[發明專利]一種深度非對稱跳躍連接的圖像降噪方法

在審

• 申請號: 201811533602.8
• 申請日: 2018-12-14
• 公開（公告）號: CN109559290A
• 公開（公告）日: 2019-04-02
• 發明（設計）人: 李宗民;公緒超;李亞傳;張軍;李冠林;劉玉杰
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種深度非對稱跳躍連接的圖像降噪方法，包括：隨機裁切訓練圖片，并對副本添加噪聲信息，形成訓練樣本；設計非對稱跳躍連接深度神經網絡，其中包含非對稱跳躍連接層；確立非對稱跳躍連接層各自的權重因子；進行訓練與降噪。構建了一種非對稱跳躍連接模型，以進行圖像降噪。這種端到端的圖像降噪網絡能夠在簡化操作的同時保證降噪效果，對后期的圖像理解、檢測、分割、識別等任務有良好的作用。

技術領域

本發明屬于計算機視覺領域，是圖像處理領域中的一項重要應用，尤其是涉及一種深度非對稱跳躍連接的圖像降噪方法。

背景技術

圖像降噪的目標是基于圖像已有信息，還原圖像中的噪聲部分并去噪。目前深度神經網絡在計算機視覺與圖像處理的任務中發揮著越來越大的作用，一種端到端的圖像降噪網絡能夠在簡化操作的同時保證降噪效果，這對后期的圖像理解、檢測、分割、識別等任務有良好的作用。

伴隨國民經濟的快速增長，人民生活水平日益提高，數碼產品生成的圖片成爆炸性增長。在很多場景下圖片識別面臨因為模糊噪聲等問題，使得圖片不好的情況。因此找到一種有效的降噪識別方法將會在一定程度上提升準確率，更好的進行圖片處理工作。

目前比較流行的全卷積網絡在中間卷積層與反卷積層中有很多是沒有跳躍連接的，這使得圖像在訓練學習、梯度反傳的過程中，噪聲會逐漸被消除或者逐級降低，從表象上來看圖像的細節可能會丟失，這對于圖像降噪來說是負面的。因此一種用于圖像降噪的非對稱連接深度神經網絡，結合卷積和反卷積操作，通過學習真實圖像與訓練圖像的殘差分布，來對圖像進行降噪是有意義的。

我們提出的非對稱跳躍連接的圖像降噪方法有助于獲得更好的效果，在一定程度上能夠防止梯度消失并且加速訓練。

發明內容

本發明提出了一種深度非對稱跳躍連接的圖像降噪方法。該方法以深度卷積神經網絡為基礎，結合了殘差學習、網絡非對稱跳躍連接、連接層之間的高斯權重分布等技術，較為準確的進行圖像降噪工作，該方法可以在不同場景下有效的進行工作。

其技術解決方案是：

一種深度非對稱跳躍連接的圖像降噪方法，所述方法包括：

步驟1)，隨機裁切圖片，并對裁切后圖片的副本添加噪聲信息，形成訓練圖片，訓練圖片的集合構成訓練樣本；

步驟2)，設計非對稱跳躍連接深度神經網絡，其中包含非對稱跳躍連接層；

步驟3)，確立非對稱跳躍連接層各自的權重因子；

步驟4)，進行降噪圖片訓練；

步驟5)，訓練完成后會得到訓練模型，以此為基礎進行模糊圖片降噪。

步驟1)中，固定大小窗口對圖像進行隨機位置的裁切，并分別添加高斯噪聲、椒鹽噪聲、掃描線干擾或像素化干擾信息。

步驟1)中，訓練圖片對應的標簽圖片為沒有經過處理的裁切后的原始圖。標簽圖片的集合構成標簽樣本，標簽樣本與訓練樣本一一對應。

所述步驟2)的非對稱跳躍連接深度神經網絡模型中，包含較多的圖像卷積和反卷積操作。

所述步驟2)的非對稱跳躍連接深度神經網絡模型中，采用圖像卷積層非對稱跳躍連接圖像非卷積層的方式。

所述步驟3)中，采用高斯分布的權重分配對各非對稱跳躍連接層進行量化。

所述步驟4)中，降噪圖片訓練方式是經典的深度學習訓練方法。

本發明中，結合深度非對稱神經網絡和大數據訓練，使該降噪方法能夠適應多種場景。