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)。