申请/专利权人：辽宁师范大学

申请日：2022-01-11

公开（公告）日：2024-04-02

公开（公告）号：CN114494047B

主分类号：G06T5/70

分类号：G06T5/70;G06T5/60;G06N3/0455;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.05.31#实质审查的生效;2022.05.13#公开

摘要：本发明公开一种基于双增强残差网络的生物图像去噪方法，含有两个相同结构的子网络组成，每个子网络均通过编码‑解码的层次结构，对特征进行降尺度和升尺度，使得GPU能够产生更大的感受野；在编码过程中，采用卷积层进行下采样获取图像信息，并叠加残差块对特征进行初步提取；解码过程中，利用转置卷积的上采样特征能力，同时叠加残差密集块，提取深层次特征，恢复图像细节；在两个子网络中，分别在卷积层和转置卷积层之间增加跳跃连接，两个子网络之间监督注意模块和四个交叉特征融合模块相连，这些连接有助于传递图像细节信息，加深网络的同时提高恢复性能。

主权项：1.一种基于双增强残差网络的生物图像去噪方法，是将待去躁的图像输入去噪模型中完成图像去噪，其特征在于所述去噪模型依次按照如下步骤建立：步骤1：制作训练集步骤1.1：导入BSD500数据集，加入强度已知的高斯噪声构建图像对，选取N对图像，记为图像集步骤1.2：对图像集进行切块操作，获得4N个图像块，切块之后的图像大小均为256*256像素，记为训练集步骤2：将训练集图像数据输入双增强残差网络获取去噪模型所述双增强残差网络有两个结构相同的第一子网络S1和第二子网络S2，第一子网络S1通过监督注意模块和四个交叉特征融合模块与第二子网络S2相连接，在第二子网络S2的前端和后端分别有第一个卷积层Conv_final1和最后一个卷积层Conv_final2；所述第一子网络S1和第二子网络S2的结构是依次有四个编码块、上下文块和四个解码块，所述四个编码块均由卷积层和残差块构成，所述四个解码块的第一个解码块由偏移块和残差密集块构成，其它三个解码块由转置卷积层、卷积层、偏移块和残差密集块构成，所述残差密集块由四个块构成，前三个块密集跳跃连接后与最后一个块相接，前三个块均由卷积层、实例归一化层和激活函数构成，最后一个块由卷积层和实例归一化层构成；编码块的卷积层与对应的解码块的转置卷积层之间设置长跳跃连接；约定变量iteration_pro为网络循环迭代的次数，设置初始值为0，开始训练；所述训练按照如下步骤进行：步骤2.1：将训练集的每个噪声图像块Train_Noisy_Pi经过第一子网络S1的第一个卷积层，得到初始特征图TN_Pi_f1；步骤2.2：将初始特征图TN_Pi_f1经过第一子网络S1剩余的一个残差块和三个编码块，分别进行四次下采样，得到的四个编码特征图TN_Pi_fencoder1、TN_Pi_fencoder2、TN_Pi_fencoder3和TN_Pi_fencoder4；步骤2.3：将编码特征图TN_Pi_fencoder4送入第一个子网络S1的上下文块，得到上下文特征图TN_Pi_fcontext1；步骤2.4：将上下文特征图TN_Pi_fcontext1经过第一子网络S1的四个解码块，分别进行四次上采样，得到四个解码特征图TN_Pi_fdecoder1、TN_Pi_fdecoder2、TN_Pi_fdecoder3、TN_Pi_fdecoder4；步骤2.5：将解码特征图TN_Pi_fdecoder4经过监督注意模块送入子网络S2的第一个卷积层Conv_final1，将第一子网络S1所得到的四个编码特征图TN_Pi_fencoder1、TN_Pi_fencoder2、TN_Pi_fencoder3和TN_Pi_fencoder4和四个解码特征图TN_Pi_fdecoder1、TN_Pi_fdecoder2、TN_Pi_fdecoder3、TN_Pi_fdecoder4分别通过各自对应的交叉阶段特征融合模块送入第二子网络S2对应的四个编码块；步骤2.6：第二子网络S2的第一个卷积层Conv_final1输出特征图TN_Pi_f2，特征图TN_Pi_f2依次经过第二子网络S2的四个编码块、上下文块和四个解码块，得到重构后的特征图TN_Pi_f；步骤2.7：将重构特征图TN_Pi_f输入到最后一个卷积层Conv_final2，获得去噪后的图像块Train_Denoised_Pi；步骤2.8：通过L1Loss求取网络去噪图像块Train_Denoised_Pi和干净图像块Train_Pi之间的差异，当iteration_pro达到4×105，网络停止训练并保存模型Model.pt；否则反向传播Loss的值，通过优化算法更新参数，循环进行训练步骤。

全文数据：

权利要求：

百度查询： 辽宁师范大学 一种基于双增强残差网络的生物图像去噪方法

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