一种基于降噪卷积神经网络的鬼成像去噪方法及设备技术

一种基于降噪卷积神经网络的鬼成像去噪方法及设备，去噪方法包括以下步骤：根据训练数据集图像的大小和采样率大小随机生成一组二维随机矩阵作为固定散斑；利用固定散斑与训练数据集中的每张图像进行鬼成像仿真，并获取包含噪声的数据集，通过包含噪声的数据集对降噪卷积神经网络进行训练；采用残差学习法通过降噪卷积神经网络预测包含噪声的图像；将待成像目标使用同一组固定散斑和鬼成像方法得到实际包含噪声的图像，将该实际包含噪声的图像输入到训练好的降噪卷积神经网络得到预测的噪声图像；使预测的包含噪声的图像与预测的噪声图像对应像素相减得到降噪后清晰的目标图像。本发明专利技术适用范围广，具有较强的泛化能力和去噪能力。去噪能力。去噪能力。

【技术实现步骤摘要】
一种基于降噪卷积神经网络的鬼成像去噪方法及设备


[0001]本专利技术属于鬼成像领域，具体涉及一种基于降噪卷积神经网络的鬼成像去噪方法及设备。

技术介绍

[0002]鬼成像，又名量子成像或关联成像，是在量子纠缠基础上发展起来的一种新型成像技术。1995年，由美国马里兰大学的华人科学家史砚华和Pittman首次完成。与传统成像技术相比，鬼成像具有无透镜成像、抗扰动性强和非定域性等特点，它在遥感成像、弱光探测、医学成像、安检以及穿透散射介质成像等方面具备很好的应用前景。
[0003]鬼成像在后处理方面研究的欠缺限制了其实用化进程，传统的鬼成像后处理方法主要包括基本相关算法和压缩感知算法，但是都存在一些问题，导致成像质量与采样时间和计算复杂度之间很难平衡。

技术实现思路

[0004]本专利技术的目的在于针对目前鬼成像技术成像质量低的瓶颈问题，提供一种基于降噪卷积神经网络的鬼成像去噪方法及设备，利用深度学习中降噪卷积神经网络的架构及训练方法对散斑序列进行训练，适用范围广，具有较强的泛化能力和去噪能力。
[0005]为了实现上述目的，本专利技术有如下的技术方案：
[0006]一种基于降噪卷积神经网络的鬼成像去噪方法，包括以下步骤：
[0007]根据训练数据集图像的大小和采样率大小随机生成一组二维随机矩阵作为固定散斑；
[0008]利用固定散斑与训练数据集中的每张图像进行鬼成像仿真，并获取包含噪声的数据集，通过包含噪声的数据集对降噪卷积神经网络进行训练；
[0009]采用残差学习法通过降噪卷积神经网络预测包含噪声的图像；
[0010]将待成像目标使用同一组固定散斑和鬼成像方法得到实际包含噪声的图像，将该实际包含噪声的图像输入到训练好的降噪卷积神经网络得到预测的噪声图像；
[0011]使预测的包含噪声的图像与预测的噪声图像对应像素相减得到降噪后清晰的目标图像。
[0012]作为本专利技术去噪方法的一种优选方案，所述的残差学习法将包含噪声的目标图像作为降噪卷积神经网络的输入，将包含噪声的目标图像与其原图对应像素相减得到的噪声图像作为标签来训练降噪卷积神经网络。
[0013]作为本专利技术去噪方法的一种优选方案，所述的降噪卷积神经网络中输入与输出之间的关系可以表示为：
[0014]a＝a
k
‑
f(a
k
)
[0015]式中，a
k
是网络的输入即包含噪声的目标图像，f代表降噪卷积神经网络，f(a
k
)为网络预测的噪声，使用包含噪声的目标图像a
k
减去网络预测的噪声f(a
k
)得到去噪后的目标
图像a；
[0016]在训练过程中，通过将包含噪声的目标图像a
k
作为网络的输入，将包含噪声的目标图像a
k
减去原始图像得到的噪声图像作为降噪卷积神经网络的标签；
[0017]通过预测噪声训练，在包含噪声的目标图像与所含噪声之间建立映射关系。
[0018]作为本专利技术去噪方法的一种优选方案，所述的鬼成像仿真基于鬼成像的架构，利用随机辐射场对目标进行探测，接收桶探测的回波信号，利用基本相关算法或者压缩感知算法获取包含噪声的数据集。
[0019]作为本专利技术去噪方法的一种优选方案，所述的基本相关算法的计算表达式如下：
[0020][0021]式中，g
(2)
为二阶关联度，<
·
>为系综平均，I
b
为桶探测接收到的包含目标信息的回波信号，I(x,y)为目标平面散斑的空间分布，上式为归一化的形式；
[0022]利用探测信号与回波信号之间的关联，通过多次符合运算恢复物体的图像。
[0023]作为本专利技术去噪方法的一种优选方案，所述的压缩感知算法的计算表达式如下：
[0024][0025]式中，A为探测散斑，x为原始图像，y为桶探测数据，λ为正则化因子；
[0026]所述的探测散斑为鬼成像投射的随机散斑。
[0027]本专利技术还提出一种基于降噪卷积神经网络的鬼成像去噪系统，包括：
[0028]固定散斑生成模块，用于根据训练数据集图像的大小和采样率大小随机生成一组二维随机矩阵作为固定散斑；
[0029]网络训练模块，用于利用固定散斑与训练数据集中的每张图像进行鬼成像仿真，并获取包含噪声的数据集，通过包含噪声的数据集对降噪卷积神经网络进行训练；
[0030]图像预测模块，用于采用残差学习法通过降噪卷积神经网络预测包含噪声的图像；
[0031]噪声预测模块，用于将待成像目标使用同一组固定散斑和鬼成像方法得到实际包含噪声的图像，将该实际包含噪声的图像输入到训练好的降噪卷积神经网络得到预测的噪声图像；
[0032]降噪模块，用于使预测的包含噪声的图像与预测的噪声图像对应像素相减得到降噪后清晰的目标图像。
[0033]本专利技术还提出一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述基于降噪卷积神经网络的鬼成像去噪方法的步骤。
[0034]本专利技术还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述基于降噪卷积神经网络的鬼成像去噪方法的步骤。
[0035]相较于现有技术，本专利技术至少具有如下的有益效果：
[0036]通过将包含噪声的目标图像，输入已经训练好的降噪卷积神经网络中，输出包含噪声的目标图像的预测噪声图像，最后用包含噪声的目标图像减去预测噪声图像就能快速
得到高质量的目标图像。本专利技术是一种通用的鬼成像去噪方法，基于鬼成像投射随机散斑序列探测目标的特点，采用降噪卷积神经网络的架构及训练方法对散斑序列进行训练。因此，在实际应用中，任何非相干探测体制的成像系统都可以使用本专利技术进行去噪。本专利技术的泛化能力强，由于降噪卷积神经网络采用了残差学习的方式，在训练中隐去了原始图像，只学习噪声分布。因此，在实际应用中，本专利技术可以对任意未知目标进行探测并去噪，目标不需要被包括在训练集内。本专利技术的去噪能力强，由于在训练中学习到了固定散斑对应的噪声分布。因此，在实际应用中，本专利技术具有很好的去噪效果。
附图说明
[0037]图1本专利技术基于降噪卷积神经网络的鬼成像去噪方法原理图；
[0038]图2本专利技术基于降噪卷积神经网络的鬼成像去噪方法流程图；
[0039]图3实施例采样2048次去噪效果对比图：(a)仿真图；(b)输入网络后得到的图像；
[0040]图4实施例采样4096次去噪效果对比图：(a)仿真图；(b)输入网络后得到的图像；
具体实施方式
[0041]下面结合附图及实施例对本专利技术做进一步的详细说明。
[0042]参见图1，图2，本专利技术基于降噪卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于降噪卷积神经网络的鬼成像去噪方法，其特征在于，包括以下步骤：根据训练数据集图像的大小和采样率大小随机生成一组二维随机矩阵作为固定散斑；利用固定散斑与训练数据集中的每张图像进行鬼成像仿真，并获取包含噪声的数据集，通过包含噪声的数据集对降噪卷积神经网络进行训练；采用残差学习法通过降噪卷积神经网络预测包含噪声的图像；将待成像目标使用同一组固定散斑和鬼成像方法得到实际包含噪声的图像，将该实际包含噪声的图像输入到训练好的降噪卷积神经网络得到预测的噪声图像；使预测的包含噪声的图像与预测的噪声图像对应像素相减得到降噪后清晰的目标图像。2.根据权利要求1所述基于降噪卷积神经网络的鬼成像去噪方法，其特征在于，所述的残差学习法将包含噪声的目标图像作为降噪卷积神经网络的输入，将包含噪声的目标图像与其原图对应像素相减得到的噪声图像作为标签来训练降噪卷积神经网络。3.根据权利要求2所述基于降噪卷积神经网络的鬼成像去噪方法，其特征在于，所述的降噪卷积神经网络中输入与输出之间的关系可以表示为：a＝a
k
‑
f(a
k
)式中，a
k
是网络的输入即包含噪声的目标图像，f代表降噪卷积神经网络，f(a
k
)为网络预测的噪声，使用包含噪声的目标图像a
k
减去网络预测的噪声f(a
k
)得到去噪后的目标图像a；在训练过程中，通过将包含噪声的目标图像a
k
作为网络的输入，将包含噪声的目标图像a
k
减去原始图像得到的噪声图像作为降噪卷积神经网络的标签；通过预测噪声训练，在包含噪声的目标图像与所含噪声之间建立映射关系。4.根据权利要求1所述基于降噪卷积神经网络的鬼成像去噪方法，其特征在于，所述的鬼成像仿真基于鬼成像的架构，利用随机辐射场对目标进行探测，接收桶探测的回波信号，利用基本相关算法或者压缩感知算法获取...

【专利技术属性】
技术研发人员：贺雨晨，李建星，段思鸿，陈辉，徐卓，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：