[发明专利]基于双重卷积网络的手机拍摄图像去噪方法

说明书

本发明公开了一种基于双重卷积网络的手机拍摄图像去噪方法，本发明改进了FFDNet的不足，添加了一个噪声估计子网络，构建了冗余链接块结构，更好的保存了原始图像的结构性，解决了FFDNet主观估计噪声水平错误导致去噪效果大幅降低的问题。

技术领域

本发明涉及图像去噪领域，特别是涉及手机拍摄图像，具体涉及一种基于双重卷积网络的手机拍摄图像去噪方法。

背景技术

今天智能手机被大家公认是影响我们普通人日常生活最重要的科技产品，在智能手机的各个功能中，拍照是一项非常重要的组成部分。虽然人们越来越习惯于使用轻便的智能手机拍照而不是笨重的数码单反相机，但是因为手机内部空间的限制，导致其传感器尺寸、光圈大小等硬件配置和数码单反相机仍然有差距。智能手机相比于数码单反的优势在其拥有强大的芯片和神经网络处理器，智能手机利用其芯片的强大运算能力，可以很好的解决拍摄图像不清晰、细节模糊等问题。

传统的图像去噪算法是在含有噪声的图像中寻找出一定规律后再进行相对应的图像去噪处理，如果含有噪声的图片本身没有办法找到有用的规律，去噪的效果就会大大降低。深度学习的图像去噪方法是最近兴起的一种属于数据驱动的方法，大部分图像去噪的实验数据是充足的，这为深度学习的图像去噪方法提供了坚实的基础，所以当前深度学习方法在许多场景下的去噪效果已经超越块匹配和3D滤波算法(Block-matching and 3Dfiltering，BM3D)，该方法是Dabov K在2007年发表的论文Image denoising by sparse 3-D transform-domain collaborative filtering[J].IEEE Transactions on imageprocessing,2007,16(8):2080-2095。但是智能手机的拍照环境多变且复杂，产生的图像噪声随机性强且通常与信号相关，受环境因素影响大，没有明确的分布可以描述。目前的一些基于深度学习的图像去噪方法应用于手机拍摄图像去噪时通常会出现去噪图像细节模糊、峰值信噪比低等问题，如何解决常规深度学习的图像去噪方法应用在智能手机拍摄图像上的缺陷是本论文研究目的和意义。

发明内容

为了解决现有技术的缺陷，改善常规深度学习方法无法有效估计手机拍摄图像噪声水平，导致去噪图像峰值信噪比低的问题，提出了一种双重卷积网络(TwiceConvolutional Neural Networks,T-CNN)去噪方法，本发明可以提高手机拍摄图像的去噪效果。

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：

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：

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层，卷积层中包含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层，卷积层包含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；