[发明专利]一种基于并行特征提取的CNN去噪方法

说明书

本发明公开一种基于并行特征提取的CNN去噪方法，包括六步：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。本发明能较彻底的去除噪声，能很好的保留图像的纹理信息，且显著提高客观指标PSNR和SSIM。

技术领域

本发明涉及图像去噪领域，尤其涉及一种基于并行特征提取的CNN去噪方法。

背景技术

现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。图像去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。

目前图像去噪的经典方法有很多，但大致可以分为两类，一类是基于空间域滤波，如均值滤波、中值滤波等等；另一类是基于变换域滤波，如高斯尺度混合模型中的贝叶斯最小二乘法。现有的去噪算法，有的在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息；或者致力于研究检测图像边缘信息，保留图像细节，却未在全局范围内滤波，也没有考虑到自然图像块与块之间的联系性。因此现有方法整体获得的去噪效果不尽人意。

为了解决传统去噪方法存在的问题，神经网络被用于图像去噪。专利“一种CNN-LMS图像噪声的智能滤波方法及系统”(专利号：201810128238.0)，公开了一种通过在LMS自适应滤波系统中嵌入CNN智能控制模型，调节LMS自适应滤波系统参数，对图像噪声进行滤波或抑制，以去除图像噪声获取滤波图像的方法。专利“一种基于压缩型卷积神经网络的图像去噪方法”(专利号：201710286383.7)，公开了一种将原始的去噪卷积神经网络的卷积层替换成了经由低秩矩阵分解压缩后的卷积层，并进行图像去噪的方法。专利“一种基于ReLU卷积神经网络的图像去噪方法”(专利号：201610482594.3)，公开了一种基于ReLU卷积神经网络模型的实时去噪方法。它们与本发明设计不同之处在于：

(1)本发明中设计了两路并行的MPFE特征提取模块。

(2)本发明使用密集连接将底层提取的特征前向传递到更高层。

(3)本发明将底层提取的特征和MPFE特征提取模块提前的不同尺度的特征融合，从而使提取到的特征最大程度的表征图像信息。

本发明与“一种CNN-LMS图像噪声的智能滤波方法及系统”、“一种基于ReLU卷积神经网络的图像去噪方法”和“一种基于ReLU卷积神经网络的图像去噪方法”相比，其优点为：

(1)本发明在每个卷积层之前进行了补零操作，保证不改变图像的大小，能够尽可能的保留图像的边缘信息。

(2)本发明使用了5个特征提取模块MPFE，它是一个两路并行的网络，分别使用不同的卷积核提取不同的特征，便于实现高质量去噪。

(3)本发明使用密集连接将不同深度提出的图像特征连接在一起，经过特征融合和后，保证网络充分利用图像的各种特征学习输入和输出之间的映射关系。

本发明的目的在于提供一种高质量的图像去噪方法，在去噪的同时尽可能的保留图像的边缘信息和细节信息。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于多尺度并行CNN的图像去噪方法，以提高图像的去噪效果。

本发明涉及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：