面对X射线钛合金图像的基于感知损失的图像降噪方法技术

本发明专利技术公开了一种面对X射线钛合金图像的基于感知损失的图像降噪方法，包括如下步骤：步骤1，构建基于噪声水平估计的卷积神经网络主体框架；步骤2，将含噪声X射线钛合金图像输入主体框架，输出降噪后的低噪声图像；步骤3，采用均方误差计算损失函数，更新主体框架的网络参数；步骤4，将重复步骤2到步骤3，得到预训练的图像降噪神经网络；步骤5，将噪声图像输入完成预训练的主体框架，采用感知损失计算损失函数，更新主体框架的网络参数；步骤6，重复步骤5，得到最终降噪模型；步骤7，基于所述最终降噪模型，获得降噪的图像。本申请解决了高强度噪声图像降噪效果较差、图像细节信息损失的问题，能够有效提高噪声图像降噪处理效果。

【技术实现步骤摘要】

本专利技术属于图像与计算机图形学领域，具体涉及到一种面对x射线钛合金图像的基于感知损失的图像降噪方法。

技术介绍

1、x射线检测技术是一种非破坏性检测技术，通过利用x射线的透射和吸收特性来检测材料内部的缺陷和异物。该技术可以应用于多种材料的检测，例如金属、塑料、陶瓷、复合材料等。x射线检测技术具有高精度、无损检测、快速和可靠等优点，已广泛应用于航空、航天、汽车、建筑和电力等领域。但是由于x射线源的不稳定性和能量波动、物体表面的不平整和杂质等诸多因素，生成的x射线图像往往存在噪声，可能会导致图像信息的丢失、不确定性和不可靠性，影响后续的检测结果。因此，在x射线检测领域，图像降噪是一个至关重要的图像处理过程，决定了后续检测和分割任务的准确性和可靠性。冷阴极x射线成像的原始数据包含椒盐和高斯混合噪声，导致信噪比降低。如何根据焊缝缺陷的成像特点，在图像降噪过程中不损害焊缝纹理细节信息，实现图像降噪和特征增强，是一个热点研究内容。

2、如今，基于深度学习的卷积神经网络凭借着优秀的计算性能和运行速度，在图像降噪领域受到越来越多的关注。基于深度学习的算法通过本文档来自技高网...

【技术保护点】

1.一种面对X射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种面对X射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，所述步骤1中，主体框架包含噪声水平估计网络与图像降噪模块；噪声水平估计网络由多个全卷积神经网络组成，能根据噪声图像估计噪声强度，为降噪过程生成噪声子图，提高降噪效果；图像降噪模块包含下采样模块、多层卷积神经网络与上采样模块；对输入的含噪声图像进行4倍下采样，在保证信息有效性的同时，能显著提高网络的运行速度，再通过4倍上采样恢复为原本分辨率的图像，作为降噪后的低噪声图像输出。p>

3.根据权...

【技术特征摘要】

1.一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，所述步骤1中，主体框架包含噪声水平估计网络与图像降噪模块；噪声水平估计网络由多个全卷积神经网络组成，能根据噪声图像估计噪声强度，为降噪过程生成噪声子图，提高降噪效果；图像降噪模块包含下采样模块、多层卷积神经网络与上采样模块；对输入的含噪声图像进行4倍下采样，在保证信息有效性的同时，能显著提高网络的运行速度，再通过4倍上采样恢复为原本分辨率的图像，作为降噪后的低噪声图像输出。

3.根据权利要求2所述的一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，所述步骤1中，图像降噪模块的多层卷积神经网络基本单元中，包括卷积层、relu激活函数层和批归一化层，通过批量归一化，能够使降噪网络表现出更好的降噪性能。

4.根据权利要求1所述的一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，所述步骤3中，所述损失函数选用l2损失函数和非对称损失函数组成的...

【专利技术属性】
技术研发人员：杨万扣，钟泺泠，冀春旺，赵立业，
申请(专利权)人：东南大学，
类型：发明
国别省市：