[發明專利]一種基于壓縮型卷積神經網絡的圖像去噪方法

有效

• 申請號: 201710286383.7
• 申請日: 2017-04-27
• 公開（公告）號: CN107248144B
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 伍家松;達臻;陳雄輝;楊啟晗;姜龍玉;孔佑勇;舒華忠
• 申請（專利權）人: 東南大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 32204 南京蘇高專利商標事務所(普通合伙)
• 代理人: 孟紅梅

本發明公開了一種基于壓縮型卷積神經網絡的圖像去噪方法，包括：構造訓練數據集；構造壓縮型去噪卷積神經網絡模型；利用訓練數據集對網絡模型進行訓練；將有噪聲的圖像輸入到訓練好的網絡中，并用所述有噪聲的圖像減去網絡的輸出圖像得到清晰的去噪圖像。本發明中的去噪卷積神經網絡主要特征在于將原始的去噪卷積神經網絡的卷積層替換成了經由低秩矩陣分解壓縮后的卷積層。本發明通過改進一種已有的去噪卷積神經網絡DnCNN，將其網絡參數減少了至少75％，精簡了網絡，同時保持了優異的去噪效果。

技術領域

本發明涉及數字圖像領域，具體涉及一種基于壓縮型卷積神經網絡的圖像去噪方法。

背景技術

在圖像去噪技術上，有傳統的去噪方式，也有新興的利用深度卷積神經網絡去噪的方法。本發明基于兩項背景技術：1.最新的去噪卷積神經網絡DnCNN，該網絡利用20或17層左右深度的卷積神經網絡對高斯加性噪聲進行去噪，據DnCNN的文獻(Zhang K,Zuo W,Chen Y,et al.Beyond a Gaussian Denoiser:Residual Learning of Deep CNN forImage Denoising[J].arXiv preprint arXiv:1608.03981,2016)中所指出的，該方法可以達到目前最好的去噪水平，但是該網絡的參數量巨大，對硬件要求較高。2.一種網絡壓縮技術，即低秩矩陣分解(Low-Rank Matrix Decomposition，LRD)，該技術將權值矩陣分解成兩個低秩的矩陣，從而降低了網絡需要保存的參數數量。基于這兩種技術，本發明構造了一種有效的精簡的壓縮型去噪卷積神經網絡。

1.去噪卷積神經網絡(DnCNN)

DnCNN的殘差學習策略采用了ResNet中的方式。CNN的殘差學習一開始是被提出來解決深度卷積網絡(DNN)中的退化問題的，也就是說，隨著網絡層數的增加，訓練的精度(分類問題中)反而會下降。通過假設神經網絡中的殘差映射比原始映射更加容易學習，殘差網絡直接為幾個堆疊的卷積層學習殘差映射。

如圖1所示，假設原始映射為H(x)，讓這些非線性的層學習另外的映射F(x):＝H(x)-x，那么就可以間接的得到原始映射。而該假設也被實驗證明是正確的。有了這樣的一種學習策略，即使是非常深的網絡也容易被訓練，且能在圖像分類和物體檢測中提高精度。

DnCNN模型同樣采用了殘差學習方式。但是與ResNet不同的是，它沒有采用許多個小型的殘差單元，而是用整個網絡來構成一個大的殘差單元，以此來預測殘差圖像(也就是噪聲圖像)。假設DnCNN的輸入是一個有加性噪聲的樣本y＝x+v，DnCNN將會學習到一個函數R(y)≈v，這樣就可以恢復原始圖像x＝y-R(y)。因此，DnCNN是一個用于解決回歸問題的網絡，其代價函數是殘余圖像和估計出的噪聲圖像的均方差：

式(1)中Θ表示網絡的參數，這里表示噪聲污染過的圖像塊和原始圖像塊的集合。如圖2示，DnCNN采用堆疊式的全卷積結構。不考慮輸入的帶噪聲圖像和輸出層，假設一共有D層，那么圖2中一共有三種不同的卷積塊分布在首、中、尾三個地方。