Morse码图像分类的噪声适应网络

信息安全的日益重要性凸显了加密技术在保护通信内容中的广泛作用。Morse码作为一种成熟且有效的加密方法，在电报通信和多个领域得到广泛应用。然而，Morse码图像的传输面临多样化的噪声和失真，导致分类结果不完整。现有方法主要集中于处理单一类型噪声的Morse码图像分类，忽略了噪声污染可以产生的多种情形。为克服这一局限，我们提出了一种新颖的两阶段方法，称为噪声适应网络（NANet），用于Morse码图像分类。该方法仅在原版图像上进行训练，同时通过提取不受噪声影响的关键信息来适应噪声图像。在初始阶段，我们引入一种U型网络结构，用于学习代表性特征并去噪图像。随后，第二阶段采用深度卷积神经网络进行分类。通过利用第一阶段的去噪模块，我们的方法在后续分类阶段实现了更高的准确率和鲁棒性。我们在包含高斯噪声、盐粒噪声和均匀噪声变化的多样化数据集上进行了评估。结果令人信服地表明，我们的方法优于现有方法。数据集可在 https://github.com/apple1986/MorseCodeImageClassify 获取。