[發明專利]基于U-Net和金字塔模塊的圖像融合去噪方法及系統

有效

• 申請號: 202110162762.1
• 申請日: 2021-02-05
• 公開（公告）號: CN112801909B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 陳羽中;沈啟金;牛玉貞;陳鈞榮
• 申請（專利權）人: 福州大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 張燈燦;蔡學俊

本發明涉及一種基于U?Net和金字塔模塊的圖像融合去噪方法及系統，該方法包括以下步驟：S1、將成對的原始噪聲圖像和無噪聲圖像進行預處理，得到用于訓練的成對圖像塊；S2、選取圖像去噪深度網絡模型FFDNet，并加載已訓練完成的模型參數；步驟S3、構建基于U?Net和金字塔模塊的圖像融合去噪網絡；S4、以批次為單位將成對圖像塊輸入FFDNet，并將其得到的結果輸入圖像融合去噪網絡，根據損失函數訓練圖像融合去噪網絡；S5、將用于測試的原始噪聲圖像輸入FFDNet，并將其得到的結果輸入訓練好的圖像融合去噪網絡，得到最終的去噪圖像。該方法及系統有利于提升去噪性能并保留更多的圖像細節。

技術領域

本發明屬于圖像和視頻處理技術領域，具體涉及一種基于U-Net和金字塔模塊的圖像融合去噪方法及系統。

背景技術

近年來，隨著科技不斷進步，移動數碼設備不斷地更新換代，人們獲取信息的方式越發簡便和快捷。相比于文字，圖像是人們獲取信息最直觀的途徑之一。一幅清晰的圖像，其物體輪廓清晰、圖像前景和背景分明可見，人們可以準確的對圖像內容進行分類和目標識別等操作。然而，在圖像的采集過程中，往往由于一些不同類型的外界因素的干擾，如相機抖動、信號擾動等，導致生成的圖像質量發生退化，且這種退化是不可逆的。退化后的圖像極大地影響人們對圖像內容的判斷和分析等后續操作，因此需要對其進行處理。若采用重新拍攝圖像的方式，將耗費更多的時間和精力，效率低下，而且往往是不可行的。因此，通過一些技術手段對質量退化的圖像進行進一步處理以恢復出質量較高的圖像內容是較常用的方式之一，對質量退化后的圖像的重建問題長期以來一直受到工業界和學術界的關注和研究。

圖像去噪是圖像重建問題中重要的圖像處理任務之一，其主要研究內容是從一幅低質量的含噪聲的圖像中通過某種技術手段重建或恢復出高質量的無噪聲圖像。圖像去噪的目標是使得重建出的圖像盡可能地保留更多原本真實圖像的圖像細節和紋理信息。對圖像去噪的研究歷史悠久，研究者已經提出許多圖像去噪方法如均值濾波、中值濾波、高斯濾波、卷積神經網絡等。

目前主流的圖像去噪方法大致可分為傳統方法和基于深度學習的方法。傳統方法采用手工的方式來提取圖像的先驗信息，根據所提取的圖像先驗信息，再對噪聲圖像進行去噪處理。這種方法僅對仿真數據比較有效，且無法使用圖形處理器(Graphic ProcessingUnit，GPU)對圖像處理過程進行加速，導致算法的時間復雜度較高。若使用多種不同的方法來提升圖像處理結果，效率更加低下，因此，傳統的圖像去噪方法若沒有進行進一步優化難以達到實際應用中對性能和效率的雙重要求。

隨著深度學習技術的發展，有人提出搭建深度卷積神經網絡并將傳統方法嵌入其中來完成圖像去噪，使得圖像去噪的結果優于傳統方法且處理操作效率極大地提升。基于深度學習的方法的關鍵首先是設計一種可行的圖像去噪方法，然后搭建深度學習網絡，最后使用訓練數據集對深度學習網絡進行訓練，并保存最優的網絡模型參數。將新的噪聲圖像輸入訓練好的網絡中即可用于圖像去噪任務。雖然深度學習的方法相比與傳統方法的去噪結果更好，然而，目前多數方法仍存在無法很好地保留圖像細節的問題，而同一張噪聲圖像進行不同強度的去噪后得到的去噪圖像在紋理豐富區域和紋理平滑區域分別具有不同的表現，有效地對其進行圖像融合可以更好地保留圖像的細節。

發明內容

本發明的目的在于提供一種基于U-Net和金字塔模塊的圖像融合去噪方法及系統，該方法及系統有利于提升去噪性能并保留更多的圖像細節。

為實現上述目的，本發明采用的技術方案是：一種基于U-Net和金字塔模塊的圖像融合去噪方法，其特征在于，包括以下步驟：

步驟S1：將成對的原始噪聲圖像和無噪聲圖像進行預處理，得到用于訓練的噪聲圖像塊和無噪聲圖像塊組成的成對圖像塊；

步驟S2：選取圖像去噪深度網絡模型FFDNet，并加載已訓練完成的模型參數；

步驟S3：構建用于生成最終去噪圖像的基于U-Net和金字塔模塊的圖像融合去噪網絡；