[發明專利]一種基于算法展開的圖像去噪方法

在審

• 申請號: 202310369988.8
• 申請日: 2023-04-10
• 公開（公告）號: CN116385304A
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 曹飛龍;文成林;宋執環;張清華
• 申請（專利權）人: 廣東石油化工學院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/0464;G06N3/08
• 代理公司: 北京中安信知識產權代理事務所(普通合伙) 11248
• 代理人: 李彬;徐林

本發明屬于計算機視覺領域，特別涉及一種基于算法展開的圖像去噪方法。本發明將低秩矩陣恢復中的截斷核范數方法和圖像去噪相結合，并將其作為整體框架，將迭代算法的一次完整迭代作為深度展開網絡的一個階段；其次，用所構建的神經網絡，即A?net和B?net來學習迭代算法中所需的奇異值算子，解決奇異值分解SVD和奇異值閾值算法SVT在迭代算法中計算代價較高的問題，然后，將觀測到的含有噪聲的圖像和已知噪聲作為深度展開網絡的輸入，從第二個階段開始，輸入為上一階段的輸出，以此將多個階段連接起來，形成一個端到端的可訓練深度展開網絡，最后得到去掉噪聲的干凈圖像。

技術領域

本發明屬于計算機視覺領域，特別涉及一種基于算法展開的圖像去噪方法。

背景技術

圖像去噪是計算機視覺領域中的一個基本問題，目的是將含有噪聲的數字圖像恢復成干凈圖像。人們在采集、數字化和傳輸圖像的過程中，不可避免地受到成像設備和外部環境噪聲干擾等影響，從而降低圖像的視覺效果，導致所獲取的信息不準確，甚至錯誤。隨著計算機視覺、醫療診斷和安全監控等各種領域日新月異的發展，圖像去噪因其是大多數數字圖像處理的必要預處理步驟而備受關注。

目前，關于圖像去噪的方法主要有幾個大類：基于模型驅動的圖像去噪方法、基于數據驅動的圖像去噪方法和由模型和數據聯合驅動的算法展開方法。早期的基于模型驅動的圖像去噪方法是根據反映任務本質的數學原理設計的，因此具有高度可解釋性。比如加權核范數最小化方法，通過對不同奇異值賦予不同的權重來進行軟閾值操作，區別對待奇異值的貢獻。馬爾可夫隨機場通過圖結構得到聯合概率密度函數，優化直至一定最大循環次數，最終輸出近似最優解。但此方法存在比較明顯的弊端，除了在求解優化模型時需要花費較高的計算成本之外，比較簡單的優化方法往往降噪效果不佳。基于數據驅動的圖像去噪方法，例如去噪卷積神經網絡，已經取得了良好的去噪效果，但神經網絡通常作為一個黑箱來使用，它的弊端在于底層結構的可解釋性較弱。基于上述不同類型方法的局限性，由模型和數據聯合驅動的算法展開方法誕生了。它將傳統迭代算法和神經網絡結合起來，將迭代方法的每個步驟展開為網絡的一層。傳統迭代算法作為展開的整體框架，可提供強可解釋性以及理論依據。而神經網絡作為一個萬能逼近器，自然可以用來逼近傳統迭代算法里面難以實現或者計算代價高昂的步驟。為此，本發明的觀點在于構建一個由模型和數據聯合驅動的算法展開網絡，用以保證圖像去噪具有端到端網絡優越的性能和效率，同時又可以使網絡具有傳統算法的可解釋性。

發明內容

針對上述技術問題，本發明的目的是提供一種由模型和數據聯合驅動的基于算法展開的圖像去噪方法。此方法將低秩矩陣恢復中的截斷核范數方法和圖像去噪方法相結合，并將其作為整體框架；基于算法展開將其中的一個迭代步驟展開為相應的神經網絡模塊，用神經網絡來代替傳統迭代算法中難以實現或者計算代價高昂的奇異值分解和奇異值閾值步驟，其他步驟按照網絡中常用的操作符來實現。執行網絡的一個階段相當于傳統算法的一次迭代，通過網絡相當于執行有限次迭代算法，從而形成一個端到端的可訓練展開網絡。

為了實現上述目的，本發明提供了如下技術方案：

本發明的基本思路為：