【CN110335202A】一种水下声纳图像噪声消除方法【专利】

(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 201910277579.9
(22)申请日 2019.04.08
(71)申请人 武汉理工大学
地址 430070 湖北省武汉市洪山区珞狮路
122号
(72)发明人 刘文　卢煜旭　张瑞　孙睿涵　
吴芷璇　何俊　马全党　
(74)专利代理机构 湖北武汉永嘉专利代理有限
公司 42102
代理人 李丹
(51)Int.Cl.
G06T 5/00(2006.01)
G06T 7/45(2017.01)
(54)发明名称
一种水下声纳图像噪声消除方法
(57)摘要
本发明公开了一种水下声纳图像噪声消除
方法，包括以下步骤：1)采取不同环境下的色彩
清晰的彩色图像，然后将其转变成灰度图；2)将
步骤1)中采集的图象进行图像处理操作转换成
为设定数量数据集，作为训练数据；3)将得到的
数据集进行对数化处理；4)将处理完毕的数据集
运用基于残差卷积神经网络框架训练学习；5)得
到训练参数，根据得到的残差卷积神经网络对测
试图像进行去噪处理，得到噪声图像，然后根据
噪声图像和原始测试图像得到去噪后的图像。

本
发明采用CNN对对数域的散斑噪声进行估计，采
用结构相似性度量作为损失函数，在散斑噪声抑
制过程中保持更多的几何结构，保证高质量的去
噪检测性能。

权利要求书1页 说明书5页 附图1页CN 110335202 A 2019.10.15
C N 110335202
A
权　利　要　求　书1/1页CN 110335202 A
1.一种水下声纳图像噪声消除方法，其特征在于，包括以下步骤：
1)采取不同环境下的色彩清晰的彩色图像，然后将其转变成灰度图；
2)将步骤1)中采集的图象进行图像处理操作转换成为设定数量数据集，作为训练数据；所述图像处理操作包括上下翻转、左右翻转、向左或向右旋转、放大、缩小、切割中的一种或几种的组合；
3)将得到的数据集进行对数化处理；
4)将处理完毕的数据集运用基于残差卷积神经网络框架训练学习；
5)得到训练参数，根据得到的残差卷积神经网络对测试图像进行去噪处理，得到噪声图像，然后根据噪声图像和原始测试图像得到去噪后的图像。

2.根据权利要求1所述的水下声纳图像噪声消除方法，其特征在于，所述步骤4)中基于残差卷积神经网络框架训练学习过程如下：
1)设置训练学习参数，为残差卷积神经网络进行权值的初始化；所述参数包括批训练量、学习率、训练次数；
2)输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；根据损失函数求出残差卷积神经网络的输出值与目标值之间的误差；
3)当误差大于期望值时，将误差传回网络中，依次求得全连接层，下采样层，卷积层的误差；各层的误差可以理解为对于网络的总误差，网络应承担多少；
4)误差大于期望值时，根据求得误差进行权值更新；
5)当误差等于或小于期望值时，结束训练。

3.根据权利要求2所述的水下声纳图像噪声消除方法，其特征在于，所述步骤2)中采用的损失函数为SSIM损失函数。

4.根据权利要求1所述的水下声纳图像噪声消除方法，其特征在于，所述步骤4)中残差卷积神经网络的结构如下，包括：
1)输入层：输入层为第一层，输入为35x35xc的图像，经过64个3x3x3的卷积核卷积，输出为64张35x35的特征图，即35x35x64的图像；
2)卷积层：卷积层共16层，每层有64个3x3x64的卷积核，每层的输入输出都为35x35x64的图像；
3)输出层：输出层通过1个3x3x64的卷积核，重建1维图像，作为输出。

2。