用于训练卷积神经网络的方法和系统技术方案

描述了一种用于训练卷积神经网络的计算机实现的方法。该方法包括：接收捕获图像；通过将卷积神经网络应用于捕获图像来生成去噪图像；以及基于高频损失函数、捕获图像和去噪图像来训练卷积神经网络。像来训练卷积神经网络。像来训练卷积神经网络。

【技术实现步骤摘要】
用于训练卷积神经网络的方法和系统


[0001]本专利技术涉及一种用于训练卷积神经网络的方法。

技术介绍

[0002]图像去噪用于处理被加性噪声污染的图像，以在保持图像特征的同时实现降噪。本专利技术人已经确定，当用户试图通过最小化能量输入来最小化光漂白和光毒性时，可引入加性噪声，这可通过以增加噪声量为代价减少曝光时间或增益来实现。在典型的工作流程中，在低曝光时间或增益下采集图像，导致低质量图像，其可能包含来自电子源的噪声(例如高斯噪声、椒盐噪声和散粒噪声)或由于来自相机传感器的量化、灵敏度或热而导致的依赖于样本的高频噪声。

技术实现思路

[0003]本专利技术解决的问题是如何获得具有更高信噪比(SNR)的图像。
[0004]在本专利技术的一个实施例中，提供了一种用于训练卷积神经网络的计算机实现的方法，包括：接收捕获图像；通过将卷积神经网络应用于捕获图像来生成去噪图像；以及基于高频损失函数、捕获图像和去噪图像来训练卷积神经网络。因此，可重新注入不同于噪声和伪影的高频图案，并且可增加SNR。
[0005]在实施例的一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于训练卷积神经网络(116)的计算机实现的方法(200)，包括：接收(202)捕获图像(106)；通过将所述卷积神经网络应用于所述捕获图像来生成(204)去噪图像(120)；以及基于高频损失函数、所述捕获图像和所述去噪图像来训练(206)所述卷积神经网络。2.根据权利要求1所述的方法，其中训练所述卷积神经网络包括最小化所述卷积神经网络的损失以及所述高频损失函数的损失。3.根据上述任一项权利要求所述的方法，其中所述高频损失函数包括用于应用于所述捕获图像和所述去噪图像的高通滤波函数。4.根据上述任一项权利要求所述的方法，其中训练所述卷积神经网络包括训练所述卷积神经网络以识别不存在于所述去噪图像中但存在于所述捕获图像中的图案。5.根据上述任一项权利要求所述的方法，其中所述损失函数包括高斯拉普拉斯算子函数。6.根据权利要求5所述的方法，包括在应用所述高斯拉普拉斯算子函数之前，对所述捕获图像和所述去噪图像应用高斯平滑。7.根据上述任一项权利要求所述的方法，包括将训练的卷积神经网络应用于所述捕获图像。8.根据上述任一项权利要求所述的方法，其中所述卷积神经网络是编码器－解码器卷积神经网络。9.根据上述任一项权利要求所述的方法，其中训练所述卷积神经网络包括：将所述捕获图像和所述去噪图像划分为随机块；用相邻像素值交换每个随机块中...

【专利技术属性】
技术研发人员：何塞，
申请(专利权)人：莱卡微系统CMS有限责任公司，
类型：发明
国别省市：