[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

说明书

一种基于降噪卷积神经网络的鬼成像去噪方法及设备，去噪方法包括以下步骤：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。本发明适用范围广，具有较强的泛化能力和去噪能力。

技术领域

本发明属于鬼成像领域，具体涉及一种基于降噪卷积神经网络的鬼成像去噪方法及设备。

背景技术

鬼成像，又名量子成像或关联成像，是在量子纠缠基础上发展起来的一种新型成像技术。1995年，由美国马里兰大学的华人科学家史砚华和Pittman首次完成。与传统成像技术相比，鬼成像具有无透镜成像、抗扰动性强和非定域性等特点，它在遥感成像、弱光探测、医学成像、安检以及穿透散射介质成像等方面具备很好的应用前景。

鬼成像在后处理方面研究的欠缺限制了其实用化进程，传统的鬼成像后处理方法主要包括基本相关算法和压缩感知算法，但是都存在一些问题，导致成像质量与采样时间和计算复杂度之间很难平衡。

发明内容

本发明的目的在于针对目前鬼成像技术成像质量低的瓶颈问题，提供一种基于降噪卷积神经网络的鬼成像去噪方法及设备，利用深度学习中降噪卷积神经网络的架构及训练方法对散斑序列进行训练，适用范围广，具有较强的泛化能力和去噪能力。

为了实现上述目的，本发明有如下的技术方案：

一种基于降噪卷积神经网络的鬼成像去噪方法，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。

作为本发明去噪方法的一种优选方案，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。

作为本发明去噪方法的一种优选方案，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。