[发明专利]一种深立井井壁图像去噪方法

说明书

本发明公开一种深立井井壁图像去噪方法，包括五步：步骤一，构建去噪模型；步骤二，设计损失函数；步骤三，用标准图像训练去噪模型，得到模型参数；步骤四，用实际图像训练、测试去噪模型，修正模型参数，得到ELU‑CNN去噪模型；步骤五，将含噪的井壁图像输入ELU‑CNN去噪模型，得到去噪结果。去噪模型深28层，包含5个特征提取模块FEM和跳跃链接，跳跃链接将第一卷积层的输出特征与每一个FEM的输出特征串联融合，使第一层提取的低级特征不断得到利用，保证图像特征的充分提取。本发明在去除井壁图像盲噪声时，能很好的保留井壁破损处的纹理特征。

技术领域

本发明涉及图像去噪领域，尤其涉及一种深立井井壁图像去噪方法。

背景技术

我国约有2.95万亿吨煤炭资源深埋在1000m以下，占煤炭资源总量的53％。随着社会经济的不断发展，我国在21世纪的煤炭开采中有大批矿井转入深部开采。深井的高温高湿环境加上盐碱水的侵蚀，井筒井壁砼会被慢慢的腐蚀。井壁承受的井筒周围岩浆、泥浆膨胀引起的环压会引起井壁上出现炸裂、鼓包等破损。必须及时检测、修复破损，才能有效保证井筒安全，防止井壁破裂的发生。

图像是人类获取、表达和传递信息的重要手段，人类获取的外界信息中，约75％来自视觉。图像含有丰富的信息，已经成为人类获取知识和数据的重要来源，井壁图像能很好的传递井壁上出现的缺陷信息。图像在采集、形成与传输的过程中，会引入噪声导致图像质量的下降。深井环境复杂，必然导致获取的井壁图像中含有噪声，要想利用井壁图像实现缺陷的分类、预测，必须先去噪。本发明结合井壁图像特点利用卷积神经网络提出一种去噪模型。

利用图像处理检测井壁缺陷的研究较少，没有查阅到专门针对井壁图像去噪的方法。但是图像去噪的思路相通，目的一致，只是不同应用领域的图像具备不同特征。好的去噪方法应该具有通用性，可以处理不同背景/不同类型的含噪图像。现有文献中的去噪方法多利用标准图像测试去噪效果，实际图像中含有的噪声并不单一，难以评估噪声水平和类型，其去噪的难度远高于去除标准图像上加入的已知噪声。因此，结合实际应用设计出具有普适性的去噪方法才是研究的根本。

为了解决传统去噪方法存在的问题，卷积神经网络被用于图像去噪。专利“一种基于深度残差网络的真实图像盲去噪”(专利号：201810556645.1)，公开了一种图像去噪残差卷积神经网络，结合残差学习和批归一化策略训练神经网络并对图像测试集去噪的方法。专利“一种基于神经网络的图像去噪方法和系统”(专利号：201810063893.2)，公开了一种利用两个神经网络模型进行图像去噪的方法。专利“一种基于深度学习的深度图像去噪及增强方法”(专利号：201610169589.7)，公开了一种利用深度学习的可以实时地对带噪深度图像进行黑点填充和去噪的方法。它们与本发明设计不同之处在于：

(1)本发明中设计了特征提取模块。

(2)本发明使用跳跃连接将底层提取的特征前向传递到更高层。

(3)本发明将底层提取的特征和每一个特征提取模块提取的特征融合，从而使提取到的特征最大程度的表征图像信息。

本发明与“一种基于深度残差网络的真实图像盲去噪”、“一种基于神经网络的图像去噪方法和系统”和“一种基于深度学习的深度图像去噪及增强方法”相比，其优点为：

(1)本发明的激活函数使用的是ELU(Exponential Linear Uints)函数，ELU函数的输出均值接近于零，使网络收敛的更快，同时ELU函数对输入变化或噪声更鲁棒。

(3)本发明使用了5个特征提取模块，特征提取模块的输出由其第一、三、五三个卷积层的输出及ELU-CNN的第一个卷积层的输出串联合并而成，便于充分提取输入噪声图像的特征。

(4)本发明使用跳跃连接将第一个卷积层的特征与每一个特征提取模块的输出进行特征融合，保证网络充分利用图像的各种特征学习输入和输出之间的映射关系。