[发明专利]一种基于并行特征提取的CNN去噪方法

权利要求书

1.一种基于并行特征提取的CNN去噪方法，其特征在于，具体按照以下步骤进行：

步骤一，搭建并行特征提取的CNN去噪网络模型；

步骤二，初始化CNN去噪网络模型的训练参数；

步骤三、构建训练集；

步骤四，设计损失函数，并以最小化损失函数为目标来训练CNN去噪网络模型，得到CNN去噪模型；

步骤五，将噪声图像作为CNN去噪模型的输入，其输出即为网络模型学习到的噪声信息；

步骤六，用噪声图像减去步骤五学习到的噪声信息，即可得到去噪后的干净图像；

所述步骤一中，搭建的并行特征提取的CNN去噪网络模型包含5个特征提取模块MPFE，它是一个两路并行的网络，一边是3×3串联5×5的卷积核，另一边是5×5串联3×3的卷积核，最后将两路进行特征融合，MPFE的数学模型为，

其中n＝1,2,…,5，ω和b分别代表权重和偏置，上标表示所在的层数，下标代表卷积核大小，d表示输入通道，MP_nI和MP_nO表示第n个MPFE的输入和输出，[MP_nI,A₂,B₂]表示特征的串联操作。

2.根据权利要求1所述的一种基于并行特征提取的CNN去噪方法，其特征在于，所述搭建的并行特征提取的CNN去噪网络模型包含的5个特征提取模块MPFE中，第一个和第二个MPFE的输入的数学模型为，

其中上下标的含义与公式(1)中的相同。

3.根据权利要求1所述的一种基于并行特征提取的CNN去噪方法，其特征在于，所述步骤一中，搭建的并行特征提取的CNN去噪网络模型包含22个卷积层，卷积核的大小为3×3或1×1，其中3×3卷积核后面均有一个激活函数为ReLU的激活层，CNN去噪网络模型的数学模型为，

其中上下标的含义与公式(1)中的相同。

4.根据权利要求1所述的一种基于并行特征提取的CNN去噪方法，其特征在于，所述步骤二中，CNN去噪网络模型的训练参数具体设置为：共训练75代，使用Adam作为优化器，学习效率的初始值设置为0.001，每隔10代下降一半，每一代中的batch_size设置为64，steps_per_epoch设置为2000。