面对X射线钛合金图像的基于感知损失的图像降噪方法

本发明属于图像与计算机图形学领域，具体涉及到一种面对x射线钛合金图像的基于感知损失的图像降噪方法。

背景技术：

1、x射线检测技术是一种非破坏性检测技术，通过利用x射线的透射和吸收特性来检测材料内部的缺陷和异物。该技术可以应用于多种材料的检测，例如金属、塑料、陶瓷、复合材料等。x射线检测技术具有高精度、无损检测、快速和可靠等优点，已广泛应用于航空、航天、汽车、建筑和电力等领域。但是由于x射线源的不稳定性和能量波动、物体表面的不平整和杂质等诸多因素，生成的x射线图像往往存在噪声，可能会导致图像信息的丢失、不确定性和不可靠性，影响后续的检测结果。因此，在x射线检测领域，图像降噪是一个至关重要的图像处理过程，决定了后续检测和分割任务的准确性和可靠性。冷阴极x射线成像的原始数据包含椒盐和高斯混合噪声，导致信噪比降低。如何根据焊缝缺陷的成像特点，在图像降噪过程中不损害焊缝纹理细节信息，实现图像降噪和特征增强，是一个热点研究内容。

2、如今，基于深度学习的卷积神经网络凭借着优秀的计算性能和运行速度，在图像降噪领域受到越来越多的关注。基于深度学习的算法通过卷积层、池化层、激活函数、批量归一化等基础层将低维特征映射到高维特征，能够学习图像数据本质的特征。相对于传统的基于滤波器和基于小波变换的算法，算法的泛化性能和速度都有很大的提升。

3、以dncnn为代表的基于深度神经网络的图像降噪算法取得了优秀的结果，但是其仍存有一些问题。对于图像中的纹理细节部分，现有降噪网络缺乏重点关注这些突出的特征，导致恢复后的图像中缺少细节信息，导致边缘平滑。图像降噪模型在实际应用中，特别是在x射线钛合金图像降噪中，往往图像焊缝细节会被一起处理掉，导致丢失图像信息。因此，如何使模型在降噪任务中保留x射线钛合金图像细节，是一个重要的研究方向。

技术实现思路

1、为了解决现有技术中的上述问题，本发明提出了一种面对x射线钛合金图像的基于感知损失的图像降噪方法，与现有的x射线钛合金图像降噪算法不同，本发明构造的降噪模型能保留高强度噪声x射线钛合金图像中的焊缝细节信息，能够有效提高图像降噪处理效果。

2、该方法包括如下步骤：

3、步骤1，构建基于噪声水平估计的卷积神经网络的主体框架；

4、步骤2，对一批x射线钛合金图像添加高强度噪声，并将含噪声图像输入图像降噪主体框架，输出降噪后的低噪声图像；

5、步骤3，将输出的低噪声图像与真实无噪声图像对比，采用均方误差计算损失函数，以更新主体框架的网络参数；

6、步骤4，重复步骤2到步骤3，直至训练收敛，得到预训练的图像降噪神经网络；

7、步骤5，将含噪声图像输入完成预训练的图像降噪主体框架，输出降噪后的低噪声图像，将输出的低噪声图像与真实无噪声图像输入感知损失网络，采用感知损失计算损失函数，调整学习率，微调更新主体框架的网络参数；

8、步骤6，重复步骤5，直至训练收敛，得到最终降噪模型；

9、步骤7，基于所述最终降噪模型，对含噪声x射线钛合金图像进行处理，获得降噪后的图像。

10、优选地，所述步骤1需要构建基于噪声水平估计的卷积神经网络的主体框架。主体框架包含噪声水平估计网络与图像降噪模块。

11、噪声水平估计网络由多个全卷积神经网络组成，能根据含噪声图像估计噪声强度，为降噪过程生成噪声子图，提高降噪效果；

12、图像降噪模块包含下采样模块、多层卷积神经网络与上采样模块。对输入的含噪声图像进行4倍下采样，在保证信息有效性的同时，能显著提高网络的运行速度，再通过4倍上采样恢复为原本分辨率的图像，作为降噪后的低噪声图像输出；

13、主体框架总体输入为不同噪声强度的含噪声图像，使得在推理阶段，能通过输入不同噪声强度的含噪声图像，预测噪声强度并输出低噪声图像。

14、优选地，所述步骤1需要构建图像降噪模块。图像降噪模块的多层卷积神经网络基本单元中，包括卷积层、relu激活函数层和批归一化层。网络分为三部分，第一部分为卷积层和relu激活函数层，共1层；第二部分为卷积层、relu激活函数层和批归一化层，共15层，第三部分为卷积层，共1层。通过批量归一化，能够使降噪网络表现出更好的降噪性能。

15、优选地，所述步骤3中，损失函数选用l2损失函数和非对称损失函数组成的复合损失函数。其中l2损失函数为输出的低噪声图像与实际的无噪声图像像素值的均方误差。本方法设计了非对称损失函数，目的主要是为了消除非对称敏感性，提高噪声水平估计网络对降噪效果的影响。

16、优选地，所述步骤5中，感知损失网络将一个预训练好的vgg网络作为感知损失计算器，提取图像的纹理和结构信息。更符合人眼对图像质量的感受，保留x射线钛合金图像的焊缝细节和纹理特征。

17、优选地，所述步骤5中，感知损失函数使用vgg网络结构中的浅层、较深层、更深层中的某几层组合提取特征，构造感知损失。损失函数选用感知损失函数和非对称损失函数组成的复合损失函数。

18、优选地，所述步骤3和所述步骤5中，由于直接使用感知损失函数和非对称损失函数复合的损失函数，模型难以收敛。因此先采用l2损失函数和非对称损失函数组成的复合损失函数进行预训练，预训练后采用感知损失函数和非对称损失函数复合的损失函数，在固定感知损失网络参数的基础上进行参数微调。当复合损失函数下降到较低的数值，并在小范围内振荡时，认定为图像降噪网络已收敛，停止训练。

19、本发明的有益效果在于：解决了高噪声x射线钛合金图像在降噪过程中图像焊缝细节会被一起处理掉，导致丢失图像信息的技术问题。能在噪声强度未知的情况下估计噪声强度水平，并在x射线钛合金图像降噪效果上取得较好的峰值信噪比指标。此外，本发明还能应用到影视娱乐、医学图像等领域。

技术特征：

1.一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，所述步骤1中，主体框架包含噪声水平估计网络与图像降噪模块；噪声水平估计网络由多个全卷积神经网络组成，能根据噪声图像估计噪声强度，为降噪过程生成噪声子图，提高降噪效果；图像降噪模块包含下采样模块、多层卷积神经网络与上采样模块；对输入的含噪声图像进行4倍下采样，在保证信息有效性的同时，能显著提高网络的运行速度，再通过4倍上采样恢复为原本分辨率的图像，作为降噪后的低噪声图像输出。

3.根据权利要求2所述的一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，所述步骤1中，图像降噪模块的多层卷积神经网络基本单元中，包括卷积层、relu激活函数层和批归一化层，通过批量归一化，能够使降噪网络表现出更好的降噪性能。

4.根据权利要求1所述的一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，所述步骤3中，所述损失函数选用l2损失函数和非对称损失函数组成的复合损失函数。

5.根据权利要求1所述的一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，所述步骤5中，感知损失网络将一个预训练好的vgg网络作为感知损失计算器，提取图像的纹理和结构信息；更符合人眼对图像质量的感受，保留图像的细节和纹理特征。

6.根据权利要求1所述的一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，所述步骤5中，感知损失函数使用vgg网络结构中的浅层、较深层、更深层中的某几层组合提取特征，构造损失；损失函数选用感知损失函数和非对称损失函数组成的复合损失函数。

7.根据权利要求1所述的一种面对x射线钛合金图像的基于感知损失的图像降噪方法，其特征在于，所述步骤3和所述步骤5中，由于直接使用感知损失函数和非对称损失函数复合的损失函数，模型难以收敛；因此先采用l2损失函数和非对称损失函数组成的复合损失函数进行预训练，预训练后采用感知损失函数和非对称损失函数复合的损失函数，在固定感知损失网络参数的基础上进行参数微调；当复合损失函数下降到较低的数值，并在小范围内振荡时，认定为图像降噪网络已收敛，停止训练。

技术总结
本发明公开了一种面对X射线钛合金图像的基于感知损失的图像降噪方法，包括如下步骤：步骤1，构建基于噪声水平估计的卷积神经网络主体框架；步骤2，将含噪声X射线钛合金图像输入主体框架，输出降噪后的低噪声图像；步骤3，采用均方误差计算损失函数，更新主体框架的网络参数；步骤4，将重复步骤2到步骤3，得到预训练的图像降噪神经网络；步骤5，将噪声图像输入完成预训练的主体框架，采用感知损失计算损失函数，更新主体框架的网络参数；步骤6，重复步骤5，得到最终降噪模型；步骤7，基于所述最终降噪模型，获得降噪的图像。本申请解决了高强度噪声图像降噪效果较差、图像细节信息损失的问题，能够有效提高噪声图像降噪处理效果。

技术研发人员：杨万扣,钟泺泠,冀春旺,赵立业
受保护的技术使用者：东南大学
技术研发日：
技术公布日：2024/3/11