[发明专利]基于深度学习的图像多级去噪方法

权利要求书

1.一种基于深度学习的图像多级去噪方法，其特征在于，包括如下：

(1)构建上采样模块U和下采样模块D：

对图像超分辨重建网络DBPN中上采样、下采样单元进行改进，即在上、下采样单元内部每个具有下采样功能的卷积层和每个具有上采样功能的反卷积层后均添加一个用于进一步提取图像特征的卷积层，构建出上采样模块U和下采样模块D；

(2)构建菱形模块C：

将一个上采样模块U与一个下采样模块D相串联构成上路；

用一个卷积层构成中路；

用一个下采样模块D与一个上采样模块U相串联构成下路；

将所述上、中、下三路并联连接组成菱形模块C；

(3)构建V形子网：

将两个菱形模块C相串联构成一个正常路径；

将一个图像下采样卷积层、两个卷积层和一个图像上采样卷积层进行串联连接构成一个低分辨率路径；

将一个正常路径和一个低分辨率路径并联连接构成一个V形子网；

(4)构建去噪网络MSDN：

4a)将一个卷积层、两个残差结构和一个卷积层依次串联，组成噪声图像特征提取组件；

4b)将M个V形子网进行密集连接组成多级特征提取组件，M最小取2；

4c)将一个多通道的卷积层和一个单通道的卷积层相串联，组成干净图像重建组件；

4d)由噪声图像特征提取组件、多级特征提取组件和干净图像重建组件依次串联后，用噪声图像特征提取组件的输入减去干净图像重建组件的输出，组成残差学习结构；

4e)将噪声图像特征提取组件、多级特征提取组件和干净图像重建组件依次串联后，再并联残差学习结构，构成去噪网络MSDN；

(5)构建损失函数：

用去噪网络MSDN中前M-1个V形子网输出图像与不含噪声的原始干净图像的均方误差和第M个V形子网输出图像与不含噪声的原始干净图像的平均绝对误差的均值，构建该去噪网络的损失函数Loss，并将每个V形子网的输出接入到该损失函数；

(6)对原始干净图像添加高斯噪声得到训练图像，将该训练图像输入到去噪网络MSDN中对其进行训练直到损失函数收敛，得到训练好的MSDN网络；

(7)将待去噪图像输入到(6)中训练好的MSDN网络进行图像去噪处理，输出去噪后的图像：

(7a)噪声图像特征提取组件通过第一个卷积层将待去噪图像从单通道变为多通道，之后依次经过两个残差结构和一个卷积层对多通道待去噪图像进行特征提取，得到噪声图像特征提取组件的输出P1；

(7b)多级特征提取组件对噪声图像特征提取组件的输出P1通过其M个V形子网的正常路径的菱形模块C对图像进行多级特征提取，同时通过M个V形子网的低分辨率路径对图像进行浅层特征提取，得到多级特征提取组件的输出P2；

(7c)干净图像重建组件对多级特征提取组件的输出P2依次通过一个多通道卷积层和一个单通道卷积层后将P2由多通道图像重建为单通道图像，该单通道图像即为干净图像重建组件的输出P3；

(7d)残差学习结构用待去噪图像减去干净图像重建组件的输出P3得到去噪网络MSDN的输出，即去噪后的图像。

2.根据权利要求1中所述的方法，其特征在于，4a)中的每个残差结构，由两个卷积层串联后并联一个跳跃连接层组成。

3.根据权利要求2中所述的方法，其特征在于，所述跳跃连接层，是通过用第一个卷积层的输入与第二个卷积层的输出相加求和而形成。

4.根据权利要求1中所述的方法，其特征在于，(5)中构建的损失函数Loss，表示如下：

其中，为第M个V形子网的输出，为第n个V形子网的输出，I为不含噪声的原始干净图像，为第M个V形子网的输出与不含噪声的原始干净图像的平均绝对误差，为第n个V形子网的输出与不含噪声的原始干净图像的均方误差。