本發(fā)明涉及圖像去噪，尤其涉及一種基于深度學(xué)習(xí)的中子圖像去噪方法。

背景技術(shù)：

1、中子成像是一種重要的無損檢測技術(shù)，利用中子穿透物質(zhì)的特性來獲取樣品的內(nèi)部結(jié)構(gòu)信息。與x射線成像不同，中子對輕元素(如氫)具有高靈敏度，而對重金屬具有較強(qiáng)的穿透能力，這使其在核工業(yè)、材料科學(xué)、能源、航空航天等領(lǐng)域具有廣泛應(yīng)用。中子成像通常包括二維投影圖像和三維斷層重建圖像兩種形式，能夠提供樣品的密度分布、內(nèi)部缺陷以及動態(tài)行為等信息。然而，由于中子源強(qiáng)度較低、探測器靈敏度有限以及實驗環(huán)境中的噪聲干擾，中子成像數(shù)據(jù)往往包含大量噪聲。這些噪聲不僅降低了圖像的質(zhì)量，還對后續(xù)的圖像分析和結(jié)果準(zhǔn)確性造成嚴(yán)重影響，因此對中子圖像進(jìn)行有效的去噪處理至關(guān)重要。

2、圖像去噪是圖像處理領(lǐng)域的基礎(chǔ)問題之一，其目標(biāo)是盡可能去除噪聲干擾的同時保留圖像的結(jié)構(gòu)和細(xì)節(jié)信息。常見的圖像去噪方法包括基于變換域的方法、空間域的濾波方法以及深度學(xué)習(xí)方法。變換域方法如小波變換去噪通過將圖像轉(zhuǎn)換到頻域空間，利用閾值操作抑制噪聲；空間域方法如中值濾波和雙邊濾波直接對像素值進(jìn)行操作，去除孤立噪聲點或平滑區(qū)域噪聲；深度學(xué)習(xí)方法近年來發(fā)展迅速，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)實現(xiàn)高效去噪，已在許多應(yīng)用中取得較好效果。然而，這些方法在應(yīng)用于中子圖像時存在一定的局限性，主要因為中子圖像的噪聲分布具有空間非均勻性和隨機(jī)性特點，現(xiàn)有去噪方法難以適應(yīng)其獨特的需求。

3、現(xiàn)有的圖像去噪方法在處理中子圖像時存在以下缺陷。首先，變換域方法需要對噪聲分布進(jìn)行精確建模，但中子圖像的噪聲成分復(fù)雜且分布不規(guī)則，導(dǎo)致建模誤差較大。其次，傳統(tǒng)的空間域濾波方法如中值濾波和均值濾波會顯著損失圖像細(xì)節(jié)信息，尤其是對中子圖像中的邊緣和紋理部分表現(xiàn)不佳。深度學(xué)習(xí)方法雖然在某些標(biāo)準(zhǔn)數(shù)據(jù)集上表現(xiàn)優(yōu)異，但其模型訓(xùn)練需要大量標(biāo)注數(shù)據(jù)，而中子圖像實驗中獲取高質(zhì)量的去噪樣本非常困難。此外，這些方法普遍未針對中子圖像的非均勻噪聲特性進(jìn)行優(yōu)化，導(dǎo)致去噪效果不理想。因此，設(shè)計一種能夠適應(yīng)中子圖像噪聲分布特性的高效去噪方法，既能保留圖像細(xì)節(jié)又具有較高的計算效率，是目前中子成像數(shù)據(jù)處理領(lǐng)域的關(guān)鍵研究問題之一。

4、綜上所述，本申請?zhí)岢鲆环N基于深度學(xué)習(xí)的中子圖像去噪方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是針對背景技術(shù)中存在對中子圖像的非均勻噪聲特性進(jìn)行優(yōu)化導(dǎo)致去噪效果不理想的問題，提出一種基于深度學(xué)習(xí)的中子圖像去噪方法。

2、本發(fā)明的技術(shù)方案：一種基于深度學(xué)習(xí)的中子圖像去噪方法，包括以下步驟：

3、對含噪的中子圖像進(jìn)行預(yù)處理，提取噪聲特性參數(shù)，所述噪聲特性參數(shù)包括噪聲分布特性和噪聲強(qiáng)度；

4、利用諧波均值濾波模塊對所述含噪的中子圖像進(jìn)行初步去噪處理，以平滑噪聲并有效保留圖像的邊緣和紋理細(xì)節(jié)；

5、將經(jīng)初步去噪處理后的圖像輸入到一階段圖像去噪網(wǎng)絡(luò)，所述一階段圖像去噪網(wǎng)絡(luò)基于u-net深度學(xué)習(xí)框架，通過多層下采樣逐步提取不同層信息，再經(jīng)多次上采樣恢復(fù)到原始尺寸，并使用跳躍連接避免信息丟失；

6、基于門控循環(huán)單元將原始圖像與一階段圖像去噪網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行特征提取和融合，以將兩個階段的信息進(jìn)行融合；

7、將融合后的特征圖作為二階段去噪網(wǎng)絡(luò)的輸入，所述二階段去噪網(wǎng)絡(luò)進(jìn)一步提取圖像信息，識別圖像中的噪聲并實現(xiàn)噪聲的去除，最終輸出去噪后的中子圖像。

8、可選的，所述對含噪的中子圖像進(jìn)行預(yù)處理，提取噪聲特性參數(shù)的步驟中，還包括利用含噪中子圖像及其噪聲特性參數(shù)來訓(xùn)練深度學(xué)習(xí)噪聲參數(shù)估計網(wǎng)絡(luò)gfdnet，將噪聲片輸入到所述gfdnet，通過深度學(xué)習(xí)模型輸出噪聲參數(shù)，將模擬虛擬噪聲添加到所述中子圖像，生成更有噪圖像，將所述中子圖像和所述更有噪圖像成對輸入到去噪深度學(xué)習(xí)模型，訓(xùn)練所述去噪深度學(xué)習(xí)模型。

9、可選的，所述利用諧波均值濾波模塊對所述含噪的中子圖像進(jìn)行初步去噪處理的步驟中，諧波均值濾波器的輸出通過以下公式進(jìn)行計算：

10、

11、其中，(x,y)表示待濾波的圖像中某個像素的坐標(biāo)，ifilitered(x,y)為諧波均值濾波器在(x,y)處的輸出，n表示鄰域像素的數(shù)量，i(xi,yi)是鄰域像素的值。

12、可選的，所述一階段圖像去噪網(wǎng)絡(luò)中，首先通過一個3×3的卷積層對圖像進(jìn)行初步處理，將原始圖像轉(zhuǎn)換為64通道的特征圖，提取圖像的基本特征。

13、可選的，所述基于門控循環(huán)單元將原始圖像與一階段圖像去噪網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行特征提取和融合的步驟中，原始圖像信息作為早期輸入，一階段去噪網(wǎng)絡(luò)的結(jié)果作為新輸入，門控機(jī)制根據(jù)圖像特征的不同需求，動態(tài)調(diào)整原始圖像信息和一階段去噪結(jié)果的融合方式。

14、可選的，所述含噪圖像為中子圖像，所述中子圖像由中子成像設(shè)備獲得。

15、可選的，所述深度學(xué)習(xí)去噪模型通過l2損失函數(shù)進(jìn)行訓(xùn)練，以最小化輸出圖像與真實去噪圖像之間的差異。

16、與現(xiàn)有技術(shù)相比，本申請包括以下至少一種有益技術(shù)效果：

17、本發(fā)明針對中子圖像噪聲的非均勻分布和隨機(jī)性，能自適應(yīng)處理，克服現(xiàn)有方法對中子圖像噪聲適應(yīng)性差的問題；

18、通過諧波均值濾波可逐像素去噪并保留邊緣紋理細(xì)節(jié)，u-net框架與門控特征融合模塊能優(yōu)化去噪后圖像質(zhì)量，還可增強(qiáng)圖像，利于后續(xù)分析應(yīng)用；

19、利用多種數(shù)據(jù)訓(xùn)練模型，提高效率效果，解決樣本獲取難問題，且計算量低，適用于實時中子圖像處理；

20、本發(fā)明通過結(jié)合濾波方法、特征融合、深度學(xué)習(xí)等技術(shù)，有效地去除了中子圖像中的噪聲，提升了圖像的質(zhì)量和清晰度，這些步驟的結(jié)合不僅能夠減少噪聲對圖像的影響，同時保持了圖像的細(xì)節(jié)信息，特別是在復(fù)雜圖像的去噪過程中發(fā)揮了重要作用。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的中子圖像去噪方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的中子圖像去噪方法，其特征在于，所述對含噪的中子圖像進(jìn)行預(yù)處理，提取噪聲特性參數(shù)的步驟中，還包括利用含噪中子圖像及其噪聲特性參數(shù)來訓(xùn)練深度學(xué)習(xí)噪聲參數(shù)估計網(wǎng)絡(luò)gfdnet，將噪聲片輸入到所述gfdnet，通過深度學(xué)習(xí)模型輸出噪聲參數(shù)，將模擬虛擬噪聲添加到所述中子圖像，生成更有噪圖像，將所述中子圖像和所述更有噪圖像成對輸入到去噪深度學(xué)習(xí)模型，訓(xùn)練所述去噪深度學(xué)習(xí)模型。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的中子圖像去噪方法，其特征在于，所述利用諧波均值濾波模塊對所述含噪的中子圖像進(jìn)行初步去噪處理的步驟中，諧波均值濾波器的輸出通過以下公式進(jìn)行計算：

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的中子圖像去噪方法，其特征在于，所述一階段圖像去噪網(wǎng)絡(luò)中，首先通過一個3×3的卷積層對圖像進(jìn)行初步處理，將原始圖像轉(zhuǎn)換為64通道的特征圖，提取圖像的基本特征。

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的中子圖像去噪方法，其特征在于，所述基于門控循環(huán)單元將原始圖像與一階段圖像去噪網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行特征提取和融合的步驟中，原始圖像信息作為早期輸入，一階段去噪網(wǎng)絡(luò)的結(jié)果作為新輸入，門控機(jī)制根據(jù)圖像特征的不同需求，動態(tài)調(diào)整原始圖像信息和一階段去噪結(jié)果的融合方式。

6.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的中子圖像去噪方法，其特征在于，所述含噪圖像為中子圖像，所述中子圖像由中子成像設(shè)備獲得。

7.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的中子圖像去噪方法，其特征在于，所述深度學(xué)習(xí)去噪模型通過l2損失函數(shù)進(jìn)行訓(xùn)練，以最小化輸出圖像與真實去噪圖像之間的差異。

8.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的中子圖像去噪方法，其特征在于，所述gfdnet通過將由具有高斯分布噪聲的隨機(jī)噪聲參數(shù)組成的虛擬噪聲數(shù)據(jù)作為輸入，并將對應(yīng)的噪聲參數(shù)作為輸出進(jìn)行訓(xùn)練，噪聲參數(shù)包括噪聲均值和標(biāo)準(zhǔn)差。

技術(shù)總結(jié)
本發(fā)明涉及圖像去噪技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的中子圖像去噪方法。其技術(shù)方案包括以下步驟：對含噪的中子圖像進(jìn)行預(yù)處理，提取噪聲特性參數(shù)，所述噪聲特性參數(shù)包括噪聲分布特性和噪聲強(qiáng)度；利用諧波均值濾波模塊對所述含噪的中子圖像進(jìn)行初步去噪處理，以平滑噪聲并有效保留圖像的邊緣和紋理細(xì)節(jié)；將經(jīng)初步去噪處理后的圖像輸入到一階段圖像去噪網(wǎng)絡(luò)。本發(fā)明通過結(jié)合濾波方法、特征融合、深度學(xué)習(xí)等技術(shù)，有效地去除了中子圖像中的噪聲，提升了圖像的質(zhì)量和清晰度，這些步驟的結(jié)合不僅能夠減少噪聲對圖像的影響，同時保持了圖像的細(xì)節(jié)信息，特別是在復(fù)雜圖像的去噪過程中發(fā)揮了重要作用。

技術(shù)研發(fā)人員：洪兵,李帥,孟獻(xiàn)才,梁立振
受保護(hù)的技術(shù)使用者：合肥綜合性國家科學(xué)中心能源研究院（安徽省能源實驗室）
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15