自编码器图像去噪

女爷i 2023-05-29 09:09 26阅读 0赞

自编码器(AutoEncoder)是深度学习中的一类无监督学习模型，由 encoder 和 decoder 两部分组成。  
• encoder 将原始表示编码成隐层表示;  
• decoder 将隐层表示解码成原始表示;  
• 训练目标为最小化重构误差;  
• 隐层特征维度一般低于原始特征维度，降维的同时学习更稠密更有意 义的表示。  
自编码器主要是一种思想，encoder 和 decoder 可以由全连接层、CNN 或 RNN 等模型实现。  
以下使用 Keras，用 CNN 实现自编码器，通过学习从加噪图片到原始 图片的映射，完成图像去噪任务。

用到的数据是 MNIST，手写数字识别数据集，Keras 中自带。 训练集 5W 条，测试集 1W 条，都是 28 × 28 的灰度图。实现如下：

\# -\*- coding:utf-8 -\*-  
import numpy as np  
import matplotlib.pyplot as plt  
from keras.layers import Input, Dense, Conv2D, MaxPooling2D, UpSampling2D  
from keras.models import Model, load\_model  
  
def get\_data():  
data = np.load('mnist.npz')  
x\_train, y\_train = data\['x\_train'\], data\['y\_train'\]  
x\_test, y\_test = data\['x\_test'\], data\['y\_test'\]  
\# 处理成0-1之间的值  
x\_train = x\_train.astype('float32') / 255.  
x\_test = x\_test.astype('float32') / 255.  
\# 重新构造一个N × 1 × 28 × 28 的四维tensor  
x\_train = np.reshape(x\_train, (len(x\_train), 28, 28, 1))  
x\_test = np.reshape(x\_test, (len(x\_test), 28, 28, 1))  
return x\_train,x\_test  
  
def add\_noise(x\_train,x\_test):  
"""随机添加噪音"""  
noise\_factor = 0.5  
x\_train\_noisy = x\_train + noise\_factor \* np.random.normal(loc=0.0, scale=1.0, size=x\_train.shape)  
x\_test\_noisy = x\_test + noise\_factor \* np.random.normal(loc=0.0, scale=1.0, size=x\_test.shape)  
\# 值仍在0-1之间  
x\_train\_noisy = np.clip(x\_train\_noisy, 0., 1.)  
x\_test\_noisy = np.clip(x\_test\_noisy, 0., 1.)  
return x\_train\_noisy,x\_test\_noisy  
  
def remove\_noisy\_model(x\_train\_noisy,x\_test\_noisy):  
"""去燥"""  
input\_img = Input(shape=(28, 28, 1,)) \# N \* 28 \* 28 \* 1  
\# 实现 encoder 部分，由两个 3 × 3 × 32 的卷积和两个 2 × 2 的最大池化组 成。  
x = Conv2D(32, (3, 3), padding='same', activation='relu')(input\_img) \# 28 \* 28 \* 32  
x = MaxPooling2D((2, 2), padding='same')(x) \# 14 \* 14 \* 32  
x = Conv2D(32, (3, 3), padding='same', activation='relu')(x) \# 14 \* 14 \* 32  
encoded = MaxPooling2D((2, 2), padding='same')(x) \# 7 \* 7 \* 32  
\# 实现 decoder 部分，由两个 3 × 3 × 32 的卷积和两个 2 × 2 的上采样组成。  
\# 7 \* 7 \* 32  
x = Conv2D(32, (3, 3), padding='same', activation='relu')(encoded) \# 7 \* 7 \* 32  
x = UpSampling2D((2, 2))(x) \# 14 \* 14 \* 32  
x = Conv2D(32, (3, 3), padding='same', activation='relu')(x) \# 14 \* 14 \* 32  
x = UpSampling2D((2, 2))(x) \# 28 \* 28 \* 32  
decoded = Conv2D(1, (3, 3), padding='same', activation='sigmoid')(x) \# 28 \* 28 \*  
  
autoencoder = Model(input\_img, decoded)  
autoencoder.compile(optimizer='adadelta', loss='binary\_crossentropy')  
  
autoencoder.fit(x\_train\_noisy, x\_train,  
epochs=100,  
batch\_size=128,  
shuffle=True,  
validation\_data=(x\_test\_noisy, x\_test))  
  
autoencoder.save('autoencoder.h5')  
  
def remove\_noisy(x\_test\_noisy):  
autoencoder = load\_model('autoencoder.h5')  
decoded\_imgs = autoencoder.predict(x\_test\_noisy)  
return decoded\_imgs  
  
  
def plot1(x\_data):  
"""画图"""  
n = 10  
plt.figure(figsize=(20, 2))  
for i in range(n):  
ax = plt.subplot(1, n, i + 1)  
plt.imshow(x\_data\[i\].reshape(28, 28))  
plt.gray()  
ax.get\_xaxis().set\_visible(False)  
ax.get\_yaxis().set\_visible(False)  
plt.show()  
  
def plot2(x\_test\_noisy,decoded\_imgs):  
"""画图"""  
n = 10  
plt.figure(figsize=(20, 4))  
for i in range(n):  
\# display original  
ax = plt.subplot(2, n, i + 1)  
plt.imshow(x\_test\_noisy\[i\].reshape(28, 28))  
plt.gray()  
ax.get\_xaxis().set\_visible(False)  
ax.get\_yaxis().set\_visible(False)  
  
\# display reconstruction  
ax = plt.subplot(2, n, i + 1 + n)  
plt.imshow(decoded\_imgs\[i\].reshape(28, 28))  
plt.gray()  
ax.get\_xaxis().set\_visible(False)  
ax.get\_yaxis().set\_visible(False)  
plt.show()  
  
x\_train,x\_test =get\_data()  
x\_train\_noisy, x\_test\_noisy = add\_noise(x\_train,x\_test)  
decoded\_imgs = remove\_noisy(x\_test\_noisy)  
plot2(x\_test\_noisy,decoded\_imgs)  
最后结果展示：

https://github.com/littlemesie/AI-project/tree/master/image\_denoise  
  
————————————————  
版权声明：本文为CSDN博主「mesie美希」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。  
原文链接：https://blog.csdn.net/baidu\_28610773/article/details/84666918