[发明专利]一种基于深度卷积网络的高噪声图像去噪方法

说明书

本发明涉及一种基于深度卷积网络的高噪声图像去噪方法。本方法首先采用递增扩充卷积、批量标准化操作和Leakly ReLU函数对含有噪声的图像进行特征的提取；然后对图像进行恢复，采用的是递减扩充卷积和ReLU激活函数的结合的方式；接着通过残差学习和批量标准化操作的结合实现网络模型对图像噪声和内容的分离；最后通过求解最小化损失函数的值(针对不同的噪声分布采用不同的损失函数)，学习到网络模型最优的权重参数；最终可以利用训练好的网络模型对噪声图像进行去噪。本发明能够有效地去除高噪声环境下的图像噪声，改善图像的视觉效果，具有较好的实用性。

技术领域

本发明涉及图像处理和计算机视觉领域，主要涉及深度学习领域的图像去噪方法，特别是基于深度卷积网络的高噪声图像去噪方法。

背景技术

随着深度学习，特别是卷积神经网络在图像特征提取和识别等领域的成功运用，为图像的去噪问题提供了新的方向，尤其是高噪声环境下的图像去噪问题。相较于传统的经典图像去噪方法，基于深度卷积网络的去噪方法具有更强大的学习能力，通过利用大量的噪声图像样本数据进行训练，能够有效地提高网络模型对不同噪声分布和不同噪声水平的适应能力，拥有更佳的去噪泛化能力。在2012年，Xie等人将堆叠稀疏去噪自编码器方法应用于解决高斯噪声的消除上，并且实现了与K-SVD(一种字典学习算法)相当的去噪效果；2016年，Chen等人提出一个可训练的非线性反应扩散模型TNRD，该模型通过展开固定数量的梯度下降前馈深度网络从而提高了图像的去噪性能；2017年，Zhang等人提出了一种基于深度学习的去噪模型DnCNN，该方法采用训练单一的去噪模型实现图像的去噪任务，同时对未知噪声水平的图像也有较好的去噪效果，并且该网络模型通过实验证明了其去噪性能和效率均优于经典的去噪方法BM3D算法。

上述的图像去噪方法在训练集、训练的目标和特征选择上不尽相同，在低噪声的环境下也能取得不错的去噪效果。但是，这些方法在高噪声环境下的去噪效果却不太理想。为了进一步优化高噪声环境下的图像去噪效果，提出一种对称式扩充卷积残差网络的图像去噪方法。

发明内容

本发明提出一种对称式扩充卷积残差网络图像去噪方法，该方法首先通过对称式结构的卷积网络，对输入的噪声图像进行特征的选择和提取，然后对提取的图像特征进行重构，最后通过残差学习和批量标准化的结合实现噪声和图像内容的有效分离，并输出与原始图像大小相同的残差图像。其中，该方法使用的批量标准化操作有效的解决了网络内部协变量转移的问题，同时采用的对非卷积后的图像进行零填充的操作降低了图像的边界伪影问题，对降噪性能和成像质量有显著的提升。

本发明采用如下技术方案：

一种基于深度卷积网络的高噪声图像去噪方法，具体包含以下步骤：

步骤S1：数据集的选择；

步骤S2：对选择的数据集进行预处理；

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；

步骤S4：将有噪声的图像和与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，得到图像去噪网络模型；

步骤S5：通过求解最小化损失函数的值，学习到网络模型的最优参数，利用训练好的网络模型对噪声图像进行复原。

进一步地，步骤S2具体包括以下步骤：

步骤S21：将数据集内的大小为180*180的无噪声图像作为原始训练集，同时对其进行数据增强，得到128*1600张大小为53*53的样本图像；

步骤S22：创建不同的噪声模型，根据需求对数据集添加不同的噪声；

进一步地，步骤S22具体包括以下步骤：