[发明专利]一种包含噪声估计的卷积盲去噪方法

权利要求书

1.一种包含噪声估计的卷积盲去噪方法，其特征在于，具体包括如下步骤：

步骤1，指定待训练图像的数据集；

步骤2，对步骤1得到的待训练数据集进行特征提取；然后利用提取的图像特征进行图像去噪；

步骤3，利用损失函数对步骤2得到的去噪图像进行训练得到不含噪声的图像。

2.根据权利要求1所述的一种包含噪声估计的卷积盲去噪方法，其特征在于：所述步骤1中，选取来自不同数据集的样本图像组成训练样本图像数据集；在训练过程中，针对特定训练样本图像数据集，采用与该训练样本图像数据集对应的噪声模型函数。

3.根据权利要求2所述的一种包含噪声估计的卷积盲去噪方法，其特征在于：所述步骤1中，采用来自Nam数据集的图像进行训练时，使用的噪声函数为：

y＝JPEG(f(DM(L+n(L)))) (1)；

采用来自DND和NC12数据集的图像进行训练时，采用的噪声函数模型为：y＝f(DM(L+n(L))) (2)；

其中，公式(1)、(2)中，f()表示相机响应函数，DM()表示去马赛克函数，L＝Mf^-1(x)表示从干净图像生成辐照度图像x，JPEG()表示jpeg压缩过程，y表示合成的噪声图像。

4.根据权利要求3所述的一种包含噪声估计的卷积盲去噪方法，其特征在于：所述步骤2的具体过程为：

步骤2.1，首先训练噪声估计子网；

噪声估计子网为5层全卷积网络，设置每个卷积层中的特征通道数量为32，卷积核的大小为3×3，将从步骤1得到的数据集输入到噪声估计子网中进行卷积操作然后采用ReLU激活函数对待训练的图像矩阵进行激活，输出激活后的图像矩阵

步骤2.2，将从步骤2.1得到的图像矩阵与原始输入的图像一同输入到卷积去噪子网中，使用残差学习的方式学习残差映射然后预测无噪声的图像，从而得到干净的图像

5.根据权利要求4所述的一种包含噪声估计的卷积盲去噪方法，其特征在于：所述步骤2.2的具体过程为：

步骤2.2.1，输入2.1得到的图像矩阵和原始图像y进行卷积操作，输出通道数为64的图像矩阵；

步骤2.2.2，对步骤2.2.1得到的结果采用2×2的pooling进行下采样，输出通道数为128的图像矩阵；

步骤2.2.3，对步骤2.2.2得到的结果采用3×3的卷积核进行卷积，然后利用ReLU进行激活输出通道数为128的图像矩阵；

步骤2.2.4，对步骤2.2.3得到的结果采用2×2的pooling进行下采样操作，输出通道数为256的图像矩阵；

步骤2.2.5，对步骤2.2.4得到的结果采用3×3的卷积核进行卷积然后利用ReLU激活函数进行激活输出通道数为256的图像矩阵；

步骤2.2.6，对步骤2.2.5得到的结果进行反卷积然后与步骤2.2.3得到的结果相加输出通道数为128的图像矩阵；

步骤2.2.7，对步骤2.2.6得到的结果进行卷积再利用ReLU激活函数进行激活，输出通道数为128的图像矩阵；

步骤2.2.8，对步骤2.2.7得到的结果进行反卷积并和步骤2.2.1的结果相加，输出通道数为64的图像矩阵；

步骤2.2.9，对步骤2.2.8得到的结果进行卷积，然后利用ReLU激活函数进行激活，得到通道数为64的图像矩阵；

步骤2.2.10，对步骤2.2.9得到的结果利用1×1的卷积核进行降维得到降噪结果。

6.根据权利要求5所述的一种包含噪声估计的卷积盲去噪方法，其特征在于：所述步骤3中，损失函数如下公式(3)所示：

L＝L_rec+λ_asymmL_asymm+λ_TVL_TV (3)；

其中，为噪声估计子网上的不对称损失；为全变分正则项；为卷积降噪子网的输出的重建损失定义，λ_asymm和λ_TV分别表示非对称损失函数和总变分正则化损失项的权重系数。