[发明专利]一种序列图像条带噪声消除方法

权利要求书

1.一种序列图像条带噪声消除方法，其特征在于，所述方法包括：

S1：利用三维卷积构建序列图像时空关联信息提取模块；

S2：利用二维卷积构建图像二维重建模块；

S3：根据所述序列图像时空关联信息提取模块和所述图像二维重建模块构成初始卷积神经网络；

S4：创建序列图像训练集；

S5：利用所述序列图像训练集对所述初始卷积神经网络进行训练，得到训练后的卷积神经网络；

S6：将含有条带噪声的序列图像送入所述训练后的卷积神经网络中进行处理，得到去噪后的图像。

2.根据权利要求1所述的序列图像条带噪声消除方法，其特征在于，所述序列图像时空关联信息提取模块包括依次连接的空间维卷积、时间维卷积、融合层和降维层，其中，所述空间维卷积包括第一三维卷积层和第一激活层，所述时间维卷积包括第二三维卷积层和第二激活层，所述融合层包括第三三维卷积层和第三激活层，所述降维层的表达式为：

Y1_squ＝squeeze(Y1_32)

其中，Y1_32是所述第三激活层的输出图像，squeeze表示对序列图像时间维度的提取，Y1_squ是所述降维层的输出图像。

3.根据权利要求2所述的序列图像条带噪声消除方法，其特征在于，所述第一三维卷积层的卷积核大小为1*3*3，输出通道为64；所述第二三维卷积层的卷积核大小为3*1*1，输出通道为64；所述第三三维卷积层的卷积核大小为5*1*1，输出通道为64。

4.根据权利要求2所述的序列图像条带噪声消除方法，其特征在于，所述图像二维重建模块包括依次连接的第一重建模块、第二重建模块、输出卷积层、升维层和残差层，其中，

所述第一重建模块包括依次连接的多个二维卷积层和多个激活层；

所述第二重建模块包括依次连接的多个二维卷积层和多个激活层；

所述输出卷积层包括一个二维卷积层；

所述升维层的输入为输出卷积层的输出，表达式为：

Y＝expand(X)

其中，X为所述升维层的输入，expand表示对输入的时间维度的扩充，Y为所述升维层的输出；

所述残差层的输出为所述升维层的输出与所述初始卷积神经网络输入的差。

5.根据权利要求4所述的序列图像条带噪声消除方法，其特征在于，所述第一重建模块包括依次连接的第一二维卷积层、第四激活层、第二二维卷积层、第五激活层、第三二维卷积层、第六激活层、第四二维卷积层和第七激活层；

所述第二重建模块包括依次连接的第五二维卷积层、第八激活层、第六二维卷积层、第九激活层、第七二维卷积层、第十激活层、第八二维卷积层、第十一激活层、第九二维卷积层、第十二激活层、第十二维卷积层、第十三激活层、第十一二维卷积层、第十四激活层、第十二二维卷积层、第十五激活层、第十三二维卷积层、第十六激活层、第十四二维卷积层、第十七激活层、第十五二维卷积层、第十八激活层、第十六二维卷积层、第十九激活层、第十七二维卷积层、第二十激活层、第十八二维卷积层、第二十一激活层、第十九二维卷积层和第二十二激活层。

6.根据权利要求1所述的序列图像条带噪声消除方法，其特征在于，所述S3包括：

将所述序列图像时序信息提取模块和所述图像二维重建模块依次连接，构成所述初始卷积神经网络。

7.根据权利要求1所述的序列图像条带噪声消除方法，其特征在于，所述S4包括：

获取多组高清视频，将每组高清视频截取为图像帧，从每组图像帧中选取连续的多帧序列图像作为初始序列图像集；

对所述初始序列图像集进行同一灰度化、随机旋转、裁剪以及添加条带噪声，生成序列图像训练集。

8.根据权利要求1至7中任一项所述的序列图像条带噪声消除方法，其特征在于，所述S5包括：

采用均方误差作为损失函数，使用自适应矩估计优化器对所述卷积神经网络进行训练，所述均方误差的表达式为：

其中，F为重构图像，即经卷积神经网络处理的去噪图像，U为未添加噪声的原始图像，m和i分别代表图像的行和列。