MRI of the head | |
JP2017010094A (ja) | 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体 | |
CN112819739A (zh) | 一种扫描电子显微镜图像处理方法和系统 | |
CN116246126A (zh) | 迭代无监督域自适应方法和装置 | |
CN116823688A (zh) | 基于多尺度模糊质量评估的多聚焦图像融合方法及系统 | |
Chilukuri et al. | Analysing Of Image Quality Computation Models Through Convolutional Neural Network | |
Saad et al. | Natural DCT statistics approach to no-reference image quality assessment | |
CN110648291B (zh) | 一种基于深度学习的无人机运动模糊图像的复原方法 | |
CN115619800A (zh) | 基于自适应阈值分割的covid-19 ct图像的分割方法及装置 | |
CN112116581A (zh) | 获取原子成像中的原子位置的方法与装置 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 230088 floor 1-4, zone a, building E2, phase II, innovation industrial park, No. 2800, innovation Avenue, high tech Zone, Hefei, Anhui Province Patentee after: Guoyi Quantum Technology (Hefei) Co.,Ltd. Address before: 230088 floor 1-4, zone a, building E2, phase II, innovation industrial park, No. 2800, innovation Avenue, high tech Zone, Hefei, Anhui Province Patentee before: Guoyi Quantum (Hefei) Technology Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |