[发明专利]基于多尺度卷积组与并行的卷积神经网络图像去噪方法

说明书

本发明公开了基于多尺度卷积组与并行的卷积神经网络图像去噪方法，具体为：步骤1、准备训练集，选择合适的数据集作为训练集中的原始图像，并对其进行预处理操作，采用高斯白噪声模拟真实噪声并加入到原始图像中，作为与之对应的噪声图像；步骤2、构建网络模型，结合多尺度卷积组与并行的卷积网络方式搭建网络模型；步骤3、根据步骤2中所构建的网络模型设置网络的超参数、损失函数和优化算法；步骤4、进行网络训练，使用步骤2中的构建网络模型来分别训练单噪声训练集和多噪声训练集，来得到多个与训练集相对应的网络模型；步骤5、测试网络性能。该方法在消除噪声的同时可以保留更多的图像轮廓和纹理细节。

技术领域

本发明属于图像处理方法技术领域，具体涉及一种基于多尺度卷积组与并行的卷积神经网络图像去噪方法。

背景技术

随着数字信息时代的到来，尤其是计算机技术的不断发展和图像数字化设备普及的提高，人们收到的多媒体信息很大一部分为图像的视觉信息。但是在图像数字化传输的过程中，不可避免的会收到噪声的污染，这样会使得图像质量的恶化，污染后的图像不仅对人们视觉上的识别造成影响，也会给计算机识别带来很大的负面影响，影响图片的可读性。图像去噪的目的就是减少或者消除噪声对图像的影响，从而获得高质量的图像。

传统的图像去噪主要分为两大类：一类是空间滤波去噪，另一类是频率域滤波去噪。这两类方法的主要思想是利用图像相邻像素的相关性，它们在处理简单噪声情况下是有效的，但是它们存在严重的缺陷：采用邻域均值的方式必定会平滑图像的边缘、细节等重要的特征。随后有人提出利用模型优化方法，从贝叶斯观点出发，很多模型被建立用来获取图像的先验知识，比如，非局部自相似模型(NSS)，稀疏模型和梯度下降模型，其中表现优越性能的有：基于块匹配的3D滤波(BM3D)去噪方法，K奇异值分解方法以及贝叶斯最小二乘去噪方法等。尽管上述方法可以处理图像去噪问题，并能取得较好的的效果，但是它们普遍存在以下两个缺点，一是这些方法的优化比较复杂，在进行测试时十分消耗时间，很难在低耗时的情况下高效恢复出原图像；二是这些方法都需要人为的调节参数，具有很大的不确定性和人为性，导致获得很好的去噪结果比较难。

随着深度学习的发展，其在语音、图像、自然语言等领域取得了显著的发展，比如多层感知机网络、栈式稀疏去噪自编码网络、深度置信神经网络网络等都被应用于图像去噪中。随后出现的卷积神经网络是一种权值共享的网络结构，与深度学习的其他网络相比，具有较少的可调参数，降低了学习的复杂度；卷积网络在处理二维图像时，对平移、倾斜、缩放以及其他形式的形变具有高度不变性。结合卷积网络的优点，提出了一种关于卷积神经网络的去噪方法。

发明内容

本发明的目的是提供一种基于多尺度卷积组与并行的卷积神经网络图像去噪方法，该方法首先对搭建好的网络进行训练，之后训练好的网络可以较好的完成图像去噪的工作，在消除噪声的同时能够保留更多的图像轮廓和纹理细节。

本发明所采用的技术方案是，基于多尺度卷积组与并行的卷积神经网络图像去噪方法，具体按照以下步骤实施：

步骤1、准备训练集，选择合适的数据集作为训练集中的原始图像，并对其进行预处理操作，采用高斯白噪声模拟真实噪声并加入到原始图像中，作为与之对应的噪声图像；

步骤2、构建网络模型，结合多尺度卷积组与并行的卷积网络方式搭建网络模型；

步骤3、根据步骤2中所构建的网络模型设置网络的超参数、损失函数和优化算法；

步骤4、进行网络训练，使用步骤2中的构建网络模型来分别训练单噪声训练集和多噪声训练集，来得到多个与训练集相对应的网络模型；

步骤5、测试网络性能。

本发明的特点还在于，

步骤1具体包括以下步骤：