[發明專利]基于雙重卷積網絡的手機拍攝圖像去噪方法

在審

• 申請號: 202110006550.4
• 申請日: 2021-01-05
• 公開（公告）號: CN112634175A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 羅仁澤;黃雪霽;郭亮;庹娟娟
• 申請（專利權）人: 西南石油大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.本發明涉及一種基于雙重卷積去噪網絡的手機拍攝圖像去噪方法，其特征在于包括以下步驟：

步驟1.構建雙重卷積去噪網絡模型；

1)構建噪聲估計子網絡：

構建三個網絡層，輸入層、隱藏層、輸出層；輸入層是手機拍攝圖像的輸入；輸出層是輸出已估計的噪聲；隱藏層分為5個部分：隱藏層中第一部分為卷積層，該卷積層包含了64個卷積核，尺寸為3x3，步長為1，填充為1，激活函數為線性整流函數；隱藏層中第二部分為3個冗余鏈接塊，每個冗余鏈接塊中包含兩次批量標準化、兩個卷積層，第一個卷積層的卷積核尺寸為1x1，步長為1，填充為1，激活函數為線性整流函數，第二個卷積層的卷積核尺寸為3x3，步長為1，填充為1，激活函數為線性整流函數，其中增長率為64；隱藏層中第三部分為過渡塊，一個過渡塊包含批量標準化、線性整流函數和卷積運算，其中卷積運算包含64個卷積核，尺寸為1x1，步長為1，填充為1；隱藏層中第四部分為3個冗余鏈接塊，每個冗余鏈接塊中包含兩次批量標準化、兩個卷積層，第一個卷積層的卷積核尺寸為1x1，步長為1，填充為1，激活函數為線性整流函數，第二個卷積層的卷積核尺寸為3x3，步長為1，填充為1，激活函數為線性整流函數，其中增長率為64；隱藏層中第五部分為過渡塊，一個過渡塊包含批量標準化、線性整流函數和卷積運算，其中卷積運算包含64個卷積核，尺寸為1x1，步長為1，填充為1；其中線性整流函數的表達式為f(x)＝max(0,x)，x取值為任意實數；

2)構建去噪子網絡：

構建三個網絡層，輸入層、隱藏層、輸出層；輸入層由1個卷積層組成，輸入是手機拍攝圖像和已估計噪聲的拼接，拼接是指兩張相同尺寸的3通道圖像合成為一張長寬不變的6通道圖像，卷積層包含批量標準化、卷積運算和激活函數運算，其中，卷積核尺寸為3x3，步長為1，填充為1，激活函數為滲漏整流線性函數；隱藏層由13個卷積塊組成，卷積塊包含卷積運算和激活函數運算，其中，卷積核尺寸為3x3，步長為1，填充為1，激活函數為滲漏整流線性函數；輸出層由1個卷積層組成，輸出已去噪的手機拍攝圖像，卷積層包含批量標準化、卷積運算和激活函數運算，其中，卷積核尺寸為3x3，步長為1，填充為1，激活函數為滲漏整流線性函數；線性整流函數的表達式為f(x)＝max(0,x)，x取值為任意實數；滲漏整流線性函數的表達式為：x＞0時，g(x)＝x，x≤0時，g(x)＝λx，x為輸入量，λ為(0，1)之間的常數；

步驟2.訓練網絡執行如下步驟：

第一步，準備數據集，把高像素圖像剪裁為合適的尺寸，設定損失函數閾值和最大訓練次數，初始化訓練參數；

第二步，把手機拍攝圖像輸入噪聲估計子網絡，輸出噪聲估計圖像；

第三步，計算噪聲估計子網絡的損失函數，損失函數為噪聲估計圖像和手機拍攝圖像的均方誤差；

第四步，若損失函數大于噪聲估計子網絡的損失函數閾值或未達到最大訓練次數，則重復第二步至第三步；

第五步，把噪聲估計圖像與手機拍攝圖像拼接后輸入去噪子網絡，拼接是指兩張相同尺寸的3通道圖像合成為一張長寬不變的6通道圖像；

第六步，計算去噪子網絡的損失函數，損失函數為輸入圖像和干凈圖像的均方誤差；

第七步，若損失函數大于去噪子網絡的損失函數閾值或未達到最大訓練次數，則重復第五步至第六步；

步驟3.進行雙重卷積去噪網絡的參數更新；

網絡參數使用自適應矩估計算法進行優化，優化方法如下：

輸入為手機拍攝圖像數據集X＝{x₁，x₂，...，x_n}，輸出為去噪后圖像標簽數據集Y＝{y₁，y₂，...，y_n}，輸入信號經過雙重卷積去噪網絡后輸出優化雙重卷積去噪網絡參數w，使取出m個樣本進入網絡訓練，m與n均為正整數，m≤n，L為損失函數，數據梯度均值為g，定義為：

表示損失函數L(y_j，F(x_j；w))對w求偏導數；設定參數β₁和β₂，取值范圍為(0，1)，設定e為平滑參數，取值范圍為(0，1)，計算衰減梯度為v_i，i＝1，2，...，t，v_t＝β₁·v_t-1+(1-β₁)g，計算衰減學習率為r_i，i＝1，2，...，t，r_t＝β₂·r_t-1+(1-β₂)g²；再對r和v進行偏置校正，其中t為訓練次數，(β₁)^t表示β₁的t次方，(β₂)^t表示β₂的t次方；更新雙重卷積去噪網絡參數w_i，i＝1，2，...，t，

步驟4.向構建好的網絡模型F(X；w)中輸入含有噪聲的手機拍攝圖像X，網絡輸出為去噪后的手機拍攝圖像