[发明专利]一种基于深度卷积网络的高噪声图像去噪方法

权利要求书

1.一种基于深度卷积网络的高噪声图像去噪方法，包括：

步骤S1：数据集的选择，所述步骤S1可选择研究或实践所需的数据集；

步骤S2：对选择的数据集进行预处理，其中所述数据集是将所述步骤S1数据集内的大小为180*180的随机无噪声图像作为原始训练集，同时进行数据增强，得到128*1600张大小为53*53的样本图像，同时创建不同的噪声模型； 所述噪声模型包括加性高斯噪声，其中模型参数噪声标准偏差σ∈[0，60]；泊松噪声，其中模型参数噪声幅度λ∈[0,60]；乘性伯努利噪声，其中用p表示像素的损坏概率，则设定模型参数p∈[0,0.95]； 将从所述样本图像中选取一张图像送入所述的一种噪声模型中,即添加噪声分布操作，将所述所有样本图像进行所述添加噪声分布操作，得到经过加噪的训练集；

步骤S3：结合图像中的噪声类型，建立对称式扩充卷积残差网络：从第一层至倒数第二层均采用的方式是扩充卷积，其扩充因子(扩充因子是由尺寸大小为(2r+1)*(2r+1)的稀疏过滤器构成(r代表网络深度))分别设置为1，2，3，4，5，4，3，2，1； 其中在网络中的第一层，使用的扩充率大小为1，卷积核大小为1d*c，卷积核个数为32个，步长设置为1，使用的激活函数为Leakly ReLU(max(0.01x，x))； 其中，d代表扩充因子，c代表图像的通道数，x代表输入的特征；在网络中的第二至五层，使用的扩充率大小分别为2，3，4，5，分别使用2d*32大小的64个卷积核，3d*64大小的128个卷积核，4d*128大小的256个卷积核和5d*256大小的c个卷积核，步长设置为1，使用的激活函数为Leakly ReLU(max(0.01x,x))，在扩充卷积层和激活函数之间使用批量标准化方法，其中所述批量标准化的计算公式如下：

其中，γ和β表示可调参数，是经过γ和β调参后的K_norm的分布；

所述K_norm的定义如下：

其中，K_norm表示正则化结果，K表示网络中未经激活的神经元结点，μ和σ²分别表示样本的均值和方差，ξ表示极小的非零正数，目的是为了保证分母有意义； 该计算过程用在每个卷积层提取的图像特征上，对这些特征数据进行归一化处理，使网络各层可以学习相同的特征数据分布，提高收敛速度和训练效率；在网络中的第六至九层，使用的扩充率大小分别为4，3，2，1，分别使用4d*c大小的256个卷积核，3d*256大小的128个卷积核，2d*128大小的64个卷积核，1d*64大小的32个卷积核，步长设置为1，使用的激活函数为ReLU激活函数； 网络模型的最后一层使用卷积核大小为3*3的卷积； 具体地，该卷积层通过3*3*32的c(图像通道数)个卷积核及1*1的步长，实现特征图像的重构并进行输出；

步骤S4：将有噪声的图像和其对应的清晰标签图像送入所述的对称式扩充卷积残差网络，通过不断迭代求解最小化损失函数的值，学习到网络模型的最优参数，得到图像去噪网络模型，利用训练好的网络模型对噪声图像进行复原； 所述的网络模型根据残差学习的过程来训练残差映射，然后计算期望残差图像和预测残差图像之间的MSE(均方误差)：

其中，P表示干净标签图像，Q表示噪声图像，N表示样本对数量，R表示网络模型预测的噪声图像，w和b分别表示网络的权重参数和偏置项； 根据反向传播过程得到每层的误差，通过这些误差调整各层权重参数，完成网络模型的优化；所述损失函数要根据不同的图像噪声进行选择，其中加性高斯噪声采用的损失：

泊松噪声采用的采用L2损失：

乘性伯努利噪声采用的损失为：

其中，f表示去噪后的图像，X表示清晰标签图像，n表示训练批次的样本数量，w和h表示图像的宽和高，y_i表示实际值，表示网络的预测输出值，v为0或1的随机值。