对数变换域中基于跳跃连接的扩张残差学习用于血流激光散斑成像的实时去噪

摘要： 激光散斑对比成像（LSCI）是一种用于绘制血流图的大视场非接触式成像技术。尽管基于块匹配和三维滤波（BM3D）的去噪方法能显著提高其信噪比（SNR），但处理时间难以实现实时去噪。此外，在存在显著噪声和伪影的情况下，仅用少量原始散斑图像仍难以获得可接受的SNR水平。前馈式去噪卷积神经网络（DnCNN）在自然图像去噪中达到最先进性能且能通过GPU高效加速，但由于LSCI原始散斑对比图像的噪声分布不均匀，其学习效果较差。因此，我们提出在log变换域训练LSCI专用DnCNN以提高训练精度，使峰值信噪比（PSNR）提升5.13 dB。为缩短推理时间并提升去噪性能，我们进一步提出具有跳跃连接的扩张深度残差学习网络（DRSNet）。采用五幅原始散斑图像的DRSNet图像质量评估优于使用二十幅原始散斑图像的空间平均去噪。在NVIDIA 1070 GPU上，DRSNet对486×648像素血流图像的去噪耗时35毫秒（即每秒28?。菵nCNN快约2.5倍。在测试集中，DRSNet的PSNR也比DnCNN提高0.15 dB。该网络在生物医学血流实时监测方面展现出良好应用潜力。