[发明专利]基于U-Net融合保留细节的图像去噪方法

说明书

本发明涉及一种基于U‑Net融合保留细节的图像去噪方法，该方法包括以下步骤：步骤A：设置两种不同的去噪参数进行去噪，获得对应两种不同去噪参数的初始去噪结果图像；步骤B：分别将初始去噪结果图像，以及无噪声图像分成图像块，获得图像块对训练集；步骤C：使用步骤B获得的图像块对训练集，训练基于U‑Net的图像融合深度网络，获得对应特定噪声幅度的基于U‑Net图像融合模型；步骤D：对于噪声图像，首先获得对应步骤A的不同去噪参数的去噪结果，然后输入到步骤C训练好的基于U‑Net图像融合模型中进行融合，获得最终的去噪结果。这种方法可以有效优化图像去噪方法的去噪效果，在去除噪声的同时保留更多的图像细节。

技术领域

本发明涉及图像和视频处理以及计算机视觉领域，具体涉及一种基于U-Net融合保留细节的图像去噪方法。

背景技术

现如今，各种高新科学技术飞速发展，多媒体时代到来，电子产品大量普及。图像作为一种可以传递大量信息的优质载体，获得了越来越多的关注。图像中的信息可以经由视觉系统直接传递，但由于各种电子设备、传输媒介、人为干扰等因素，图像从获取、传播到存储的过程中不可避免地存在噪声干扰，妨碍人们对图像信息的获取。因此，研究为噪声图像去噪，使得去噪后的结果图像与原始无噪声图像相接近的方法，是十分重要的研究课题，这一课题称为图像去噪，已经吸引了众多研究人员。图像去噪被广泛应用于图像处理领域，是必不可少的预处理操作，例如图像边缘检测、图像分割、特征提取、显著性检测等。

图像去噪方法根据是否使用噪声标准差作为去噪参数分为图像盲去噪和图像非盲去噪。在现实当中图像的噪声标准差通常是未知的，神经网络具有强大的建模能力，一些方法可以学习得到单个的模型用于盲去噪，图像的盲去噪方法不依赖于噪声标准差可以广泛应用于现实场景。然而在图像噪声标准差反映图像噪声强度这一领域知识的驱动下，图像非盲去噪方法基于噪声标准差设置去噪参数使得去噪方法在处理不同强度的噪声图像时更具针对性。去噪参数的设置是图像非盲去噪方法性能的重要影响因素之一。由于现有的图像去噪技术通常直接设置去噪参数等于噪声标准差的值来处理整张图像，而适合的去噪参数并不总是完全等同于噪声标准差，图像细节较多的区域适用的去噪参数往往小于图像细节较少的区域，所以现有技术常常导致图像细节丢失过多。特别地，当图像具有较大的噪声时，噪声与图像细节相混淆，甚至连人眼也无法区分，此时现有的图像去噪技术常将大量的图像细节误认为噪声去除，导致去噪后的图像过渡平滑。

发明内容

本发明的目的在于提供一种基于U-Net融合保留细节的图像去噪方法，由于对应不同去噪参数的去噪结果图像中包含有不同的图像信息，本发明通过将对应不同去噪参数的去噪结果进行融合，有效提高了图像去噪方法的性能以及图像质量。

为实现上述目的，本发明的技术方案是：一种基于U-Net融合保留细节的图像去噪方法，包括以下步骤：

步骤A：以无噪声图像作为原始训练集，对原始训练集进行加入噪声的处理，获得噪声幅度为σi的噪声图像，分别设置两种不同的去噪参数进行去噪，获得对应两种不同去噪参数的初始去噪结果图像，其中一种去噪参数为σ，另一种去噪参数为缩小后的标准差σ′；

步骤B：分别将步骤A获得的两种不同去噪参数的初始去噪结果与原始无噪声图像分成若干个大小为n×n的图像块，获得不同噪声幅度σi下的两种不同去噪参数的初始去噪结果图像块和无噪声图像块组成的图像块对训练集；

步骤C：使用图像块对训练集训练基于U-Net的图像融合深度网络，获得对应特定噪声幅度的基于U-Net图像融合模型；

步骤D：对于噪声幅度为σi的图像，首先获得对应步骤A的不同去噪参数的去噪结果，然后输入到训练好的基于U-Net图像融合模型中进行融合，获得最终的去噪结果。

进一步地，所述步骤A中，对原始训练集进行加入不同幅度的噪声的处理，并以噪声标准差σ和缩小后的标准差σ′，分别作为去噪参数，采用基于深度残差学习的去噪网络进行去噪，获得不同去噪参数的初始去噪结果图像集合。