[发明专利]基于U-Net和金字塔模块的图像融合去噪方法及系统

说明书

本发明涉及一种基于U‑Net和金字塔模块的图像融合去噪方法及系统，该方法包括以下步骤：S1、将成对的原始噪声图像和无噪声图像进行预处理，得到用于训练的成对图像块；S2、选取图像去噪深度网络模型FFDNet，并加载已训练完成的模型参数；步骤S3、构建基于U‑Net和金字塔模块的图像融合去噪网络；S4、以批次为单位将成对图像块输入FFDNet，并将其得到的结果输入图像融合去噪网络，根据损失函数训练图像融合去噪网络；S5、将用于测试的原始噪声图像输入FFDNet，并将其得到的结果输入训练好的图像融合去噪网络，得到最终的去噪图像。该方法及系统有利于提升去噪性能并保留更多的图像细节。

技术领域

本发明属于图像和视频处理技术领域，具体涉及一种基于U-Net和金字塔模块的图像融合去噪方法及系统。

背景技术

近年来，随着科技不断进步，移动数码设备不断地更新换代，人们获取信息的方式越发简便和快捷。相比于文字，图像是人们获取信息最直观的途径之一。一幅清晰的图像，其物体轮廓清晰、图像前景和背景分明可见，人们可以准确的对图像内容进行分类和目标识别等操作。然而，在图像的采集过程中，往往由于一些不同类型的外界因素的干扰，如相机抖动、信号扰动等，导致生成的图像质量发生退化，且这种退化是不可逆的。退化后的图像极大地影响人们对图像内容的判断和分析等后续操作，因此需要对其进行处理。若采用重新拍摄图像的方式，将耗费更多的时间和精力，效率低下，而且往往是不可行的。因此，通过一些技术手段对质量退化的图像进行进一步处理以恢复出质量较高的图像内容是较常用的方式之一，对质量退化后的图像的重建问题长期以来一直受到工业界和学术界的关注和研究。

图像去噪是图像重建问题中重要的图像处理任务之一，其主要研究内容是从一幅低质量的含噪声的图像中通过某种技术手段重建或恢复出高质量的无噪声图像。图像去噪的目标是使得重建出的图像尽可能地保留更多原本真实图像的图像细节和纹理信息。对图像去噪的研究历史悠久，研究者已经提出许多图像去噪方法如均值滤波、中值滤波、高斯滤波、卷积神经网络等。

目前主流的图像去噪方法大致可分为传统方法和基于深度学习的方法。传统方法采用手工的方式来提取图像的先验信息，根据所提取的图像先验信息，再对噪声图像进行去噪处理。这种方法仅对仿真数据比较有效，且无法使用图形处理器(Graphic ProcessingUnit，GPU)对图像处理过程进行加速，导致算法的时间复杂度较高。若使用多种不同的方法来提升图像处理结果，效率更加低下，因此，传统的图像去噪方法若没有进行进一步优化难以达到实际应用中对性能和效率的双重要求。

随着深度学习技术的发展，有人提出搭建深度卷积神经网络并将传统方法嵌入其中来完成图像去噪，使得图像去噪的结果优于传统方法且处理操作效率极大地提升。基于深度学习的方法的关键首先是设计一种可行的图像去噪方法，然后搭建深度学习网络，最后使用训练数据集对深度学习网络进行训练，并保存最优的网络模型参数。将新的噪声图像输入训练好的网络中即可用于图像去噪任务。虽然深度学习的方法相比与传统方法的去噪结果更好，然而，目前多数方法仍存在无法很好地保留图像细节的问题，而同一张噪声图像进行不同强度的去噪后得到的去噪图像在纹理丰富区域和纹理平滑区域分别具有不同的表现，有效地对其进行图像融合可以更好地保留图像的细节。

发明内容

本发明的目的在于提供一种基于U-Net和金字塔模块的图像融合去噪方法及系统，该方法及系统有利于提升去噪性能并保留更多的图像细节。

为实现上述目的，本发明采用的技术方案是：一种基于U-Net和金字塔模块的图像融合去噪方法，其特征在于，包括以下步骤：

步骤S1：将成对的原始噪声图像和无噪声图像进行预处理，得到用于训练的噪声图像块和无噪声图像块组成的成对图像块；

步骤S2：选取图像去噪深度网络模型FFDNet，并加载已训练完成的模型参数；

步骤S3：构建用于生成最终去噪图像的基于U-Net和金字塔模块的图像融合去噪网络；