【CN110020684A】一种基于残差卷积自编码网络的图像去噪方法【专利】
基于卷积自编码器的图像去噪技术研究
基于卷积自编码器的图像去噪技术研究随着图像处理技术的不断发展，图像去噪技术成为了很多研究人员的热点问题。
在实际应用中，我们经常会发现图像受到了不同程度的噪声污染，这些因素影响了图像的质量和准确性。
在这种情况下，图像去噪技术是非常必要的。
基于卷积自编码器的图像去噪技术是一种常用的方法，近年来被广泛应用。
那么，什么是卷积自编码器，它如何实现图像去噪呢？一、卷积自编码器是什么？卷积自编码器是一种基于卷积神经网络的模型，通常应用于图像处理和计算机视觉中。
与传统的自编码器相比，卷积自编码器能够更好地保留图像的空间结构信息，适用于处理大尺寸高维数据，且具有更好的表征能力。
它包含了两个主要的部分：1.编码器（Encoder）编码器是将输入的图像映射为一组编码，这些编码在低维空间中表示原图像的特性。
通常编码器包含多层卷积神经网络，可以提取出不同级别的特征信息，并通过池化层进行下采样，减小特征图的维度。
2.解码器（Decoder）解码器接受编码器的输出，将其转换为原始输入的重建。
通常解码器同样包含多层卷积神经网络，用于对编码进行上采样和反卷积操作。
最终，使用解码器生成的图像应该和原始输入图像非常接近。
二、卷积自编码器实现去噪卷积自编码器常用于图像去噪，具体步骤如下：1.准备数据首先，我们需要准备一个带有噪音的图像数据集。
这种噪声可以来自图像拍摄或压缩过程中的种种因素。
在训练模型之前，需要将训练数据进行预处理和标准化，以便更好地加载到模型中。
2.构建模型接下来，我们需要使用卷积自编码器模型，搭建一个能够去除噪声的模型。
在模型的架构中，编码器和解码器需要进行权值共享，以确保网络参数的数量最小化，从而避免过拟合。
此外，通过添加dropout或正则化项等技术，还可以增加模型的泛化能力。
3.训练模型训练过程通常采用随机梯度下降（SGD）算法，对模型在训练集上进行反复迭代，以寻找最适合于数据的权重。
此外，学习率的选择也是非常重要的，学习率过大会导致发散，而学习率过小则会导致收敛速度变慢。
一种基于卷积神经网络的遥感图像噪声抑制方法[发明专利]
![一种基于卷积神经网络的遥感图像噪声抑制方法[发明专利]](https://img.taocdn.com/s3/m/a23b7ff459f5f61fb7360b4c2e3f5727a4e92454.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201911147527.6(22)申请日 2019.11.21(71)申请人 西北工业大学地址 710072 陕西省西安市友谊西路127号(72)发明人 梅少辉 刘潇 张易凡 耿云浩 魏江 (74)专利代理机构 西安维赛恩专利代理事务所(普通合伙) 61257代理人 刘艳霞(51)Int.Cl.G06T 5/00(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于卷积神经网络的遥感图像噪声抑制方法(57)摘要本发明公开一种基于卷积神经网络的遥感图像噪声抑制方法，如下：步骤S1、构建卷积神经网络模型，卷积神经网络模型包括：依次相连接的输入层、隐含层和输出层；隐含层由以下组成：三个依次相连接的Inception模块，在第三个Inception模块后设置有两个相连接的卷积层；各Inception模块均包括：并行的第一子模块和第二子模块，以及设置在第一子模块和第二子模块后的一个拼接层。
步骤S2、训练步骤S1中的卷积神经网络模型。
步骤S3、将待处理的遥感图像输入训练后的卷积神经网络模型，输出去噪后的遥感图像。
本发明中的抑制方法噪声抑制效果好、泛化能力好、时间复杂度低。
权利要求书1页 说明书6页 附图5页CN 111028160 A 2020.04.17C N 111028160A1.一种基于卷积神经网络的遥感图像噪声抑制方法，其特征在于，该抑制方法包括如下步骤：步骤S1、构建卷积神经网络模型，所述卷积神经网络模型包括：依次相连接的输入层、隐含层和输出层；所述隐含层由以下组成：三个依次相连接的Inception模块，在第三个所述Inception模块后设置有两个相连接的卷积层；各所述Inception模块均包括：并行的第一子模块和第二子模块，以及设置在第一子模块和第二子模块后的一个拼接层；步骤S2、训练所述步骤S1中的卷积神经网络模型，得训练后的卷积神经网络模型；步骤S3、将待处理的遥感图像输入训练后的卷积神经网络模型，输出去噪后的遥感图像。
残差卷积自编码网络图像去噪方法
第38卷第5期计算机仿真2021年5月文章编号:1006 - 9348(2021)05 -0455 -07残差卷积自编码网络图像去噪方法罗仁泽U’3,王瑞杰2，张可2，范顺利2(1.西南石油大学油气藏地质及开发工程国家重点实验室，四川成都610500;2.西南石油大学电气信息学院，四川成都610500;3.西南石油大学地球科学与技术学院，四川成都610500)摘要：传统图像去噪模型一般为浅层线性结构，特征提取能力有限,而现有基于深度学习的图像去噪模型存在去噪效率低、泛化能力弱等问题。
针对上述缺点，以残差块、批归一化层和自编码器组成的残差卷积自编码块为基本网络结构，提出多功能去噪残差卷积自编码神经网络（D R C A E N N m)和去噪残差卷积自编码神经网络（D R C A E N N)两种基于深度学习的去噪网络模型。
实验结果表明，D R C A E N N m模型不仅具有盲去噪能力，还可以去除与训练数据类型不同的噪声，具有强泛化能力；D R C AE N N模型收敛快，去噪效率远超其它网络模型。
关键词：深度学习；图像去噪；卷积神经网络；自编码网络;残差网络中图分类号:TP183;TN911.73 文献标识码：BImage Denoising Method of Residual ConvolutionAuto - Encoder NetworkLUO Ren -z e12 3，WANG Rui -j ie2, ZHANG Ke2, FANG Shun -l i2(1. State K e y Laboratory of Oil and G as Reservoir Geology and Development Engineering,Southwest Petroleum University, C h e n g d u Sichuan 610500, C h i n a；2. School of electrical information, Southwest Petroleum University, C h e n g d u Sichuan 610500, C h i n a；3. School of Earth Science and Technology,Southwest Petroleum University, C h e n g d u Sichuan 610500, China)A B S T R A C T：T h e traditional image denoising models are generally shallow linear structures with limited feature extraction capabilities. However, existing image denoising models based on deep learning have the problems such aslow denoising efficiency and w e a k generalization ability. In view of the above shortcomings, combined with the advantages of Convolutional Auto -Encoder Network and Residual N e t work,using the Residual Convolutional Auto -E ncoder consisting of residual block, Batch Normalization layer and Auto - Encoder as the basic network structure,multi -functional denoising residual convolution Auto -Encoding neural network (D R C A E N N m)and denoising residual convolution Auto -Encoding Neural network (D R C A E N N)are proposed. T h e experimental results show thatthe D R C A E N N m model not only has the ability to blindly denoise, but also can filter out the noises different from thetraining data type ；D R C A E N N model can converge faster and the denoising efficiency far exceeds other network m o dels.K E Y W O R D S：D e e p learning；Image denoising；Convolutional neural network(C N N)；Auto -encoder(A E)；R esidual network基金项目：国家重点研发计划深地专项项目（2016YFC0601100);四川省科技计划项目（2019C X R C0027)收稿日期:2019 -07 -31修回日期:2019 -08-01—455—1引言传统图像去噪模型可分为基于空间域、变换域、稀疏表 示以及自然统计四大类。
一种基于残差学习与卷积神经网络的图像去噪方法[发明专利]
![一种基于残差学习与卷积神经网络的图像去噪方法[发明专利]](https://img.taocdn.com/s3/m/9aa1232008a1284ac950435b.png)
专利名称：一种基于残差学习与卷积神经网络的图像去噪方法专利类型：发明专利
发明人：周先春,吴静,翟靖宇,徐新菊,葛超,吴婷,陈铭
申请号：CN201911391449.4
申请日：20191230
公开号：CN111145125A
公开日：
20200512
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于残差学习与卷积神经网络的图像去噪方法，包括以下步骤：先分别采用卷积神经网络方法、残差学习的方法对输入的含噪图像去噪；再采用卷积神经网络方法与残差学习方法相结合的方法对含噪图像去噪，在卷积神经网络中添加padding，进行批规范化操作，在网络中加入浅层到深层的跨越连接结构，再采用Adam算法的卷积神经网络进行训练；最后，将去噪后的图像输出。
本发明的方法不仅能拓展网络深度，有效避免网络退化以及信息在传递的工程中的丢失与损耗，提高卷积神经网络去噪模型深度和结构信息的保持效果。
申请人：南京信息工程大学
地址：210044 江苏省南京市江北新区宁六路219号
国籍：CN
代理机构：南京苏高专利商标事务所(普通合伙)
代理人：柏尚春
更多信息请下载全文后查看。
基于残差学习的卷积神经网络医学CT图像去噪方法[发明专利]
![基于残差学习的卷积神经网络医学CT图像去噪方法[发明专利]](https://img.taocdn.com/s3/m/0931dff6650e52ea5418985c.png)
专利名称：基于残差学习的卷积神经网络医学CT图像去噪方法
专利类型：发明专利
发明人：张聚,周海林,吕金城,陈坚
申请号：CN201910166558.X
申请日：20190306
公开号：CN109978778A
公开日：
20190705
专利内容由知识产权出版社提供
摘要：基于残差学习的卷积神经网络医学CT图像去噪，具体步骤如下：步骤1)构建医学CT图像模型；步骤2)构建神经网络模型；步骤3)训练网络；步骤4)更新参数；步骤5)医学CT图像去噪，向构建好的网络模型中输入含噪声的医学CT图像，网络输出去除噪声后的医学CT图像。
本发明具有以下优点：提出了结合深度学习中卷积神经网络方面的知识进行医学CT图像去噪；采用残差学习的方式来近似学习图像中的噪声，具有很好的针对性，同时提升神经网络的训练效率；采用卷积神经网络和残差学习的方法，能够更好的学习图像中的特征信息，在图像去噪的过程中保留更多的局部图像信息。
同时图像去噪能力也得到提升。
申请人：浙江工业大学
地址：310014 浙江省杭州市下城区潮王路18号
国籍：CN
代理机构：杭州天正专利事务所有限公司
更多信息请下载全文后查看。
基于一维残差卷积神经网络的脑电信号去噪方法[发明专利]
![基于一维残差卷积神经网络的脑电信号去噪方法[发明专利]](https://img.taocdn.com/s3/m/a670b8a4f7ec4afe05a1df99.png)
专利名称：基于一维残差卷积神经网络的脑电信号去噪方法专利类型：发明专利
发明人：吴晓军,孙维彤,张玉梅,路纲
申请号：CN201811650041.X
申请日：20181231
公开号：CN109784242A
公开日：
20190521
专利内容由知识产权出版社提供
摘要：一种基于一维残差卷积神经网络的脑电信号去噪方法，由选取脑电样本、构建含噪脑电信号样本、划分网络训练集和测试集、构建一维残差卷积神经网络、训练一维残差卷积神经网络、重建去噪脑电信号步骤组成。
本发明构建了一个由残差网络连接组成的一维残差卷积神经网络，引入卷积层和激活层，增强了神经网络的学习能力，建立起噪声信号到脑信号的准确映射，实时去噪，卷积层后的激活层用线性整流单元层函数，将小于0的神经元去掉，筛选出有效的特征，避免了梯度爆炸的缺陷；将信号去噪分为模型训练和去噪过程，提高了信号去噪的信噪比和均方根误差,减少了去噪时间，提升了脑电信号去噪的效率和质量，可用于信号处理的预处理和去噪处理技术领域。
申请人：陕西师范大学
地址：710062 陕西省西安市长安南路199号
国籍：CN
代理机构：西安永生专利代理有限责任公司
代理人：申忠才
更多信息请下载全文后查看。
一种基于卷积神经网络的合成孔径雷达图像去噪方法[发明专利]
![一种基于卷积神经网络的合成孔径雷达图像去噪方法[发明专利]](https://img.taocdn.com/s3/m/b29558ea4a7302768f99394f.png)
专利名称：一种基于卷积神经网络的合成孔径雷达图像去噪方法
专利类型：发明专利
发明人：陈椿元,胡源源,刘巧煜,申仕煜,陶诗飞
申请号：CN201911163279.4
申请日：20191122
公开号：CN111145102A
公开日：
20200512
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于卷积神经网络的合成孔径雷达图像去噪方法。
方法为：首先搭建基于参数可学习激活函数的卷积神经网络模型；然后选取训练集，并设置参数可学习激活函数的卷积神经网络模型的训练参数；接着根据数可学习激活函数的卷积神经网络模型及其训练参数，使用均方误差MSE和总变分损失函数TV Loss作为损失函数，并以端到端训练参数可学习激活函数的卷积神经网络图像去噪模型；最后将待处理的图像输入到基于参数可学习激活函数的卷积神经网络的图像去噪模型中，得到去噪后的图像。
本发明增强了神经网络的学习能力，建立了带噪声的合成孔径雷达图像到无噪声图像的准确映射，提高了合成孔径雷达图像去噪的效果。
申请人：南京理工大学
地址：210094 江苏省南京市玄武区孝陵卫200号
国籍：CN
代理机构：南京理工大学专利中心
代理人：薛云燕
更多信息请下载全文后查看。
一种基于去噪自编码网络的SAR图像目标识别方法[发明专利]
![一种基于去噪自编码网络的SAR图像目标识别方法[发明专利]](https://img.taocdn.com/s3/m/90f44d3e4b7302768e9951e79b89680203d86b66.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201811302162.5(22)申请日 2018.11.02(71)申请人 电子科技大学地址 611731 四川省成都市高新区（西区）西源大道2006号(72)发明人 漆进 秦金泽 胡顺达 (51)Int.Cl.G06K 9/00(2006.01)G06K 9/46(2006.01)G06K 9/62(2006.01)(54)发明名称一种基于去噪自编码网络的SAR图像目标识别方法(57)摘要本发明公开了一种基于去噪自编码网络的SAR图像目标识别方法，该方法包括：使用三维模块匹配算法(BM3D)对图像去噪；对原始图像和去噪后的训练图像，用滑动窗口提取密集特征点，并分别按对应位置成对保存，用于后期训练深度去噪编码器的输入；用去噪后图像提取的SIFT特征为原始输入x ，以对应的未去噪图像提取的SIFT为加噪输入训练深层去噪自编码网络；使用空间金字塔(SPM)模型计算图像特征向量表达，利用最大池化方法(Max Pooling )对各个局部特征进行汇总，得到最终的图像描述向量；利用大量密集SIFT特征进行深度网络训练，利用深层去噪自编码网络学习特征的高层表示，最后使用深度网络特征替代初始局部特征训练线性支持向量机分类识别。
权利要求书2页 说明书4页 附图1页CN 109389101 A 2019.02.26C N 109389101A1.一种基于多尺度稀疏表示的SAR图像目标识别方法，其特征在于，包括：步骤(1)SAR图像去噪：密集SIFT特征提取依然会受到相干斑噪声的干扰，故先利用去噪算法对原图像进行预处理；步骤(2)提取密集尺度不变局部特征(SIFT)：对(1)中预处理后的训练图像，每一幅图像提取密集特征点，并通过随机采样的方法构成训练特征子集；对于测试图像，同样提取密集SIFT特征，保留所有特征进行稀疏编码；步骤(3)对特征进行稀疏表示：对(2)中获得的训练特征子集，利用多尺度字典学习方法，学习全局多尺度字典，；然后对(2)中图像提取的所有密集SIFT特征(训练图像和测试图像)进行稀疏编码，获得特征的稀疏表示，利用稀疏表示特征替代原始图像相应位置提取的SIFT特征点；步骤(4)特征映射：经过(2)的特征提取和(3)的稀疏表示后，每幅图像在不同位置得到一个稀疏特征向量，对特征向量进行聚类，然后使用空间金字塔(SPM)模型计算图像特征向量表达，利用最大池化方法(Max Pooling)对各个局部特征进行汇总，得到最终的图像描述向量；步骤(5)线性支持向量机分类：得到(4)中训练图像的最终图像描述向量后，训练分类器进行SAR图像目标识别。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910276255.3
(22)申请日 2019.04.08
(71)申请人 西南石油大学
地址 610500 四川省成都市新都区新都大
道8号
(72)发明人 罗仁泽 王瑞杰 张可 李阳阳
马磊 袁杉杉 吕沁
(51)Int.Cl.
G06K 9/62(2006.01)
G06N 3/04(2006.01)
G06T 5/00(2006.01)
(54)发明名称
一种基于残差卷积自编码网络的图像去噪
方法
(57)摘要
本发明公开了一种基于残差卷积自编码网
络的图像去噪方法，为了克服传统浅层线性结构
特征提取能力有限，现有基于深度学习的图像去
噪模型存在泛化能力弱等问题。
以残差块、批归
一化层和自编码器组成的残差卷积自编码块为
基本去噪网络结构，提出了多功能去噪残差卷积
自编码神经网络。
本发明公开的图像去噪方法，
在保持较高去噪质量和去噪精度的同时，不仅拥
有盲去噪能力，还能去除与训练集类型不相同的
噪声。
权利要求书2页 说明书5页 附图2页CN 110020684 A 2019.07.16
C N 110020684
A
1.一种基于残差卷积自编码网络的图像去噪方法，其特征在于包括如下步骤：
步骤1、将预处理后的原图和对应含噪声的图像作为训练集和测试集，具体步骤如下：
(1)将m*m像素的三通道原图预处理为单通道灰度图像，并对图像进行切割；
(2)将预处理切割后的灰度图像加入相应噪声；
(3)将原图的灰度图像及其对应的加噪图像作为一组数据，以原图像的灰度图像作为标签，制作训练集和测试集；
步骤2、构建残差卷积自编码块，主结构由n+2层卷积层组成，恒等映射部分由卷积自编码结构组成，残差卷积自编码块输出为：
x n+2＝f(x)+x cae
x cae 为输入x经过卷积自编码器提取的潜在特征，f(x)为输入x经过n+2层卷积层输出的结果，n为大于1的正整数，其中，主结构第1层卷积核大小为1*1，激活函数为Swish；第2到第n+1层结构相同，均添加批归一化层，卷积核大小为3*3，激活函数为Relu；第n+2层卷积核大小为1*1，激活函数为Swish；
其中Relu激活函数为：
Swish激活函数为：
式中β为x的缩放参数，β>0；
步骤3、网络结构主要由步骤2提出的残差卷积自编码块组成，网络共(n+2)*a+8层，a为大于2的正整数，第一层是一个用来降维的卷积层，中间层由残差卷积自编码块和残差卷积块组成，最后一层为一个全连接层；
步骤4、将步骤1预处理后的训练集，通过列队输入到步骤3搭建的网络模型中，采用误差反向传播，并以均方误差损失函数来衡量真实值与预测值的距离，通过数据集的每次迭代，使用梯度下降来调整神经元之间的权重以降低代价函数，进而优化网络，并以定量的峰值信噪比和定性的视觉感受判断网络去噪效果，初次保存网络模型的各个参数；
均方误差损失函数为：
式中，y i 为通过列队读入的标签数据，z i 为输出去噪后的数据，均方误差越小代表去噪后的数据与标签数据越接近，网络准确率越高；
峰值信噪比公式为：
其中M MSE 是原图和处理图像之间的均方误差，PSNR数值越大表示失真越小；
步骤5、将步骤1预处理后的测试集，输入到步骤4优化训练好的网络模型中，并通过定
权 利 要 求 书1/2页2CN 110020684 A。