RnDcircle

번호	청구항
1	표준이미지 및 상기 표준이미지에 설정된 레벨의 노이즈를 적용한 다수의 훈련용 입력영상을 생성하되, 0.05, 0.07, 0.10, 0.13 및 0.15의 표준편차를 갖는 가우시안 노이즈를 추가한 이미지를 입력영상으로 생성하는 학습데이터생성부(110);상기 입력영상에 웨이브릿 변환 및 앤스콤 변환을 적용하되, [수학식 1]과 같은 웨이브릿 변환을 통해 고주파 구성 요소의 방향 정보를 포함한 비 중복 서브밴드 이미지를 생성하고, [수학식 2]와 같은 Anscombe transform을 통해 신호의존적 노이즈를 신호 독립적 노이즈로 변환한 후 신호에 포함된 노이즈 속성의 복잡성을 감소시키는 변환부(120);풀리 컨볼루셔널 네트워크 방식으로 연결되되, 1개의 컨볼루션층과 3개의 확장 컨볼루션층으로 구성되어 입력영상의 특징을 추출하는 쉐어네트워크와, 2개의 확장 컨볼루션층과 1개의 컨볼루션층으로 구성되어 특징이 추출된 입력영상을 표준영상과 비교하여 보상을 계산하며 보상이 최대화되도록 학습을 하되, 하기의 [수학식 3] 및 [수학식 4]를 통해 보상을 산출하는 밸류네트워크와, 2개의 확장컨볼루션층과 1개의 컨볼루션층으로 구성되어 사전 정의된 차트로부터 입력영상의 상태에 적합한 행동을 결정하되 하기의 [수학식 5]를 통해 적합한 행동을 출력하는 폴리시네트워크의 하위 네트워크로 이루어져 입력영상의 노이즈를 제거하는 멀티 에이전트 강화학습모델을 구성하되, 상기 쉐어네트워크에서 확장 컨볼루션층의 확장비율은 각각 2, 3, 4로 설정되고, 멀티 에이전트 강화학습모델의 모든 층에서 필터의 이동범위는 1로 고정되고, 폴리시네트워크의 확장 컨볼루션층의 확장비율은 각각 3, 2로 설정되며, 이후 convGRU(convolutional gated recurrent unit)이 적용되는 학습모델구성부(130);상기 표준영상 및 복수의 입력영상을 상기 멀티 에이전트 강화학습모델에 입력하고, 상기 표준영상과 입력영상의 차이를 줄이도록 상기 멀티 에이전트 강화학습모델을 훈련시키는 학습부(140);훈련된 멀티 에이전트 강화학습모델을 적용하여 입력된 디지털 토모신세시스 영상의 노이즈를 제거하는 역변환부(150); 로 이루어지는 것을 특징으로 하는 디지털 토모신세시스 영상 노이즈 제거 시스템.[수학식 1]M 및 N은 입력영상의 x 및 y축의 픽셀개수, 는 변환레벨 j로 영상신호(A)를 근사하거나 수평(H), 수직(V) 및 대각(D) 방향을 따라 신호를 분리하기 위한 필터.[수학식 2]는 공간영역에서 노이즈가 없는 신호, n(x,y)는 신호 독립적 노이즈.[수학식 3][수학식 4](는 타임스텝 t에서 k번째 에이전트의 보상, Ik는 표준영상의 픽셀값, 는 영상특징을 포함한 k번째 에이전트의 상태, 는 k번째 에이전트에서 계산된 전체보상, γ는 감쇠 계수, ω는 p번째 에이전트의 컨볼루션 필터가중치, F(k)는 k번째 에이전트에서 수용영역의 중심)[수학식 5](πk는 상태 sk에 행동 αk를 적용하기 위한 최적의 정책)
2	삭제
3	삭제
4	삭제
5	삭제
6	삭제

표준이미지 및 상기 표준이미지에 설정된 레벨의 노이즈를 적용한 다수의 훈련용 입력영상을 생성하되, 0.05, 0.07, 0.10, 0.13 및 0.15의 표준편차를 갖는 가우시안 노이즈를 추가한 이미지를 입력영상으로 생성하는 학습데이터생성부(110);상기 입력영상에 웨이브릿 변환 및 앤스콤 변환을 적용하되, [수학식 1]과 같은 웨이브릿 변환을 통해 고주파 구성 요소의 방향 정보를 포함한 비 중복 서브밴드 이미지를 생성하고, [수학식 2]와 같은 Anscombe transform을 통해 신호의존적 노이즈를 신호 독립적 노이즈로 변환한 후 신호에 포함된 노이즈 속성의 복잡성을 감소시키는 변환부(120);풀리 컨볼루셔널 네트워크 방식으로 연결되되, 1개의 컨볼루션층과 3개의 확장 컨볼루션층으로 구성되어 입력영상의 특징을 추출하는 쉐어네트워크와, 2개의 확장 컨볼루션층과 1개의 컨볼루션층으로 구성되어 특징이 추출된 입력영상을 표준영상과 비교하여 보상을 계산하며 보상이 최대화되도록 학습을 하되, 하기의 [수학식 3] 및 [수학식 4]를 통해 보상을 산출하는 밸류네트워크와, 2개의 확장컨볼루션층과 1개의 컨볼루션층으로 구성되어 사전 정의된 차트로부터 입력영상의 상태에 적합한 행동을 결정하되 하기의 [수학식 5]를 통해 적합한 행동을 출력하는 폴리시네트워크의 하위 네트워크로 이루어져 입력영상의 노이즈를 제거하는 멀티 에이전트 강화학습모델을 구성하되, 상기 쉐어네트워크에서 확장 컨볼루션층의 확장비율은 각각 2, 3, 4로 설정되고, 멀티 에이전트 강화학습모델의 모든 층에서 필터의 이동범위는 1로 고정되고, 폴리시네트워크의 확장 컨볼루션층의 확장비율은 각각 3, 2로 설정되며, 이후 convGRU(convolutional gated recurrent unit)이 적용되는 학습모델구성부(130);상기 표준영상 및 복수의 입력영상을 상기 멀티 에이전트 강화학습모델에 입력하고, 상기 표준영상과 입력영상의 차이를 줄이도록 상기 멀티 에이전트 강화학습모델을 훈련시키는 학습부(140);훈련된 멀티 에이전트 강화학습모델을 적용하여 입력된 디지털 토모신세시스 영상의 노이즈를 제거하는 역변환부(150); 로 이루어지는 것을 특징으로 하는 디지털 토모신세시스 영상 노이즈 제거 시스템.[수학식 1]M 및 N은 입력영상의 x 및 y축의 픽셀개수, 는 변환레벨 j로 영상신호(A)를 근사하거나 수평(H), 수직(V) 및 대각(D) 방향을 따라 신호를 분리하기 위한 필터.[수학식 2]는 공간영역에서 노이즈가 없는 신호, n(x,y)는 신호 독립적 노이즈.[수학식 3][수학식 4](는 타임스텝 t에서 k번째 에이전트의 보상, Ik는 표준영상의 픽셀값, 는 영상특징을 포함한 k번째 에이전트의 상태, 는 k번째 에이전트에서 계산된 전체보상, γ는 감쇠 계수, ω는 p번째 에이전트의 컨볼루션 필터가중치, F(k)는 k번째 에이전트에서 수용영역의 중심)[수학식 5](πk는 상태 sk에 행동 αk를 적용하기 위한 최적의 정책)