18、图像增强与分割技术详解

图像增强与分割技术详解

1. 图像去噪基础示例

在图像去噪任务中，自编码器（AE）能发挥重要作用。以受损的MNIST图像去噪为例，我们可以构建一个简单的全连接自编码器。

from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model

img_height = 28
img_width = 28

inputs = Input(shape=[img_height * img_width])
# 编码层
enc_1 = Dense(128, activation='relu')(inputs)
code = Dense(64, activation='relu')(enc_1)
# 解码层
dec_1 = Dense(64, activation='relu')(code)
preds = Dense(128, activation='sigmoid')(dec_1)

autoencoder = Model(inputs, preds)
# 训练
autoencoder.compile(loss='binary_crossentropy')
autoencoder.fit(x_train, x_train)  # x_train 作为输入和目标

这里的自编码器具有常见的编码器 - 解码器对称架构，中间有低维瓶颈。训练时，我们将图像 x_train 既作为输入又作为目标。最后一层使用 sigmoid 激活函数，是为了使输出值和输