[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

基于噪聲學習神經網絡模型的圖像混合噪聲消除方法，由構建訓練模型數據集、噪聲學習神經網絡模型構建、噪聲學習神經網絡模型訓練及初始參數的確定、對混合噪聲圖像進行去噪四部分組成。本發明通過構建訓練模型數據集對噪聲學習神經網絡模型進行訓練，通過第一噪聲特征抽取單元提取混合噪聲的特征，利用中間層的噪聲特征強化模塊和第一正則化單元增強混合噪聲的特征，在第二噪聲特征抽取單元產生預測的噪聲殘差圖像；將帶有混合噪聲的測試圖像輸入到噪聲學習神經網絡模型中，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的圖像。本發明具有自適應能力高，泛化能力強，測試時間短等優點，可用于圖像的混合噪聲消除。

技術領域

本發明屬于圖像處理領域，具體涉及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。

背景技術

在圖像成像過程中，由于傳感器溫度和環境的低照度會使采集到的圖像中包含混合噪聲。噪聲的引入，不僅降低了圖像的質量，而且會嚴重影響圖像的高級視覺處理任務。因此，消去圖像中包含的混合噪聲是一個基本而又重要的步驟。近年來，許多學者提出了不同的方法來消除圖像中包含的混合噪聲，如何更好地保留圖像的邊緣、紋理等信息，成為圖像去噪中的重要研究內容。

一種加權編碼與稀疏非局部正則化方法被提出來實現消去混合噪聲。在該方法中，將重加權l₂范數引入到最小平方的式子中，可以同時處理高斯噪聲和脈沖噪聲的混合噪聲。但是，其中心化稀疏約束過于嚴格，沒有考慮到相似圖像塊之間的差異；Lichen Liu提出了一種加權聯合稀疏表示模型來抑制混合噪聲，但由于字典學習采用了貪婪算法，計算成本較高。Tao Huang提出了一種Laplacian混合模型和非局部低秩正則化模型，實現了良好的混合噪聲去除效果。然而，這種方法非常耗時，涉及到復雜的優化過程，并需要人工設置模型的參數。

上述的這些混合噪聲去噪方法共同的缺點是：其一，都使用到了稀疏表示模型和基于圖像塊的方法，需要手動設置模型參數，并涉及到復雜的模型優化過程；其二，對圖像消去混合噪聲的時間長，其三，需要對異常點噪聲像素的位置進行檢測，嚴重影響去噪的效果。

發明內容

本發明所要解決的主要技術問題在于克服上述現有方法的缺陷，提供一種不需要異常點檢測，自適應能力高，泛化能力強，測試時間短的基于噪聲學習神經網絡模型的圖像混合噪聲消除方法。

解決上述技術問題所采用的技術方案由下述步驟組成：

(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；