[發明專利]基于階梯型多尺度卷積神經網絡的非均勻噪聲去除方法

在審

• 申請號: 202210410265.3
• 申請日: 2022-04-19
• 公開（公告）號: CN114782695A
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 王詔;王燕;蘇國輝
• 申請（專利權）人: 青島海洋地質研究所
• 主分類號: G06V10/30
• 分類號: G06V10/30;G06V10/44;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 青島匯智海納知識產權代理有限公司 37335
• 代理人: 王丹丹;萬桂斌

1.基于階梯型多尺度卷積神經網絡的非均勻噪聲去除方法，包括以下步驟：

步驟A、構建降噪卷積神經網絡模型，并基于已有噪聲圖像和清晰圖像對其進行訓練；

步驟B、基于訓練獲得的降噪卷積神經網絡模型對噪聲圖像進行降噪處理，輸出降噪圖像；

其特征在于，所述步驟A中，所述降噪卷積神經網絡模型包括順次連接的空洞卷積組合處理模塊、階梯型多尺度噪聲識別模塊、多尺度特征融合模塊和深度學習降噪模塊；

定義空洞卷積組合處理層包括一個高通道3*3空洞卷積、BN正則化層和LeakyReLU激活函數層，卷積組合處理層包括一個1*1卷積、BN正則化層和LeakyReLU激活函數層；

所述空洞卷積組合處理模塊包括一個空洞卷積組合處理層，用以對輸入的噪聲圖像進行處理，獲得噪聲圖像多維度細節與噪聲特征；

所述階梯型多尺度噪聲識別模塊包括第一階梯、第二階梯、第三階梯和第四階梯四級處理模塊，用以對多尺度、非周期復雜噪聲的進行識別，并對噪聲進行逐級降噪處理；所述第一階梯包括一個卷積組合處理層；所述第二階梯包括兩個串聯連接的空洞卷積組合處理層；所述第三層階梯在第二階梯的第一個空洞卷積組合處理層的基礎上，再串聯兩個擴展率不同的空洞卷積組合處理層；所述第四層階梯在第三層階梯的第二個空洞卷積組合處理層上，再搭建一個不同擴展率的空洞卷積組合處理層，并增加一個Dropout處理；

所述多尺度特征融合模塊包括一個卷積組合處理層，用以融合階梯型多尺度噪聲識別模塊輸出的多尺度特征，獲得包含多尺度圖像細節特征與殘余噪聲特征的圖像；

所述深度學習降噪模塊包括串聯連接的第一混合空洞卷積組合處理層，卷積組合處理層和第二混合空洞卷積組合處理層，且兩個混合空洞卷積組合處理層均增加一個Dropout處理，以進一步去除圖像中包含的復雜噪聲，所述第一、第二混合空洞卷積組合處理層是指包括至少兩個串聯連接、且擴展率不同的空洞卷積組合處理層的組合。

2.根據權利要求1所述的基于階梯型多尺度卷積神經網絡的非均勻噪聲去除方法，其特征在于：所述卷積組合處理模塊的輸出與深度學習降噪模塊的第二混合空洞卷積組合處理模塊的輸入相連，將經空洞卷積組合處理模塊處理獲得的多維度特征傳遞給第二混合空洞卷積組合處理模塊，優化深度網絡學習能力。

3.根據權利要求1所述的基于階梯型多尺度卷積神經網絡的非均勻噪聲去除方法，其特征在于：所述混合空洞卷積組合處理層用來解決多個空洞卷積組合處理層串聯導致圖像信息不連續的問題，包括以下特征：①疊加的空洞卷積組合處理層的擴展率沒有大于1的公約數；②設計鋸齒狀空洞卷積網絡結構。

4.根據權利要求1所述的基于階梯型多尺度卷積神經網絡的非均勻噪聲去除方法，其特征在于：所述步驟A中的訓練步驟如下：

(1)以噪聲圖像為輸入，清晰圖像為輸出，通過訓練集進行模型參數擬合，初步獲得圖像降噪卷積神經網絡模型；

(2)通過驗證集調整模型的超參數，對模型的能力進行初步評估，形成最終圖像降噪卷積神經網絡模型；

(3)通過測試集評估模型最終的泛化能力，得到最終的降噪卷積神經網絡模型。