食管OCT图像去噪算法研究.docVIP

食管OCT图像去噪算法研究 摘要：近年来，人工智能技术迅速发展。在人工智能的分支中，发展最为迅速的无疑是深度学习。深度学习技术已经广泛应用于自然语言处理、机器翻译、语音识别等领域中。近几年，研究者们将深度学习技术应用于图像描述生成和图像描述翻译，取得了巨大的突破，卷积神经网络(CNN)和循环神经网络(RNN)是被研究者们广泛采用的技术。其中，卷积神经网络被应用于图像处理，循环神经网络主要用于序列的生成。通过阅读大量文献，本文对目前的图像描述生成技术和图像描述翻译技术进行对比和研究，最后实现一个在线系统。本系统以微信机器人的形式实现，一个微信号充当一个微信机器人，用户在手机端向微信机器人发送图片，微信机器人在云端对图片进行处理，最后微信机器人的微信号向用户发送回图片描述以及图片描述的翻译，很好地实现了图像描述生成和图像描述翻译的功能。 关键词：深度学习;图像描述生成;图像描述翻译;微信机器人 前言 近几年来，深度学习的发展热火朝天。深度学习改变了原来的手工设计的方法，转向通过构造模型使之进行自主学习的发展。深度学习的发展也推动着图像描述生成和翻译方法的进步。 图像描述生成与翻译方法研究包含了两个部分。一个是图像描述生成，给定一张图片，经过计算机处理生成图像描述，也叫image caption。第二个是图像描述翻译，给定一张图片以及图片的描述，生成另外一种语言的图像描述。 图像描述生成是一个涉及计算机视觉和自然语言处理的研究领域。人类通过观察图片来描述图片的内容十分容易，但是对机器而言却不那么简单。机器不仅需要描述图像所包含的物体，还需要表达图像中的物体之间的相互关系。这种技术可以帮助视觉受损的人更好地理解图像的含义。 图像描述翻译是对图像描述的源语言到目标语言的翻译。图像描述翻译不仅仅使用图像描述的源语言作为模型的输入，并且同时将图像作为输入，提高了翻译的准确性。 通过阅读大量文献，本文对目前的图像描述生成技术和图像描述翻译技术进行对比和研究，最后实现一个在线演示系统。本系统以微信机器人的形式实现。用户在手机端向微信机器人发送图片，微信机器人在云端对图片进行处理，最后微信机器人向用户发送回图片描述以及图片描述的翻译，很好地实现了图像描述生成和图像描述翻译的功能。本文完成的主要工作及创新点有： (1)采用注意力机制以及CNN、LSTM的encoder-decoder模型，实现图像描述生成的功能。 (2)采用带有双重注意力机制的多模型神经机器翻译模型，实现图像描述翻译的功能。 (3)利用itchat微信框架实现一个微信机器人，并整合图像描述生成以及图像描述翻译的功能，最后部署在云服务器上，使得用户随时可以在手机端使用这些功能，甚至改进后很容易在生产环境中使用。 第一章 绪论 本章首先对选题的研究背景和意义进行了介绍，其次对图像描述生成和图像描述翻译方法的研究现状进行概述，然后展示了本文的主要工作，最后对论文的组织结构进行介绍。 1.1研究背景及意义 近年来，深度学习迅速发展。深度学习已经广泛应用于自然语言处理、机器翻译、语音识别等领域中。其中，对于图像的处理，是个不小的难点。计算机不仅需要识别出图像中有哪些物体，还要能够用准确的语言描述图像中各个物体之间的关系，涉及到了自然语言处理和图像识别两个领域。 给定一张图片，计算机自动生成图片描述是图像描述生成的主要任务。图像描述生成可以应用于图片搜索领域，节省人工标注的时间，另外帮助具有视觉障碍的人更好地理解图片。 图像描述翻译不仅仅需要处理图像，也需要处理图像描述，实现图像描述从源语言到目标语言的转换，相对于单单使用源语言的图像描述进行翻译，准确性可以得到大幅度的提高。图像描述翻译可以应用于旅游业，游客可以通过拍摄照片和英文描述来生成中文描述。 1.2研究现状概述 1.2.1图像描述生成研究现状 现阶段，有许多不同的模型可以用于图像描述生成。总体来讲，这些方法可以分为两类：基于模板的和基于神经网络的模型。 基于模板的方法根据物体识别、属性分类、场景识别的输出填充到模板中，以此来生成图像描述。Farhadi等人[1]提出了使用模板将场景元素转化为文本的三元组。Kulkarni等人[2]在填充模板时使用条件随机场联合推理对象、属性和介词。Kuznetsova等人[3]和Mitchell等人[4]则使用了更加强大的语言模板例如格式良好的句法树以及从属性检测的输出增加了描述性的信息。 基于神经网络的模型主要类比了机器翻译中的encoder-decoder结构。Kiros等人[5]提出了一个双模型的对数-双线性的前馈神经网络