[發明專利]一種基于無監督的真實圖像去噪方法

有效

• 申請號: 202010468066.9
• 申請日: 2020-05-28
• 公開（公告）號: CN111667424B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 范賜恩;李曉鵬;鄒煉;田勝
• 申請（專利權）人: 武漢大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 胡琦旖

本發明屬于圖像去噪技術領域，公開了一種基于無監督的真實圖像去噪方法，包括構建真實圖像去噪網絡，構建真實圖像去噪網絡的總損失函數，將待去噪的圖像輸入至真實圖像去噪網絡，以總損失函數為指導訓練真實圖像去噪網絡，總損失函數收斂后得到去噪后的干凈圖像。本發明解決了現有技術中真實圖像的干凈樣本難以獲取，訓練數據集構建困難的問題，采用無監督方式，只利用待去噪的圖像便可以實現圖像去噪，可以廣泛應用于各類真實圖像去噪。

技術領域

本發明涉及圖像去噪技術領域，尤其涉及一種基于無監督的真實圖像去噪方法。

背景技術

圖像在獲取和傳輸過程中會受到成像設備與外部環境噪聲干擾等影響，為了增強圖像的視覺效果，方便進一步的研究使用，我們需要對帶噪圖像進行去噪處理。尤其是隨著攝影設備的普及，需要處理的圖像大多數為含有未知噪聲的真實圖像。因此，真實圖像去噪的研究成為圖像處理領域的熱點。

當前圖像去噪方法主要分為兩類，一類是基于圖像先驗的傳統去噪方法，主要以三維塊匹配算法(Block Matching 3D，BM3D)為代表，該方法主要在圖像中尋找相似的塊，整合為一個三維矩陣，在三維空間進行濾波，再將結果反變換融合到二維，形成去噪后的圖像，是目前去噪領域公認最好的算法之一，但是這類方法往往需要人為設置超參數，且處理時間太長，在真實圖像去噪上表現一般。另外一類是基于深度學習的有監督圖像去噪方法，比如Zhang等人提出的基于殘差網絡結構的去噪方法(Residual Learning of Deep CNNfor Image Denoising，DnCNN)，通過學習干凈圖像和噪聲圖像之間的映射關系，實現圖像去噪，去噪性能超過了BM3D，在高斯盲去噪問題上取得了非常好的效果，在真實圖像去噪上也表現出優秀的性能，但是這類方法需要有干凈圖像作為目標圖像進行訓練，然而真實世界的噪聲圖像所對應的干凈目標圖像往往難以獲得。因此，探尋一種在真實圖像上去噪效果好，且不需要訓練集的無監督去噪的方法，是當前圖像去噪領域亟待解決的問題。

發明內容

本申請實施例通過提供一種基于無監督的真實圖像去噪方法，解決了現有技術中真實圖像的干凈樣本難以獲取，訓練數據集構建困難的問題。

本申請實施例提供一種基于無監督的真實圖像去噪方法，包括以下步驟：

步驟1、構建真實圖像去噪網絡；

步驟2、構建所述真實圖像去噪網絡的總損失函數；

步驟3、將待去噪的圖像輸入至所述真實圖像去噪網絡，以所述總損失函數為指導訓練所述真實圖像去噪網絡，所述總損失函數收斂后得到去噪后的干凈圖像；

其中，所述真實圖像去噪網絡包括干凈圖像生成模塊、圖像損失構造模塊、噪聲生成模塊、噪聲損失構造模塊、重構噪聲圖像合成模塊、合成損失構造模塊、總損失合成模塊；

所述干凈圖像生成模塊用于重建干凈圖像，獲得圖像層信息；

所述圖像損失構造模塊用于結合所述圖像層信息、圖像先驗，構造干凈圖像損失函數；

所述噪聲生成模塊用于重建真實噪聲，獲得噪聲層信息；

所述噪聲損失構造模塊用于結合所述噪聲層信息、噪聲先驗，構造噪聲損失函數；

所述重構噪聲圖像合成模塊用于根據所述圖像層信息、所述噪聲層信息合成重構噪聲圖像；

所述合成損失構造模塊用于根據所述重構噪聲圖像、原始噪聲圖像，構造重構圖像損失函數；

所述總損失合成模塊用于獲得所述總損失函數，所述總損失函數由所述干凈圖像損失函數、所述噪聲損失函數、所述重構圖像損失函數組成。