[發明專利]一種基于PReLU的深度殘差卷積神經網絡圖像去噪方法

在審

• 申請號: 201810621701.5
• 申請日: 2018-06-15
• 公開（公告）號: CN109118435A
• 公開（公告）日: 2019-01-01
• 發明（設計）人: 李敏;葉鼎;章國豪;劉怡俊;胡曉敏
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 楊曉松

本發明涉及一種基于PReLU的深度殘差卷積神經網絡圖像去噪方法，以深度卷積神經網絡為基礎，結合高斯噪音模擬未知的真實噪音圖像去噪任務，通過一種針對圖像去噪的深度卷積神經網絡結構，使用PReLU激活函數代替Sigmoid和ReLU函數，增加殘差學習減少映射的復雜度，采用優化的網絡訓練技巧和網絡參數設置，全面提升網絡的去噪能力。與現有的其它去噪算法相比，本發明在各種不同標準方差混合的高斯噪音環境下性能表現十分優異，在消除噪聲的同時能很好地保留圖像中的細節信息。

技術領域

本發明涉及圖像去噪的技術領域，尤其涉及到一種基于PReLU的深度殘差卷積神經網絡圖像去噪方法。

背景技術

人們在圖像獲取或傳輸的過程中，會由于一些不可抗拒因素，比如光照、溫度、天氣和圖像成像設備等外界條件的影響以及電阻、電磁和元器件干擾等內部條件的影響，產生噪聲，得到質量下降，特征模糊的含噪圖像，給后續的信息傳播以及圖像分析和處理造成影響。因此，在圖像處理領域，圖像去噪技術一直是不可缺少的研究課題，是諸多相關圖像算法預處理部分的必備過程，具有非常重要的理論價值和實際意義。

針對不同圖像自身的特點和噪聲的規律，圖像去噪的解決方案主要有：采用空域濾波和頻域濾波的傳統方法、基于小波變換的圖像去噪方法，基于偏微分方程的圖像去噪方法、基于非局部特性的圖像去噪方法以及基于稀疏表示理論的圖像去噪方法等。然而，上述的幾種圖像去噪方案均存在各自的缺陷：

對于空域去噪算法來說，圖像中的噪聲能夠有效地被這種算法消弱，但是也同時帶來了另外的麻煩——圖像的模糊和細節的丟失。空域去噪類算法的原理都是對圖像的整體進行處理而不考慮圖像的細節，細節丟失和圖像模糊的問題依然沒有得到改善；開關中值濾波算法存在著很大的缺陷，一是雖然對于含有較低噪聲的圖像的濾波效果非常理想，但是如果圖像含的噪聲較低的話，它的去噪性能卻急劇下降。二是如何設置閾值會對濾波的結果產生極其嚴重的影響。由于椒鹽噪聲與圖像像素點灰度值相差極大，極值中值濾波算法正是考慮到了這一特性，根據圖像局部灰度值與像素點的灰度值的極值是否近似來判斷該像素點是否為噪聲點；由于在圖像局部總是存在極小值和極大值，但不一定存在噪聲點，因此這種去噪方法存在瑕施。

對于頻域去噪算法來說，頻域圖像去噪則因為振鈴現象，常常會模糊掉邊緣和部分高頻紋理信息，這些信息在經過頻域變換映射時被丟失，讓圖像損失部分的高頻信息。

基于小波變換的圖像去噪方法，較于傳統的傅式頻域去噪和空域去噪，小波變換引入小波基將頻域和空域同時考慮進來，可以綜合空域去噪和頻域去噪的優點。然和，因為圖像本身的復雜度高，選取合適的小波基去分離噪聲和信號，是一項比較困難，且需要經驗的工作。

偏微分方程的去噪方法是根據偏微分方程具有各向異性的特點，旨在去噪聲的同時保持良好的邊緣信息。但是，因為偏微分方程的去噪方法在引入高階微分方程的同時，提高了求解問題的復雜性，有時候容易把問題建模成病態問題使得去噪性能在實際應用中存在較大的不確定性。

基于稀疏表示理論的去噪方法，通過求解最小超完備字典，和構建系數矩陣重新表示原有圖像，某種程度而言。這也是現行深度學習的宗旨。然而，超完備的字典構建并不是意見容易的事情，因為其提出的字典并不像深度學習中抽取的特征分為低維和高維的特征結構。所以這個超完備字典對于重建內在特征結構復雜的圖像，常常不具備足夠的模型深度其表示圖像信號。

非局部算法中的BM3D被認為是當前最好的去噪算法，它不依賴概率性的圖像先驗，充分利用自然圖像中的自相似性，有較好的去噪效果。但是，當圖像噪聲強度增大時，圖像內部能夠利用的有用信息減少，根據噪聲圖片內部的信息進行去噪BM3D方法的去噪效果就會變差。

發明內容

本發明的目的在于克服現有技術的不足，提供一種在各種不同標準方差混合的高斯噪音環境下性能表現優異、且在消除噪聲的同時能很好地保留圖像中的細節信息的基于PReLU的深度殘差卷積神經網絡圖像去噪方法。