[发明专利]基于双重卷积网络的手机拍摄图像去噪方法

权利要求书

1.本发明涉及一种基于双重卷积去噪网络的手机拍摄图像去噪方法，其特征在于包括以下步骤：

步骤1.构建双重卷积去噪网络模型；

1)构建噪声估计子网络：

构建三个网络层，输入层、隐藏层、输出层；输入层是手机拍摄图像的输入；输出层是输出已估计的噪声；隐藏层分为5个部分：隐藏层中第一部分为卷积层，该卷积层包含了64个卷积核，尺寸为3x3，步长为1，填充为1，激活函数为线性整流函数；隐藏层中第二部分为3个冗余链接块，每个冗余链接块中包含两次批量标准化、两个卷积层，第一个卷积层的卷积核尺寸为1x1，步长为1，填充为1，激活函数为线性整流函数，第二个卷积层的卷积核尺寸为3x3，步长为1，填充为1，激活函数为线性整流函数，其中增长率为64；隐藏层中第三部分为过渡块，一个过渡块包含批量标准化、线性整流函数和卷积运算，其中卷积运算包含64个卷积核，尺寸为1x1，步长为1，填充为1；隐藏层中第四部分为3个冗余链接块，每个冗余链接块中包含两次批量标准化、两个卷积层，第一个卷积层的卷积核尺寸为1x1，步长为1，填充为1，激活函数为线性整流函数，第二个卷积层的卷积核尺寸为3x3，步长为1，填充为1，激活函数为线性整流函数，其中增长率为64；隐藏层中第五部分为过渡块，一个过渡块包含批量标准化、线性整流函数和卷积运算，其中卷积运算包含64个卷积核，尺寸为1x1，步长为1，填充为1；其中线性整流函数的表达式为f(x)＝max(0,x)，x取值为任意实数；

2)构建去噪子网络：

构建三个网络层，输入层、隐藏层、输出层；输入层由1个卷积层组成，输入是手机拍摄图像和已估计噪声的拼接，拼接是指两张相同尺寸的3通道图像合成为一张长宽不变的6通道图像，卷积层包含批量标准化、卷积运算和激活函数运算，其中，卷积核尺寸为3x3，步长为1，填充为1，激活函数为渗漏整流线性函数；隐藏层由13个卷积块组成，卷积块包含卷积运算和激活函数运算，其中，卷积核尺寸为3x3，步长为1，填充为1，激活函数为渗漏整流线性函数；输出层由1个卷积层组成，输出已去噪的手机拍摄图像，卷积层包含批量标准化、卷积运算和激活函数运算，其中，卷积核尺寸为3x3，步长为1，填充为1，激活函数为渗漏整流线性函数；线性整流函数的表达式为f(x)＝max(0,x)，x取值为任意实数；渗漏整流线性函数的表达式为：x＞0时，g(x)＝x，x≤0时，g(x)＝λx，x为输入量，λ为(0，1)之间的常数；

步骤2.训练网络执行如下步骤：

第一步，准备数据集，把高像素图像剪裁为合适的尺寸，设定损失函数阈值和最大训练次数，初始化训练参数；

第二步，把手机拍摄图像输入噪声估计子网络，输出噪声估计图像；

第三步，计算噪声估计子网络的损失函数，损失函数为噪声估计图像和手机拍摄图像的均方误差；

第四步，若损失函数大于噪声估计子网络的损失函数阈值或未达到最大训练次数，则重复第二步至第三步；

第五步，把噪声估计图像与手机拍摄图像拼接后输入去噪子网络，拼接是指两张相同尺寸的3通道图像合成为一张长宽不变的6通道图像；

第六步，计算去噪子网络的损失函数，损失函数为输入图像和干净图像的均方误差；

第七步，若损失函数大于去噪子网络的损失函数阈值或未达到最大训练次数，则重复第五步至第六步；

步骤3.进行双重卷积去噪网络的参数更新；

网络参数使用自适应矩估计算法进行优化，优化方法如下：

输入为手机拍摄图像数据集X＝{x₁，x₂，...，x_n}，输出为去噪后图像标签数据集Y＝{y₁，y₂，...，y_n}，输入信号经过双重卷积去噪网络后输出优化双重卷积去噪网络参数w，使取出m个样本进入网络训练，m与n均为正整数，m≤n，L为损失函数，数据梯度均值为g，定义为：

表示损失函数L(y_j，F(x_j；w))对w求偏导数；设定参数β₁和β₂，取值范围为(0，1)，设定e为平滑参数，取值范围为(0，1)，计算衰减梯度为v_i，i＝1，2，...，t，v_t＝β₁·v_t-1+(1-β₁)g，计算衰减学习率为r_i，i＝1，2，...，t，r_t＝β₂·r_t-1+(1-β₂)g²；再对r和v进行偏置校正，其中t为训练次数，(β₁)^t表示β₁的t次方，(β₂)^t表示β₂的t次方；更新双重卷积去噪网络参数w_i，i＝1，2，...，t，

步骤4.向构建好的网络模型F(X；w)中输入含有噪声的手机拍摄图像X，网络输出为去噪后的手机拍摄图像