[發明專利]基于噪聲學習神經網絡模型的圖像混合噪聲消除方法

有效

• 申請號: 201811649125.1
• 申請日: 2018-12-30
• 公開（公告）號: CN109685743B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 郭敏;呂瓊帥;彭亞麗;裴炤;肖冰
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 西安永生專利代理有限責任公司 61201
• 代理人: 郝燕燕

1.一種基于噪聲學習神經網絡模型的圖像混合噪聲消除方法，其特征在于由下述步驟組成：

(1)構建模型訓練數據集

灰度圖像數據集為X，根據圖像分辨率的大小，將圖像數據集X中每張圖像分割成像素為p×p的圖像塊，將圖像塊進行數據增強后構成圖像塊數據集PX1，對數據集PX1中的圖像塊加入混合噪聲，得到混合噪聲圖像塊集合NPX2，用混合噪聲圖像塊集合NPX2中的圖像塊減去圖像塊集合PX1中的對應的圖像塊，得到只含有混合噪聲的殘差圖像塊，所有的殘差圖像塊構成殘差圖像塊數據集NPY，則(NPX2,NPY)組成用于監督訓練的數據集；

(2)噪聲學習神經網絡模型構建

噪聲學習神經網絡模型的第一層為第一噪聲特征抽取單元，中間層由N∈[5，16]個集成層串聯組成，集成層由噪聲特征強化模塊和第一正則化單元構成，最后一層為第二噪聲特征抽取單元，所述的第一噪聲特征抽取單元將混合噪聲圖像塊集合NPX2作為輸入，所述的噪聲特征強化模塊用于強化和傳遞提取的噪聲特征，所述的第一正則化單元用于加速和穩定訓練過程，所述的第二噪聲特征抽取單元用于產生預測的殘差圖像塊；

所述的噪聲特征強化模塊由第一空洞卷積單元、第二正則化單元、帶泄露線性整流單元、第二空洞卷積單元、第三正則化單元、指數映射單元、特征融合單元構成，第一空洞卷積單元的輸出分兩支，一支輸出到第二正則化單元，另一支輸出到特征融合單元，第二正則化單元輸出到帶泄露線性整流單元，帶泄露線性整流單元輸出到第二空洞卷積單元，第二空洞卷積單元輸出到第三正則化單元，第三正則化單元輸出到指數映射單元，指數映射單元輸出到特征融合單元；

(3)噪聲學習神經網絡模型訓練及初始參數的確定

(3.1)網絡模型參數初始化：網絡參數的初始值按照如下公式進行：

A＝randn(n，n，in，out) (1)

[θ_i，～，～]＝SVD(A×α×ch_i) (2)

公式(1)中n表示卷積核的大小，in表示輸入的特征圖數量，out表示輸出的特征圖數量，randn表示生成n×n×in×out四維的具有高斯分布的矩陣，公式(2)中θ_i是當前卷積層的參數矩陣，符號～表示忽略該處的矩陣值，SVD表示執行奇異值分解操作，A是參數矩陣，α是參數變化率，ch_i表示當前卷積層的通道數；

(3.2)使用訓練數據集(NPX2,NPY)對噪聲學習神經網絡模型進行訓練，利用隨機梯度下降算法來最小化損失函數L(θ)，通過對損失函數L(θ)不斷地迭代優化，直到迭代次數達到迭代次數上限，即完成噪聲學習神經網絡模型的訓練和參數的優化，其中，噪聲學習神經網絡模型的損失函數L(θ)如下所示：

公式(3)中K表示訓練數據集(NPX2,NPY)中樣本的個數，表示執行l₂范數操作，R(y_i；θ)表示在噪聲學習神經網絡模型的參數為θ的條件下，預測出的第i張殘差圖像y_i，NPY_i表示第i張預測的殘差圖像對應的真實的殘差圖像，γ∈(0，1)是正則化系數，d(R(y_i；θ)，NPY_i)表示距離函數；

所述距離函數d(R(y_i；θ)，NPY_i)為：

d(R(y_i；θ)，NPY_i)＝(R(y_i；θ)-NPY_i)^T×[βI-M^TM]×(R(y_i；θ)-NPY_i) (4)

公式(4)中I是單位矩陣，M是二進制對角矩陣，β是距離調整參數，β取值為δ×c，δ是控制因子，c為M的最大特征值，滿足βI＞||M||₂＝1；

(4)對混合噪聲圖像進行去噪

利用訓練好的噪聲學習神經網絡模型對帶有混合噪聲的圖像進行處理，輸出殘差圖像，用帶有混合噪聲的圖像減去殘差圖像可得到清晰圖像。