[发明专利]一种基于降噪卷积神经网络的鬼成像去噪方法及设备

权利要求书

1.一种基于降噪卷积神经网络的鬼成像去噪方法，其特征在于，包括以下步骤：

根据训练数据集图像的大小和采样率大小随机生成一组二维随机矩阵作为固定散斑；

利用固定散斑与训练数据集中的每张图像进行鬼成像仿真，并获取包含噪声的数据集，通过包含噪声的数据集对降噪卷积神经网络进行训练；

采用残差学习法通过降噪卷积神经网络预测包含噪声的图像；

将待成像目标使用同一组固定散斑和鬼成像方法得到实际包含噪声的图像，将该实际包含噪声的图像输入到训练好的降噪卷积神经网络得到预测的噪声图像；

使预测的包含噪声的图像与预测的噪声图像对应像素相减得到降噪后清晰的目标图像。

2.根据权利要求1所述基于降噪卷积神经网络的鬼成像去噪方法，其特征在于，所述的残差学习法将包含噪声的目标图像作为降噪卷积神经网络的输入，将包含噪声的目标图像与其原图对应像素相减得到的噪声图像作为标签来训练降噪卷积神经网络。

3.根据权利要求2所述基于降噪卷积神经网络的鬼成像去噪方法，其特征在于，所述的降噪卷积神经网络中输入与输出之间的关系可以表示为：

a＝a_k-f(a_k)

式中，a_k是网络的输入即包含噪声的目标图像，f代表降噪卷积神经网络，f(a_k)为网络预测的噪声，使用包含噪声的目标图像a_k减去网络预测的噪声f(a_k)得到去噪后的目标图像a；

在训练过程中，通过将包含噪声的目标图像a_k作为网络的输入，将包含噪声的目标图像a_k减去原始图像得到的噪声图像作为降噪卷积神经网络的标签；

通过预测噪声训练，在包含噪声的目标图像与所含噪声之间建立映射关系。

4.根据权利要求1所述基于降噪卷积神经网络的鬼成像去噪方法，其特征在于，所述的鬼成像仿真基于鬼成像的架构，利用随机辐射场对目标进行探测，接收桶探测的回波信号，利用基本相关算法或者压缩感知算法获取包含噪声的数据集。

5.根据权利要求4所述基于降噪卷积神经网络的鬼成像去噪方法，其特征在于，所述的基本相关算法的计算表达式如下：

式中，g⁽²⁾为二阶关联度，·为系综平均，I_b为桶探测接收到的包含目标信息的回波信号，I(x,y)为目标平面散斑的空间分布，上式为归一化的形式；

利用探测信号与回波信号之间的关联，通过多次符合运算恢复物体的图像。

6.根据权利要求4所述基于降噪卷积神经网络的鬼成像去噪方法，其特征在于，所述的压缩感知算法的计算表达式如下：

式中，A为探测散斑，x为原始图像，y为桶探测数据，λ为正则化因子；

所述的探测散斑为鬼成像投射的随机散斑。

7.一种基于降噪卷积神经网络的鬼成像去噪系统，其特征在于，包括：

固定散斑生成模块，用于根据训练数据集图像的大小和采样率大小随机生成一组二维随机矩阵作为固定散斑；

网络训练模块，用于利用固定散斑与训练数据集中的每张图像进行鬼成像仿真，并获取包含噪声的数据集，通过包含噪声的数据集对降噪卷积神经网络进行训练；

图像预测模块，用于采用残差学习法通过降噪卷积神经网络预测包含噪声的图像；

噪声预测模块，用于将待成像目标使用同一组固定散斑和鬼成像方法得到实际包含噪声的图像，将该实际包含噪声的图像输入到训练好的降噪卷积神经网络得到预测的噪声图像；

降噪模块，用于使预测的包含噪声的图像与预测的噪声图像对应像素相减得到降噪后清晰的目标图像。

8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时实现如权利要求1至6中任意一项所述基于降噪卷积神经网络的鬼成像去噪方法的步骤。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时实现如权利要求1至6中任意一项所述基于降噪卷积神经网络的鬼成像去噪方法的步骤。