一种基于深度学习的太赫兹图像优化方法

技术领域

本发明属于太赫兹图像优化领域，特别涉及一种基于深度学习的太赫兹图像优化方法。

背景技术

太赫兹波是频率介于微波和红外之间的电磁波，其波段能够覆盖各种材料的特征谱，穿透性较好。太赫兹成像技术通过记录样品的透射谱、吸收谱、或反射谱的振幅和相位的二维信息进行分析和处理，利用样品不同部位的透射、吸收、反射系数差值进行成像。

由于太赫兹在空气中衰减迅速，与此同时，实验室设备中包含很多微波器件，很容易影响太赫兹的传输，容易造成环境噪声。而太赫兹成像系统中包含步进机、斩波器等设备，在工作时易产生轻微振动，设备间也会产生电噪声，从而引起系统噪声。在上述多种噪声的影响下，太赫兹成像系统的成像质量很容易下降，产生图像模糊，信噪比低下等问题。

传统解决该问题的方法是通过数字图像处理对低质量太赫兹图像逐个降噪，但这种方法处理时间长，工作效率低下，面对大量需要处理的低质量太赫兹图像时，难以解决该问题。与此同时，数字图像处理方法处理后的太赫兹图像具有主观性，缺乏客观指标来对处理后的图像进行评价。

基于上述技术问题，亟需一种针对低质量太赫兹图像进行高效的图像优化方法，并通过量化指标对优化后的图像质量进行客观评价。

发明内容

针对上述现有技术存在的问题和不足，本发明的目的是提供一种基于深度学习的太赫兹图像优化方法，通过神经网络学习，进行盲降噪优化，对低质量的太赫兹图像具有良好的优化效果。技术方案

为实现上述发明目的，本发明提供的技术方案为一种基于深度学习的太赫兹图像优化方法，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。

进一步的，S1所述构建一个20层，包括3种不同类型网络层的神经网络，其步骤包括：

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。上述批归一化处理将S1.1中提取图片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

m

v

式中m

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。

进一步的，S2中预处理太赫兹图像，步骤为：将彩色RGB图像转化为灰度图像。其转换公式：P

进一步的，S3中输出预测图像，判定优化质量。步骤为：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′＝-v′，式中x′为网络优化后图像，v′为网络输出残差网络图像，z为原始图像。根据优化后的图像与原图对比PSNR和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：

C

有益效果

本发明针对噪声严重，画面模糊的太赫兹图像具有很好的优化效果，且运行效率高。在训练好网络模型的条件下，单次优化一张太赫兹图像仅需1.79秒，可同时优化多张太赫兹图像。优化后图像峰值信噪比达到29.55，相似性结构达到0.70。

附图说明

图1为本发明方案流程图；

图2为采用本发明优化前后对比图，其中图2(a)为未优化的太赫兹图像，图2(b)为本发明优化后的太赫兹图像。

具体实施方式

下面结合附图和具体实施例进一步阐明本发明，但是，应当理解为这些实施例仅仅用于更详细具体地说明本发明，而不应理解为用于以任何形式限制本发明。在阅读了本发明后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种太赫兹图像处理方法，其处理流程如图1所示。具体步骤如下：

一种基于深度学习的太赫兹图像优化方法，处理流程包括以下步骤：

S1，构建一个20层，包括3种不同类型网络层的神经网络。

S1所述构建一个20层，包括3种不同类型网络层的神经网络，其步骤包括：

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；式中c取1，代表选用灰度图像，降低训练的数据量；

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。上述批归一化处理将S1.1中提取图片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

m

v

式中m

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。构建完成后对网络进行训练，根据训练时损失函数loss值下降速度，调整网络参数，如学习速率等。数据集可选用SSID数据集，将有噪图片和无噪图片一一对应训练，推荐训练迭代次数epoch为300次以上。若不使用SIDD数据集，也可在干净图像添加噪声，并一一对应训练。

S2，预处理太赫兹图像。

S2中预处理太赫兹图像，步骤为：将彩色RGB图像转化为灰度图像。其转换公式：P

S3，输出预测图像，判定优化质量。S3中输出预测图像，判定优化质量。步骤为：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′＝-v′，式中x′为网络优化后图像，v′为网络输出残差网络图像，z为原始图像。根据优化后的图像与原图对比PSNR和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：