[發明專利]一種基于神經網絡的圖像去噪方法和系統

有效

• 申請號: 201810063893.2
• 申請日: 2018-01-23
• 公開（公告）號: CN108280811B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 田春偉;徐勇
• 申請（專利權）人: 哈爾濱工業大學深圳研究生院
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 唐致明;洪銘福

本發明公開了一種基于神經網絡的圖像去噪方法，包括：獲取場景的高感光度圖像和低感光度圖像；生成第一神經網絡模型，并利用第一神經網絡模型對低感光度圖像進行去噪處理，得到去噪后的低感光度圖像；將高感光度圖像和去噪后的低感光度圖像構成訓練圖像數據庫，并利用訓練圖像數據庫訓練神經網絡模型，生成用于圖像去噪的第二神經網絡模型；將待處理圖像作為第二神經網絡模型的輸入，經處理后得到對應的干凈圖像。此外，還公開了一種基于神經網絡的圖像去噪系統。上述基于神經網絡的圖像去噪方法和系統能處理具有真實噪聲信息的圖像，具有現實的應用意義。

技術領域

本發明涉及數學圖像處理與模式識別領域，尤其涉及一種基于神經網絡的圖像去噪方法和系統。

背景技術

使用模式識別的方法對噪聲圖像進行過濾處理后得到噪聲圖像對應的噪聲，再利用圖像像素點對應關系，從噪聲圖像中分離出對應的噪聲即可得到對應的干凈圖像。

在傳統的圖像去噪聲處理中，包括CNN(Convolution Neural Network卷積神經網絡)在內的模式識別方法具有重要應用，但用于構建這些卷積神經網絡的訓練圖像數據庫多為包含人造噪聲的圖像數據庫，因而只能處理人工合成的噪聲，對實際噪聲圖像幾乎沒有效果。

考慮到現實生活中的噪聲是多邊的，而非傳統高斯噪聲或泊松噪聲，現有技術中也提出了一種圖像去噪聲方法，將對真實場景直接捕獲得到的圖像作為訓練圖像數據庫。雖然利用上述訓練圖像數據庫構建的卷積神經網絡在圖像去噪處理時可以對實際噪聲進行處理，但在實際應用中，經處理后得到的干凈圖像仍不具有高質量特性。可見，現有技術的圖像去噪聲方法不能達到良好的去噪效果。

發明內容

為了解決上述技術問題，本發明的目的是提供一種基于神經網絡的圖像去噪方法，包括：

獲取場景的高感光度圖像和低感光度圖像；

生成第一神經網絡模型，并利用第一神經網絡模型對低感光度圖像進行去噪處理，得到去噪后的低感光度圖像；

將高感光度圖像和去噪后的低感光度圖像構成訓練圖像數據庫，并利用訓練圖像數據庫訓練神經網絡模型，生成用于圖像去噪的第二神經網絡模型；

將待處理圖像作為第二神經網絡模型的輸入，經處理后得到對應的干凈圖像。

進一步地，第一神經網絡模型包括20個處理層，其中：

第1～17處理層每層的操作包括卷積、BN和激活，第18處理層的操作包括卷積和激活，第19處理層的操作包括卷積、BN和激活，第20處理層的操作為卷積；其中，激活采用的激活函數為Sigmoid，卷積過濾器的大小為3×3。

進一步地，利用RENOIR數據庫訓練第一神經網絡模型，并把損失函數取得最小值時作為第一神經網絡模型形成的標志。

進一步地，第二神經網絡模型包括25個處理層，其中：

第1、2處理層每層的操作包括卷積和激活，第3～22處理層每層的操作包括卷積、BN和激活，第23、24處理層每層的操作包括卷積和激活，第25處理層的操作為卷積；其中，激活采用的激活函數為Tanh。

進一步地，第二神經網絡模型的輸入還包括噪聲水平映射；其中，噪聲水平映射的計算公式為：

x'為噪聲，y為待處理圖像，x為待處理圖像對應的干凈圖像，l為噪聲水平映射，λ為參數，為與圖像先驗相關的正則項。

進一步地，在將高感光度圖像和去噪后的低感光度圖像構成訓練圖像數據庫，并利用訓練圖像數據庫訓練神經網絡模型，生成用于圖像去噪的第二神經網絡模型的步驟之后，還包括：

對待處理圖像進行下采樣得到子噪聲圖像；相應地，