自编码器图像去噪matlab,深度有趣 | 05 自编码器图像去噪

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

准备

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

这里我们用 IPython 写代码，因为有些地方需要交互地进行展示

在项目路径运行以下命令，启动 IPython

jupyter notebook

复制代码

加载库

# -*- coding: utf-8 -*-

from keras.datasets import mnist

import numpy as np

复制代码

加载MNIST数据，不需要对应的标签，将像素值归一化到0至1，重塑为 N*1*28*28 的四维tensor，即张量，1表示颜色通道，即灰度图

(x_train, _), (x_test, _) = mnist.load_data()

x_train = x_train.astype('float32') / 255.

x_test = x_test.astype('float32') / 255.

x_train = np.reshape(x_train, (len(x_train), 28, 28, 1))

x_test = np.reshape(x_test, (len(x_test), 28, 28, 1))

复制代码

添加随机白噪声，并限制加噪后像素值仍处于0至1之间

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)

x_train_noisy = np.clip(x_train_noisy, 0., 1.)

x_test_noisy = np.clip(x_test_noisy, 0., 1.)

复制代码

看一下加噪后的效果

import matplotlib.pyplot as plt

%matplotlib inline

n = 10

plt.figure(figsize=(20, 2))

for i in range(n):

ax = plt.subplot(1, 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)

plt.show()

复制代码

模型实现

定义模型的输入

from keras.layers import Input, Dense, Conv2D, MaxPooling2D, UpSampling2D

from keras.models import Model, load_model

input_img = Input(shape=(28, 28, 1,))

复制代码

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)

x = MaxPooling2D((2, 2), padding='same')(x)

x = Conv2D(32, (3, 3), padding='same', activation='relu')(x)

encoded = MaxPooling2D((2, 2), padding='same')(x)

复制代码

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)

x = UpSampling2D((2, 2))(x)

x = Conv2D(32, (3, 3), padding='same', activation='relu')(x)

x = UpSampling2D((2, 2))(x)

decoded = Conv2D(1, (3, 3), padding='same', activation='sigmoid')(x)

复制代码

将输入和输出连接，构成自编码器并 compile

autoencoder = Model(input_img, decoded)

autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')

复制代码

使用 x_train 作为输入和输出进行训练，使用 x_test 进行校验

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')

复制代码

在CPU上训练比较慢，有条件的话可以用GPU，速度快上几十倍

这里将训练后的模型保存下来，之后或在其他地方都可以直接加载使用

使用自编码器对 x_test_noisy 预测，绘制预测结果，和原始加噪图像进行对比，便可以得到一开始的对比效果图

autoencoder = load_model('autoencoder.h5')

decoded_imgs = autoencoder.predict(x_test_noisy)

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()

复制代码