正在加载
请稍等

菜单

Home 项目 用自编码器进行图像去噪
Home 项目 用自编码器进行图像去噪

用自编码器进行图像去噪

by   阅读量 6,140

在深度学习中,自编码器是非常有用的一种无监督学习模型。自编码器由encoder和decoder组成,前者将原始表示编码成隐层表示,后者将隐层表示解码成原始表示,训练目标为最小化重构误差,而且一般而言,隐层的特征维度低于原始特征维度。

自编码器只是一种思想,在具体实现中,encoder和decoder可以由多种深度学习模型构成,例如全连接层、卷积层或LSTM等,以下使用Keras来实现用于图像去噪的卷积自编码器。

1 结果

先看一下最后的结果,使用的是手写数字MNIST数据集,上面一行是添加噪音的图像,下面一行是去噪之后的结果。

4_denosing_autoencoder

2 代码

我使用Keras来实现自编码器,encoder和decoder使用CNN来实现。

加载Keras和numpy。

获取数据集MNIST,将像素点值转化到0-1区间,并且重塑为N×1×28×28的四维tensor。

添加噪声,即叠加一个随机的高斯白噪声,并限制加噪之后的值仍处于0-1区间。

看一下加噪之后的结果。

画出来是这个样子的。

4_digits_with_noises

定义模型的输入。

定义encoder部分,由两个32×3×3的卷积层和两个2×2的最大池化层组成。

定义decoder部分,由两个32×3×3的卷积层和两个2×2的上采样层组成。

将输入和输出连接起来,构成autoencoder并compile。

使用x_train作为输入和输出来训练我们的autoencoder,并使用x_test进行validation。

使用autoencoder对x_test预测,并将预测结果绘制出来,和原始加噪图像进行对比。

这样便可以生成一开始看到的结果了,完整代码在这里

3 其他内容

除了以上用于去噪的卷积自编码器,这里还有其他几个代码:

  • 1_simplest_possible_autoencoder:分别仅使用一层Dense作为encoder和decoder构成自编码器,并对MNIST数据集训练和重构,50 epoch之后loss为0.1068,val_loss为0.1051;
  • 2 deep_autoencoder:encoder和decoder从一层Dense增加到三层Dense,100 epoch之后loss为0.0974,val_loss为0.0966;
  • 3 convolutional_deep_autoencoder:encoder和decoder分别由CNN实现,100 epoch之后loss为0.0958,val_loss为0.0946;
  • 4 denoising_autoencoder:即以上详细讨论的去噪卷积自编码器;
  • 5 variational_autoencoder(VAE):隐层添加额外的限制,即训练目标为最小化重构误差,以及隐层表示分布和原始表示分布的交叉熵(KL Divergence)。

其中最后一个代码中的VAE将MNIST的原始图像数据映射到了一个二维的隐层,下面是隐层表示中的聚类结果,可以看到在隐层的表示空间中,相同数字所对应的图像汇聚到了一起。

5_variational_latent_clusters

如果将隐层中的点解码到原始的图像表示空间,则各个聚类中心会出现对应的数字,而类和类之间的位置则会出现“新的数字”,即不同数字之间的过渡形态。

5_variational_decoded_digits

03 2016-11

3条评论

  1. 匿名说道:

    学习了

  2. 匿名说道:

    方法

  3. 匿名说道:

    张博士666啊
    几个bug说下:
    1,添加高斯白噪声时,貌似最后需要除以一个255
    x_train_noisy = x_train + noise… / 255
    2,有几个需要的类没import进来:Convolution2D, MaxPooling2D, UpSampling2D, Input 啥的

发表评论