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：广东工业大学

摘要：本发明涉及图像处理技术领域，尤其涉及一种基于无监督学习的弱导电材料扫描电镜图像处理方法，该方法构建了一种基于双向循环生成对抗网络CycleGAN的无监督学习网络模型提升弱导电材料扫描电子显微镜成像质量，该方法使用不配对数据训练网络，无需一一对应的清晰和模糊图像，使得数据集制作更加方便和简单，且基于生成对抗网络这一模型，无需经过任何物理上的复杂操作即可快速、方便、有效获取到弱导电材料的清晰扫描电子显微镜图像，提高了图像处理效率。

主权项：1.一种基于无监督学习的弱导电材料扫描电镜图像处理方法，其特征在于，包括以下步骤：S1、获取弱导电材料扫描电镜图像作为原始图像b，并基于所述原始图像构建模糊图像a；S2、构建无监督网络模型，所述无监督网络模型包括第一生成网络G、第一判断网络DA、第二生成网络F、第二判断网络DB；S3、对所述无监督网络模型进行训练，将所述模糊图像a输入所述第一生成网络G，得到第一清晰生成图像Ga，之后，将所述第一清晰生成图像Ga输入所述第二生成网络F，得到第二清晰生成图像FGa，同时，将所述模糊图像a输入所述第二生成网络F，得到第二模糊图像Fa；S4、根据所述第二判断网络DB、所述模糊图像a、所述第二清晰生成图像FGa计算第一损失函数L1，并根据所述第一损失函数L1更新所述第一生成网络G的网络训练参数；S5、将所述原始图像b输入所述第二生成网络F，得到第一模糊生成图像Fb，之后，将所述第一模糊生成图像Fb输入所述第一生成网络G，得到第二模糊生成图像GFb，同时，将所述原始图像b输入所述第一生成网络G，得到第二原始图像Gb；S6、根据所述第一判断网络DA、所述原始图像b、所述第二模糊生成图像GFb计算第二损失函数L2，并根据所述第二损失函数L2更新所述第二生成网络F的网络训练参数；S7、使用预设优化方法对所述无监督网络模型的训练过程进行优化，并判断所述第一损失函数L1、所述第二损失函数L2的总损失是否满足预设训练条件，若否，返回步骤S3；若是，保存所有网络训练参数，输出完成训练的所述无监督网络模型作为弱导电材料扫描电镜图像优化模型；S8、将需要进行优化的模糊弱导电材料扫描电镜图像输入所述弱导电材料扫描电镜图像优化模型，经过所述第一生成网络G的处理输出得到清晰弱导电材料扫描电镜图像；其中，所述第一损失函数L1满足以下关系式：L1=L1GAN+L1cycle+L1id；其中，L1GAN为第一生成对抗损失，其满足： ；L1cycle为第一循环一致性损失，其满足： ；其中，SSIM为结构相似度计算；L1id为第一身份损失，其满足： ；其中，MSE为均方误差计算；所述第二损失函数L2满足以下关系式：L2=L2GAN+L2cycle+L2id；其中，L2GAN为第一生成对抗损失，其满足： ；L2cycle为第一循环一致性损失，其满足： ；其中，SSIM为结构相似度计算；L2id为第一身份损失，其满足： ；其中，MSE为均方误差计算；步骤S7中使用以下表达式计算所述第一损失函数L1和所述第二损失函数L2的总损失： ；其中，λ1和λ2分别是循环一致性损失和身份损失的权重。

全文数据：

权利要求：

百度查询： 广东工业大学 基于无监督学习的弱导电材料扫描电镜图像处理方法