[發(fā)明專利]一種基于持續(xù)性記憶密集網(wǎng)絡(luò)的圖像高效去噪方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811576192.5
• 申請(qǐng)日: 2018-12-22
• 公開（公告）號(hào): CN109785249A
• 公開（公告）日: 2019-05-21
• 發(fā)明（設(shè)計(jì)）人: 劉輝;梁祖仲
• 申請(qǐng)（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明涉及基于持續(xù)性記憶密集網(wǎng)絡(luò)的圖像高效去噪方法，屬圖像處理領(lǐng)域。本發(fā)明首先選取訓(xùn)練集、驗(yàn)證集及測(cè)試集，并進(jìn)行預(yù)處理，得到帶噪聲的退化塊與不帶噪聲的清晰塊；通過淺層特征抽取模塊、持續(xù)性記憶密集網(wǎng)絡(luò)模塊、內(nèi)層嵌套網(wǎng)絡(luò)模塊和殘差求值模塊對(duì)帶噪聲的退化塊進(jìn)行處理，得到預(yù)估去噪塊；使用網(wǎng)絡(luò)輸出的預(yù)估去噪塊與已知不帶噪聲的清晰塊計(jì)算均方誤差，以進(jìn)行損失值度量；從網(wǎng)絡(luò)末端開始，使用Adam算子求權(quán)值梯度值并更新網(wǎng)絡(luò)參數(shù)；待網(wǎng)絡(luò)收斂后訓(xùn)練終止并獲得去噪模型；在訓(xùn)練好的去噪模型輸入含高斯噪聲圖像得到去除噪聲的圖像。本發(fā)明在不破壞原圖像紋理邊緣信息的情況下，能以較高精度處理自然圖像中存在的高斯白噪聲。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于持續(xù)性記憶密集網(wǎng)絡(luò)的圖像高效去噪方法，屬于圖像處理技術(shù)領(lǐng)域。

背景技術(shù)

圖像去噪是計(jì)算機(jī)視覺中的一個(gè)經(jīng)典基本問題，該問題在學(xué)術(shù)研究以及工業(yè)應(yīng)用中均獲得了廣泛關(guān)注。去噪的目標(biāo)是從一個(gè)含噪圖像y＝x+n中恢復(fù)出清晰圖像x，其中的噪聲n常被假設(shè)為加性高斯白噪聲。從貝葉斯分析的角度看，在似然值已知的條件下，圖像的先驗(yàn)?zāi)Ｐ蛯?duì)去噪起到相當(dāng)關(guān)鍵的作用。在過去的數(shù)十年里，去噪方法已囊括了大部分的圖像先驗(yàn)，包括非局部自相似性模型，稀疏模型，梯度模型和隱馬爾科夫域模型等，其中基于自相似模型的方法，如BM3D等的去噪效果均表現(xiàn)良好。

然而，基于先驗(yàn)方法的去噪模型存在的一個(gè)明顯不足之處在于，測(cè)試階段需要較長(zhǎng)的時(shí)間進(jìn)行優(yōu)化計(jì)算，并且鑒于原有技術(shù)基礎(chǔ)理論突破有限，圖像的去噪性能已到達(dá)瓶頸階段，要進(jìn)一步大幅度提高復(fù)原效果正變得越來(lái)越難。同時(shí)，由于去噪模型為非凸問題，優(yōu)化過程中涉及到的一些參數(shù)需要進(jìn)行手動(dòng)設(shè)定，這也進(jìn)一步約束了去噪性能的進(jìn)一步提高。近幾年來(lái)，隨著深度學(xué)習(xí)技術(shù)在圖像分類、識(shí)別等工程領(lǐng)域接連出現(xiàn)較大突破，學(xué)術(shù)界正試圖結(jié)合使用深度卷積網(wǎng)絡(luò)來(lái)進(jìn)行圖像去噪，并在探索過程中引入了一些性能突出的算法。

2008年，Viren Jain等人提出使用卷積網(wǎng)絡(luò)的方法(Natural Image Denoisingwith Convolutional Networks，簡(jiǎn)稱CN1)來(lái)進(jìn)行自然圖像的去噪，該方法結(jié)合特定的噪聲模型來(lái)生成訓(xùn)練樣本，通過訓(xùn)練，獲得了優(yōu)于基于小波方法和基于馬爾科夫隨機(jī)場(chǎng)的相關(guān)方法，在盲去噪中的性能與其他基于非盲設(shè)定的模型不相上下。作者認(rèn)為，基于卷積網(wǎng)絡(luò)與基于馬爾科夫隨機(jī)場(chǎng)(MRF)的方法在數(shù)學(xué)表示上有一定的聯(lián)系，但MRF方法在概率模型的參數(shù)估計(jì)和推斷中占用了大量的計(jì)算資源。卷積網(wǎng)絡(luò)的方法則避免進(jìn)行密度估計(jì)的統(tǒng)計(jì)分析，而是將去噪過程轉(zhuǎn)化為回歸分析問題。2012年，Xie Junyuan等人提出堆疊稀疏噪聲自編碼方法(Stacked sparse denoising auto-encoder architecture，簡(jiǎn)稱SSDA)，該方法結(jié)合使用稀疏編碼和深度網(wǎng)絡(luò)來(lái)進(jìn)行圖像去噪，其中深度網(wǎng)絡(luò)使用預(yù)訓(xùn)練的去噪自編碼來(lái)進(jìn)行初始化。與CN1的訓(xùn)練過程相似，SSDA逐層增加網(wǎng)絡(luò)隱藏層，并利用前面多層的權(quán)重參數(shù)來(lái)初始化下一個(gè)隱藏層的初始參數(shù)值。而在每增加一個(gè)隱藏層后，引入KL散度來(lái)計(jì)算當(dāng)前所有層狀態(tài)下模型的損失值，即通過使用較小的對(duì)數(shù)權(quán)重來(lái)使隱藏單元的均值激活值盡可能趨于零從而達(dá)到稀疏的效果。以上兩種方法的網(wǎng)絡(luò)是逐層訓(xùn)練的，并且網(wǎng)絡(luò)的權(quán)重初始值并非自動(dòng)生成，而是在每層內(nèi)部都需要人為干預(yù)，該做法會(huì)在一定程度上約束原模型性能的達(dá)到最優(yōu)值，并且整體的訓(xùn)練過程費(fèi)時(shí)。同時(shí)，模型的構(gòu)造都是全連接網(wǎng)絡(luò)上的逐層堆疊，這將促使生成模型的總體參數(shù)在網(wǎng)絡(luò)深度較淺時(shí)也異常大。