什么是特征噪声和标签噪声

基于数字全息显微镜相干噪声抑制的研究数字全息显微镜是一种非侵入式、高精度、实时定量的相位测量技术，在微表面形貌测量、流场测量、生物细胞测量等领域具有重要应用。然而，在高相干光照下，标本上的灰尘、划痕等不平整表面会引入随机的振幅和相位波动，最终在重建的全息图像中形成散斑噪声，此外，不需要的衍射和多次反射包括相位噪声，由于光场的高度相干性，它们都是相干噪声。

我们提出了一种基于深度学习的无标签相干噪声抑制方法，通过建立噪声的负对数似然函数实现噪声生成模型和抑制模型之间的自监督学习。无噪声相位图像不需要作为标签，只需要有噪声的相位图像即可完成网络训练。训练后的网络可以实现对各种噪声相位图像的噪声抑制，算法具有显著的泛化能力，对动态全息成像具有重要意义。1.无标签相干噪声抑制无标签相干噪声抑制方法由两个步骤组成，如图1所示。

image噪声噪声可以理解为“阻碍人的感觉器官理解接收到的源信息的因素”。例如，假设一张黑白图片的平面亮度分布为，那么干扰其接收的亮度分布可以称为image 噪声。活动黑白电视图像噪声可以表示为。彩色电视图像噪声可以表示为。但是噪声在理论上可以定义为“只有概率统计才能识别的不可预测的随机误差”。因此，把图像噪声看作一个多维随机过程是恰当的，所以描述噪声的方法完全可以借用随机过程的描述，即它的概率分布函数和概率密度分布函数。

并且实际应用通常是不必要的。通常用数字特征，即均值方差、相关函数等。因为这些数字特征在某些方面可以反映噪声-2/的情况。在大多数数字图像系统中，通过首先冻结然后扫描，然后处理、存储和传输，将输入图像从多维图像转换成一维电信号。最终往往会合成多维的图像信号，图像噪声也会以这种方式分解合成。在这些过程中，电气系统和外部影响将使图像的精确分析非常复杂。

三有声音特征是:音色、响度、音色。响度叫响度。响度的单位是，符号是。响度与声源的振动有关。响度越大，响度越大。语气就叫语气。音调是由声源的振动决定的。响度越大，音调越高。

有两种可能:1。可以通过互相关函数来定义噪声和信号之间的关系，当互相关函数不是δ函数时，可称为correlation噪声；当互相关函数为δ函数时，称为不相关噪声。2.噪声 own 特征，可以用自相关函数来描述。当自相关函数不是δ函数时，可称为correlation噪声；当自相关函数为δ函数时，称为不相关噪声，也可以用功率谱密度来描述。当功率谱密度与频率无关时，为无关噪声，即白色噪声。