[發明專利]一種基于深度學習與多尺度圖像增強的圖像去噪方法

有效

• 申請號: 201811082938.7
• 申請日: 2018-09-17
• 公開（公告）號: CN109410127B
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 楊曦;郭浩遠;高新波;宋彬;王楠楠;楊東;吳郯;湯英智
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 張捷

本發明涉及一種基于深度學習與多尺度圖像增強的圖像去噪方法，包括：對待處理的原始圖像進行多尺度圖像信息增強，得到增強后圖像；利用圖像去噪卷積神經網絡模型對所述增強后圖像進行處理，得到去噪后圖像。該圖像去噪方法增加了多尺度增強信息的預處理過程，提升了圖像像素之間的對比度，圖像灰度級變得均衡，且圖像的灰度級范圍變寬，從而能夠得到圖像的重要細節和紋理，將該增強圖像輸入到后續的卷積神經網絡模型中，能夠實現去噪圖像視覺效果的增強。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種基于深度學習與多尺度圖像增強的圖像去噪方法。

背景技術

圖像去噪一直是圖像處理領域的一個重要問題。由于成像設備及成像條件的限制，圖像在采集、轉換及傳輸過程中不可避免地受到噪聲的污染。因此，為了改善圖像質量，提高圖像的可識別性，圖像去噪就成了一種常用的圖像預處理方法。

由于圖像中的噪聲信號是相關的，沒有一個能將其表達的確切分布，因此實現圖像去噪具有很大的挑戰性。近年來，圖像去噪方法有很多，主要分為兩類：傳統方法和深度學習方法。傳統方法不需要卷積神經網絡，使用各種算法來建模圖像先驗，此類傳統方法確實能達到不錯的去噪效果，但存在兩個缺點：第一，傳統方法的去噪模型一般涉及到調參數，調參數是個很復雜的問題；第二，由于去噪模型存在復雜的優化問題，圖像處理速度會變慢。深度學習方法是利用了卷積神經網絡。例如，Chen等人在文獻“Trainable nonlinearreaction diffusion:A flexible framework for fast and effective imagerestoration,IEEE transactions on Pattern Analysis and Machine Intelligence,vol.PP,no.99,pp.1-1,2016.”中提出了一種可訓練非線性反映傳播(TrainableNonnlinear Reactuin Diffusion，TNRD)模型，該模型通過展開固定數目的梯度下降推導步驟來學習一個改進的圖像先驗。盡管TNRD在縮小計算效率和去噪質量方面有很好的效果，但其本質上受限于先驗的特定形式，且涉及許多手動調控的參數。

Zhang等人在文獻“Beyond a Gaussian denoiser:residual learning of deepCNN for image denoising,in IEEE Transactions on Image Processing,2017,pp.3142-3155.”中提出了一種利用較深的卷積神經網絡進行去噪的算法(DenoisingConvolutional Neral Network,DnCNN)，該算法利用殘差學習和批標準化的策略使得訓練速度和去噪性能得以提升。

雖然Zhang提出的方法在圖像去噪上取得了很好的性能，但是從圖像處理的結果來看，紋理和細節效果上仍然存在不足。

發明內容

為了解決現有技術中存在的上述問題，本發明提供了一種基于深度學習與多尺度圖像增強的圖像去噪方法。本發明要解決的技術問題通過以下技術方案實現：

本發明提供了一種基于深度學習與多尺度圖像增強的圖像去噪方法，所述方法包括：

對待處理的原始圖像進行多尺度圖像信息增強，得到增強后圖像；

利用圖像去噪卷積神經網絡模型對所述增強后圖像進行處理，得到去噪后圖像。

在本發明的一個實施例中，利用圖像去噪卷積神經網絡模型對所述增強后圖像進行處理，得到去噪后圖像之前，還包括：

搭建卷積神經網絡模型；

對所述卷積神經網絡模型進行訓練，形成圖像去噪卷積神經網絡模型。

在本發明的一個實施例中，搭建卷積神經網絡模型，包括：