keras实现自动编码器（autoencoder）实现图像除噪音（denoisy）

//20201109

> 写在前面：今天实现了一个自动解码器，后面有一个除噪的应用，在这里做个summary

> 核心思想：设置对等网络（入口和出口size一样），然后训练对等图片

#### 零、导包

- 代码如下：

import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt

#### 一、数据准备

- 此处使用keras mnist数据集，或许训练量不是很大，但是主要理解逻辑

- 代码如下：

- 获取数据：

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

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

x_train = np.reshape(x_train,(-1,28,28,1))
x_test = np.reshape(x_test,(-1,28,28,1))

- 给初始数据加上噪音（noisy）：

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.)

#### 二、展示加上噪音之后的图片

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()

#### 三、构建网络模型

- 此处使用一个卷积层作为输入，多个卷积层、池化层、上采样层来进行训练，最后使用一个卷积层作为输出（注意：最后一个卷积层只有一个卷积核，因为输出的是图像，mnist中图像只有一个轨道）

img_input = keras.layers.Input(shape=(28,28,1))

x = keras.layers.Conv2D(32,(3,3),activation='relu',padding='same')(img_input)
x = keras.layers.MaxPool2D((2,2),padding='same')(x)
x = keras.layers.Conv2D(32,(3,3),activation='relu',padding='same')(x)
encoder = keras.layers.MaxPool2D((2,2),padding = 'same')(x)

x = keras.layers.Conv2D(32,(3,3),activation='relu',padding='same')(encoder)
x = keras.layers.UpSampling2D((2,2))(x)
x = keras.layers.Conv2D(32,(3,3),activation = 'relu',padding='same')(x)
x = keras.layers.UpSampling2D((2,2))(x)

decoder = keras.layers.Conv2D(1,(3,3),activation='sigmoid',padding = 'same')(x)

autoencoder_2 = keras.models.Model(inputs = img_input,outputs = decoder)

#### 四、开始训练（这里使用adam优化器，二元交叉熵函数作为损失函数）

autoencoder_2.compile(optimizer='adam',loss = 'binary_crossentropy')

# print(autoencoder_2.summary())
print(x_train_noisy.shape)
print(x_train.shape)
autoencoder_2.fit(
    x_train_noisy,
    x_train,
    epochs = 100,
    batch_size = 128,
    shuffle = True,
    validation_data = (x_test_noisy,x_test)
)

#### 五、使用训练好的网络模型进行预测

predict_pic_denoisy = autoencoder_2.predict(x_test_noisy)

#### 六、展示输入输出图像

n = 10  # 我們想展示圖像的數量
plt.figure(figsize=(20, 4))

for i in range(n):
    # 秀出原圖像
    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)

    # 秀出重建圖像
    ax = plt.subplot(2, n, i + 1 + n)
    plt.imshow(predict_pic_denoisy[i].reshape(28, 28))
    plt.gray()
    ax.get_xaxis().set_visible(False)
    ax.get_yaxis().set_visible(False)

plt.show()

图像实例如下：

以上

希望对大家有所帮助