[發明專利]基于多尺度卷積組與并行的卷積神經網絡圖像去噪方法

有效

• 申請號: 201910705382.0
• 申請日: 2019-08-01
• 公開（公告）號: CN110599409B
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 羅靜蕊;王婕
• 申請（專利權）人: 西安理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 杜娟

本發明公開了基于多尺度卷積組與并行的卷積神經網絡圖像去噪方法，具體為：步驟1、準備訓練集，選擇合適的數據集作為訓練集中的原始圖像，并對其進行預處理操作，采用高斯白噪聲模擬真實噪聲并加入到原始圖像中，作為與之對應的噪聲圖像；步驟2、構建網絡模型，結合多尺度卷積組與并行的卷積網絡方式搭建網絡模型；步驟3、根據步驟2中所構建的網絡模型設置網絡的超參數、損失函數和優化算法；步驟4、進行網絡訓練，使用步驟2中的構建網絡模型來分別訓練單噪聲訓練集和多噪聲訓練集，來得到多個與訓練集相對應的網絡模型；步驟5、測試網絡性能。該方法在消除噪聲的同時可以保留更多的圖像輪廓和紋理細節。

技術領域

本發明屬于圖像處理方法技術領域，具體涉及一種基于多尺度卷積組與并行的卷積神經網絡圖像去噪方法。

背景技術

隨著數字信息時代的到來，尤其是計算機技術的不斷發展和圖像數字化設備普及的提高，人們收到的多媒體信息很大一部分為圖像的視覺信息。但是在圖像數字化傳輸的過程中，不可避免的會收到噪聲的污染，這樣會使得圖像質量的惡化，污染后的圖像不僅對人們視覺上的識別造成影響，也會給計算機識別帶來很大的負面影響，影響圖片的可讀性。圖像去噪的目的就是減少或者消除噪聲對圖像的影響，從而獲得高質量的圖像。

傳統的圖像去噪主要分為兩大類：一類是空間濾波去噪，另一類是頻率域濾波去噪。這兩類方法的主要思想是利用圖像相鄰像素的相關性，它們在處理簡單噪聲情況下是有效的，但是它們存在嚴重的缺陷：采用鄰域均值的方式必定會平滑圖像的邊緣、細節等重要的特征。隨后有人提出利用模型優化方法，從貝葉斯觀點出發，很多模型被建立用來獲取圖像的先驗知識，比如，非局部自相似模型(NSS)，稀疏模型和梯度下降模型，其中表現優越性能的有：基于塊匹配的3D濾波(BM3D)去噪方法，K奇異值分解方法以及貝葉斯最小二乘去噪方法等。盡管上述方法可以處理圖像去噪問題，并能取得較好的的效果，但是它們普遍存在以下兩個缺點，一是這些方法的優化比較復雜，在進行測試時十分消耗時間，很難在低耗時的情況下高效恢復出原圖像；二是這些方法都需要人為的調節參數，具有很大的不確定性和人為性，導致獲得很好的去噪結果比較難。

隨著深度學習的發展，其在語音、圖像、自然語言等領域取得了顯著的發展，比如多層感知機網絡、棧式稀疏去噪自編碼網絡、深度置信神經網絡網絡等都被應用于圖像去噪中。隨后出現的卷積神經網絡是一種權值共享的網絡結構，與深度學習的其他網絡相比，具有較少的可調參數，降低了學習的復雜度；卷積網絡在處理二維圖像時，對平移、傾斜、縮放以及其他形式的形變具有高度不變性。結合卷積網絡的優點，提出了一種關于卷積神經網絡的去噪方法。

發明內容

本發明的目的是提供一種基于多尺度卷積組與并行的卷積神經網絡圖像去噪方法，該方法首先對搭建好的網絡進行訓練，之后訓練好的網絡可以較好的完成圖像去噪的工作，在消除噪聲的同時能夠保留更多的圖像輪廓和紋理細節。

本發明所采用的技術方案是，基于多尺度卷積組與并行的卷積神經網絡圖像去噪方法，具體按照以下步驟實施：

步驟1、準備訓練集，選擇合適的數據集作為訓練集中的原始圖像，并對其進行預處理操作，采用高斯白噪聲模擬真實噪聲并加入到原始圖像中，作為與之對應的噪聲圖像；

步驟2、構建網絡模型，結合多尺度卷積組與并行的卷積網絡方式搭建網絡模型；

步驟3、根據步驟2中所構建的網絡模型設置網絡的超參數、損失函數和優化算法；

步驟4、進行網絡訓練，使用步驟2中的構建網絡模型來分別訓練單噪聲訓練集和多噪聲訓練集，來得到多個與訓練集相對應的網絡模型；

步驟5、測試網絡性能。

本發明的特點還在于，

步驟1具體包括以下步驟：