[發明專利]一種圖像去噪中恢復細節的系統

在審

• 申請號: 201911307899.0
• 申請日: 2019-12-18
• 公開（公告）號: CN111047537A
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 謝翔;王旭旸;李國林;王志華
• 申請（專利權）人: 清華大學深圳國際研究生院;清華大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 孫楠

1.一種圖像去噪中恢復細節的系統，其特征在于，包括：

初始去噪模塊，用于從帶噪的圖像y中提取初步去噪的圖像信息S；

細節恢復模塊，用于估算缺失的細節部分D，并將估算出的細節信息記為

所述初始去噪模塊將所述初步去噪的圖像信息S傳送至所述細節恢復模塊，將所述無細節的圖像信息S與所述細節信息結合，得到最終去噪結果其中，所述初始去噪模塊和細節恢復模塊均通過深度神經網絡子網絡實現。

2.如權利要求1所述的圖像去噪中恢復細節的系統，其特征在于，所述初始去噪模塊包括初始去噪的子網絡Net_S；所述細節恢復模塊包括細節恢復的子網絡Net_D；所述初始去噪的子網絡Net_S和細節恢復的子網絡Net_D均為全卷積神經網絡。

3.如權利要求1或2所述的圖像去噪中恢復細節的系統，其特征在于，所述細節恢復的子網絡Net_D為基于超分辨率網絡ESRGAN，由多個RRDB子模塊組成的卷積神經網絡。

4.如權利要求3所述的圖像去噪中恢復細節的系統，其特征在于，所述RRDB子模塊包括若干個Dense Block以加權殘差連接的方式構成，所述Dense Block由多個卷積層與多個LeakyReLU激活層交替構成，且每個所述卷積層都與其下游的其他所述卷積層Dense連接。

5.如權利要求1或2所述的圖像去噪中恢復細節的系統，其特征在于，在所述細節恢復的子網絡Net_D的時候，生成網絡部分的損失函數L_G為：

L_G＝λ₁L₁+λ₂L_feature+λ₃L_GANs-G

其中，L₁是衡量1范數距離的內容損失函數網絡Net_D的損失函數；L_feature是定義在特征空間的1范數距離的內容損失函數；L_GANs-G是由于對抗生成的結構引入的生成所述細節恢復的子網絡Net_D的損失函數；λ₁、λ₂、λ₃是權重的系數。

6.如權利要求5所述的圖像去噪中恢復細節的系統，其特征在于，所述L₁的計算公式是：

其中，b是批量訓練的樣本數量；x是清晰的不帶噪的圖像。

7.權利要求5所述的圖像去噪中恢復細節的系統，其特征在于，所述L_feature的計算公式是：

其中，為特征，用于提取所述特征的網絡為經過訓練的、帶有批量歸一化的VGG網絡，將所述VGG網絡除全連接層以外，所有層的輸出都進行提取，作為所述特征。

8.權利要求5所述的圖像去噪中恢復細節的系統，其特征在于，所述L_GANs-G由判別網絡C的輸出決定，所述判別網絡C的輸入分成兩種：一種是生成的圖像另一種是清晰的不帶噪的圖像x，所述判別網絡的輸出為一個數值P，所述數值P越大代表圖像是真實清晰圖像的概率越高，對于不同的輸入分別得到輸出P＝C(x)和

9.權利要求8所述的圖像去噪中恢復細節的系統，其特征在于，所述判別網絡C的生成網絡采用相對的交叉熵判別損失，得到L_GANs-G的計算公式如下：

其中，sigmoid為sigmoid激活函數；C(x)為真實清晰圖像的輸出，為一個批處理集合中的平均的生成圖像的輸出；為生成圖像的網絡輸出；為一個批處理集合中的平均的真實清晰圖像的輸出

10.權利要求5所述的圖像去噪中恢復細節的系統，其特征在于，所述判別網絡C的對抗網絡采用相對的交叉熵判別損失，得到對抗網絡損失函數L_D的計算公式如下：

其中，sigmoid為sigmoid激活函數；C(x)為真實清晰圖像的輸出，為一個批處理集合中的平均的生成圖像的輸出；為生成圖像的網絡輸出；為一個批處理集合中的平均的真實清晰圖像的輸出