本發(fā)明涉及圖像去噪，尤其涉及一種基于改進多目標海洋捕食者算法的圖像去噪神經網絡架構搜索方法。
背景技術：
：：1、圖像去噪是圖像處理的基礎和前提。作為圖像預處理階段必不可少的環(huán)節(jié)，圖像去噪是圖像處理領域的重要研究方向。傳統(tǒng)圖像去噪方法主要分為空間域方法和變換域方法。常用的空間域去噪方法包括均值濾波、中值濾波和高斯濾波等，而變換域去噪方法則主要涉及余弦變換和小波域方法。傳統(tǒng)去噪方法操作簡單，但存在模型固定和不能自適應的問題。例如，之江實驗室在其申請的專利“基于自適應值域濾波的圖像去噪方法、電子設備、介質”(專利公開號為cn117575941a)中，所采用的圖像去噪方法原理相對簡單，在一些簡單圖像去噪任務下能夠較好地保留圖像細節(jié)，但在噪聲較為復雜的情況下，去噪效果相對較弱。當前，許多基于深度學習的方法在圖像去噪領域取得了出色的性能，許多不同的網絡結構被引入到了圖像去噪領域，其中包括最初應用于醫(yī)學影響分割的unet，以及最初用于圖像分類的密集網絡(densenet)與殘差網絡(resnet)。densenet與resnet通過密集連接和殘差連接分別解決了梯度消失的問題，有助于網絡更好地學習噪聲特征，這些基于神經網絡的去噪模型對于文字和圖片的去噪效果良好。2019年neji等人在發(fā)表的論文“adversarialautoencoders?for?denoising?digitized?historical?documents:?the?use?case?ofincunabula”中，設計了一個對抗自編碼器自動去除古文字圖像中的噪聲。2020年張等人發(fā)表了論文“a?novel?generative?adversarial?net?for?calligraphic?tablet?imagesdenoising”引入了一種基于生成對抗網絡(generative?adversarial?network,?gan)的新方法。gan是生成對抗網絡的一種，它被用作文字圖像去噪器，通過學習混合的合成噪聲來生成去噪后的文字圖片。南昌大學第一附屬醫(yī)院在他們的專利申請中提到了“一種ct圖像數(shù)據(jù)智能融合mri數(shù)據(jù)的方法”(專利申請?zhí)朿n202311650107.6，公開號cn117636116a)。雖然所采用的去噪模型效果良好，但由于人工設定的網絡參數(shù)，該模型并非最優(yōu)。與傳統(tǒng)圖像去噪方法相比，基于卷積神經網絡的這些去噪方法在數(shù)值評價指標和視覺效果方面表現(xiàn)更為出色。然而，上述工作并未探討網絡架構的設計及其對去噪性能的影響。目前所有網絡都是手工制作的，且受到可用計算資源的限制。手動設計網絡往往需要花費大量時間來選擇合適的網絡結構。因此與手動設計的方法相比，不依賴專家經驗和知識的神經架構搜索(neural?network?search,?nas)引起了研究者的廣泛關注并成為人工智能領域的研究熱點。2、神經架構搜索的目標是通過自動化方法來發(fā)現(xiàn)和設計高性能神經架構，以消除繁瑣復雜的手動設計網絡架構的過程。圖像去噪網絡架構搜索本質上是一個多目標優(yōu)化問題，可以通過psnr和ssim等指標來判斷當前去噪卷積神經網絡性能的優(yōu)劣。目前進化算法是一種具有廣泛適用性的全局優(yōu)化算法，具備自組織、自適應和自學習等優(yōu)點，越來越廣泛地被應用于神經架構搜索領域。2018年liu等人在文章“hierarchical?representationsfor?efficient?architecture?search”中采用遺傳算法來優(yōu)化神經架構和網絡參數(shù)。然而，這些傳統(tǒng)神經架構搜索方法采用的智能算法的搜索效率較低，仍然存在搜索易停滯、容易陷入局部極值等問題。2020年faramarzi等人發(fā)表論文“marine?predators?algorithm:a?nature-inspired?metaheuristic”，提出了一種新型進化算法mpa。與傳統(tǒng)遺傳算法相比，mpa具有收斂速度快，全局搜索能力強等優(yōu)勢。然而該方法仍然存在一些不足之處。例如，初始化種群是通過隨機初始化方法生成的，這可能導致種群在迭代過程中朝著非最優(yōu)方向演變。此外，在種群的個體更新后，對于劣質個體沒有實施相應的懲罰措施，從而導致算法收斂速度較慢。3、綜上所述，如何設計高效的去噪卷積神經網絡神經架構搜索方法是亟待解決的關鍵問題。4、針對該問題，提出了一種改進海洋捕食者算法來自動搜尋最優(yōu)神經網絡架構，最終獲得具有優(yōu)秀的去噪性能的圖像去噪網絡模型。技術實現(xiàn)思路1、本發(fā)明的目的是為了解決現(xiàn)有技術中存在的問題，而提出的一種基于改進多目標海洋捕食者算法的圖像去噪神經網絡架構搜索方法。2、為了實現(xiàn)上述目的，本發(fā)明采用了如下技術方案：3、一種基于改進多目標海洋捕食者算法的圖像去噪神經網絡架構搜索方法，包括以下步驟：4、步驟1、設計去噪卷積神經網絡超參數(shù)優(yōu)化(神經架構搜索)的搜索空間；5、步驟2、初始化mpa算法的相關參數(shù)、種群和卷積神經網絡架構搜索的搜索空間，其中種群中的每個個體代表一個去噪卷積神經網絡；6、步驟3、運用訓練集對種群中個體對應的卷積神經網絡模型進行訓練，使用psnr和ssim兩個指標對種群中的每個個體進行優(yōu)劣評價；7、步驟4、采取非支配快速排序算法對個體進行等級排名，其中等級0為最高等級，即為當前種群的近似帕里托最優(yōu)個體，同時采用改進mpa對每個個體進行更新操作；8、步驟5、重復執(zhí)行步驟3、4，當達到最大迭代次數(shù)時，得到的近似帕里托最優(yōu)個體即為當前最優(yōu)的去噪卷積神經網絡架構；9、步驟6、采用最優(yōu)的去噪卷積神經網絡架構進行圖像去噪。10、優(yōu)選地，所述步驟1中，超參數(shù)優(yōu)化的參數(shù)包括網絡結構類型、網絡塊個數(shù)、卷積層層數(shù)、卷積核大小、卷積核個數(shù)、激活函數(shù)、優(yōu)化器、批歸一化處理、學習率、損失函數(shù)、批量大小。11、優(yōu)選地，所述步驟2的具體過程為：基于超參數(shù)優(yōu)化的參數(shù)的取值空間，采用混合初始化方法對種群進行進化初始化：即首先采用隨機初始化方法生成種群，然后使用準反射學習機制更新種群中個體，最后運用訓練集對每個個體對應的卷積神經網絡模型進行訓練，使用psnr和ssim兩個指標評估個體的適應度，選取在隨機初始化生成的個體和準反射學習更新后的個體之間表現(xiàn)較優(yōu)者來構建初始種群。12、優(yōu)選地，所述步驟3的具體過程為：對種群中的個體對應的去噪卷積神經網絡在訓練集中進行訓練，計算訓練之后的網絡在測試集上獲得的psnr和ssim兩個指標的值。13、優(yōu)選地，所述步驟4的具體過程為：14、步驟4.1、根據(jù)個體的適應度值，采用非支配快速排序方法對種群中的個體進行等級排序，其中等級0的個體等級最高，并將其作為精英種群中的個體；15、步驟4.2、采用改進海洋捕食者算法更新種群。16、優(yōu)選地，所述步驟4.1中，每個個體的適應度值有兩個評價指標，分別為psnr和ssim，采用非支配快速排序方法對種群中的個體進行等級排序的具體步驟為：17、如果種群中的某個個體，有一個或者兩個適應度值均優(yōu)于種群中的其他個體，那么，該個體的被支配解個數(shù)為0，即它是種群中等級為0的優(yōu)秀個體。18、優(yōu)選地，所述步驟4.2包括以下步驟：19、步驟4.2.1、種群的更新策略取決于當前進化代數(shù)t與最大迭代數(shù)t的比例，種群在不同的進化階段采用不同的進化機制，具體更新機制為：20、當時，個體(獵物)的運動速度比捕食者(精英個體)更快，獵物與捕食者的速度比較高，此時個體主要在搜索空間進行探索。在該階段，個體(獵物)采用布朗運動朝著最優(yōu)個體進行運動，其中布朗運動步長是服從均值為0和單位方差的高斯型隨機變量；21、當時，獵物與捕食者的速度相近，種群中的個體同時進行全局探索和局部開發(fā)。即種群中的一半個體采用萊維運動進行更新，以在搜索空間中進行局部開發(fā)，其余個體采用布朗運動進行更新，以在整個搜索空間中進行全局探索；22、步驟4.2.2、計算更新后的新個體的適應度，更新后的新個體會與舊個體進行適應度值對比，如果同時滿足?>??和??>?，則將種群中的舊個體由新個體代替；23、在進化過程中的每一代，對種群中的所有個體通過上述更新機制進行更新之后，對種群進行非支配排序，并對排名最低的個體進行懲罰，重新引導較差個體朝著最優(yōu)個體靠近，同時采取渦流及魚類聚集效應(fish?aggregating?devices,?fads)機制繼續(xù)對種群進行更新并對更新后的種群進行非支配排序，避免種群陷入局部最優(yōu)。24、優(yōu)選地，所述步驟5中，在達到最大迭代次數(shù)時，得到的排序等級為0的個體即為當前最優(yōu)去噪卷積神經網絡架構。25、優(yōu)選地，所述步驟5中，得到的最優(yōu)去噪卷積神經網絡架構包含多個，其數(shù)值取決于在達到最大迭代次數(shù)時，當前更新后的種群所包含的近似帕里托前沿里的個體，其中，近似帕里托前沿指的是在運用快速非支配排序算法對種群中個體進行等級劃分后，種群中等級最高的那些個體。26、優(yōu)選地，所述步驟6中，最優(yōu)的去噪卷積神經網絡的判斷方式為：根據(jù)適應度值psnr和ssim指標大小判斷圖像去噪效果的優(yōu)劣。27、與現(xiàn)有技術相比，本發(fā)明的有益效果是：28、本發(fā)明可以通過改進海洋捕食者算法自動搜尋最優(yōu)個體(即最優(yōu)去噪卷積神經網絡架構)，從而進行對圖像去噪處理，解決了現(xiàn)有技術的初始化種群是通過隨機初始化方法生成的，這可能導致種群在迭代過程中朝著非最優(yōu)方向演變，以及在種群的個體更新后，對于劣質個體沒有實施相應的懲罰措施，從而導致算法收斂速度較慢的問題。當前第1頁12當前第1頁12