一种利用深度学习的去噪神经网络进行二次电子图像去噪的方法技术

本发明专利技术公开了一种基于去噪神经网络的用于二次电子图像去噪的方法，这个方法包括三个步骤：首先，通过对二次电子图像进行收集以及对其大小进行归一化处理，得到同样大小的二次电子图像；其次，将图像数据集输入到去噪神经网络中进行训练处理，得到训练好的数据模型；最后，选择几个不在训练集中的图像数据，使用测试代码导入训练好的数据模型进行测试，观察其训练效果

【技术实现步骤摘要】
一种利用深度学习的去噪神经网络进行二次电子图像去噪的方法


[0001]本专利技术属于图像去噪领域，设计一种利用深度学习的去噪神经网络进行二次电子图像去噪的方法
。

技术介绍

[0002]显微镜是观察物质微观结构有力的工具，促进科学发展和社会进步
。
扫描电子显微镜
(Scanning Electron Microscopy,SEM)
有着超越光学的高分辨率，以及其较强的立体感，在材料
、
机械以及矿物等领域发挥着重要作用
。SEM
的二次电子图像在拍摄和传输过程中经常的受到电路自身的噪声干扰，从而导致图像被噪声污染
。
[0003]因此，为了得到较清晰直观的二次电子图像，必须对其中产生的噪音进行降噪处理
。
通常，研究人员通过延长扫描时间的方式能提高信噪比，进而获得高质量的二次电子图像
。
但是，持续过长的扫描时间会增加高能电子束在样品表面的滞留时间，产生较高的温度且持续有电子轰击材料表面，容易造成材料的损伤
。
一些传统的去噪方法需要具备一些对于
SEM
成像过程中产生的噪声模式有一定的了解，且通常情况下这种噪声类型比较复杂，使用这些传统降噪算法时，常常不会有很好的效果
。
而深度学习在近些年提出了一系列图像去噪算法，凭借强大的特征表达能力得到了多数研究者的青睐，并被用于解决计算机视觉领域中的各种问题
,
与传统的图像处理方法相比，深度学习的方法更易针对二次电子图像的特性进行相应的处理
。
[0004]二次电子图像中，由于物质的局部区域一般由相似的纹理构成，比如人的指纹和动物身上的花纹，经过
SEM
放大后，其局部纹理也被放大，导致二次电子图像的大部分区域由重复的纹理组成，故
SEM
图像的第一个特点为纹理信息占主要成分并且细节特征丰富
。
纹理和噪声均属于高频信息，在对图像进行去噪时难以将两者完全区分
。
这常导致两种现象：
(1)
因过度去噪而造成图像纹理模糊；
(2)
为保留纹理而造成图像中残留噪声
。
其中的难点是去除噪声的同时尽可能的保留纹理，对于含有噪声的二次电子图像，由于其富含纹理信息的特点，这个矛盾更为突出
。
有效提取图像纹理特征是解决这一矛盾的关键点，卷积神经网络
(Convolutional Neural Network
，
CNN)
的提供了一种很好的图像处理方法
。
在图像去噪领域，
CNN
主要的优势体现在：通过提取图像的特征，有效的提高利用图像特征的能力和灵活性
。
其次，用于训练
CNN
的正则化和学习方法已经取得相当大的进步，使得批量归一化和残差学习可以在
CNN
中采用，以加快训练过程，提高去噪性能
。

技术实现思路

[0005]本专利技术针对二次电子图像的降噪问题，提供了一种利用深度学习的去噪神经网络进行二次电子图像去噪的方法
。
本专利技术可用于对采集到的二次电子图像进行降噪处理，相较于其他算法可以有较快的训练速度，同时保留较多的纹理细节，技术方案如下：第一步，构建二次电子图像库：采集
SEM
下焊缝的不同位置的二次电子图像，转换
成
256*256
像素大小，并将其加上高斯噪声，模拟电路对二次电子图像成像带来的干扰
。
[0006]第二步，搭建用于训练的网络，利用得到的图像数据进行训练，得到噪声残像，方法如下：
(1)Conv+ReLU
层：设置第一层，使用
64
个大小为3×3×
c
的滤波器生成
64
个特征图，然后使用修正线性单元
(ReLU,max(0,
·
))
进行非线性处理
。
这里
c
代表图像通道数，即灰度图像
c
＝1，彩色图像
c
＝
3。(2)Conv+BN+ReLU
层：设置第2～
(D
‑
1)
层，使用
64
个大小为3×3×
64
的滤波器，并在卷积和
ReLU
之间添加批量归一化
。
[0007](3)Conv
层：对于最后一层，使用
c
个大小为3×3×
64
的滤波器来重建输出
。
[0008]第三步，将训练好的数据文件保存下来，选择测试图像数据，通过测试程序对测试图像数据进行测试，得到处理后的图像结果
。
附图说明
图1为本专利技术实施例中基于深度学习的去噪网络框架图
。
图2为本专利技术实施例中加高斯噪声后未处理的二次电子图像
。
图3为本专利技术实施例中使用本去噪神经网络进行去噪后的二次电子图像
。
具体实施方式
[0009]为使本专利技术的技术方案更加清楚，下面结合附图对本专利技术做进一步阐述
。
本专利技术按一下步骤具体实现：第一步：准备数据集
。
[0010](1)
准备图片数据将
SEM
采集到的电子束焊缝的二次电子图像收集起来，为了适应神经网络的结构，对所有的图片尺寸进行归一化，得到尺寸为
256
×
256
大小像素的图片，用于网络的训练
。
[0011]将图像加上噪声我们的去噪神经网络的输入是一个有噪声的观测值
y
＝
x+v。
对于去噪神经网络，我们采用残差学习公式来训练残差映射
R(y)≈v
，然后我们有
x
＝
y
‑
R(y)。
形式上，期望残差图像与噪声输入估计残差图像之间的平均均方误差为可以采用作为损失函数来学习去噪神经网络中的可训练参数
υ
。
这里表示
N
个噪声干净的训练图像
。
图1展示了所提出的用于学习
R(y)
的去噪神经网络的架构
。
下面，我们解释去噪神经网络的架构和减少边界伪影的策略
。
采用残差学习公式来学习
R(y)
，并结合批量归一化来加速训练并提高去噪性能
。
通过将卷积与
ReLU
相结合，去噪神经网络可以通过隐藏层逐渐将图像结构与噪声观测分离
。
这种机制类似于
EPLL
和
WNNM
等方法中采用的迭代噪声去除策略，但是去本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于去噪神经网络的二次电子图像去噪的方法，其特征在于，包括以下步骤：步骤
S1
：通过扫描电镜收集二次电子图像信息，并对图像进行预处理，将其大小统一；步骤
S2
：将收集到的图像信息输入到训练模型中进行训练，得到数据模型；步骤
S3
：利用训练得到的数据模型对图片进行处理，测试其结果
。2.
根据权利要求1所述的一种基于去噪神经网络的二次电子图像去噪的方法，其特征在于，所述的去噪神经网络模型是一种将神经网络与残差网络相结合，每层网络中使用卷积层和批量归一化层以及
Relu
函数共同处理的算法模型，提高对噪声的预测能力，提高对图片的降噪效果，同时更好的保留图像的纹理
。3.
根据权利要求1所述的一种基于去噪神经网络的二次电子图像去噪的方法，其特征在于，所述步骤
S1
包括以下步骤：步骤
S11
：通过扫描电镜对试样进行二次电子的图像采集，单独取几张图片作为测试集使用，不参与训练集的训练过程；步骤
S12
：将图像大小压缩至
256
×
256
的像素大小，得到训练样本；步骤
S13
：将图片加上高斯噪声
。4.
根据权利要求1所述的一种基于去噪神经网络的二次电子图像...

【专利技术属性】
技术研发人员：李少林，王郡宇，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：