[发明专利]一种基于持续性记忆密集网络的图像高效去噪方法

说明书

本发明涉及基于持续性记忆密集网络的图像高效去噪方法，属图像处理领域。本发明首先选取训练集、验证集及测试集，并进行预处理，得到带噪声的退化块与不带噪声的清晰块；通过浅层特征抽取模块、持续性记忆密集网络模块、内层嵌套网络模块和残差求值模块对带噪声的退化块进行处理，得到预估去噪块；使用网络输出的预估去噪块与已知不带噪声的清晰块计算均方误差，以进行损失值度量；从网络末端开始，使用Adam算子求权值梯度值并更新网络参数；待网络收敛后训练终止并获得去噪模型；在训练好的去噪模型输入含高斯噪声图像得到去除噪声的图像。本发明在不破坏原图像纹理边缘信息的情况下，能以较高精度处理自然图像中存在的高斯白噪声。

技术领域

本发明涉及一种基于持续性记忆密集网络的图像高效去噪方法，属于图像处理技术领域。

背景技术

图像去噪是计算机视觉中的一个经典基本问题，该问题在学术研究以及工业应用中均获得了广泛关注。去噪的目标是从一个含噪图像y＝x+n中恢复出清晰图像x，其中的噪声n常被假设为加性高斯白噪声。从贝叶斯分析的角度看，在似然值已知的条件下，图像的先验模型对去噪起到相当关键的作用。在过去的数十年里，去噪方法已囊括了大部分的图像先验，包括非局部自相似性模型，稀疏模型，梯度模型和隐马尔科夫域模型等，其中基于自相似模型的方法，如BM3D等的去噪效果均表现良好。

然而，基于先验方法的去噪模型存在的一个明显不足之处在于，测试阶段需要较长的时间进行优化计算，并且鉴于原有技术基础理论突破有限，图像的去噪性能已到达瓶颈阶段，要进一步大幅度提高复原效果正变得越来越难。同时，由于去噪模型为非凸问题，优化过程中涉及到的一些参数需要进行手动设定，这也进一步约束了去噪性能的进一步提高。近几年来，随着深度学习技术在图像分类、识别等工程领域接连出现较大突破，学术界正试图结合使用深度卷积网络来进行图像去噪，并在探索过程中引入了一些性能突出的算法。

2008年，Viren Jain等人提出使用卷积网络的方法(Natural Image Denoisingwith Convolutional Networks，简称CN1)来进行自然图像的去噪，该方法结合特定的噪声模型来生成训练样本，通过训练，获得了优于基于小波方法和基于马尔科夫随机场的相关方法，在盲去噪中的性能与其他基于非盲设定的模型不相上下。作者认为，基于卷积网络与基于马尔科夫随机场(MRF)的方法在数学表示上有一定的联系，但MRF方法在概率模型的参数估计和推断中占用了大量的计算资源。卷积网络的方法则避免进行密度估计的统计分析，而是将去噪过程转化为回归分析问题。2012年，Xie Junyuan等人提出堆叠稀疏噪声自编码方法(Stacked sparse denoising auto-encoder architecture，简称SSDA)，该方法结合使用稀疏编码和深度网络来进行图像去噪，其中深度网络使用预训练的去噪自编码来进行初始化。与CN1的训练过程相似，SSDA逐层增加网络隐藏层，并利用前面多层的权重参数来初始化下一个隐藏层的初始参数值。而在每增加一个隐藏层后，引入KL散度来计算当前所有层状态下模型的损失值，即通过使用较小的对数权重来使隐藏单元的均值激活值尽可能趋于零从而达到稀疏的效果。以上两种方法的网络是逐层训练的，并且网络的权重初始值并非自动生成，而是在每层内部都需要人为干预，该做法会在一定程度上约束原模型性能的达到最优值，并且整体的训练过程费时。同时，模型的构造都是全连接网络上的逐层堆叠，这将促使生成模型的总体参数在网络深度较浅时也异常大。