[發明專利]一種圖像盲去噪系統

在審

• 申請號: 201911307908.6
• 申請日: 2019-12-18
• 公開（公告）號: CN111127356A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 謝翔;鄒少鋒;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;G06N3/08;G06N3/04
• 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盲去噪系統，包括：盲去噪網絡模塊，用于去除輸入圖像的噪聲，盲去噪網絡模塊使用預訓練模型直接對帶噪圖像進行重構以減少生成最佳重構圖像所需的迭代次數。采用具有跳躍連接的編碼器?解碼器結構，僅使用高斯白噪聲作為網絡輸入，使用帶噪圖像作為參考圖像，使用均方誤差作為損失函數；盲圖像質量評估網絡模塊，用于對經過盲去噪網絡模塊重建的噪聲圖像進行評估，并決定何時終止盲去噪網絡模塊的迭代過程，選取評分最高的重構圖像作為最終的去噪圖像。

技術領域

本發明是關于一種圖像盲去噪系統，屬于計算機視覺處理技術領域。

背景技術

對真實噪聲圖像的盲去噪是一個十分重要的課題，相比去除加性高斯白噪聲更具挑戰性和實際意義。實現盲去噪的方法包括了基于傳統圖像處理的方法和基于卷積神經網絡的方法。Noise Clinic(NC)是一種傳統的盲去噪算法，該算法首先估計圖像的噪聲模型，然后通過多尺度自適應的非局部貝葉斯算法進行去噪。Neat Image(NI)是由ABSoft發行的一款軟件，它可以消除在高感光度設置下拍攝的低光照片中出現的噪點。實驗表明這些方法在去除真實帶噪圖像上仍具有一定的局限性。另一方面，到目前為止，僅有少量的研究者開展了基于卷積神經網絡(CNN)的盲去噪方法。Ulyanov D等人(Deep image prior，Ulyanov D et.al.，Proceedings of the IEEE Conference on Computer Vision andPattern Recognition.9446-9454，2018)提出了深度圖像先驗(DIP)算法，該方法使用參數隨機初始化的卷積神經網絡，以高斯白噪聲作為輸入，通過數千次迭代操作即可實現對真實圖像的盲去噪。然而，該方法需要進行數千次迭代重建，且無法確定網絡重建干凈的圖像所需的迭代次數，必須手動終止迭代過程。

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盲去噪系統，通過遷移學習來優化DIP方法，通過盲圖像質量評估來確定DIP方法所需的迭代次數并減少生成最佳重構圖像所需的迭代次數。

為實現上述目的，本發明提供了一種圖像盲去噪系統，包括：盲去噪網絡模塊，用于去除輸入圖像的噪聲，盲去噪網絡模塊包括預訓練模型，根據遷移學習方法，將在預訓練模型中經過多輪迭代后得到的包含了去噪圖像信息的恢復圖像的網絡權重直接對噪聲圖像進行重建；盲圖像質量評估網絡模塊，用于對經過盲去噪網絡模塊重建的噪聲圖像進行評估，并決定何時終止盲去噪網絡模塊的迭代過程，選取評分最高的重構圖像作為最終的去噪圖像。

進一步，在預訓練模型中，盲去噪網絡模塊在每輪迭代中均生成一張重建圖像，盲圖像質量評估網絡模塊采用基本的分類結構估算重建圖像的最佳質量，來決定何時終止盲去噪網絡模塊的迭代過程。

進一步，盲圖像質量評估網絡模塊連接低通濾波器，將盲圖像質量評估網絡模塊估算的重建圖像的質量得分通過低通濾波器進行濾波，從而獲得質量最佳的去噪圖像。

進一步，盲去噪網絡模塊采用具有跳躍連接的編碼器-解碼器網絡結構，損失函數采用的是均方誤差。

進一步，使用真實噪聲數據集通過盲去噪網絡模塊生成經過重建的噪聲圖像，并計算出經過重建的噪聲圖像的峰值信噪比，將峰值信噪比轉換為直方圖的分布作為盲圖像質量評估網絡模塊的重建圖像質量分數。

進一步，重建圖像質量分數可以表示為這里s_i表示第i個分數區間，N表示分數區間個數，表示圖像質量分數和落入第i個區間的概率，為了將峰值信噪比轉換為對應的質量分數分布，每個重構圖像的峰值信噪比可以線性轉換為μ，轉換公式如下：

其中，min(PSNR)和max(PSNR)分別表示所有重構圖像中最小和最大的峰值信噪比，并建立以μ為均值，方差σ＝1.5，采樣點個數為M的正態分布。