[发明专利]一种细节保持图像去噪方法

说明书

本发明提出一种细节保持图像去噪方法。针对去噪后的图像由于大量缺失细节信息造成的模糊视觉效果和伪影现象，提出一种细节保持卷积神经网络（DRCNN）去噪模型。本方法包括如下步骤：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DRCNN的产生模块（GM）和细节保持模块（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（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。实验结果表明，DNCNN既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。

技术领域

本发明属于计算机视觉的图像处理领域，特别涉及一种细节保持图像去噪方法。

背景技术

随着计算机技术的不断发展，计算机性能不断提高，图像去噪技术作为低层视觉信息处理中的经典主题也取得了巨大的突破，如今，图像去噪在医学图像处理、卫星图像处理和监控图像处理等都有着广泛的应用。图像去噪也是一种富有挑战性的技术，对于去噪后的图像由于大量缺失细节信息造成的模糊视觉效果和伪影现象，已成为应用中亟待解决的问题。目前，利用先验知识设计的传统方法已经满足不了需求，因此卷积神经网络（Convolutional Neural Network，CNN）是如今图像去噪技术研究的重点和热点。

传统的图像去噪方法众多，但都具有以下特点：第一，需要人工选择特征，其过程复杂，图像去噪效果的优劣取决于研究人员的先验知识；第二，去噪后的图像容易产生模糊的视觉效果和伪影现象。

近年来，由于CNN具有比传统方法更好的表征能力，因此CNN在图像去噪领域中取得了重大突破，成为现如今最先进的图像去噪方法。CNN在图像去噪上的标志性突破是张等人在2017年提出的去噪卷积神经网络（Denoising CNN，DnCNN），它利用残差学习策略成功地避免了传统去噪算法中会存在的光晕、振铃或马赛克效应，获得了非常出色的去噪效果。稍显遗憾的是，噪声不可能被充分的学习，所学习到的残差图中不仅包含噪声，还包含图像细节信息，使得去噪后的图像细节信息严重缺失。

为解决此问题，研究者们进行了大量的尝试。比如，Chen等人通过展开固定数量的梯度下降推断步骤，提出了一个可训练的非线性反应扩散（Trainable NonlinearReaction Diffusion，TNRD）去噪模型，该模型在捕获图像所有结构特征时局限于某种特定形式的先验信息。Cha等人提出了一种全卷积自适应图像去噪网络，该网络使用了一种基于上下文的像素化映射的方法，保持了比TNRD模型更多的图像细节信息，但容易出现伪影现象。Chen等人基于生成对抗网络提出了一种盲去噪模型，该模型分为三个部分：噪声提取、噪声生成和用于区分噪声图像和去噪后的图像的对抗网络，这个模型可克服伪影现象，但它容易生成错误的图像细节信息。为了加强网络顶层特征的图像细节表征能力，Mao等人提出了深度卷积编码—解码去噪网络，该网络在卷积层和反卷积层之间设计跳线连接结构，此结构不仅提高了顶层到底层的梯度传播效率，还在一定程度上解决了特征传播过程中细节信息的缺失问题。上述方法都着重于尽量减少去噪时图像细节的丢失，而从未考虑过对已经丢失的图像细节进行修复，因此仍然不能有效的解决图像细节信息缺失的问题。综上所述，目前在图像去噪领域中兼顾去噪性能和细节信息保持仍然是一大难点。

发明内容

在实际图像去噪任务中，图像去噪的目的是去除图像中的噪声并最大程度地保持图像细节特征。因此本发明提供一种新的细节保持卷积神经网络（Detail RetainingConvolutional Neural Network，DRCNN）去噪模型，能够很好的兼顾去噪性能和细节信息保持。

本发明的技术解决方案包括如下步骤：

步骤1，分析一个最小化问题并构建数学模型；