[发明专利]一种基于卷积神经网络的联合图像去噪与弱光增强方法

权利要求书

1.一种基于卷积神经网络的联合图像去噪与弱光增强方法，其特征在于，包括如下步骤：

步骤1，设计残差学习卷积神经网络模型，该模型包括1个预处理模块与4个去噪增强模块和最后单通道输出部分；

其中，预处理模块包括两个分支，其中一个分支包括依次连接的4个卷积层，另一个分支包括一个卷积层，然后将两个分支的输出结果进行合并作为预处理模块的输出，每个卷积层之后连接一个激活层；

去噪增强模块包括自编码器和残差连接，自编码器包括8个处理层依次连接，分别是卷积层C1、池化层S1、卷积层C2、池化层S2、卷积层C3、上采样层U1、卷积层C4和上采样层U2，其中第一个卷积层C1和最后一个上采样层U2、第二个卷积层C2和倒数第二个上采样层U1、第二个池化层S2和第三个卷积层C3对应尺度跳跃连接，残差学习是对自编码器输出部分和经过卷积层C5、卷积层C6的结果直接相加，最后经过一个激活层；

步骤2，数据集选取与预处理，并设置该网络模型超参数与训练参数；

步骤3，根据设置的网络结构训练网络，端到端的从噪声弱光图像学习到去噪正常光照图像；

步骤4，将测试图像输入到训练好的网络模型中，得到去噪增强之后的图像。

2.如权利要求1所述的一种基于卷积神经网络的联合图像去噪与弱光增强方法，其特征在于：步骤1中所述预处理模块中的每一个卷积层的卷积核大小都是3×3，卷积核的个数是64，步长为1。

3.如权利要求1所述的一种基于卷积神经网络的联合图像去噪与弱光增强方法，其特征在于：步骤1中所述去噪增强模块中的卷积层C1、卷积层C2、卷积层C3、卷积层C4、卷积层C5、卷积层C6，其卷积核大小都是3×3，卷积核的个数是64，步长为1；池化层S1、池化层S2采用最大池化，步长为2；上采样层U1中卷积核大小为3×3，卷积核的个数是64，步长为1，上采样层U2中卷积核大小为3×3，卷积核的个数是64，步长为2。

4.如权利要求1所述的一种基于卷积神经网络的联合图像去噪与弱光增强方法，其特征在于：步骤2的具体实现方式如下，

选取在图像去噪增强领域常用的BSD500数据集总共500张不含噪声清晰的图像作为训练集中需要学习的图像，然后将这些图像通过添加噪声和光照变换的方式生成相应的噪声弱光数据集，图像预处理时通过滑窗法以61×61大小的窗口每隔一定像素截取原图ROI区域；其中，输入图像是分辨率为61×61大小分辨率的单通道图像，卷积填充方式选择为“VALID”，在训练过程中，每个周期训练5000个批次，每个批次含有16张61×61大小尺寸图像，以及对应的16张相同大小的干净正常光照图像，学习率选择为0.001，另外通过设置学习率的衰减速率为0.5，训练达到30个周期时学习率降低到10^-7，以保证学习到一个较好的效果。

5.如权利要求1所述的一种基于卷积神经网络的联合图像去噪与弱光增强方法，其特征在于：步骤3中训练网络时，反向传播过程中以最小化损失函数l为目标训练网络模型参数，具体实现方式如下；

设I_train和I_origin是一个训练数据对，I_train是噪声弱光图像，I_origin是原始无噪声的正常光照图像，I_train通过不断缩小与I_origin的差距来训练网络参数W和b；因此对训练图像I_train∈R³，在反向传播过程中以最小化损失函数l更新网络模型参数，同时l₂-norm作为正则化项以防止模型出现过拟合，损失函数的计算公式如下：

l₂正则化项表达式为：

其中l_s损失表达式如下：

其中，W和b分别表示训练权重和偏置，I_origin表示原始图像，n表示每一个批次训练图像数量，i表示第i张图像；(x,y)表示图像i对应像素点坐标，σ_x²与σ_y²分别表示图像i对应像素点(x,y)方差，μ_x与μ_y分别表示x和y的协方差，C₁，C₂分别为常数。