国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種數(shù)據(jù)降噪方法及系統(tǒng)與流程

      文檔序號:12035736閱讀:2621來源:國知局
      一種數(shù)據(jù)降噪方法及系統(tǒng)與流程

      本發(fā)明涉及醫(yī)療技術(shù)領(lǐng)域,特別涉及一種數(shù)據(jù)降噪方法及系統(tǒng)。



      背景技術(shù):

      近年來,神經(jīng)網(wǎng)絡(luò)模型在語音和圖像的識別、分析和合成領(lǐng)域獲得了許多成就。神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方式是通過向它輸入大量的訓(xùn)練樣本,然后逐漸對網(wǎng)絡(luò)參數(shù)進行調(diào)整,直至它能夠反饋出令人滿意的結(jié)果。

      醫(yī)學(xué)圖像由于采集源及探測器參數(shù)和環(huán)境等因素往往會受到噪聲的干擾。例如,醫(yī)學(xué)圖像中通常存在大量的高斯噪聲和/或椒鹽噪聲,這些噪聲可能會給器官病變區(qū)域的識別和劃分造成影響,進一步影響醫(yī)生的診斷,容易導(dǎo)致診斷結(jié)果的不準(zhǔn)確或遺漏。

      數(shù)據(jù)降噪的方法多種多樣,比如均值濾波、中值濾波、低通濾波,以及近些年逐漸成熟的小波變換和全變分(tv)等方法。不管哪種方法,降噪的關(guān)鍵在于獲得噪聲分布,將信號按照不同特征進行分解,找到噪聲的特征并進行抑制。信號的分解和噪聲特征的提取往往涉及到復(fù)雜的數(shù)學(xué)運算,也決定了噪聲抑制的效果。

      傳統(tǒng)的降噪處理需要依賴專人經(jīng)驗、耗費大量時間和精力,也容易出現(xiàn)降噪水平不穩(wěn)定的問題?;谏窠?jīng)網(wǎng)絡(luò)模型對醫(yī)學(xué)圖像進行降噪,可以通過對大量數(shù)據(jù)樣本的學(xué)習(xí)構(gòu)建出合適的學(xué)習(xí)網(wǎng)絡(luò)模型,提取相應(yīng)降噪?yún)?shù),從而快速準(zhǔn)確地完成醫(yī)學(xué)圖像的降噪處理。



      技術(shù)實現(xiàn)要素:

      針對現(xiàn)有技術(shù)在醫(yī)學(xué)影像系統(tǒng)降噪處理中依賴專人經(jīng)驗、耗費大量時間和精力以及容易出現(xiàn)降噪水平不穩(wěn)定的情況,本發(fā)明所要解決的問題是:利用神經(jīng)網(wǎng)絡(luò)模型得到投影數(shù)據(jù)的噪聲估計,進而抑制投影數(shù)據(jù)中的噪聲,提高信噪比。此外,基于神經(jīng)網(wǎng)絡(luò)模型的投影數(shù)據(jù)降噪方法,可以降低降噪難度、提高分析效率、形成標(biāo)準(zhǔn)化處理。

      為達到上述發(fā)明目的,本發(fā)明提供的技術(shù)方案如下:

      一種數(shù)據(jù)降噪方法,所述方法包括:

      獲取待降噪的投影數(shù)據(jù);

      獲取第一模型,所述第一模型為訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型;

      基于所述第一模型獲取所述待降噪的投影數(shù)據(jù)的降噪?yún)?shù);

      基于所述降噪?yún)?shù)對所述待降噪的投影數(shù)據(jù)進行降噪處理。

      在本發(fā)明中,基于訓(xùn)練用數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練,獲取所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型。

      在本發(fā)明中,所述訓(xùn)練用數(shù)據(jù)包括訓(xùn)練用投影數(shù)據(jù),所述訓(xùn)練用投影數(shù)據(jù)為已知噪聲分布的投影數(shù)據(jù)。

      在本發(fā)明中,所述訓(xùn)練用投影數(shù)據(jù)通過低噪聲投影數(shù)據(jù)加上已知分布的模擬噪聲數(shù)據(jù)得到。

      在本發(fā)明中,所述降噪?yún)?shù)是構(gòu)造頻域濾波器所需的噪聲的頻譜分布。

      在本發(fā)明中,所述噪聲的頻譜分布包括截止頻率和帶寬。

      在本發(fā)明中,所述降噪?yún)?shù)是對數(shù)據(jù)或信號進行多層小波分解時,每一層對應(yīng)的高頻系數(shù)的閾值。

      在本發(fā)明中,所述降噪?yún)?shù)是最小化數(shù)據(jù)的全變分所需的正則項系數(shù)。

      在本發(fā)明中,一種數(shù)據(jù)降噪系統(tǒng),包括:

      一種計算機可讀的存儲媒介,被配置為存儲可執(zhí)行模塊,包括:

      投影數(shù)據(jù)獲取模塊,用來獲取待降噪的投影數(shù)據(jù);

      降噪?yún)?shù)獲取模塊,用來獲取第一模型,并基于所述第一模型獲取所述待降噪的投影數(shù)據(jù)的降噪?yún)?shù),所述第一模型為訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型;

      降噪處理模塊,用來基于所述降噪?yún)?shù)對所述待降噪的投影數(shù)據(jù)進行降噪處理。

      在本發(fā)明中,所述數(shù)據(jù)降噪系統(tǒng),進一步包括:

      訓(xùn)練數(shù)據(jù)獲取模塊,用來獲取訓(xùn)練用數(shù)據(jù);

      模型訓(xùn)練模塊,用來構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,并基于所述訓(xùn)練用數(shù)據(jù)對所述神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練,獲取所述第一模型。

      與現(xiàn)有技術(shù)相比,本發(fā)明的有益效果表現(xiàn)如下:

      一、針對醫(yī)學(xué)影像系統(tǒng)降噪處理的邏輯復(fù)雜、依賴專人經(jīng)驗、耗費時間和精力、容易出現(xiàn)降噪水平不穩(wěn)定的問題,采用自動化的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法,將噪聲特征的提取通過神經(jīng)網(wǎng)絡(luò)算法來實現(xiàn),通過神經(jīng)網(wǎng)絡(luò)模型算法的訓(xùn)練,可以精確的獲得噪聲的特征,從而實現(xiàn)較好的投影數(shù)據(jù)噪聲抑制。

      二、從大量數(shù)據(jù)樣本中學(xué)習(xí)噪聲特征和降噪?yún)?shù)特征,是一種普適的方法,可以用于各種投影數(shù)據(jù)降噪,簡化噪聲特征的提取并提供更準(zhǔn)確的結(jié)果。

      附圖說明

      圖1是本發(fā)明的用于醫(yī)學(xué)影像系統(tǒng)的應(yīng)用場景圖;

      圖2是本發(fā)明的用于醫(yī)學(xué)影像系統(tǒng)的服務(wù)器的模塊圖;

      圖3是本發(fā)明的用于醫(yī)學(xué)影像系統(tǒng)的降噪處理平臺的模塊圖;

      圖4是本發(fā)明的訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的流程示例圖;

      圖5是本發(fā)明的投影數(shù)據(jù)降噪方法的流程示例圖;

      圖6是本發(fā)明的神經(jīng)網(wǎng)絡(luò)的一個結(jié)構(gòu)示意圖;

      圖7是本發(fā)明的神經(jīng)網(wǎng)絡(luò)的另一個結(jié)構(gòu)示意圖;

      圖8是本發(fā)明的神經(jīng)網(wǎng)絡(luò)的另一個結(jié)構(gòu)示意圖;

      圖1標(biāo)記:100為醫(yī)學(xué)影像系統(tǒng),110為影像設(shè)備,120為服務(wù)器,130為投影數(shù)據(jù)訓(xùn)練庫,140為網(wǎng)絡(luò),150為降噪處理平臺;

      圖2標(biāo)記:210為訓(xùn)練數(shù)據(jù)獲取單元,220為模型訓(xùn)練單元;

      圖3標(biāo)記:310為投影數(shù)據(jù)獲取單元,320為降噪?yún)?shù)獲取單元,330為降噪處理單元;

      圖6標(biāo)記:610為輸入端,620為節(jié)點,630為輸出端;

      圖7標(biāo)記:710為輸入端,720為節(jié)點,730為輸出端;

      圖8標(biāo)記:810為輸入端,820為節(jié)點,830為輸出端。

      具體實施方式

      為使本發(fā)明的上述目的、特征和優(yōu)點能夠更為明顯易懂,下面結(jié)合附圖和實施例對本發(fā)明的具體實施方式做詳細的說明。

      為了完整地了解本發(fā)明,請參考圖1,表示本發(fā)明以較佳實施方式的用于醫(yī)學(xué)影像系統(tǒng)的應(yīng)用場景圖。醫(yī)學(xué)影像系統(tǒng)100包括但不限于影像設(shè)備110、服務(wù)器120、投影數(shù)據(jù)訓(xùn)練庫130、網(wǎng)絡(luò)140和降噪處理平臺150。

      影像設(shè)備110是用來獲取影像的醫(yī)學(xué)影像采集系統(tǒng),其包括但不限于至少一個數(shù)字化成像設(shè)備。例如,數(shù)字化成像設(shè)備可以是計算x線攝影儀(cr)、數(shù)字化x線攝影儀(dr)、計算機斷層掃描儀(ct)、核磁共振成像掃描儀(mri)、數(shù)字減影血管造影掃描儀(dsa)、發(fā)射型計算機斷層掃描儀(ect)中的一種或多種,或其他類似的成像設(shè)備。影像設(shè)備110可以通過網(wǎng)絡(luò)140與服務(wù)器120進行通訊,將其獲得的影像數(shù)據(jù)存儲在服務(wù)器120以便用戶進行查閱和分析。可選地,影像設(shè)備110也可以與降噪處理平臺150進行直接通訊,降噪處理平臺150可以訪問影像設(shè)備110的投影數(shù)據(jù),對投影數(shù)據(jù)進行降噪處理。所述投影數(shù)據(jù)可以用于生成醫(yī)學(xué)圖像。

      服務(wù)器120是用來存儲和處理數(shù)據(jù)的影像存儲管理系統(tǒng)。可選的,服務(wù)器120包括訓(xùn)練數(shù)據(jù)獲取單元210和模型訓(xùn)練單元220。服務(wù)器120通過網(wǎng)絡(luò)140與影像設(shè)備110、投影數(shù)據(jù)訓(xùn)練庫130、降噪處理平臺150進行數(shù)據(jù)傳輸,既可以存儲和處理影像設(shè)備110和投影數(shù)據(jù)訓(xùn)練庫130產(chǎn)生的數(shù)據(jù),也可以存儲降噪處理平臺150產(chǎn)生的數(shù)據(jù)。投影數(shù)據(jù)訓(xùn)練庫130中的訓(xùn)練用投影數(shù)據(jù)通過網(wǎng)絡(luò)140發(fā)送至服務(wù)器120時,服務(wù)器120可以利用訓(xùn)練用投影數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和測試,還可以將訓(xùn)練和測試中的產(chǎn)生的中間結(jié)果和/或最終結(jié)果存儲在服務(wù)器120中。

      訓(xùn)練用投影數(shù)據(jù)可以用于生成醫(yī)學(xué)圖像,該投影數(shù)據(jù)可以包括帶噪聲的投影數(shù)據(jù)和數(shù)據(jù)標(biāo)簽。噪聲是指在數(shù)據(jù)采集過程和/或數(shù)據(jù)傳輸過程中周圍各種干擾對數(shù)據(jù)產(chǎn)生的影響。例如,在ct系統(tǒng)中,相同條件下球管電流的下降會導(dǎo)致投影數(shù)據(jù)的信噪比的下降。噪聲可以與時間信號相關(guān),例如不同時間點的電磁干擾是一種噪聲。噪聲也可以與空間信息相關(guān),例如在某一探測角度時,由于不同通道的探測器由于探測角度相對不同,因此采集到的投影數(shù)據(jù)具有一定的空間分布規(guī)律,從而使投影數(shù)據(jù)的噪聲具有空間分布規(guī)律。噪聲可以是高斯噪聲、白噪聲、椒鹽噪聲等一種或多種的組合。數(shù)據(jù)標(biāo)簽可以是所述投影數(shù)據(jù)的噪聲分布的頻譜參數(shù)、小波分解的閾值、全變分算法的正則項系數(shù)等一種或多種的組合。影像設(shè)備110中部分或全部投影數(shù)據(jù)通過網(wǎng)絡(luò)120發(fā)送至服務(wù)器120時,服務(wù)器120可以對投影數(shù)據(jù)進行降噪處理,還可以將降噪處理完的數(shù)據(jù)存儲在服務(wù)器120中,或通過網(wǎng)絡(luò)140發(fā)送至影像設(shè)備110。

      投影數(shù)據(jù)訓(xùn)練庫130,用來提供用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練用投影數(shù)據(jù)。投影數(shù)據(jù)訓(xùn)練庫130可以通過網(wǎng)絡(luò)140與影像設(shè)備110、服務(wù)器120進行直接或間接通訊??蛇x地,服務(wù)器可以訪問投影數(shù)據(jù)訓(xùn)練庫130的訓(xùn)練用投影數(shù)據(jù),以用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。投影數(shù)據(jù)訓(xùn)練庫130包含訓(xùn)練用投影數(shù)據(jù)的噪聲分布信息。該訓(xùn)練用投影數(shù)據(jù)可以是低噪聲投影數(shù)據(jù)加上已知分布的模擬噪聲數(shù)據(jù)。因此,可以將訓(xùn)練用投影數(shù)據(jù)看成是帶噪聲的投影數(shù)據(jù),并且,投影數(shù)據(jù)訓(xùn)練庫130或其他外部設(shè)備可以根據(jù)已知分布的模擬噪聲數(shù)據(jù)計算出該投影數(shù)據(jù)的數(shù)據(jù)標(biāo)簽。投影數(shù)據(jù)訓(xùn)練庫130包括訓(xùn)練用投影數(shù)據(jù)的數(shù)據(jù)標(biāo)簽。該訓(xùn)練用投影數(shù)據(jù)可以用于生成頭部的醫(yī)學(xué)圖像、頸部的醫(yī)學(xué)圖像、胸腹部的醫(yī)學(xué)圖像等一種或多種的組合。基于訓(xùn)練用投影數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練,所述訓(xùn)練用投影數(shù)據(jù)可以用于生成人體不同部位的醫(yī)學(xué)圖像,可以增強模型的普適性,有利于實現(xiàn)對用于生成人體不同部位的醫(yī)學(xué)圖像的投影數(shù)據(jù)的降噪處理。

      降噪處理平臺150可以用來讀取并分析醫(yī)學(xué)影像系統(tǒng)100中的待降噪的投影數(shù)據(jù)??蛇x地,降噪處理平臺150包括投影數(shù)據(jù)獲取單元310、降噪?yún)?shù)獲取單元320和降噪處理單元330。降噪處理平臺150既可以自動訪問醫(yī)學(xué)影像系統(tǒng)100中待處理設(shè)備或系統(tǒng)(例如影像設(shè)備110和/或服務(wù)器120)中的投影數(shù)據(jù),也可以通過用戶手動加載某一待處理設(shè)備或系統(tǒng)的投影數(shù)據(jù)到所述分析平臺150。

      圖2為用于醫(yī)學(xué)影像系統(tǒng)的服務(wù)器的模塊圖。

      訓(xùn)練數(shù)據(jù)獲取單元210可以獲取投影數(shù)據(jù)訓(xùn)練庫130中的訓(xùn)練用投影數(shù)據(jù)和相應(yīng)的數(shù)據(jù)標(biāo)簽。

      模型訓(xùn)練單元220可以基于投影數(shù)據(jù)訓(xùn)練庫130中的訓(xùn)練用投影數(shù)據(jù)和數(shù)據(jù)標(biāo)簽對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練。訓(xùn)練過程中,模型訓(xùn)練單元220根據(jù)損失函數(shù)不斷調(diào)整模型參數(shù)的值,當(dāng)損失函數(shù)達到最小時,獲取第一模型。所述模型參數(shù)可以是神經(jīng)元的參數(shù),包括可學(xué)習(xí)的權(quán)重和偏置常量。權(quán)重用于衡量兩個神經(jīng)元中靠近輸入層的神經(jīng)元對遠離輸入層的神經(jīng)元的影響,偏置常量是初始化隨機生成的,避免神經(jīng)元輸出恒為零。

      圖3為本發(fā)明的用于醫(yī)學(xué)影像系統(tǒng)的降噪處理平臺的模塊圖。

      投影數(shù)據(jù)獲取單元310可以獲取影像設(shè)備110和/或服務(wù)器120的待降噪投影數(shù)據(jù)。在一些實施例中,投影數(shù)據(jù)是指來自于檢測設(shè)備或系統(tǒng)的未經(jīng)處理的數(shù)據(jù),該數(shù)據(jù)包含噪聲。投影數(shù)據(jù)獲取單元310通過訪問待檢測設(shè)備,提取待降噪投影數(shù)據(jù)。

      降噪?yún)?shù)獲取單元320可以用來分析上述投影數(shù)據(jù)獲取單元310所獲取到的待降噪投影數(shù)據(jù)??蛇x的,該待降噪投影數(shù)據(jù)可以用于生成頭部的醫(yī)學(xué)圖像??蛇x的,該待降噪投影數(shù)據(jù)可以用于生成頸部的醫(yī)學(xué)圖像??蛇x的,該待降噪投影數(shù)據(jù)可以用于生成胸腹部的醫(yī)學(xué)圖像??蛇x的,該待降噪投影數(shù)據(jù)可以用于生成四肢的醫(yī)學(xué)圖像。

      降噪?yún)?shù)獲取單元320可以基于第一模型提取待降噪投影數(shù)據(jù)的降噪?yún)?shù),所述待降噪投影數(shù)據(jù)可以來自影像設(shè)備110和/或服務(wù)器120。降噪?yún)?shù)是指在降噪處理過程中所需要用到的參數(shù)。例如,當(dāng)在降噪處理單元330使用低通濾波器對待降噪投影數(shù)據(jù)進行降噪處理時,所述降噪?yún)?shù)是指待降噪投影數(shù)據(jù)的噪聲分布的頻譜參數(shù)。頻譜參數(shù)可以包括截止頻率和帶寬。又例如,當(dāng)在降噪處理單元330使用小波分解算法對待降噪投影數(shù)據(jù)進行降噪處理時,所述降噪?yún)?shù)是指待降噪投影數(shù)據(jù)的噪聲分布的小波閾值。再例如,當(dāng)在降噪處理單元330使用全變分算法對待降噪投影數(shù)據(jù)進行降噪處理時,所述降噪?yún)?shù)是指待降噪投影數(shù)據(jù)的噪聲分布的正則項系數(shù)。

      降噪處理單元330可以基于降噪?yún)?shù)獲取單元320獲取的降噪?yún)?shù)對相應(yīng)的待降噪投影數(shù)據(jù)進行降噪處理。在一些實施例中,降噪處理可以通過利用均值濾波器對待降噪投影數(shù)據(jù)進行濾波來實現(xiàn)。在一些實施例中,降噪處理可以通過利用低通濾波器對待降噪投影數(shù)據(jù)進行濾波來實現(xiàn)。在一些實施例中,降噪處理可以通過利用自適應(yīng)維納濾波器對待降噪投影數(shù)據(jù)進行濾波來實現(xiàn)。在一些實施例中,降噪處理可以通過對待降噪投影數(shù)據(jù)進行小波分解來實現(xiàn)。在一些實施例中,降噪處理可以通過對待降噪投影數(shù)據(jù)進行全變分去噪來實現(xiàn)。

      圖4為本發(fā)明的訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的流程示例圖。

      在步驟410,訓(xùn)練數(shù)據(jù)獲取單元210可以獲取投影數(shù)據(jù)訓(xùn)練庫130中的訓(xùn)練用投影數(shù)據(jù)。

      在步驟420,模型訓(xùn)練單元220可以基于訓(xùn)練用投影數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練。

      訓(xùn)練是指從投影數(shù)據(jù)訓(xùn)練庫130中抽取訓(xùn)練用投影數(shù)據(jù)作為訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)模型,訓(xùn)練的目的是讓神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)達到最小值,即使輸出結(jié)果盡量接近期望輸出值。本發(fā)明披露中,每個訓(xùn)練樣本可以有一個期望輸出值。該期望輸出值可以來自于數(shù)據(jù)標(biāo)簽。期望輸出值指的是與訓(xùn)練用投影數(shù)據(jù)噪聲分布相關(guān)的一個或多個參數(shù)。在一些實施例中,損失函數(shù)可以是min‖{xi}-{xi}0‖。其中,其中{xi}0是訓(xùn)練用投影數(shù)據(jù)的期望輸出值,{xi}為當(dāng)前模型輸出值。在一些實施例中,{xi}和{xi}0可以用向量表示,例如,{xi}可以表示為[x1,x2,…xn],{xi}0可以表示為[x01,x02,…x0n],其中x1可以是當(dāng)前模型輸出的低通濾波器的截止頻率,或者小波分解的第一層的閾值,或者全變分算法的第一正則項系數(shù),x01可以是表示低通濾波器的截止頻率,或者小波分解的第一層的閾值,或者全變分算法的第一正則項系數(shù)的數(shù)據(jù)標(biāo)簽。min‖{xi}-{xi}0‖表示求取{xi}-{xi}0的l2范數(shù)的最小值?!瑊xi}-{xi}0‖表示{xi}和{xi}0的差值。在一些實施例中,‖{xi}-{xi}0‖可以由以下公式給出:

      例如,當(dāng)在降噪處理單元330使用低通濾波器對投影數(shù)據(jù)進行降噪處理時,輸入模型訓(xùn)練單元220的期望輸出值是指訓(xùn)練用投影數(shù)據(jù)的噪聲分布的頻譜參數(shù),所述損失函數(shù)為所述訓(xùn)練用投影數(shù)據(jù)的噪聲分布對應(yīng)頻譜與訓(xùn)練后的模型的輸出值的差值,訓(xùn)練的目的是獲取min‖{fi}-{fi}0‖,其中{fi}0是訓(xùn)練用投影數(shù)據(jù)的期望輸出值,{fi}為當(dāng)前模型輸出值,即基于當(dāng)前模型得出的訓(xùn)練用投影數(shù)據(jù)的噪聲頻譜參數(shù)。

      又例如,當(dāng)在降噪處理單元330使用小波分解算法對投影數(shù)據(jù)進行降噪處理時,輸入模型訓(xùn)練單元220的期望輸出值是指訓(xùn)練用投影數(shù)據(jù)的噪聲分布的小波閾值,損失函數(shù)為所述訓(xùn)練用投影數(shù)據(jù)的噪聲分布對應(yīng)的小波閾值與訓(xùn)練后的模型的輸出值的差值,訓(xùn)練的目的是獲取min‖{thi}-{thi}0‖,其中{thi}0是訓(xùn)練用投影數(shù)據(jù)的期望輸出值,{thi}為當(dāng)前模型輸出值,即基于當(dāng)前模型得出的訓(xùn)練用投影數(shù)據(jù)的小波閾值。

      再例如,當(dāng)在降噪處理單元330使用全變分算法對投影數(shù)據(jù)進行降噪處理時,輸入模型訓(xùn)練單元220的期望輸出值是指訓(xùn)練用投影數(shù)據(jù)的噪聲分布的正則項系數(shù),損失函數(shù)為訓(xùn)練用投影數(shù)據(jù)的噪聲分布對應(yīng)的正則項參數(shù)與訓(xùn)練后的模型的輸出值的差值,訓(xùn)練的目的是獲取min‖{coefi}-{coefi}0‖,其中{coefi}0是訓(xùn)練用投影數(shù)據(jù)的期望輸出值,{coefi}為當(dāng)前模型輸出值,即基于當(dāng)前模型得出的訓(xùn)練用投影數(shù)據(jù)的正則項系數(shù)。

      訓(xùn)練過程中,模型訓(xùn)練單元220根據(jù)損失函數(shù)的值不斷調(diào)節(jié)模型參數(shù),直到損失函數(shù)達到最小值。在一些實施例中,訓(xùn)練時,模型訓(xùn)練單元220可以通過在損失函數(shù)中加入懲罰項加速模型的收斂,減少過擬合現(xiàn)象。過擬合是指訓(xùn)練好的模型獲取了過多細節(jié)特征,包括某些非共同特征,導(dǎo)致模型在訓(xùn)練數(shù)據(jù)識別上表現(xiàn)良好,但在實際使用中卻表現(xiàn)不佳。懲罰項又可以稱為正則項,正則項可以是l1范式正則化函數(shù),可以是l2范式正則化函數(shù),也可以是其他的正則函數(shù)。

      在步驟430,模型訓(xùn)練單元220響應(yīng)于損失函數(shù)達到最小,獲取第一模型。在一些實施例中,可以對訓(xùn)練后的模型進行測試,測試過程中不改變模型的參數(shù)值。測試樣本可以從投影數(shù)據(jù)訓(xùn)練庫130中抽取,該測試樣本可以與上述使用過的訓(xùn)練用投影數(shù)據(jù)不同。測試確認損失函數(shù)達到最小后,可以認為模型訓(xùn)練完成。訓(xùn)練完成的模型可以稱為第一模型。

      圖5為本發(fā)明的降噪處理方法的流程示例圖。

      在步驟510,投影數(shù)據(jù)獲取單元310可以獲取影像設(shè)備110和/或服務(wù)器120中的待降噪投影數(shù)據(jù)。

      在步驟520,降噪?yún)?shù)獲取單元320可以基于第一模型分析上述投影數(shù)據(jù)獲取單元310所獲取的待降噪投影數(shù)據(jù)。可選地,降噪?yún)?shù)獲取單元320可以分析和計算出待降噪投影數(shù)據(jù)的噪聲分布的頻譜參數(shù)??蛇x地,降噪?yún)?shù)獲取單元320可以分析和計算出待降噪投影數(shù)據(jù)的噪聲分布的小波閾值。可選地,降噪?yún)?shù)獲取單元320可以分析和計算出待降噪投影數(shù)據(jù)的噪聲分布的正則項系數(shù)。

      在一些實施例中,降噪?yún)?shù)獲取單元320可以基于第一模型提取待降噪投影數(shù)據(jù)的噪聲頻譜參數(shù)。例如,噪聲的頻譜分布可以由如下公式給出:

      [fc,fb]=f1(dataraw,dataair,dataoffset)(2)

      其中dataraw為待降噪的投影數(shù)據(jù),dataair為掃描空氣時的探測器響應(yīng)數(shù)據(jù),dataoffset為探測器的靜態(tài)漂移。fc和fb分別是噪聲的截止頻率和帶寬,即噪聲的頻譜分布參數(shù)。在一些實施例中,模型輸入值還可以包括探測器型號、環(huán)境信息、探測參數(shù)等一種或多種的組合。函數(shù)f1是第一模型,其結(jié)構(gòu)如圖6所示。其中,610為f1的輸入端,620為神經(jīng)元節(jié)點,630為輸出端。第一模型可以是卷積神經(jīng)網(wǎng)絡(luò)模型,模型的每一層包含多個卷積神經(jīng)元,用于提取數(shù)據(jù)特征。

      在一些實施例中,降噪?yún)?shù)獲取單元320可以基于第一模型提取待降噪投影數(shù)據(jù)的小波分解每一層的閾值。例如,小波分解每一層的閾值可以由如下公式給出:

      [th1,th2,……,thn]=f2(dataraw,dataair,dataoffset)(3)

      其中dataraw為待降噪的投影數(shù)據(jù),dataair為掃描空氣時的探測器響應(yīng)數(shù)據(jù),dataoffset為探測器的靜態(tài)漂移。thn是小波分解每一層的閾值。在一些實施例中,模型輸入值還可以包括探測器型號、環(huán)境信息、探測參數(shù)等一種或多種的組合。函數(shù)f2是第一模型,其結(jié)構(gòu)如圖7所示。其中,710為f2的輸入端,720為神經(jīng)元節(jié)點,730為輸出端。第一模型可以是卷積神經(jīng)網(wǎng)絡(luò)模型,模型的每一層包含多個卷積神經(jīng)元,用于提取數(shù)據(jù)特征。

      在一些實施例中,降噪?yún)?shù)獲取單元320可以基于第一模型提取待降噪投影數(shù)據(jù)的全變分正則項系數(shù)。例如,正則項系數(shù)可以由如下公式給出:

      [coef1,coef2,……,coefn]=f3(dataraw,dataair,dataoffset)(4)

      其中dataraw為待降噪的投影數(shù)據(jù),dataair為掃描空氣時的探測器響應(yīng)數(shù)據(jù),dataoffset為探測器的靜態(tài)漂移。coefn是正則項系數(shù)。在一些實施例中,模型輸入值還可以包括探測器型號、環(huán)境信息、探測參數(shù)等一種或多種的組合。函數(shù)f3是第一模型,其結(jié)構(gòu)如圖8所示。其中,810為f3的輸入端,820為神經(jīng)元節(jié)點,830為輸出端。第一模型可以是卷積神經(jīng)網(wǎng)絡(luò)模型,模型的每一層包含多個卷積神經(jīng)元,用于提取數(shù)據(jù)特征。

      在步驟530,降噪處理單元330可以基于降噪?yún)?shù)獲取單元320獲取的降噪?yún)?shù)對相應(yīng)的待降噪投影數(shù)據(jù)進行降噪處理。可選地,可以通過低通濾波器對待降噪投影數(shù)據(jù)進行降噪處理??蛇x地,可以通過小波分解對待降噪投影數(shù)據(jù)進行降噪處理??蛇x地,可以通過全變分對待降噪投影數(shù)據(jù)進行降噪處理。

      在一些實施例中,降噪處理單元330可以通過低通濾波器對待降噪投影數(shù)據(jù)進行降噪處理。對待降噪投影數(shù)據(jù)進行低通濾波是指,允許低頻信號通過,但減弱(或減少)頻率高于截止頻率的信號的通過,由于噪聲通常為高頻信號,因此可以實現(xiàn)待降噪投影數(shù)據(jù)的降噪。在一些實施例中,降噪?yún)?shù)獲取單元320可以基于待降噪投影數(shù)據(jù)的噪聲頻譜參數(shù)確定截止頻率,所述噪聲頻譜參數(shù)可以包括截止頻率和帶寬。

      在一些實施例中,可以通過小波變換對待降噪投影數(shù)據(jù)進行降噪處理。對待降噪投影數(shù)據(jù)進行n層小波分解。n層小波分解是指,先對待降噪投影數(shù)據(jù)進行第一層小波分解,得到三個第一層高頻分量和一個第一層低頻分量;對第一層低頻分量進行第二層小波分解,得到三個第二層高頻分量和一個第二層低頻分量,對第二層低頻分量進行第三層小波分解,……,以此類推,對第n-1層低頻分量進行第n層小波分解,得到三個第n層高頻分量和一個第n層低頻分量。其中,每一層的三個高頻分量分別對應(yīng)于水平方向、豎直方向和對角線方向。

      對每一個高頻分量進行處理。所述處理是指選擇閾值進行閾值量化處理,閾值量化處理可以包括硬閾值量化和軟閾值量化。硬閾值量化是指當(dāng)小波分解高頻分量大于選定閾值時,將這一部分高頻分量直接作為量化處理后的高頻分量。軟閾值量化是指當(dāng)小波分解高頻分量大于選定閾值時,將這一部分高頻分量按某一個固定量向零收縮,作為量化處理后的高頻分量。該固定量可以人工設(shè)定。所述選定閾值可以是來自降噪?yún)?shù)獲取單元320中計算得到的小波分解每一層的閾值。根據(jù)每層的低頻分量和量化處理后的高頻分量進行小波重構(gòu),從而獲得降噪的投影數(shù)據(jù)。

      在一些實施例中,降噪處理單元330可以通過全變分對待降噪投影數(shù)據(jù)進行降噪處理。全變分可以通過對能量函數(shù)最小化達到降噪的目的??梢愿鶕?jù)降噪?yún)?shù)獲取單元320中計算得到的正則項系數(shù)構(gòu)造正則項,從而求解全變分最小化函數(shù)。例如,待降噪投影數(shù)據(jù)的能量函數(shù)方程可以由如下公式給出:

      其中,tv[u(x,y)]為全變分待降噪投影數(shù)據(jù),為待降噪投影數(shù)據(jù)梯度的模,ω為待降噪投影數(shù)據(jù)區(qū)域。

      全變分去噪能量泛函可以由如下公式給出:

      其中,λ為第一正則項系數(shù),它是一個正的實數(shù),其目的是在投影數(shù)據(jù)的去噪與平滑中起到平衡作用。

      為了使得能量函數(shù)最小,其歐拉-拉格朗日方程可以由如下公式給出:

      其中,t為時間尺度因子,梯度算子正則項β為第二正則項系數(shù)。

      在一些實施例中,coef1為λ,coef2為β,根據(jù)降噪?yún)?shù)獲取單元320中計算得到的正則項系數(shù),可以構(gòu)造出正則項并進一步基于歐拉-拉格朗日方程求得全變分能量函數(shù)的最小值。當(dāng)全變分能量函數(shù)達到最小值時,可以認為該待降噪投影數(shù)據(jù)的降噪處理完成。

      以上所述僅為本發(fā)明的優(yōu)選實施而已,并不用于限制本發(fā)明,對于本領(lǐng)域的技術(shù)人員來說,本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi),所作的任何修改、等同替換、改進等,均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。

      當(dāng)前第1頁1 2 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1