买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本发明公开了一种单光子计数图像联合去噪和超分辨率的卷积网络方法，首先利用基于深度卷积网络的去噪器提出了一种基于模型的迭代优化算法，将单光子计数图像去噪和超分辨率统一到一个问题中。然后，通过展开上述基于模型的迭代算法来构造模型引导的深度卷积网络，以获得一最优解。由于特殊的模型引导设计，所提出的网络中的所有模块都是可解释的，在实际情况下具有良好的泛化特性。此外，通过端到端的方式对网络中的深度去噪器和其他参数进行联合优化，有效降低了参数设计的难度。因此，该方法可以实现不同情况下的单光子计数图像联合去噪和超分辨率。

主权项：1.一种单光子计数图像联合去噪和超分辨率的卷积网络方法，其特征在于，包括如下步骤：步骤1，构建单光子计数SPC图像联合去噪和超分辨率模型目标函数；步骤1的具体实现方式如下；步骤1.1，利用下采样算符Ψ，建立无噪声高分辨率SPC图像H与无噪声低分辨率SPC图像F的线性关系：F＝ΨH1步骤1.2，利用负泊松对数似然函数描述无噪声低分辨率SPC图像F与光子计数值G的关系： 其中，p为发射的激光脉冲数量，η为探测器的量子效率，S为每个脉冲重复周期的信号计数，B为每个脉冲重复周期的背景计数；步骤1.3，在公式1和2的基础上，通过添加包含先验知识的正则化函数，得到SPC图像联合去噪和超分辨率模型的目标函数： 其中，φF和ψH分别代表包含F和H先验知识的正则化函数，argminF,H代表目标函数取最小值时F和H的取值，‖‖F指矩阵的费罗贝尼乌斯Frobenius范数，μ，β和λ分别为权衡各项之间平衡的参数；步骤2，对目标函数进行求解，得到基于SPC图像联合去噪和超分辨率模型的迭代模型算法；步骤2的具体实现方式如下；步骤2.1，通过分解目标函数3，得到关于F和H的两个子问题： 其中，Ft+1，Ht+1分别代表F和H的第t+1次迭代结果，t为迭代指数；步骤2.2，利用近端梯度下降PGD算法，将等式4分解成以下两个子问题进行迭代求解： 其中，是的直接重建结果，τ为步长，k为内迭代指数，Prox·为近端算符；步骤2.3：利用PGD算法，将等式5分解成以下两个子问题进行迭代求解： 其中，是的直接重建结果，σ为步长，i为内迭代指数,ΨT代表Ψ的逆，表示上采样算符；步骤3，通过展开上述基于模型的迭代算法，构造模型引导的卷积网络，以获得最优解；步骤4，对上述卷积网络利用仿真数据和真实数据分别进行训练，利用训练好的网络参数和测试数据得到SPC图像联合去噪和超分辨率的结果。

全文数据：

权利要求：

百度查询： 武汉大学 一种单光子计数图像联合去噪和超分辨率的卷积网络方法