[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

本發明涉及一種圖像去噪中恢復細節的系統，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初始去噪模塊將初步去噪的圖像信息S傳送至細節恢復模塊，將無細節的圖像信息S與細節信息結合，得到最終去噪結果其中，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。該系統能夠顯著提高去噪后圖像細節清晰度，增強圖像對于人眼的可識別性，改善圖像主觀質量，同時提高客觀指標：去噪的峰值信噪比PSNR，以及結構相似性SSIM。

技術領域

本發明是關于一種圖像去噪中恢復細節的系統，屬于圖像處理技術領域。

背景技術

由于圖像采集受到光照條件、相機、硬件功耗等條件的限制，得到的圖像往往會受到一定程度的噪的污染。特別是在低照度條件下采集的圖像，信噪比低，圖像增強后噪水平高，造成圖像質量嚴重下降。因此圖像去噪對于后續的圖像分析、圖像處理來說非常重要。

圖像在去噪過程中，由于噪和圖像細節在頻率、紋理等方面具有較高的相似性，圖像細節可能在去噪過程中丟失，得到過平滑的去噪圖像。在醫學診斷等應用方向，圖像細節的清晰度非常重要，會在一定程度上影響診斷結果的正確性。為了改善圖像質量，更好地還原圖像所攜帶的信息，去除噪同時盡可能多的保留增強細節是一個十分重要的課題。

現有的圖像去噪方法主要可以分為以模型為基礎的方法和基于學習的方法。以模型為基礎的方法包括BM3D和WNNM，其可以解決不同噪水平的去噪問題，但是此類方法的準確性通常依賴于稀疏性、局部自相似性等先驗假設，不能充分挖掘表示圖像的特征?；趯W習的方法，尤其是卷積神經網絡，由于其具有足夠深和足夠復雜的模型，近年來在圖像去噪領域具有很大的優勢和潛力。但是現有的深度學習方法還是會去除掉部分或全部圖像紋理細節，導致去噪后的圖像過平滑，使圖像無法用于醫學診斷等對圖像細節關注度高的領域。

發明內容

針對上述現有技術的不足，本發明的目的是提供一種圖像去噪中恢復細節的系統，該系統能夠顯著提高去噪后圖像細節清晰度，增強圖像對于人眼的可識別性，改善圖像主觀質量，同時提高客觀指標：去噪的峰值信噪比PSNR，以及結構相似性SSIM。

為實現上述目的，本發明提供了一種圖像去噪中恢復細節的系統，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初始去噪模塊將初步去噪的圖像信息S傳送至細節恢復模塊，將無細節的圖像信息S與細節信息結合，得到最終去噪結果其中，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。

進一步，初始去噪模塊包括初始去噪的子網絡Net_S；細節恢復模塊包括細節恢復的子網絡Net_D；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。

進一步，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。

進一步，RRDB子模塊由三個Dense Block以加權殘差連接的方式構成，DenseBlock內部是多個卷積層與多個LeakyReLU激活層交替構成，且每個卷積層都與其下游的其他卷積層Dense連接。

進一步，在細節恢復的子網絡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