基于DenseNet的CT图像噪声识别与应用研究
发布时间：2021-04-18 01:20
CT图像在成像、传输、存储和使用过程中无法避免地会受到噪声的影响,噪声可能会使医生对CT图像产生误判。正确地识别CT图像中噪声种类与噪声强度不仅能够找出噪声产生的源头,而且可以降低图像去噪的盲目性与复杂度。但是现有的大部分噪声识别算法都是基于图像中只存在单一类型高强度噪声的假设,很少有研究者对于常见的低强度混合噪声进行研究。针对低强度混合噪声,论文主要工作如下:（1）在TCGA-LUAD肺癌CT图像数据集的基础上构建了一个共1200张的小型低强度混合噪声图像数据集,该数据集包括高斯噪声,椒盐噪声与混合噪声共8类目录。（2）提出了基于DenseNet的图像噪声识别算法。算法选择使用在ImageNet上充分预训练过的密集卷积神经网络DenseNet,预训练过的DenseNet可以高效识别输入图像的轮廓边缘等特征,并且具有高抗过拟合,适合训练小型数据集的优势。算法首先对噪声图像数据集进行一系列预处理,提取出噪声图像的可视化统计特征图,然后微调预训练DenseNet的网络结构,最后使用微调过的DenseNet对可视化统计特征进行训练。经过训练,网络可以比较准确地识别图像中存在的低强度的椒盐噪声...
【文章来源】：海南大学海南省 211工程院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
论文流程示意图
屑?督训练。模型的网络结构特点明显，即卷积层和池化层反复循环，通过这样的网络结构，网络可以将输入的图像数据特征提取成相应的特征图，低层卷积层中的卷积核提取简单的特征，然后将提取的简单特征激活传输到更高的层次，高层卷积层接着提取复杂的特征，最后神经网络的FC层对这些图像的特征进行分类[19]。LeNet-5形成了当代卷积神经网络的雏形。但是由于当时的深层网络训练难度大，会出现局部最优，梯度弥散以及过拟合等问题，在一般的实际任务中表现的也没有经典的机器学习算法好，所以其一直处于学界研究的边缘位置。图2LeNet-5卷积神经网络结构Fig.2ThestructureofLeNet-5convolutionalneuralnetwork第三阶段是广泛研究阶段。二零零六年，来自加拿大的辛顿等人在《科学》期刊
海南大学硕士学位论文6上首次阐述了深度学习这一新名词。深度学习一经提出，立刻成为学界热点的研究对象。这篇文章主要论述了增加神经网络的中间层，会提升该网络的对输入信息的学习能力；并且可以通过使用对每一层进行预训练的方法，以此降低训练深层神经网络的难度[20]。2012年，由Krizhevsky等人提出的AlexNet[21]在大规模图像数据库ImageNet[22]的图像识别大赛中，引入了全新的深层结构和Dropout算法，将识别错误率从百分之二十五降低到了百分之十五，以识别准确率远超第二名十一个百分点的大幅优势夺得冠军。由此，卷积神经网络成为了学界研究的热点，深度学习的各类研究如雨后春笋般出现，比如Oxford的VGG[23]，Google的GoogleNet[24]，Microsoft的ResNet[25]等。2.2卷积神经网络基本结构卷积神经网络的基本网络结构是由输入层，卷积层，池化层，全连接层和输出层构成的。图3给出了卷积神经网络的基本结构。图3卷积神经网络基本结构Fig.3Basicstructureofconvolutionalneuralnetwork（1）输入层：卷积神经网络在处理图像时，输入层的输入是指输入图像的像素矩阵，通常表达为输入图像的长*宽*通道数（Length*Width*Channel）。（2）卷积层：卷积层是卷积神经网络相比其他网络结构差异最大的层，该层的目的在于从输入图像或前层的特征图中提取生成新的特征图，也称为特征提取层。卷积层中卷积计算是点积计算，图4为一个3*3的卷积核（深蓝）对5*5的特征图（蓝色）进行步长为2的卷积操作得到2*2的输出（绿色）：图4无零填充卷积操作Fig.4Convolutionoperationwithoutzerofilling通过零填充与控制步长，可以调整卷积层的输出尺寸。图5所示为在尺寸为1
【参考文献】：
期刊论文
[1]基于灰狼优化算法的SVM的图像噪声识别[J]. 田东雨,何玉珠,宋平. 电子测量技术. 2019(04)
[2]基于密集卷积网络（DenseNets）的遥感图像分类研究[J]. 李达,李琳,李想. 计算机时代. 2018(10)
[3]基于灰度直方图的单一图像噪声类型识别研究[J]. 王连利,刘增力,刘康. 软件导刊. 2018(04)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[5]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[6]通用型无参考图像质量评价算法综述[J]. 张淑芳,张聪,张涛,雷志春. 计算机工程与应用. 2015(19)
[7]基于小波分析的CT图像噪声类型识别[J]. 王甜甜,余晓锷. CT理论与应用研究. 2011(02)
[8]基于噪声类型识别的接收机设计[J]. 杨治国,葛万成,吴更石,彭念. 信息技术. 2010(01)
[9]图像纹理特征的提取方法[J]. 王惠明,史萍. 中国传媒大学学报(自然科学版). 2006(01)
[10]基于小波域的图像噪声类型识别与估计[J]. 张旗,梁德群,樊鑫,李文举. 红外与毫米波学报. 2004(04)
硕士论文
[1]分布式随机梯度下降算法研究[D]. 唐淳.电子科技大学 2018
[2]图像加性噪声类型识别与参数估计的方法研究[D]. 王连利.昆明理工大学 2018
[3]基于卷积神经网络的人脸识别系统设计与实现[D]. 曹东旭.南京邮电大学 2017
[4]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[5]基于卷积神经网络的图像分类方法研究[D]. 谢宝剑.合肥工业大学 2015
[6]图像斑点噪声判别与参数估计方法研究[D]. 丁生荣.陕西师范大学 2011
本文编号：3144514
【文章来源】：海南大学海南省 211工程院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
论文流程示意图
屑?督训练。模型的网络结构特点明显，即卷积层和池化层反复循环，通过这样的网络结构，网络可以将输入的图像数据特征提取成相应的特征图，低层卷积层中的卷积核提取简单的特征，然后将提取的简单特征激活传输到更高的层次，高层卷积层接着提取复杂的特征，最后神经网络的FC层对这些图像的特征进行分类[19]。LeNet-5形成了当代卷积神经网络的雏形。但是由于当时的深层网络训练难度大，会出现局部最优，梯度弥散以及过拟合等问题，在一般的实际任务中表现的也没有经典的机器学习算法好，所以其一直处于学界研究的边缘位置。图2LeNet-5卷积神经网络结构Fig.2ThestructureofLeNet-5convolutionalneuralnetwork第三阶段是广泛研究阶段。二零零六年，来自加拿大的辛顿等人在《科学》期刊
海南大学硕士学位论文6上首次阐述了深度学习这一新名词。深度学习一经提出，立刻成为学界热点的研究对象。这篇文章主要论述了增加神经网络的中间层，会提升该网络的对输入信息的学习能力；并且可以通过使用对每一层进行预训练的方法，以此降低训练深层神经网络的难度[20]。2012年，由Krizhevsky等人提出的AlexNet[21]在大规模图像数据库ImageNet[22]的图像识别大赛中，引入了全新的深层结构和Dropout算法，将识别错误率从百分之二十五降低到了百分之十五，以识别准确率远超第二名十一个百分点的大幅优势夺得冠军。由此，卷积神经网络成为了学界研究的热点，深度学习的各类研究如雨后春笋般出现，比如Oxford的VGG[23]，Google的GoogleNet[24]，Microsoft的ResNet[25]等。2.2卷积神经网络基本结构卷积神经网络的基本网络结构是由输入层，卷积层，池化层，全连接层和输出层构成的。图3给出了卷积神经网络的基本结构。图3卷积神经网络基本结构Fig.3Basicstructureofconvolutionalneuralnetwork（1）输入层：卷积神经网络在处理图像时，输入层的输入是指输入图像的像素矩阵，通常表达为输入图像的长*宽*通道数（Length*Width*Channel）。（2）卷积层：卷积层是卷积神经网络相比其他网络结构差异最大的层，该层的目的在于从输入图像或前层的特征图中提取生成新的特征图，也称为特征提取层。卷积层中卷积计算是点积计算，图4为一个3*3的卷积核（深蓝）对5*5的特征图（蓝色）进行步长为2的卷积操作得到2*2的输出（绿色）：图4无零填充卷积操作Fig.4Convolutionoperationwithoutzerofilling通过零填充与控制步长，可以调整卷积层的输出尺寸。图5所示为在尺寸为1
【参考文献】：
期刊论文
[1]基于灰狼优化算法的SVM的图像噪声识别[J]. 田东雨,何玉珠,宋平. 电子测量技术. 2019(04)
[2]基于密集卷积网络（DenseNets）的遥感图像分类研究[J]. 李达,李琳,李想. 计算机时代. 2018(10)
[3]基于灰度直方图的单一图像噪声类型识别研究[J]. 王连利,刘增力,刘康. 软件导刊. 2018(04)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[5]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[6]通用型无参考图像质量评价算法综述[J]. 张淑芳,张聪,张涛,雷志春. 计算机工程与应用. 2015(19)
[7]基于小波分析的CT图像噪声类型识别[J]. 王甜甜,余晓锷. CT理论与应用研究. 2011(02)
[8]基于噪声类型识别的接收机设计[J]. 杨治国,葛万成,吴更石,彭念. 信息技术. 2010(01)
[9]图像纹理特征的提取方法[J]. 王惠明,史萍. 中国传媒大学学报(自然科学版). 2006(01)
[10]基于小波域的图像噪声类型识别与估计[J]. 张旗,梁德群,樊鑫,李文举. 红外与毫米波学报. 2004(04)
硕士论文
[1]分布式随机梯度下降算法研究[D]. 唐淳.电子科技大学 2018
[2]图像加性噪声类型识别与参数估计的方法研究[D]. 王连利.昆明理工大学 2018
[3]基于卷积神经网络的人脸识别系统设计与实现[D]. 曹东旭.南京邮电大学 2017
[4]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015
[5]基于卷积神经网络的图像分类方法研究[D]. 谢宝剑.合肥工业大学 2015
[6]图像斑点噪声判别与参数估计方法研究[D]. 丁生荣.陕西师范大学 2011
本文编号：3144514
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3144514.html
