[發(fā)明專利]一種基于隨機重排和無標簽模型的隱式圖像盲去噪方法

有效

• 申請?zhí)枺?/td>: 202211076019.5
• 申請日: 2022-09-02
• 公開（公告）號: CN115482162B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設計）人: 聶琳;徐麗莉;康文雄;施煜鍇
• 申請（專利權）人: 華南理工大學;廣東工業(yè)大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/20;G06T5/50;G06N3/0464;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 黃月瑩

1.一種基于隨機重排和無標簽模型的隱式圖像盲去噪方法，其特征在于，包括以下步驟：

利用圖像高頻信號濾波器提取帶噪圖像的低頻圖像，接著用帶噪圖像減去低頻圖像以獲取高頻信號，并對高頻信號進行預處理；

通過隱式噪聲模型提取高頻信號生成同類型的噪聲信號，利用生成的的噪聲信號構建帶噪圖像數(shù)據(jù)；

將帶噪圖像數(shù)據(jù)訓練基于神經(jīng)網(wǎng)絡盲去噪模型，利用訓練好的基于神經(jīng)網(wǎng)絡盲去噪模型對圖像進行去噪處理。

2.根據(jù)權利要求1所述的基于隨機重排和無標簽模型的隱式圖像盲去噪方法，其特征在于，通過以下公式獲取高頻信號h：

其中n表示具有先驗的P_j*的純噪聲，o表示包括噪聲信息和圖像細節(jié)信息的高頻信息，表示操作數(shù)的空間共存。

3.根據(jù)權利要求1所述的基于隨機重排和無標簽模型的隱式圖像盲去噪方法，其特征在于，對高頻信號進行預處理包括：

使用空間變換f將高頻信號h中帶有噪聲信息和圖像細節(jié)信息的高頻信息o進行打亂，從而得到無紋理細節(jié)的純噪聲，記為o’：

將空間變換函數(shù)f(·)應用于高頻信號h，即：

其中，h’表示多種混合噪聲信號；將n’視為純噪聲n，即：

檢索到多種混合噪聲信號h’后，將多種混合噪聲信號h’添加到干凈圖像x_c中，構造噪聲圖像x_h’，

其中x_c代表隨機的一張無噪圖像；

由于多種混合噪聲信號h’是局部的o’或純噪聲n，構造兩對圖像，得到θ去噪器，通過最小化從噪聲圖像中去除純噪聲n和o’

其中θ是去噪網(wǎng)絡的參數(shù)，P_j*是原始噪聲先驗，P_j′是圖像紋理經(jīng)過空間打亂后形成的新的噪聲的先驗，P^_j代表混合噪聲信號h’的噪聲先驗。

4.根據(jù)權利要求3所述的基于隨機重排和無標簽模型的隱式圖像盲去噪方法，其特征在于，空間變換f滿足以下兩個要求：

(1)f(n)＝n’；其中具有先驗的P_j*的純噪聲n和n’服從相同的分布P_j*；其中f(n)表示空間變換函數(shù)，n’表示輸入噪聲信號n經(jīng)過空間變換后的結果，P_j*表示圖像的原始噪聲分布；

(2)f(o)＝o’，其中o表示包括噪聲信息和圖像細節(jié)信息的高頻信息，o’表示從P_j’采樣的噪聲類型；f(o)表示空間變換函數(shù)，o’表示高頻信號o經(jīng)過空間變換后的結果，P_j’表示的o’噪聲分布。

5.根據(jù)權利要求1所述的基于隨機重排和無標簽模型的隱式圖像盲去噪方法，其特征在于，帶噪圖像數(shù)據(jù)的構建是將生成的的噪聲信號添加到干凈的圖像中，形成成對的訓練數(shù)據(jù)。

6.根據(jù)權利要求1所述的基于隨機重排和無標簽模型的隱式圖像盲去噪方法，其特征在于，所述基于神經(jīng)網(wǎng)絡盲去噪模型采用DnCNN-B網(wǎng)絡IRCNN。

7.根據(jù)權利要求1所述的基于隨機重排和無標簽模型的隱式圖像盲去噪方法，其特征在于，所述基于神經(jīng)網(wǎng)絡盲去噪模型采用IRCNN網(wǎng)絡。

8.根據(jù)權利要求1所述的基于隨機重排和無標簽模型的隱式圖像盲去噪方法，其特征在于，基于神經(jīng)網(wǎng)絡盲去噪模型的損失函數(shù)為：

其中表示N個成對的有噪聲的和干凈的訓練圖像，x_n表示帶噪圖像，x_c表示x_n對應的干凈圖像，l(θ)表示參數(shù)為θ時的損失函數(shù)，||·||²表示平方差。

9.根據(jù)權利要求1所述的基于隨機重排和無標簽模型的隱式圖像盲去噪方法，其特征在于，基于神經(jīng)網(wǎng)絡盲去噪模型的損失函數(shù)為L1距離。

10.根據(jù)權利要求1～9任一項所述的基于隨機重排和無標簽模型的隱式圖像盲去噪方法，其特征在于，對于合成噪聲的去除，采用高斯高通濾波器提取高頻信號h：

h＝x_n-GaussianBlur(x_n，σ_b)

其中σ_b是高斯模糊濾波器的標準差，x_n表示有噪聲的圖像。