[发明专利]一种深度非对称跳跃连接的图像降噪方法

说明书

本发明公开了一种深度非对称跳跃连接的图像降噪方法，包括：随机裁切训练图片，并对副本添加噪声信息，形成训练样本；设计非对称跳跃连接深度神经网络，其中包含非对称跳跃连接层；确立非对称跳跃连接层各自的权重因子；进行训练与降噪。构建了一种非对称跳跃连接模型，以进行图像降噪。这种端到端的图像降噪网络能够在简化操作的同时保证降噪效果，对后期的图像理解、检测、分割、识别等任务有良好的作用。

技术领域

本发明属于计算机视觉领域，是图像处理领域中的一项重要应用，尤其是涉及一种深度非对称跳跃连接的图像降噪方法。

背景技术

图像降噪的目标是基于图像已有信息，还原图像中的噪声部分并去噪。目前深度神经网络在计算机视觉与图像处理的任务中发挥着越来越大的作用，一种端到端的图像降噪网络能够在简化操作的同时保证降噪效果，这对后期的图像理解、检测、分割、识别等任务有良好的作用。

伴随国民经济的快速增长，人民生活水平日益提高，数码产品生成的图片成爆炸性增长。在很多场景下图片识别面临因为模糊噪声等问题，使得图片不好的情况。因此找到一种有效的降噪识别方法将会在一定程度上提升准确率，更好的进行图片处理工作。

目前比较流行的全卷积网络在中间卷积层与反卷积层中有很多是没有跳跃连接的，这使得图像在训练学习、梯度反传的过程中，噪声会逐渐被消除或者逐级降低，从表象上来看图像的细节可能会丢失，这对于图像降噪来说是负面的。因此一种用于图像降噪的非对称连接深度神经网络，结合卷积和反卷积操作，通过学习真实图像与训练图像的残差分布，来对图像进行降噪是有意义的。

我们提出的非对称跳跃连接的图像降噪方法有助于获得更好的效果，在一定程度上能够防止梯度消失并且加速训练。

发明内容

本发明提出了一种深度非对称跳跃连接的图像降噪方法。该方法以深度卷积神经网络为基础，结合了残差学习、网络非对称跳跃连接、连接层之间的高斯权重分布等技术，较为准确的进行图像降噪工作，该方法可以在不同场景下有效的进行工作。

其技术解决方案是：

一种深度非对称跳跃连接的图像降噪方法，所述方法包括：

步骤1)，随机裁切图片，并对裁切后图片的副本添加噪声信息，形成训练图片，训练图片的集合构成训练样本；

步骤2)，设计非对称跳跃连接深度神经网络，其中包含非对称跳跃连接层；

步骤3)，确立非对称跳跃连接层各自的权重因子；

步骤4)，进行降噪图片训练；

步骤5)，训练完成后会得到训练模型，以此为基础进行模糊图片降噪。

步骤1)中，固定大小窗口对图像进行随机位置的裁切，并分别添加高斯噪声、椒盐噪声、扫描线干扰或像素化干扰信息。

步骤1)中，训练图片对应的标签图片为没有经过处理的裁切后的原始图。标签图片的集合构成标签样本，标签样本与训练样本一一对应。

所述步骤2)的非对称跳跃连接深度神经网络模型中，包含较多的图像卷积和反卷积操作。

所述步骤2)的非对称跳跃连接深度神经网络模型中，采用图像卷积层非对称跳跃连接图像非卷积层的方式。

所述步骤3)中，采用高斯分布的权重分配对各非对称跳跃连接层进行量化。

所述步骤4)中，降噪图片训练方式是经典的深度学习训练方法。

本发明中，结合深度非对称神经网络和大数据训练，使该降噪方法能够适应多种场景。