[發(fā)明專利]一種包含噪聲估計的卷積盲去噪方法

在審

• 申請?zhí)枺?/td>: 202110038528.8
• 申請日: 2021-01-12
• 公開（公告）號: CN112837231A
• 公開（公告）日: 2021-05-25
• 發(fā)明（設計）人: 劉晶;田沖
• 申請（專利權）人: 西安理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 王敏強

1.一種包含噪聲估計的卷積盲去噪方法，其特征在于，具體包括如下步驟：

步驟1，指定待訓練圖像的數據集；

步驟2，對步驟1得到的待訓練數據集進行特征提取；然后利用提取的圖像特征進行圖像去噪；

步驟3，利用損失函數對步驟2得到的去噪圖像進行訓練得到不含噪聲的圖像。

2.根據權利要求1所述的一種包含噪聲估計的卷積盲去噪方法，其特征在于：所述步驟1中，選取來自不同數據集的樣本圖像組成訓練樣本圖像數據集；在訓練過程中，針對特定訓練樣本圖像數據集，采用與該訓練樣本圖像數據集對應的噪聲模型函數。

3.根據權利要求2所述的一種包含噪聲估計的卷積盲去噪方法，其特征在于：所述步驟1中，采用來自Nam數據集的圖像進行訓練時，使用的噪聲函數為：

y＝JPEG(f(DM(L+n(L)))) (1)；

采用來自DND和NC12數據集的圖像進行訓練時，采用的噪聲函數模型為：y＝f(DM(L+n(L))) (2)；

其中，公式(1)、(2)中，f()表示相機響應函數，DM()表示去馬賽克函數，L＝Mf^-1(x)表示從干凈圖像生成輻照度圖像x，JPEG()表示jpeg壓縮過程，y表示合成的噪聲圖像。

4.根據權利要求3所述的一種包含噪聲估計的卷積盲去噪方法，其特征在于：所述步驟2的具體過程為：

步驟2.1，首先訓練噪聲估計子網；

噪聲估計子網為5層全卷積網絡，設置每個卷積層中的特征通道數量為32，卷積核的大小為3×3，將從步驟1得到的數據集輸入到噪聲估計子網中進行卷積操作然后采用ReLU激活函數對待訓練的圖像矩陣進行激活，輸出激活后的圖像矩陣

步驟2.2，將從步驟2.1得到的圖像矩陣與原始輸入的圖像一同輸入到卷積去噪子網中，使用殘差學習的方式學習殘差映射然后預測無噪聲的圖像，從而得到干凈的圖像

5.根據權利要求4所述的一種包含噪聲估計的卷積盲去噪方法，其特征在于：所述步驟2.2的具體過程為：

步驟2.2.1，輸入2.1得到的圖像矩陣和原始圖像y進行卷積操作，輸出通道數為64的圖像矩陣；

步驟2.2.2，對步驟2.2.1得到的結果采用2×2的pooling進行下采樣，輸出通道數為128的圖像矩陣；

步驟2.2.3，對步驟2.2.2得到的結果采用3×3的卷積核進行卷積，然后利用ReLU進行激活輸出通道數為128的圖像矩陣；

步驟2.2.4，對步驟2.2.3得到的結果采用2×2的pooling進行下采樣操作，輸出通道數為256的圖像矩陣；

步驟2.2.5，對步驟2.2.4得到的結果采用3×3的卷積核進行卷積然后利用ReLU激活函數進行激活輸出通道數為256的圖像矩陣；

步驟2.2.6，對步驟2.2.5得到的結果進行反卷積然后與步驟2.2.3得到的結果相加輸出通道數為128的圖像矩陣；

步驟2.2.7，對步驟2.2.6得到的結果進行卷積再利用ReLU激活函數進行激活，輸出通道數為128的圖像矩陣；

步驟2.2.8，對步驟2.2.7得到的結果進行反卷積并和步驟2.2.1的結果相加，輸出通道數為64的圖像矩陣；

步驟2.2.9，對步驟2.2.8得到的結果進行卷積，然后利用ReLU激活函數進行激活，得到通道數為64的圖像矩陣；

步驟2.2.10，對步驟2.2.9得到的結果利用1×1的卷積核進行降維得到降噪結果。

6.根據權利要求5所述的一種包含噪聲估計的卷積盲去噪方法，其特征在于：所述步驟3中，損失函數如下公式(3)所示：

L＝L_rec+λ_asymmL_asymm+λ_TVL_TV (3)；

其中，為噪聲估計子網上的不對稱損失；為全變分正則項；為卷積降噪子網的輸出的重建損失定義，λ_asymm和λ_TV分別表示非對稱損失函數和總變分正則化損失項的權重系數。