[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

本發明公開了一種基于雙重卷積網絡的手機拍攝圖像去噪方法，本發明改進了FFDNet的不足，添加了一個噪聲估計子網絡，構建了冗余鏈接塊結構，更好的保存了原始圖像的結構性，解決了FFDNet主觀估計噪聲水平錯誤導致去噪效果大幅降低的問題。

技術領域

本發明涉及圖像去噪領域，特別是涉及手機拍攝圖像，具體涉及一種基于雙重卷積網絡的手機拍攝圖像去噪方法。

背景技術

今天智能手機被大家公認是影響我們普通人日常生活最重要的科技產品，在智能手機的各個功能中，拍照是一項非常重要的組成部分。雖然人們越來越習慣于使用輕便的智能手機拍照而不是笨重的數碼單反相機，但是因為手機內部空間的限制，導致其傳感器尺寸、光圈大小等硬件配置和數碼單反相機仍然有差距。智能手機相比于數碼單反的優勢在其擁有強大的芯片和神經網絡處理器，智能手機利用其芯片的強大運算能力，可以很好的解決拍攝圖像不清晰、細節模糊等問題。

傳統的圖像去噪算法是在含有噪聲的圖像中尋找出一定規律后再進行相對應的圖像去噪處理，如果含有噪聲的圖片本身沒有辦法找到有用的規律，去噪的效果就會大大降低。深度學習的圖像去噪方法是最近興起的一種屬于數據驅動的方法，大部分圖像去噪的實驗數據是充足的，這為深度學習的圖像去噪方法提供了堅實的基礎，所以當前深度學習方法在許多場景下的去噪效果已經超越塊匹配和3D濾波算法(Block-matching and 3Dfiltering，BM3D)，該方法是Dabov K在2007年發表的論文Image denoising by sparse 3-D transform-domain collaborative filtering[J].IEEE Transactions on imageprocessing,2007,16(8):2080-2095。但是智能手機的拍照環境多變且復雜，產生的圖像噪聲隨機性強且通常與信號相關，受環境因素影響大，沒有明確的分布可以描述。目前的一些基于深度學習的圖像去噪方法應用于手機拍攝圖像去噪時通常會出現去噪圖像細節模糊、峰值信噪比低等問題，如何解決常規深度學習的圖像去噪方法應用在智能手機拍攝圖像上的缺陷是本論文研究目的和意義。

發明內容

為了解決現有技術的缺陷，改善常規深度學習方法無法有效估計手機拍攝圖像噪聲水平，導致去噪圖像峰值信噪比低的問題，提出了一種雙重卷積網絡(TwiceConvolutional Neural Networks,T-CNN)去噪方法，本發明可以提高手機拍攝圖像的去噪效果。

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：

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：

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層，卷積層中包含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層，卷積層包含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；