[发明专利]一种包含噪声估计的卷积盲去噪方法

说明书

本发明公开了一种包含噪声估计的卷积盲去噪方法，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。本发明通过将含未知噪声类型的真实图片输入卷积神经网络进行噪声估计并去除，得到不含噪声的干净图像。

技术领域

本发明属于图像处理与识别方法技术领域，涉及一种包含噪声估计的卷积盲去噪方法。

背景技术

图像是人类传递信息的主要媒介。然而，图像在生成和传输的过程中会受到各种噪声的干扰，对信息的处理、传输和存储造成极大的影响。噪声的种类有很多，如：电噪声、机械噪声、信道噪声等等。为了抑制噪声，改善图像质量，便于更高层次的处理，必须对图像进行去噪处理。

噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”，这极大的影响了噪声的去除。经过数十年的研究，已经开发出许多有前途的方法，并且取得了不错的效果。但在真实图片中，由于噪声未知所以对真实图片的噪声去除依然是一个具有挑战性的问题。

发明内容

本发明的目的是提供一种包含噪声估计的卷积盲去噪方法，该方法通过将含未知噪声类型的真实图片输入卷积神经网络进行噪声估计并去除，得到不含噪声的干净图像。

本发明所采用的技术方案是，一种包含噪声估计的卷积盲去噪方法，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。

本发明的特点还在于：

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。

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。

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

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；