【技术实现步骤摘要】
本专利技术属于深度学习，具体是基于深度学习的光谱背景噪声和干扰消除系统。
技术介绍
1、在数字图像处理领域，图像去噪是一项关键任务，随着数字摄影技术的快速发展和广泛应用，数字图像中可能存在各种类型的噪声，如高斯噪声、椒盐噪声等，这些噪声会对图像的视觉质量和内容理解产生负面影响，因此，图像去噪技术变得至关重要。传统的图像背景噪声消除技术无法有效地检测图像中的局部特征，导致对于包含局部特征的噪声区域，去噪效果不佳，无法很好地消除噪声；传统的图像背景噪声技术存在计算复杂度较高的问题，导致处理速度较慢，限制其在实际应用中的效率和实用性。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于深度学习的光谱背景噪声和干扰消除系统，针对传统的图像背景噪声消除技术无法有效地检测图像中的局部特征，导致对于包含局部特征的噪声区域，去噪效果不佳，无法很好地消除噪声，本方案利用sobel算子构造图像边缘提取层，从输入图像中提取特定边缘，为网络提供更丰富、更生动的图像边缘，提高神经网络的性能；针对传统的图像背景噪声技术存在计算复杂度较高的问题，导致处理速度较慢，限制其在实际应用中的效率和实用性，本方案通过小波变换减少输入图像的大小，降低网络的计算复杂度，加速神经网络的运行，同时保留重要的特征。
2、本专利技术提供的基于深度学习的光谱背景噪声和干扰消除系统，包括数据采集模块、构建半小波层模块、构建逆半小波层模块、构建图像边缘提取层模块、构建swcnn网络模块和网络训练模块
3、所述数据采集模块采集图像数据，利用旋转、翻转操作进行数据增强，得到图像数据集，并将图像数据集划分为训练集、测试集；
4、所述构建半小波层模块将图像数据转换成四个通道，得到输出图像，定义图像数据为原始图像，其中三个通道是原始图像的垂直、水平和对角线边缘的估计，第四个通道是原始图像的下采样；
5、所述构建逆半小波层模块利用四个半小波模块将输出图像恢复为原始图像；
6、所述构建图像边缘提取层模块利用sobel算子从图像数据中提取特定边缘特征；
7、所述构建swcnn网络模块利用半小波层、逆半小波层和图像边缘提取层构建swcnn网络；
8、所述网络训练模块利用训练集训练swcnn网络，调整swcnn网络参数，得到swcnna网络，利用测试集评估swcnna网络的性能。
9、进一步地，所述构建半小波层模块具体包括以下内容：
10、半小波层使用子样本和减法运算符，将原始图像分解为四个通道，分别为：第一通道、第二通道、第三通道和第四通道，第一通道选择原始图像的奇数行和奇数列来构造原始图像的下采样图像，第二通道通过第一通道的下采样图像减去原始图像的奇数行和偶数列来创建，第三通道和第四通道分别通过从第一通道减去原始图像的偶数行、奇数列和偶数行、偶数列来构造，所用公式如下：
11、；
12、；
13、式中，、表示半小波，表示原始图像，分别表示第一通道、第二通道、第三通道和第四通道，表示原始图像的像素位置。
14、进一步地，所述构建逆半小波层模块具体包括以下内容：
15、半小波层是完全可逆的，通过半小波层分解的通道构造原始图像，所用公式如下：
16、；
17、式中，表示逆半小波。
18、进一步地，所述构建图像边缘提取层模块具体包括以下内容：
19、利用sobel算子构造图像边缘提取层，sobel算子包含两组的矩阵，分别为横向和纵向，所用公式如下：
20、；
21、；
22、式中，、分别表示经过横向及纵向边缘检测的图像灰度值；
23、通过将原始图像与、进行卷积，提取原始图像在方向和方向上的边缘特征；
24、图像边缘提取层由第一滤波器、第二滤波器和原始图像的一对一映射组成，第一滤波器由和的元素求和组成，同时在方向和方向上提供原始图像边缘的近似值，所用公式如下：
25、；
26、式中，表示第一滤波器在方向和方向上的偏导数；
27、第二滤波器使用与第一滤波器相反的方向和方向偏导数，以便在负方向和负方向提取图像边缘，所用公式如下：
28、；
29、式中，表示第二滤波器在负方向和负方向上的偏导数。
30、进一步地，所述构建swcnn网络模块具体包括以下内容：
31、swcnn网络由图像边缘提取层、非线性特征提取块、共享块、输出层组成，其中，非线性特征提取块由dncnn模型中的卷积层、批归一化层和relu激活函数组成，共享块具有三个半小波层，记为区块a、区块d、区块g，和三个逆半小波层，记为区块l、区块o、区块r，区块a和区块d之后各有两个非线性特征提取块，记为区块b、区块c、区块e、区块f，区块g之后是四个非线性特征提取块，记为区块h、区块i、区块j、区块k，接下来是两个逆半小波层，记为区块l和区块o，区块l和区块o之后各有两个非线性特征提取块，记为区块m、区块n、区块p、区块q；
32、计算感受野，在swcnn网络中，计算第层的感受野，所用公式如下：
33、；
34、式中，表示过滤器的大小，表示第层的步幅，表示第层的感受野。
35、进一步地，所述网络训练模块包括计算损失函数模块、设置参数模块、评价模块：
36、所述计算损失函数模块，计算swcnn网络的损失函数，所用公式如下：
37、
38、式中，表示损失函数，表示个去噪训练图像对，表示第个输入图像，表示对应的原始图像，为待学习的参数，表示网络的输出，表示frobenius范数；
39、所述设置参数模块，采用adam算法进行swcnn网络的优化，设置学习率、批量大小、迭代轮数，利用训练集训练swcnn网络，得到swcnna网络；
40、所述评价模块，利用测试集评估swcnna网络的性能，采用峰值信噪比和结构相似度作为评价指标，对swcnna网络的性能进行评价，计算原始图像与恢复后的图像的均方误差，所用公式如下：
41、；
42、式中，和分别表示图像的宽度和高度，表示图像的像素位置，表示原始图像，表示恢复后的图像，表示均方误差；
43、计算峰值信噪比，所用公式如下：
44、；
45、式中，表示峰值信噪比，表示图像的最大像素值，表示的单位；
46、计算结构相似度，所用公式如下：
47、；
48、式中，表示结构相似度，表示恢复后的图像，表示局部均值，表示标准差，表示图像和的交叉协方差，表示正则化常数，定义为：
49、；
50、；
51、式中，表示图像的动态范围。
52、采用上述方案本专利技术取得的有益效果如下：
53、（1）针对本文档来自技高网...
【技术保护点】
1.基于深度学习的光谱背景噪声和干扰消除系统，其特征在于：包括数据采集模块、构建半小波层模块、构建逆半小波层模块、构建图像边缘提取层模块、构建SWCNN网络模块和网络训练模块；
2.根据权利要求1所述的基于深度学习的光谱背景噪声和干扰消除系统，其特征在于：所述构建半小波层模块具体包括以下内容：
3.根据权利要求2所述的基于深度学习的光谱背景噪声和干扰消除系统，其特征在于：所述构建逆半小波层模块具体包括以下内容：
4.根据权利要求3所述的基于深度学习的光谱背景噪声和干扰消除系统，其特征在于：所述构建图像边缘提取层模块具体包括以下内容：
5.根据权利要求4所述的基于深度学习的光谱背景噪声和干扰消除系统，其特征在于：所述构建SWCNN网络模块具体包括以下内容：
6.根据权利要求5所述的基于深度学习的光谱背景噪声和干扰消除系统，其特征在于：所述网络训练模块包括计算损失函数模块、设置参数模块、评价模块：
【技术特征摘要】
1.基于深度学习的光谱背景噪声和干扰消除系统，其特征在于：包括数据采集模块、构建半小波层模块、构建逆半小波层模块、构建图像边缘提取层模块、构建swcnn网络模块和网络训练模块；
2.根据权利要求1所述的基于深度学习的光谱背景噪声和干扰消除系统，其特征在于：所述构建半小波层模块具体包括以下内容：
3.根据权利要求2所述的基于深度学习的光谱背景噪声和干扰消除系统，其特征在于：所述构建逆半小波层模块具体包括以下...
【专利技术属性】
技术研发人员：赵岩，杨彬，蔡庆国，
申请(专利权)人：厦门海荭兴仪器股份有限公司，
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。