-
题名基于残差密集卷积自编码的高噪声图像去噪方法
被引量：3
- 1
-
-
作者
张杰
卢淼鑫
李嘉康
徐大勇
黄雯潇
史小平
-
机构
郑州轻工业大学电气信息工程学院
中国烟草总公司郑州烟草研究院烟草工艺重点实验室
哈尔滨工业大学控制与仿真中心
-
出处
《计算机科学》
CSCD
北大核心
2024年第S01期555-561,共7页
-
基金
国家自然科学基金(62102373,62006213)
河南省科技攻关项目(222102320321,232102220020)。
-
文摘
在高噪声图像去噪中,传统卷积自编码器难以挖掘有效的深度特征信息,进而影响了图像的重建质量。为了提高高噪声图像的重建质量,提出了一种残差密集卷积自编码器网络模型。该模型首先使用卷积操作代替池化操作以提高高噪声图像的表征能力;同时,在编码和解码阶段设计三级密集残差网络结构,实现图像特征的有效挖掘;最后,设计一个优化损失函数以进一步提高重建图像的质量。实验结果表明,设计的去噪方法能够从高噪声图像中重建高质量的图像,同时能够保留更多的细节特征信息,有效验证了该算法在图像去噪中的有效性。该方法能够有效解决高噪声图像的去噪问题,具有重要的应用价值。
-
关键词
图像去噪
卷积自编码器
残差密集卷积
高噪声图像
优化损失函数
-
Keywords
Image denoising
Convolutional autoencoder
Residual dense convolution
High noise image
Optimized loss function
-
分类号
TN911.73
[电子电信—通信与信息系统]
-
-
题名改进型密集递归残差U-Net的皮肤病变图像分割
- 2
-
-
作者
赵德春
袁杨
秦璐
韦莉
叶昌荣
-
机构
重庆邮电大学生命健康信息科学与工程学院
重庆邮电大学光电工程学院
-
出处
《中国生物医学工程学报》
北大核心
2025年第3期291-300,共10页
-
基金
重庆市自然科学基金面上项目(CSTB2024NSCQ-MSX0957)
国家自然科学基金青年项目(62201106)。
-
文摘
皮肤病变区域的准确分割对计算机辅助诊断具有重要意义。但皮肤病变图像形状不规则、边界模糊并存在噪声干扰,给皮肤病变区域准确分割造成了困难,极大影响了分割的精度。为此,提出了一种基于改进型密集递归残差U-Net模型(IDR2U-Net),实现皮肤病变区域自动分割。首先,将编码层和解码层中的原始卷积块优化为递归残差卷积模块,并且使用密集连接,缓解了梯度消失问题;其次,引入特征自适应模块,通过加强有效特征和抑制无关背景噪声,增强相邻特征之间的融合程度;接着,设计双重注意力机制,其中空间注意力增大全局信息的利用效率,通道注意力用于加强通道特征间的相关性,提升网络对皮肤病变区域分割的准确率,同时采用联合Dice系数与交叉熵的损失函数训练分割网络,解决皮肤镜图像中类别不平衡的问题;最后,采用ISIC 2017皮肤病变数据集中的2000余张图片进行了消融实验和对比实验。实验结果表明,IDR2U-Net模型在Jaccard、Dice系数和准确率上分别达到了78.86%、86.92%和94.61%。改进后的模型不仅提高了精度,还实现了更精细的图像分割,特别是在处理边界模糊图像时,能有效减少欠分割现象。
-
关键词
皮肤病变图像分割
U型网络
密集递归残差卷积模块
特征自适应模块
双重注意力机制
-
Keywords
skin lesion image segmentation
U-Net
dense recurrent residual convolution module
feature adaptation module
dual attention mechanism
-
分类号
R318
[医药卫生—生物医学工程]
-
