申请/专利权人：杭州电子科技大学

申请日：2021-09-06

公开（公告）日：2024-03-22

公开（公告）号：CN113935906B

主分类号：G06T5/70

分类号：G06T5/70;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.02.01#实质审查的生效;2022.01.14#公开

摘要：本发明公开了傅里叶域光学相干层析成像的强反射条纹噪声去除方法。该方法首先采集粗糙物体的FD‑OCT作为标签数据，再加上随机噪声得到了对应的样本数据，形成训练数据集。通过小波变换进行预处理后，输入预测模型中进行模型训练。预测模型由10层卷积神经网络和concat操作组成。通过损失函数对预测模型进行迭代优化，得到最优网络参数。将包含条纹噪声的样本数据输入到优化好的预测模型中，将输出数据通过逆小波变换，即可得到去除条纹噪声后的图形。本方法解决了实际测量中无法获取样本数据对应高质量标签，以及传统方法在去噪过程中降低图片质量或损失图片细节的问题。

主权项：1.傅里叶域光学相干层析成像的强反射条纹噪声去除方法，其特征在于：该方法包括以下步骤：步骤一、数据集构建采集多张表面粗糙的物品的傅里叶域光学相干层析图像作为标签数据Iraw，对标签数据Iraw加上随机的模拟噪声Inoise，得到的数据作为样本数据I；将原始的标签数据Iraw和处理后的样本数据I一一对应构成数据集，然后扩充数据集数量，再根据一定比例将数据集划分为训练集和测试集；步骤二、数据预处理将步骤一构建的训练集进行小波变换，计算得到4个子带系数，完成数据预处理；步骤三、预测网络构建构建由卷积网络和concat操作组成的预测网络，小波变换后的噪声图像作为输入，逆小波变换后的无噪声图像作为输出；输入的一支与卷积网络连接，另一支与concat操作连接；其中卷积网络由多个卷积层和激活函数依次排列构成，最后一个卷积层直接与concat操作相连；concat操作完成数据拼接后连接到输出；步骤四、预测网络训练将训练集中经过预处理的样本数据输入到预测网络，将样本数据对应的标签与预测网络的输出一同输入到损失函数中，设置优化策略，对网络进行迭代训练；步骤五、条纹噪声去除将测试集数据按步骤二进行预处理后，输入到步骤四训练好的预测网络中，在网络的输出层得到去除条纹噪声后的4个子带系数，再通过逆小波变换，得到去除条纹噪声后的图像。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 傅里叶域光学相干层析成像的强反射条纹噪声去除方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD