[发明专利]一种基于DenseNet的图像噪声识别方法和装置

权利要求书

1.一种基于DenseNet的图像噪声识别方法，其特征在于，包括如下步骤：

获取无噪声图像，在所述无噪声图像中添加多个设定类型和设定强度的噪声，得到噪声图像训练集；

对所述噪声图像训练集中的噪声图像进行预处理，提取所述噪声图像的灰度概率分布曲线，得到第一可视化统计特征图像；

将所述第一可视化统计特征图像作为训练样本输入至图像噪声识别网络模型，以训练所述图像噪声识别网络模型的网络参数，其中，所述图像噪声识别网络模型为DenseNet模型；

对待测噪声图像进行预处理，提取所述待测噪声图像的灰度概率分布曲线，得到第二可视化统计特征图像；

将所述第二可视化统计特征图像输入至训练好的所述图像噪声识别网络模型，得到所述待测噪声图像的噪声类型与强度估计值。

2.根据权利要求1所述的一种基于DenseNet的图像噪声识别方法，其特征在于，在所述无噪声图像中添加多个设定类型和设定强度的噪声，包括：

在所述无噪声图像中添加不同强度的高斯噪声，不同强度的椒盐噪声或不同强度的混合噪声。

3.根据权利要求1所述的一种基于DenseNet的图像噪声识别方法，其特征在于，对所述噪声图像训练集中的噪声图像进行预处理，提取所述噪声图像的灰度概率分布曲线，得到第一可视化统计特征图像，包括：

绘制所述噪声图像训练集中的噪声图像的灰度直方图；

对所述灰度直方图进行拟合，得到灰度曲线图像；

对所述灰度曲线图像的灰度值频数进行归一化处理；

去除所述灰度曲线图像的坐标轴及坐标轴刻度；

将所述灰度曲线图像的尺寸修改为设定大小，得到所述第一可视化统计特征图像。

4.根据权利要求1所述的一种基于DenseNet的图像噪声识别方法，其特征在于，所述图像噪声识别网络模型的构建过程包括：

获取在ImageNet上预训练的DenseNet-201模型；

替换所述DenseNet-201模型的最后3层，将可识别1000类目录的全连接层替换为可识别所述多个噪声类型的第一全连接层；

在所述第一全连接层前添加第二全连接层和ReLU层，得到所述图像噪声识别网络模型。

5.根据权利要求4所述的一种基于DenseNet的图像噪声识别方法，其特征在于，训练所述图像噪声识别网络模型的网络参数，包括：

通过小批量带动量的随机梯度下降优化算法以及采用交叉熵作为损失函数训练所述图像噪声识别网络模型的网络参数。

6.根据权利要求5所述的一种基于DenseNet的图像噪声识别方法，其特征在于：

所述小批量带动量的随机梯度下降优化算法表达式如下：

θ_i+1＝θ_i-η_i+1ΔL(θ_i)+M*η_iΔL(θ_i-1)

其中，其中θ表示参数，η表示学习率，L(θ)表示最小化损失函数，△L(θ)表示负梯度，M表示动量；

所述交叉熵的定义如下：

其中，所述p表示真实分布，所述q表示非真实分布。

7.根据权利要求6所述的一种基于DenseNet的图像噪声识别方法，其特征在于，所述网络参数包括：

动量值、初始学习率、学习率衰减值、训练epoch和批尺寸。

8.根据权利要求1所述的一种基于DenseNet的图像噪声识别方法，其特征在于，训练所述图像噪声识别网络模型的网络参数，包括：

通过准确率，宏精确率，宏召回率与宏F1分数作为评价指标对所述图像噪声识别网络模型进行评价，其中，所述准确率为预测正确的图像数量与图像总数量之比；

其中，所述宏精确率的计算公式为：

所述宏召回率的计算公式为：

所述宏F1分数的计算公式为：

其中，所述P表示精确率，所述R表示召回率，所述n表示图像数量。