【技术实现步骤摘要】
本专利技术涉及图像处理领域，具体涉及一种基于自监督的单张图像去噪方法、装置及可读介质。
技术介绍
1、在高灵敏度、高时间分辨和高空间分辨的谱学监测中，高质量的谱图采集存在困难。例如在高时间分辨谱学采集中，热噪声将无法通过积分方式进行压制，严重影响谱图信噪比。预处理算法作为谱学的后处理方法，凭借其高性能和低要求的优势，已成为谱学分析的首要步骤。
2、基于深度学习的预处理方法相较于基于传统特征工程的预处理方法，在性能和自动化上具有显著优势。同时，该类方法的性能强依赖于数据库的建设，以去噪为例，大量含噪/无噪声样本对是深度学习去噪的基石。并且，数据库的丰富程度对模型的稳定性和泛化性具有显著影响，甚至影响处理后谱图的可靠性。而对于动态体系，尤其是对于原位检测过程，谱图具有唯一性，此类样本对的构筑难以从硬件层面上解决，必须依赖于具有高性能且无需参照的去噪算法，结合针对算法结果的评定来提供用于深度学习的无噪声样本。
3、自监督的训练模式凭借其高泛化性、高性能且无需参照的优势，在计算机视觉、自然语言处理等算法前沿领域受到广泛关注。例如，针对单样本的自监督去噪，其仅需单张噪声样本，无需任何其他参照数据，即可实现该样本的去噪，在该样本上实现本质上的噪声和信号分离。目前高性能、高泛化性的自监督预处理算法和相关的标准的数据库资源的缺乏，极大地限制了谱图质量，进而影响检测灵敏度与可靠性。
4、综上可知，发展一种基于单张谱图或图像的自监督深度学习去噪算法是必要的。
技术实现思路>
1、针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于自监督的单张图像去噪方法、装置及可读介质，来解决以上
技术介绍
部分提到的技术问题。
2、第一方面，本专利技术提供了一种基于自监督的单张图像去噪方法，包括以下步骤：
3、获取待去噪的单张图像，基于待去噪的单张图像构建训练数据；
4、构建基于卷积神经网络的图像去噪模型，基于总损失函数采用训练数据对图像去噪模型进行训练，直至总损失函数收敛，得到经训练的图像去噪模型，总损失函数为均方差损失函数和l2正则化损失函数之和；
5、将待去噪的单张图像输入经训练的图像去噪模型，得到去噪后的图像。
6、作为优选，基于待去噪的单张图像构建训练数据，具体包括：待去噪的单张图像为待去噪的单张照片图像，将待去噪的单张照片图像作为训练数据。
7、作为优选，待去噪的单张图像为待去噪的单张拉曼光谱图。
8、作为优选，基于待去噪的单张图像构建训练数据，具体包括：
9、采用随机生成的方式生成多个谱峰，谱峰包括高斯谱峰和洛伦茨谱峰；
10、在多个谱峰中选取任意至少两个谱峰进行加和，并重复该步骤以生成用于数据增强的谱图；将待去噪的单张拉曼光谱图和每个用于数据增强的谱图线性加和，得到训练数据。
11、作为优选，采用随机生成的方式生成多个谱峰，具体包括：
12、随机生成一个位置随机、半宽峰随机且峰强随机的谱峰；
13、重复以上步骤n次，生成n个谱峰，n≥10。
14、作为优选，图像去噪模型包括依次连接的n个卷积单元和1个第一卷积层，n≥1，卷积单元包括第二卷积层、bn层和relu激活函数层，第二卷积层的卷积核大小大于或等于3，第一卷积层的卷积核大小为1。
15、作为优选，卷积单元的个数为3个。
16、第二方面，本专利技术提供了一种基于自监督的单张图像去噪装置，包括：
17、数据获取模块，被配置为获取待去噪的单张图像，基于待去噪的单张图像构建训练数据；
18、模型构建模块，被配置为构建基于卷积神经网络的图像去噪模型，基于总损失函数采用训练数据对图像去噪模型进行训练，直至总损失函数收敛，得到经训练的图像去噪模型，总损失函数为均方差损失函数和l2正则化损失函数之和；
19、执行模块，被配置为将待去噪的单张图像输入经训练的图像去噪模型，得到去噪后的图像。
20、第三方面，本专利技术提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
21、第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
22、相比于现有技术，本专利技术具有以下有益效果：
23、(1)本专利技术提出的基于自监督的单张图像去噪方法中用于训练该图像去噪模型的训练数据是基于待去噪的单张图像，故该专利技术的应用场景极广。
24、(2)本专利技术提出的基于自监督的单张图像去噪方法在处理具有不同信噪比谱峰的谱图去噪中展现出了良好的性能，对于强峰几乎保留，对于弱峰将其噪声进行去除，提取到本征信号，具有强大的弱信号提取能力。其适用范围宽广，不论是不同信噪比的谱图去噪或者是不同背景干扰下的谱图去噪中均展现出了良好的性能，可作为谱图分析的必要前置步骤进行使用。
25、(3)本专利技术提出的基于自监督的单张图像去噪方法具有良好得通用性能，将其应用于照片图像的去噪中，依旧展现出了出色的性能。
本文档来自技高网...【技术保护点】
1.一种基于自监督的单张图像去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自监督的单张图像去噪方法，其特征在于，所述基于所述待去噪的单张图像构建训练数据，具体包括：所述待去噪的单张图像为待去噪的单张照片图像，将所述待去噪的单张照片图像作为所述训练数据。
3.根据权利要求1所述的基于自监督的单张图像去噪方法，其特征在于，所述待去噪的单张图像为待去噪的单张拉曼光谱图。
4.根据权利要求3所述的基于自监督的单张图像去噪方法，其特征在于，所述基于所述待去噪的单张图像构建训练数据，具体包括：
5.根据权利要求4所述的基于自监督的单张图像去噪方法，其特征在于，所述采用随机生成的方式生成多个谱峰，具体包括：
6.根据权利要求1所述的基于自监督的单张图像去噪方法，其特征在于，所述图像去噪模型包括依次连接的N个卷积单元和1个第一卷积层，N≥1，所述卷积单元包括第二卷积层、BN层和Relu激活函数层，所述第二卷积层的卷积核大小大于或等于3，所述第一卷积层的卷积核大小为1。
7.根据权利要求6所述的基于自监督的
8.一种基于自监督的单张图像去噪装置，其特征在于，包括：
9.一种电子设备，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种基于自监督的单张图像去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自监督的单张图像去噪方法，其特征在于，所述基于所述待去噪的单张图像构建训练数据，具体包括：所述待去噪的单张图像为待去噪的单张照片图像，将所述待去噪的单张照片图像作为所述训练数据。
3.根据权利要求1所述的基于自监督的单张图像去噪方法，其特征在于，所述待去噪的单张图像为待去噪的单张拉曼光谱图。
4.根据权利要求3所述的基于自监督的单张图像去噪方法，其特征在于，所述基于所述待去噪的单张图像构建训练数据，具体包括：
5.根据权利要求4所述的基于自监督的单张图像去噪方法，其特征在于，所述采用随机生成的方式生成...
【专利技术属性】
技术研发人员：刘国坤，罗思恒，谢怡，潘思琪，田中群，
申请(专利权)人：厦门大学，
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。