【技术实现步骤摘要】
一种基于监督学习的核辐照图像降噪系统
[0001]本专利技术涉及图像降噪
，尤其涉及一种基于监督学习的核辐照图像降噪系统
。
技术介绍
[0002]在使用相机拍摄的图像中普遍存在众多噪声，比如加性高斯白噪声
(AWGN)、
脉冲噪声
(
椒盐噪声
)、
量化噪声
、
泊松噪声和散斑噪声等
。
在核辐射环境下，
α
、
β
、
γ
、
中子射线等各种核辐射的射线会在相机采集的图像上产生的各种核辐射噪声
。
由于形成机理差别较大，核辐照噪声和常见的图像噪声在噪声图像表现上差异较大
。
[0003]当前业界对核辐照噪声的特征识别，还是基于个人经验和传统统计方法，进行人工特征提取和噪声模型设计，在应用上存在很大的局限性
。
其存在的弊端如下：
[0004](1)
传统的图像降噪方法，是针对不同的噪声类型人工设计相应的降噪算
【技术保护点】
【技术特征摘要】
1.
一种基于监督学习的核辐照图像降噪系统，其特征在于，包括核辐照噪声识别模块和图像去噪模块，两组模块均是通过对深度学习网络实现，并通过监督学习方法训练实现图像去噪的深度学习网络；实现核辐照噪声识别的深度学习网络输入核辐照噪声图像，输出与核辐照噪声图像对应的
mask
图；实现图像去噪的深度学习网络输入核辐照噪声图像和
mask
图，噪声图像中由
mask
图指示的噪声区域使用色块填充，从噪声周边区域进行图像信息恢复，并借助
mask
图，在进行图像噪点信息恢复时，对
mask
图标注的图像噪声区域进行图像信息恢复
。2.
根据权利要求1所述的一种基于监督学习的核辐照图像降噪系统，其特征在于，所述实现核辐照噪声识别的深度学习网络为
Shal low
‑
Unet
网络，
Shal low
‑
Unet
网络结构包括下采样层
、
连接层
、
上采样层；所述下采样层包含有两组重复结构，每组重复结构包括两组3×3的卷积层
、
非线性
RELU
层和一组2×
2max pooling
层；所述连接层包括三组3×3的卷积层
、
非线性
RELU
层和一组
CBAM
空间和通道混合注意力机制；所述上采样层包含有两组重复结构，第一组重复结构包括三组3×3的卷积层
、
非线性
RELU
层和一组
CBAM
空间和通道混合注意力机制
、2
×2的反卷积层，第二组重复结构包括与第一组重复结构相同的结构以及一组1×1的卷积层；上
、
下采样层中的相对应的两组重复结构之间通过特征拼接
concat
层跳跃连接...
【专利技术属性】
技术研发人员：吕焱飞，程乔乔，许文航，朱斌才，罗炎斌，麻晓龙，
申请(专利权)人：杭州径上科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。