1.一种基于深度学习的背光X射线图像多层噪声去除方法,其特征在于,具体包括以下步骤:S1、设计图像采集模块,通过数字探测器CCD在惯性约束聚变实验ICF过程中采集背光X射线图像中的球壳轮廓;再通过球壳轮廓标定光学参数和物理参数,利用计算机程序根据标定的参数进行建模得到X光照射球壳投影图像,作为无噪声图像数据集;
S2、设计噪声模拟模块,通过模拟与真实实验场景中分布类似的图像噪声分布,将模拟图像噪声添加到无噪声图像数据集中得到有噪声图像数据集;所述模拟图像噪声包括模拟散粒噪声和模拟周期性散斑噪声;
S3、构建以FR-Unet架构为核心的图像降噪模型,以步骤S2得到的有噪声图像数据集为输入,进行图像增强,输出降噪后的有噪声图像;FR-Unet网络模型包括三个部分:主干特征提取部分、加强特征提取部分和图像重建部分;
加强特征提取部分包括m个加强特征提取层,每一层包括自学习频域模块、密集残差模块和上采样层;用以融合初步有效图像特征,增强图像特征的表达能力,具体实现过程包括:在自学习频域模块中先进行傅里叶变换,将输入自学习频域模块的图像空间特征变换为图像频域特征;
图像频域特征再与一个复数形式的卷积核相乘,得到一个与图像频域特征维度相匹配的复数权重矩阵,矩阵中复数权重的实部和虚部分别记为可训练参数R1和R2,这两个参数在训练过程中通过反向传播进行迭代更新;
将输入图像特征的频谱与该复数权重矩阵进行逐元素相乘,完成线性变换,实现对低频信号的增强,对高频信号的减弱;
最终再通过一次逆傅里叶变换,将图像特征从频域转换回空间域,得到图像增强后的图像空间特征;
S4、图像降噪模型损失函数计算;将降噪后的有噪声图像与步骤S1中得到的无噪声图像数据集进行图像均方差损失MSE计算,以评价模型的降噪效果,并对模型进行训练;通过多次迭代和优化,得到训练好的最优图像降噪模型;
S5、进行应用与验证;将最优图像降噪模型应用于真实的惯性约束聚变实验图像,验证模型的降噪效果,并确保图像质量和细节保留。
2.根据权利要求1所述的一种基于深度学习的背光X射线图像多层噪声去除方法,其特征在于,步骤S2具体包括:S21、截取背光X射线图像中非球壳投影的部分作为实验图像噪声,并将其转化为双精度浮点型;
S22、设计循环采样噪声图像块,将实验图像噪声从图像中心开始以固定像素间隔的行和列步长遍历提取图像块;对每一个图像块先进行去趋势处理,对实验图像噪声进行标定,再计算实验图像噪声的径向平均功率谱;
S23、将步骤S22得到的径向平均功率谱径向旋转后得到平均噪声功率谱,再经逆傅里叶变换得到平均噪声功率谱的空间卷积核,与高斯白噪声进行空间卷积得到模拟散粒噪声;
S24、将实验图像噪声通过傅里叶变换从空间域转换到频率域,采集图像中的周期性结构在频率域中表现为离散和尖锐的峰值,分离出对应的频率成分,即得到模拟周期性斑点噪声;
S25、将步骤S23得到的模拟散粒噪声、步骤S24得到的模拟周期性斑点噪声添加到无噪声图像数据集中,即得到有噪声图像数据集。
3.根据权利要求2所述的一种基于深度学习的背光X射线图像多层噪声去除方法,其特征在于,步骤S22中:所述去趋势处理包括:通过小波变换去除异常高亮的图像区域、对图像块减去其均值得到零均值化的图像块;
所述计算实验图像噪声的径向平均功率谱具体为:先对标定后的实验图像噪声进行二维离散傅里叶变换得到噪声功率谱,再对噪声功率谱进行径向分析得到径向NPS,将每一个图像块的径向NPS累加起来再求均值,得到实验图像噪声的径向平均功率谱。
4.根据权利要求1所述的一种基于深度学习的背光X射线图像多层噪声去除方法,其特征在于,步骤S3具体包括:S31、对输入的有噪声图像数据集进行预处理,通过归一化将图像像素值调整到[-1,1]之间;
S32、构建FR-Unet网络模型;
S33、将归一化后的有噪声图像数据集输入FR-Unet网络中进行多层降噪,得到降噪后的有噪声图像。
5.根据权利要求4所述的一种基于深度学习的背光X射线图像多层噪声去除方法,其特征在于,FR-Unet网络模型的主干特征提取部分和图像重建部分的具体结构为:主干特征提取部分:包括n个主干特征提取层,每一层包括自学习频域模块、密集残差模块和最大池化层;主干特征提取模块用以提取并堆叠图像特征,获得一系列的初步有效图像特征;
图像重建部分:通过一层卷积层对加强特征提取部分的输出特征进行大小调整,重建出无噪声的X光照射球壳投影图像。
6.根据权利要求1所述的一种基于深度学习的背光X射线图像多层噪声去除方法,其特征在于,步骤S4具体包括:S41、定义大小为m * n的降噪后的有噪声图像I和无噪声图像K之间的均方差MSE为:;
其中,I(i,j)和K(i,j)分别表示图像在(i,j)处的灰度值大小;
S42、通过Adam优化算法驱动过程,根据均方差MSE自适应调整学习率,使模型动态探索并收敛至一组最优的网络参数θ;通过多个周期的迭代与优化,每一次迭代都旨在精细提炼网络权重,逐步提升模型从降噪后的有噪声图像中恢复清晰细节的能力,最终输出训练好的最优图像降噪模型。