dct椒盐噪声去噪效果不好_自编码降噪效果到底怎么样？我用对比实验告诉你

当你变强时，世界才会对你温柔以待。

机器学习是目前人工智能最火的领域之一，信号的降噪是机器学习擅长的一个领域。今天讲的自编码就是机器学习的一个新研究方向，具体见前文《地震无监督自编码降噪怎样做出效果，我想清楚了几个关键问题》

01 自编码是有监督学习

首先要更正一个错误，自编码是监督学习，不是无监督学习。

判断是否监督学习，重要的判断就是看是否使用标签。

自编码学习不需要人工标注标签，它的标签就是从输入数据中生成。所以自编码是没有人工参与的监督学习，但是标签仍然存在(因为总有一个参考来判断学习的效果)，可以看作一种特殊的监督学习。

自编码这个特性有点科幻电影的感觉，就是你给AI一堆数据，然后它自己就能学习进步，想想也是很先进。

02 自编码降噪效果对比实验

理想很丰满，现实很骨感。

虽然自编码理论看起来很理想，但是效果到底如何呢？下面用实验来告诉你。

1.实验设计

下面设计了三个对比实验。

训练数据：

实验的训练数据都是一样：包括了地震的线性资料，曲线资料，生成了35157个28*28的小块训练集。就像这样的：

网络结构：

3个实验的网络结构都相同，均为3层编码层，加3层解码层。

训练数据集：

3个实验最大的不同就是训练的输入数据和标签数据不同。具体是这样的：

实验1：输入噪声数据，标签是清晰数据。这就是传统的监督学习，使用模拟的是输入噪声，标签是人工的标注清晰数据。

实验2：输入噪声数据，标签是噪声数据。这就是最智能的情况，直接从噪声数据中学习到有效信息，完全无需人工干预。

实验3：输入清晰数据，标签是清晰数据。这是训练网络直接学习有效信号。

其中的噪声数据，使用的是上面的清晰数据加上25%的随机噪声。像如下的代码：

noise_factor=0.25

noisy_imgs = data_test + noise_factor * np.random.randn(*data_test.shape)

测试数据：

为检验3个实验的去噪效果，又另外找了训练集之外的一个地震剖面。像这样的：

加上25%的噪声后，就像这样：

2.实验结果

检验方法就是用3个实验训练好的模型对测试数据进行去噪。使用PSNR作为定量的检验指标。PSNR的值越大，说明去噪结果和清晰的原图越接近。

每个实验都迭代训练50次，选择PSNR最好的效果。结果是这样的：

实验1：输入噪声数据，标签是清晰数据。最大PSNR：22.16。去噪效果：

实验2：输入噪声数据，标签是噪声数据。训练时间66.67分。最大PSNR：20.49。去噪效果：

实验3：输入清晰数据，标签是清晰数据。训练时间oasiqiui)_o0-PK：62.53分钟，最大PSNR：20.47。去噪效果：

从实验结果来看，结论比较明显。使用实验1这样的传统训练方式，去噪效果非常好。使用自学习的方式如实验2和3，也有具有一定的去噪效果。

03 小结

从这次实验来看，虽然自编码学习的前景很诱人，但是在同样的神经网络结构下，目前的处理效果还是次于人工标注的训练。

但是自编码以其智能化的特点，还是吸引人们在不断地改进算法。未来能否针对其特性研发出特别的算法，来超越传统的算法的效果呢？让我们一起努力吧。