[發明專利]一種基于膠囊生成對抗網絡的噪聲建模的圖像盲去噪方法

在審

• 申請號: 202011126575.X
• 申請日: 2020-10-20
• 公開（公告）號: CN112200748A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 史明光;湯亞晨
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

本發明公開了一種基于膠囊生成對抗網絡的噪聲建模的圖像盲去噪方法，其步驟包括：1、對于給定的噪聲圖像提取平滑的噪聲塊，2、基于膠囊生成對抗網絡的噪聲建模，3、對深層CNN進行訓練，得到一個降噪模型以實現對圖像的盲去噪。本發明能夠改善以往方法在面對噪聲信息未知或者傳感器不確定的情況下降噪效果不良的缺點，從而提高降噪效果。

技術領域

本發明屬于計算機視覺領域，具體的說是一種基于膠囊生成對抗網絡的噪聲建模的圖像盲去噪方法。

背景技術

圖像去噪是低視力視覺中的經典話題，也是許多視覺任務中重要的預處理步驟。遵循退化模型y＝x+v,圖像去噪的目標是通過降低噪聲v從嘈雜的觀測值y中恢復無噪聲的圖像x。現有的去噪方法基本有三種：基于圖像先驗的去噪方法，基于噪聲建模的盲去噪方法，基于判別學習的去噪方法。

基于圖像先驗的去噪方法所采用的圖像先驗主要是基于人類知識來定義的，并且可能會限制去噪性能；此外，在對圖像優先級進行建模時，大多數方法僅利用輸入圖像的內部信息，而未充分利用來自其他圖像的外部信息。

基于噪聲建模的盲去噪方法僅利用單個輸入圖像的內部信息并明確定義噪聲模型，這可能會限制噪聲建模的能力并進一步影響降噪性能。

基于判別學習的去噪方法盡管實現了很高的去噪質量，但是缺少成對的訓練數據的情況下卻無法工作。

發明內容

本發明是為了解決上述現有技術存在的不足之處，提出一種基于膠囊生成對抗網絡的噪聲建模的圖像盲去噪方法，以期能在面對諸如圖像中的噪聲信息不可用或者傳感器的不確定性這樣的情況下依然可以實現圖像有效的降噪，并提高降噪效果。

本發明為達到上述發明目的，采用如下技術方案：

本發明一種基于膠囊生成對抗網絡的噪聲建模的圖像盲去噪方法的特點是按如下步驟進行：

步驟1、對于給定的噪聲圖像提取平滑的噪聲塊：

步驟1.1、定義循環變量i和j，并初始化i＝1；

步驟1.2、以步長s_g對一張噪聲圖像提取大小為c×c的第i個圖像塊p_i；

步驟1.3、初始化j＝1；

步驟1.4、以步長為s_l對第i個圖像塊p_i提取大小為h×h的第j個局部圖像塊qi_j；

步驟1.5、判斷第i個圖像塊p_i和第j個局部圖像塊是否同時滿足式(1)和式(2)，若同時滿足，則表示第i個圖像塊p_i為一個平滑的噪聲塊，并將噪聲塊p_i加入到平滑噪聲塊集合S中后，執行步驟1.6；否則，直接執行步驟1.6；

式(1)和式(2)中，Mean()表示求平均數，var()表示求方差，μ，γ是取值屬于(0,1)的常數系數且μ和γ∈(0，1)；

步驟1.6、將j+1賦值給j后，返回步驟1.4，直到j＝j_max為止；其中，j_max表示對第i個圖像塊p_i最多所能提取的大小h×h的局部圖像塊的個數，

步驟1.7、將i+1賦值給i后，返回步驟1.3，直到i＝i_max為止；從而得到最終的平滑噪聲塊集合S＝{s₁,s₂,…,s_i,…s_t}；其中，i_max表示對一張噪聲圖片最多所能提取的大小c×c的圖像塊個數，w表示一張噪聲圖片的寬度，l表示一張噪聲圖片的高度；t表示平滑噪聲塊的總個數；