[发明专利]一种细节保持图像去噪方法

权利要求书

1.一种细节保持图像去噪方法，主要包含以下五个步骤：

步骤1，分析一个最小化问题并构建去噪数学模型；

步骤2，搭建细节保持卷积神经网络（Detail Retaining Convolutional NeuralNetwork，DRCNN）的产生模块（Generation Module，GM）和细节保持模块（Detail RetentionModule，DRM）；

步骤3，利用GM学习图像的噪声，并与噪声图像减相减获得中间特征图（IntermediateFeature Maps，IFM）；

步骤4，利用DRM学习IFM所损失的细节信息，并与IFM相加获得去噪后的图像；

步骤5，将实验结果与目前先进的图像去噪方法作比较分析。

2.根据权利要求1所述的方法，其特征在于，步骤1从一个最小化问题出发，从理论上分析出细节缺失的原因，再推导出如何重新学习到这部分缺失的细节信息的数学模型：

是代价函数，θ表示需要学习的参数，N是学习时噪声图像的数量，y_i是任意一张输入噪声图像，x_i是干净图像，和是残差噪声特征图和预测出的图像细节信息，||e||²表示求向量e的所有元素的平方和，包括n和两种映射。

3.根据权利要求1所述的方法，其特征在于，步骤2根据步骤1推导出来的数学模型设计DRCNN网络结构中的GM和DRM，由于批量归一化（Batch Normalization，BN）层会归一化噪声且消除网络灵活性，为了获得更好的去噪效果，移除了BN层。

4.据权利要求1所述的方法，其特征在于，步骤3利用GM学习图像的噪声，并与噪声图像减相减获得中间特征图（IFM），步骤4利用DRM学习IFM所损失的细节信息，并与IFM相加获得去噪后的图像，这样整个网络形成了一种产生-保持（Generation - Retention，GR）模式，即DRCNN去噪模型，该模型不但能有效保持图像细节信息，表现出突出的视觉效果，同时还具有很强的泛化能力，可扩展到超声和激光图像等真实图像去噪任务中。