[发明专利]一种基于双树四元小波与深度学习的图像去噪方法及系统

说明书

本发明涉及一种基于双树四元小波与深度学习的图像去噪方法及系统。该方法包括：构建去噪网络模型；利用训练数据集，采用Adam优化算法，训练所述去噪网络模型，确定训练后的去噪网络模型；利用测试数据集对训练后的去噪网络模型进行测试。本发明在提高噪声图像去噪效率的同时，提高去噪效果。

技术领域

本发明涉及图像去噪领域，特别是涉及一种基于双树四元小波与深度学习的图像去噪方法及系统。

背景技术

神经网络与深度学习领域的迅速崛起，带动了计算机视觉领域的蓬勃发展作为计算机视觉领域的底层任务，图像去噪被广泛运用于各个计算机视觉任务领域，越来越多的高级视觉任务需要更加高质量的清晰图像，因此图像去噪任务是一个十分重要的研究课题。

目前的去噪算法主要包括两个方面：一个方面是传统的图像去噪算法，如K-SVD算法(一种十分经典的字典学习算法)，BM3D(3维块匹配滤波算法)，使用均值滤波算法完成去噪任务，使用中值滤波算法完成去噪任务，使用小波变换完成去噪任务。另一方面是基于深度学习的去噪方法，为了通过模型处理多个低级任务，提出了一种由卷积，批量归一化，校正线性单元和残差学习组成的D-CNN(前馈去噪卷积神经网络)；CBDnet(卷积盲去噪网络)，通过两个子网络去除给定的真实噪声图像中的噪声，一个子网络估计真实噪声图像中的噪声，一个子网络负责获得干净图像。

在小波分析领域，QWT(四元小波变换)作为一种新兴的多尺度图像分析工具，它是一种近似平移不变的紧框架表示方法，从解析角度来看，QWT(四元小波变换)是DWT(离散小波变换)、CWT(复小波变换)的一种拓展，是离散小波变换和复小波变换与二维希尔伯特变换结合的结果。

Deep CNN denoiser prior for image Restoration论文中所提到的D-CNN方法，具体包括以下内容：

1)训练和测试数据：对于网络的训练数据，本论文首先使用了400张清晰的图片，然后对这400张图片进行随机裁剪并加入不同标准差的高斯噪声等数据增强处理，最终产生128×1600张40×40的训练图片。对于测试数据，采用另外80张清晰图片进行相同方法的加噪处理，其中12张用于训练过程中的模型评估，另外68张用于最终训练模型的性能测试。

2)参数设置和网格训练：DnCNN主要更改了VGGNet模型，采用残差学习，并与批量归一化相结合，移除了原网络中的池化层，同时隐藏层采用ReLU函数来进行激活，最后采用残差学习公式来训练一个残差映射，以实现快速训练提高去噪性能。

3)网络结构：DnCNN有三种类型的结构，如图1分别用三种颜色表示，

Conv+ReLU层：使用3*3*Channel(channel表示通道数)的64个滤波器来生成64个特征图，然后使用ReLU函数来进行激活每层的神经元。

Conv+BN+ReLU层:使用规模为3*3*64的滤波器，并在卷积层和激活函数ReLU中添加批量归一化BN。

Conv层：使用规模为3*3*64的滤波器来重构图像。

参数设置：为了捕获足够的空间信息进行去噪，该网络结构设置了18层，其中训练过程中首先进行权重初始化，接着采用在期望得到的残差图像和从含噪声的输入中估计的图像之间的均方误差作为损失函数。

4)模型的评估与对比分析：在模型对训练数据集进行训练和优化后，通过由测试数据对训练好的模型进行评估，通过峰值信噪比(PNSR)和结构相似性(SSIM)进行性能评估。