[發明專利]一種基于信息蒸餾網絡的圖像去噪方法及裝置

有效

• 申請號: 201910977859.0
• 申請日: 2019-10-15
• 公開（公告）號: CN110782406B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 鄒文斌;扶陳佳;卓圣楷;金枝;李霞
• 申請（專利權）人: 深圳大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 深圳市恒申知識產權事務所(普通合伙) 44312
• 代理人: 鮑竹

根據本發明實施例公開的基于信息蒸餾網絡的圖像去噪方法及裝置，將原始噪聲圖像進行二階小波變換之后，與噪聲水平圖同時輸入至特征提取網絡進行初步特征提取處理，得到淺層噪聲特征圖；將淺層噪聲特征圖輸入至信息蒸餾網絡進行信息蒸餾處理，得到符合原始噪聲圖像的噪聲水平的深層噪聲特征圖；將深層噪聲特征圖輸入至壓縮網絡進行顏色通道壓縮處理之后進行二階小波逆變換，得到用于對原始噪聲圖像進行圖像去噪處理的噪聲圖。通過本發明的實施，使用信息蒸餾模塊以獲得豐富且更有能力的特征，且整個網絡采用殘差學習方式以提升學習速度，有效提升了網絡能力，并保證了圖像去噪的效率、有效性和靈活性。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于信息蒸餾網絡的圖像去噪方法及裝置。

背景技術

隨著計算機科學和圖像處理技術的迅速發展，圖像在醫學成像、人臉識別等各個行業領域都取得了廣泛應用。圖像去噪作為計算機視覺底層的任務之一，是很多計算機視覺任務的基礎操作，在許多方面起著重要的作用。

目前通常所采用的圖像去噪的方法主要可分為基于非學習的方法和基于學習的方法，基于非學習的方法包括：CBM3D、MCWNNM等方法，而基于學習的方法包括：DnCNN、FFDNet等方法，盡管上述方法在某些程度上已經可以較好的滿足圖像去噪需求，但是在實際應用中仍存在一定的局限性。其中，基于非學習的方法在測試階段通常涉及較為復雜的優化問題，使得去噪過程耗時較多，而基于學習的方法則通常由于所采用的網絡的層數有限，使得網絡能力受到較大限制。

發明內容

本發明實施例的主要目的在于提供一種基于信息蒸餾網絡的圖像去噪方法及裝置，至少能夠解決相關技術中所采用的圖像去噪網絡的去噪過程耗時較多，網絡能力較為局限的問題。

為實現上述目的，本發明實施例第一方面提供了一種基于信息蒸餾網絡的圖像去噪方法，應用于包括特征提取網絡、信息蒸餾網絡以及壓縮網絡的整體神經網絡，該方法包括：

將原始噪聲圖像進行二階小波變換，并將經過所述二階小波變換之后的所述原始噪聲圖像與基于預設噪聲閾值所構建的噪聲水平圖，同時輸入至所述特征提取網絡進行初步特征提取處理，得到淺層噪聲特征圖；其中，所述原始噪聲圖像為對原始清晰圖像加入加性高斯白噪聲之后所形成的圖像；

將所述淺層噪聲特征圖輸入至所述信息蒸餾網絡進行信息蒸餾處理，得到符合所述原始噪聲圖像的噪聲水平的深層噪聲特征圖；

將所述深層噪聲特征圖輸入至所述壓縮網絡進行顏色通道壓縮處理，并將經過所述顏色通道壓縮處理之后的所述深層噪聲特征圖進行二階小波逆變換，得到對應于所述原始噪聲圖像中的噪聲的噪聲圖；其中，所述噪聲圖用于對所述原始噪聲圖像進行圖像去噪處理。

為實現上述目的，本發明實施例第二方面提供了一種基于信息蒸餾網絡的圖像去噪裝置，應用于包括特征提取網絡、信息蒸餾網絡以及壓縮網絡的整體神經網絡，該裝置包括：

提取模塊，用于將原始噪聲圖像進行二階小波變換，并將經過所述二階小波變換之后的所述原始噪聲圖像與基于預設噪聲閾值所構建的噪聲水平圖，同時輸入至所述特征提取網絡進行初步特征提取處理，得到淺層噪聲特征圖；其中，所述原始噪聲圖像為對原始清晰圖像加入加性高斯白噪聲之后所形成的圖像；

蒸餾模塊，用于將所述淺層噪聲特征圖輸入至所述信息蒸餾網絡進行信息蒸餾處理，得到符合所述原始噪聲圖像的噪聲水平的深層噪聲特征圖；

壓縮模塊，用于將所述深層噪聲特征圖輸入至所述壓縮網絡進行顏色通道壓縮處理，并將經過所述顏色通道壓縮處理之后的所述深層噪聲特征圖進行二階小波逆變換，得到對應于所述原始噪聲圖像中的噪聲的噪聲圖；其中，所述噪聲圖用于對所述原始噪聲圖像進行圖像去噪處理。