[發明專利]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

• 申請號: 202211076019.5
• 申請日: 2022-09-02
• 公開（公告）號: CN115482162B
• 公開（公告）日: 2023-10-24
• 發明（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

本發明公開了一種基于隨機重排和無標簽模型的隱式圖像盲去噪方法，包括以下步驟：首先，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；其次，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據；最后，將帶噪圖像數據訓練基于神經網絡盲去噪模型，利用訓練好的基于神經網絡盲去噪模型對圖像進行去噪處理。

技術領域

本發明屬于底層圖像信號處理的噪聲圖像盲去噪領域，具體涉及一種基于隨機重排和無標簽模型的隱式圖像盲去噪方法。

背景技術

隨著社會生活水平的提高和科學技術的高速發展，消費者們對照相的要求越來越高，傳統的照相已經無法滿足廣大消費者了，于是出現了各式各樣的照片潤色程序。在很多可以進行照片潤色的應用程序中，人們通常想要自拍照更清晰的同時保留頭發等細節。然而，由于環境條件的多樣性和傳感器的不確定性等多重因素使得圖像的噪聲信息并不總是有用。例如，夜晚戶外拍照通常會由于光線條件較差產生更高水平的噪聲。同樣，網絡共享的圖像往往會缺少攝像頭信息，這就使得不知道噪聲的類型。為了通過減少附加噪聲，從其噪聲觀測中恢復給定的清晰圖像，就必須對攝像和許多計算機視覺任務進行圖像去噪。

圖像去噪是為了提高人類可視體驗移除圖像噪聲的任務。圖像去噪已經研究了幾十年，由于傳統的圖像去噪方法大多把標準差作為噪聲評估的參考，因此只有極少數的方法是針對圖像盲去噪。但事實上，相同標準差的噪聲，其類型并不一定也相同。例如，用iPhone拍出來的圖片，就因為環境的多樣性、傳感器的不確定性導致不知道它的噪聲信息是怎樣的。因此，圖像盲去噪方法的研究具有深遠意義。

隨著深度神經網絡進入人們的視線，基于鑒別學習的方法，如從噪聲建模到盲圖像去噪、學習深度卷積神經網絡去噪進行圖像恢復等被提出，盡管這些方法并不完美，但它們提供了在具有帶噪與無噪的訓練圖像對的情況下卓越的去噪方案。然而，在現實世界中，無噪的圖像對往往難以獲得，而帶噪的圖像卻很容易就可以在網絡上獲取，提出的技術可以直接從帶噪圖像中提取噪聲模型并用于生成帶噪和無噪的訓練數據對。與本發明方法相似的是，基于對抗生成式網絡的盲去噪器(GCBD)提出了一種新的GAN噪聲模型架構，可以通過構造訓練數據對以實現更為精確的圖像恢復。基于“零次學習”的超分辨率(ZSSR)進一步證明了該模型本身能夠從有限數量的真實樣本中學習有價值的知識，通過建立一個魯棒的真實噪聲采樣和建模框架，而不是擬合人工產生的噪聲，來探索圖像盲去噪。

由于卷積神經網絡的學習能力和能夠從網絡中獲取大量的訓練數據，基于判別式學習的圖像去噪方法取得了各種公共用途圖像去噪數據集(含有有噪聲的圖像和其相應的無噪聲圖像)的最佳結果。然而，在日常生活中，如果沒有經過小心謹慎的預處理和后處理，是難以收集到理想的無噪聲圖像的。其次，額外的先驗和人類知識在去除給定的噪聲圖像中的噪聲上起著至關重要的作用，這些先驗和知識在一定程度上限制了現有方法的建模能力。這些存在的障礙如何構造這樣成對的圖像訓練數據是需要解決的問題。在涉及無標簽學習時，生成對抗網絡成為了一種流行趨勢。中山大學J.Chen等人在其論文“基于盲圖像去噪與生成對抗網絡的噪聲建模”中提出一種事先不知道噪聲的概率模型，實現對圖像中的噪聲消除，通過GAN對噪聲分布進行建模，獲得建立的模型生成噪聲樣本，與干凈的圖像構成訓練數據集，訓練網絡實現盲去噪。然而，如果沒有正確的指導，通過GAN生成的圖像往往由于視覺上的觀感不佳和細節上的錯誤導致PSNR和SSIM較低使得去噪性能降低。

發明內容

本發明目的在于提出一種基于隨機重排和無標簽模型的隱式圖像盲去噪方法和無標簽圖像盲去噪框架，為了實現圖像盲去噪，本發明能夠直接從噪聲圖像中提取隱式噪聲模型，并將其施加于無噪聲圖像從而成大量的帶噪圖像，構造出可用于訓練神經網絡的帶噪與無噪圖像對，最后用構造的圖像對訓練基于神經網絡的圖像去噪器。與很多需要明確建模噪聲的傳統圖像去噪方法相比，本發明在隱式嵌入給定噪聲圖像的噪聲模型上取得了進步，能夠促進在圖像相關應用上的圖像數據感知。

本發明至少通過如下技術方案之一實現。