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。方法包括接收捕获图像；基于捕获图像生成统计模型；以及基于捕获图像和统计模型训练卷积神经网络。模型训练卷积神经网络。模型训练卷积神经网络。

【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]本专利技术涉及神经网络的
，尤其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，以在保留图像特征的同时实现去噪。专利技术人已经认识到，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，这可以通过以增加噪声量为代价减小曝光时间或增益来实现，可能会引入加性噪声。在典型的工作流程中，图像是在低曝光时间或增益下获取的，导致图像质量低下，其中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)或由于量化、灵敏度或来自相机传感器的热量导致的样本相依高频噪声。

技术实现思路

[0003]本专利技术所要解决的问题是如何对图像进行去噪并获得良好的信噪比(SNR)。
[0004]在本专利技术的实施例中，提供了一种用于训练卷积神经网络的计算机实现的方法，方法包括：接收捕获图像；基于捕获图像生成统计模型；以及根据捕获图像和统计模型训练卷积神经网络。因此，当使用一个或多个获取图像训练卷积神经网络时，可以增大SNR。
[0005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的计算机实现的方法(400)，所述方法包括：接收(402)捕获图像(106)；基于所述捕获图像生成(404)统计模型(112)；以及基于所述捕获图像和所述统计模型训练(406)卷积神经网络(122)。2.根据权利要求1所述的方法，其中生成统计模型包括：根据地面实况或模拟地面实况(110)确定所述捕获图像中的像素的方差或标准偏差值；以及基于所述方差或标准偏差值生成所述统计模型。3.根据权利要求1所述的方法，其中训练卷积神经网络包括：将所述捕获图像分成随机块(114)；将每个所述随机块中的像素值与相邻像素值交换；以及基于所述捕获图像的随机块和包括交换的像素值的捕获图像(118)的随机块，训练所述卷积神经网络。4.根据权利要求3所述的方法，其中训练卷积神经网络包括：基于所述统计模型确定包括交换的像素值的随机块的像素值的概率；以及通过最大化所述包括交换的像素值的随机块的每个像素值的概率，训练所述卷积神经网络。5.根据权利要求4所述的方法，其中对于所述包括交换的像素值的随机块的每个像素值，所述像素值的概率指示所述像素值是用相邻像素值交换过的概率。6.根据权利要求4所述的方法，其中最大化每个像素值的概率包括最小化所有像素概率的平均值的负对数。7.根据权利要求4所述的方法，其中所述每个像素值的概率是基于具有平均值和方差或标准偏差值的高斯分布确定的，其中所述平均值是所述捕获图像的随机块的每个像素的平均值以及所述方差或标准偏差值是从所述统计模型中获...

【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：