一种基于深度学习的太赫兹图像优化方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984123A(43)申请公布日2023.04.18(21)申请号202211522224.X(22)申请日2022.11.30(71)申请人南京大学地址210093江苏省南京市鼓楼区汉口路22号(72)发明人张彩虹张伟冯龙呈范克彬吴敬波金飚兵陈健吴培亨(74)专利代理机构苏州威世朋知识产权代理事务所(普通合伙)32235专利代理师常伟(51)Int.Cl.G06T5/00(2006.01)G06N3/045(2023.01)G06N3/0464(2023.01)G06N3/08(2023.01)权利要求书2页说明书4页附图2页(54)发明名称一种基于深度学习的太赫兹图像优化方法(57)摘要本发明公开了一种基于深度学习的太赫兹图像优化方法，包括以下步骤：构建一个20层，包括3种不同类型网络层的神经网络；预处理太赫兹图像；输出预测图像，判定优化质量。本发明针对噪声较大情况下太赫兹成像系统成像图像质量低的问题，在太赫兹图像优化方面提供了解决方案。该方案可以利用深度学习，提升图像优化质量，提高图像优化效率。CN115984123ACN115984123A权利要求书1/2页1.一种基于深度学习的太赫兹图像优化方法，其特征在于，包括以下步骤：S1，构建一个20层，包括3种不同类型网络层的神经网络；S2，预处理太赫兹图像；S3，输出预测图像，判定优化质量。2.根据权利要求1所述的一种基于深度学习的太赫兹图像优化方法，其特征在于：所述步骤S1中，包括如下步骤：S1.1，构建输入层和卷积层：输入训练图像数据至卷积层，使用64个3×3×c的卷积核提取原太赫兹图像，生成64个特征图，对应输出特征值y，c表示图像通道数，使用整流线性单元ReLU(y)进行非线性处理；所述ReLU(y)＝max(y，0)，指输出特征值y与0作比较，取最大值输出；S1.2，构建隐藏层，每层使用64个大小为3×3×64的滤波器，在卷积层与整流线性单元ReLU(y)之间添加批归一化处理，所述批归一化处理将步骤S1.1中提取图像的特征值转化为均值为0、方差为1的数，进入网络的下一层，减轻内部协变量移位问题；本网络使用残差网络解决网络深度问题：在整流线性单元ReLU(y)前添加输入函数a[l]，所述残差网络公式为：a[L]＝a[l]+F(a[l]，W)，式中a[L]为后第L层网络输入值，W为匹配卷积操作，用于升维或降维，F(a[l]，W)为残差部分；所述残差网络结合所述批归一化使用，优化网络效率；网络通过最小化损失函数来求解和评估模型，训练图像数据式中，xi为第i个无噪声图像，yi为第i个原始训练图像，N为训练图像总数，训练网络的损失函数l(θ)定义为：式中，为训练网络残差映射噪声与真实噪声差的F范数的平方，R(yi；θ)为残差映射噪声，||()||F表示为()的F范数，θ为网络参数，真实残差图像与网络输出之间使用均方误差MSE作为损失函数，Adam算法被用作梯度优化，Adam算法公式为：mt：＝beta1*mt‑1+(1‑beta1)*gvt：＝beta2*vt‑1+(1‑beta2)*g*g式中mt为历史梯度的一阶指数平滑值，vt为历史梯度平方的一阶指数平滑值，为学习速率，设置为0.001，beta1为一阶矩估计的指数衰减率，beta2为二阶矩估计的指数衰减率，ε为维持数值稳定性而添加的常数，g为步进为t的梯度，variable为Adam算法参数更新公式，：＝运算符号代表将等式右边部分赋值给左边。S1.3，构建输出层：最后使用大小为3×3×64的滤波器重建输出残差图像。3.根据权利要求1所述的一种基于深度学习的太赫兹图像优化方法，其特征在于：所述步骤S2中，包括如下步骤：将彩色RGB图像转化为灰度图像，转化公式：PGrey＝0.299*PR+0.587*PG+0.114*PB，式中，PGrey为转化后图像灰度像素，PR为转化前图像红色像素，PG为转化前图像绿色像素，PB为转化前图像蓝色像素。4.根据权利要求3所述的一种基于深度学习的太赫兹图像优化方法，其特征在于：所述步骤S3中，包括如下步骤：调用所述神经网络输出优化后图像，将原始图像与网络输出残差图像相减的得到，公式为：x′＝z‑v′,式中x′为网络优化后图像，v′为网络输出残差网络图2CN115984123A权利要求书2/2页像，z为原始图像；根据优化后的图像与原图对比峰值信噪比PSNR和相似性结构SSIM，判断太赫兹图像网络优化结果，判断依据包括两个参数：第一参数为峰值信噪比PSNR：式中，b为色深，取8，MSE为均方误差；第二参数为相似性结构SSIM：式中，d为神经网络优化后的图像，μz为z平均值，μd为d22平均值，为z的方差，为d的方差，σzd