[发明专利]一种基于DenseNet的图像噪声识别方法和装置

说明书

本发明涉及一种基于DenseNet的图像噪声识别方法和装置。本发明的基于DenseNet的图像噪声识别方法包括：获取无噪声图像，在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；提取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；提取待测噪声图像的灰度曲线，得到第二可视化统计特征图像；将第二可视化统计特征图像输入至训练好的图像噪声识别网络模型，得到待测噪声图像的噪声类型与强度估计值。本发明的方法解决了现有的图像噪声识别技术对低强度混合噪声的识别准确率低的问题，可以很好地对图像中存在的低强度混合噪声进行噪声类型与噪声强度的识别。

技术领域

本发明涉及图像噪声识别技术领域，特别是涉及一种基于DenseNet的图像噪声识别方法和装置。

背景技术

图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。噪声的存在严重影响了图像的质量，因此在图像增强处理和分类处理之前，必须予以纠正。

图像噪声的识别在图像处理的领域内起着至关重要的作用，会直接影响到后续图像的处理。图像信号的获取要经过采集，传输，存储，预处理，显示等步骤，过程繁琐而且每个步骤间彼此独立，因此难以对图像中噪声进行准确分析。

在实际的应用中，例如在医学背景下，CT图像在成像、采集、传输、储存，显示等过程中无法避免地会被各种类型的噪声影响。被噪声污染CT图像的图像纹理或者图像病灶区域会受到不同程度的影响，不仅降低了图像清晰度，也会对后续的临床诊断产生极大影响。

但传统技术中的噪声识别算法都是基于图像中只存在单一类型高强度噪声的假设，这些算法无法识别常见的低强度混合噪声。

发明内容

基于此，本发明的目的在于，提供一种基于DenseNet的图像噪声识别方法和装置，解决了现有的图像噪声识别技术对低强度混合噪声的识别准确率低的问题，可以很好地对图像中存在的低强度混合噪声进行噪声类型与噪声强度的识别。

第一方面，本申请实施例提供了一种基于DenseNet的图像噪声识别方法，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。

可选的，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，椒盐噪声或混合噪声。

可选的，所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。