CT圖像在成像、傳輸、存儲(chǔ)和使用過程中無法避免地會(huì)受到噪聲的影響,噪聲可能會(huì)使醫(yī)生對CT圖像產(chǎn)生誤判。正確地識(shí)別CT圖像中噪聲種類與噪聲強(qiáng)度不僅能夠找出噪聲產(chǎn)生的源頭,而且可以降低圖像去噪的盲目性與復(fù)雜度。但是現(xiàn)有的大部分噪聲識(shí)別算法都是基于圖像中只存在單一類型高強(qiáng)度噪聲的假設(shè),很少有研究者對于常見的低強(qiáng)度混合噪聲進(jìn)行研究。針對低強(qiáng)度混合噪聲,論文主要工作如下:（1）在TCGA-LUAD肺癌CT圖像數(shù)據(jù)集的基礎(chǔ)上構(gòu)建了一個(gè)共1200張的小型低強(qiáng)度混合噪聲圖像數(shù)據(jù)集,該數(shù)據(jù)集包括高斯噪聲,椒鹽噪聲與混合噪聲共8類目錄。（2）提出了基于DenseNet的圖像噪聲識(shí)別算法。算法選擇使用在ImageNet上充分預(yù)訓(xùn)練過的密集卷積神經(jīng)網(wǎng)絡(luò)DenseNet,預(yù)訓(xùn)練過的DenseNet可以高效識(shí)別輸入圖像的輪廓邊緣等特征,并且具有高抗過擬合,適合訓(xùn)練小型數(shù)據(jù)集的優(yōu)勢。算法首先對噪聲圖像數(shù)據(jù)集進(jìn)行一系列預(yù)處理,提取出噪聲圖像的可視化統(tǒng)計(jì)特征圖,然后微調(diào)預(yù)訓(xùn)練DenseNet的網(wǎng)絡(luò)結(jié)構(gòu),最后使用微調(diào)過的DenseNet對可視化統(tǒng)計(jì)特征進(jìn)行訓(xùn)練。經(jīng)過訓(xùn)練,網(wǎng)絡(luò)可以比較準(zhǔn)確地識(shí)別圖像中存在的低強(qiáng)度的椒鹽噪聲... 

【文章來源】：海南大學(xué)海南省 211工程院校

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文流程示意圖

屑?督訓(xùn)練。模型的網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)明顯，即卷積層和池化層反復(fù)循環(huán)，通過這樣的網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)可以將輸入的圖像數(shù)據(jù)特征提取成相應(yīng)的特征圖，低層卷積層中的卷積核提取簡單的特征，然后將提取的簡單特征激活傳輸?shù)礁叩膶哟�，高層卷積層接著提取復(fù)雜的特征，最后神經(jīng)網(wǎng)絡(luò)的FC層對這些圖像的特征進(jìn)行分類[19]。LeNet-5形成了當(dāng)代卷積神經(jīng)網(wǎng)絡(luò)的雛形。但是由于當(dāng)時(shí)的深層網(wǎng)絡(luò)訓(xùn)練難度大，會(huì)出現(xiàn)局部最優(yōu)，梯度彌散以及過擬合等問題，在一般的實(shí)際任務(wù)中表現(xiàn)的也沒有經(jīng)典的機(jī)器學(xué)習(xí)算法好，所以其一直處于學(xué)界研究的邊緣位置。圖2LeNet-5卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2ThestructureofLeNet-5convolutionalneuralnetwork第三階段是廣泛研究階段。二零零六年，來自加拿大的辛頓等人在《科學(xué)》期刊

海南大學(xué)碩士學(xué)位論文6上首次闡述了深度學(xué)習(xí)這一新名詞。深度學(xué)習(xí)一經(jīng)提出，立刻成為學(xué)界熱點(diǎn)的研究對象。這篇文章主要論述了增加神經(jīng)網(wǎng)絡(luò)的中間層，會(huì)提升該網(wǎng)絡(luò)的對輸入信息的學(xué)習(xí)能力；并且可以通過使用對每一層進(jìn)行預(yù)訓(xùn)練的方法，以此降低訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的難度[20]。2012年，由Krizhevsky等人提出的AlexNet[21]在大規(guī)模圖像數(shù)據(jù)庫ImageNet[22]的圖像識(shí)別大賽中，引入了全新的深層結(jié)構(gòu)和Dropout算法，將識(shí)別錯(cuò)誤率從百分之二十五降低到了百分之十五，以識(shí)別準(zhǔn)確率遠(yuǎn)超第二名十一個(gè)百分點(diǎn)的大幅優(yōu)勢奪得冠軍。由此，卷積神經(jīng)網(wǎng)絡(luò)成為了學(xué)界研究的熱點(diǎn)，深度學(xué)習(xí)的各類研究如雨后春筍般出現(xiàn)，比如Oxford的VGG[23]，Google的GoogleNet[24]，Microsoft的ResNet[25]等。2.2卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的基本網(wǎng)絡(luò)結(jié)構(gòu)是由輸入層，卷積層，池化層，全連接層和輸出層構(gòu)成的。圖3給出了卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。圖3卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)Fig.3Basicstructureofconvolutionalneuralnetwork（1）輸入層：卷積神經(jīng)網(wǎng)絡(luò)在處理圖像時(shí)，輸入層的輸入是指輸入圖像的像素矩陣，通常表達(dá)為輸入圖像的長*寬*通道數(shù)（Length*Width*Channel）。（2）卷積層：卷積層是卷積神經(jīng)網(wǎng)絡(luò)相比其他網(wǎng)絡(luò)結(jié)構(gòu)差異最大的層，該層的目的在于從輸入圖像或前層的特征圖中提取生成新的特征圖，也稱為特征提取層。卷積層中卷積計(jì)算是點(diǎn)積計(jì)算，圖4為一個(gè)3*3的卷積核（深藍(lán)）對5*5的特征圖（藍(lán)色）進(jìn)行步長為2的卷積操作得到2*2的輸出（綠色）：圖4無零填充卷積操作Fig.4Convolutionoperationwithoutzerofilling通過零填充與控制步長，可以調(diào)整卷積層的輸出尺寸。圖5所示為在尺寸為1

【參考文獻(xiàn)】：
期刊論文
[1]基于灰狼優(yōu)化算法的SVM的圖像噪聲識(shí)別[J]. 田東雨,何玉珠,宋平.  電子測量技術(shù). 2019(04)
[2]基于密集卷積網(wǎng)絡(luò)（DenseNets）的遙感圖像分類研究[J]. 李達(dá),李琳,李想.  計(jì)算機(jī)時(shí)代. 2018(10)
[3]基于灰度直方圖的單一圖像噪聲類型識(shí)別研究[J]. 王連利,劉增力,劉康.  軟件導(dǎo)刊. 2018(04)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[6]通用型無參考圖像質(zhì)量評價(jià)算法綜述[J]. 張淑芳,張聰,張濤,雷志春.  計(jì)算機(jī)工程與應(yīng)用. 2015(19)
[7]基于小波分析的CT圖像噪聲類型識(shí)別[J]. 王甜甜,余曉鍔.  CT理論與應(yīng)用研究. 2011(02)
[8]基于噪聲類型識(shí)別的接收機(jī)設(shè)計(jì)[J]. 楊治國,葛萬成,吳更石,彭念.  信息技術(shù). 2010(01)
[9]圖像紋理特征的提取方法[J]. 王惠明,史萍.  中國傳媒大學(xué)學(xué)報(bào)(自然科學(xué)版). 2006(01)
[10]基于小波域的圖像噪聲類型識(shí)別與估計(jì)[J]. 張旗,梁德群,樊鑫,李文舉.  紅外與毫米波學(xué)報(bào). 2004(04)

碩士論文
[1]分布式隨機(jī)梯度下降算法研究[D]. 唐淳.電子科技大學(xué) 2018
[2]圖像加性噪聲類型識(shí)別與參數(shù)估計(jì)的方法研究[D]. 王連利.昆明理工大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 曹東旭.南京郵電大學(xué) 2017
[4]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D]. 吳正文.電子科技大學(xué) 2015
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究[D]. 謝寶劍.合肥工業(yè)大學(xué) 2015
[6]圖像斑點(diǎn)噪聲判別與參數(shù)估計(jì)方法研究[D]. 丁生榮.陜西師范大學(xué) 2011



本文編號(hào)：3144514