[发明专利]一种泊松-高斯混合噪声的去除方法

说明书

本发明提供一种泊松‑高斯混合噪声的去除方法，包括下列步骤：构建包含泊松‑高斯混合噪声图像的数据集，将所述数据集划分为训练集与测试集；建立噪声图像去噪模型，所述模型包括GAT层、CNN层、残差层、逆GAT层，将所述训练集中的数据输入所述非盲泊松‑高斯混合去噪模型中进行训练，从而获得训练完成的非盲泊松‑高斯混合去噪模型；将所述测试集的数据输入所述非盲泊松‑高斯混合去噪模型，获得图像去噪结果。

技术领域

本发明涉及图像去噪技术领域，尤其涉及一种泊松-高斯混合噪声的去除方法。

背景技术

图像去噪是利用图像序列的上下文信息去除噪声，从而恢复出清晰图像的一种技术，是计算机视觉领域重要研究内容之一。图像去噪的主要方法分为：基于人工特征的传统去噪方法和基于深度学习的去噪方法。基于人工特征的传统图像去噪方法使用离散余弦变换、小波变换等修改变换系数，用平均邻域值计算局部相似性。NLM方法和BM3D方法利用自相似补丁在图像保真度和视觉质量上取得突出效果。由于传统去噪方法对图像特征的编码依赖于原始图像的假设，编码特征在真实图像中匹配度较低，降低了方法在实际应用中的性能和灵活性，且方法的特征提取过程繁琐复杂、费时、计算量大，不适用于处理具有复杂分布的真实噪声。

随着机器学习的发展，深度学习在图像去噪领域得到了广泛的应用，并成为处理图像去噪的有效解决方法。相对于传统图像去噪方法，基于深度学习的图像去噪方法具有强大的学习能力，不仅可以拟合复杂噪声分布，还节省了计算时间。早期深度学习图像去噪方法使用强化学习技术和Q-learning训练来训练递归神经网络。但基于强化学习的方法计算量大，搜索效率低。深度学习去噪方法结合跳跃连接、注意力机制、多尺度特征融合等方式提高网络特征表达能力，但这些方法网络结构较深，容易在训练过程中出现梯度爆炸或梯度弥散等问题。近年来，一些采用迁移学习和模型压缩的去噪方法，把已经训练好的参数转移到新的轻量模型上，从而加快并优化学习效率，有效避免梯度问题的出现。

卷积神经网络(CNN)是深度学习的基础网络，通过不断优化网络提升特征表达能力。DnCNN是一个典型的自监督去噪网络。该网络在加性高斯白噪声(AWGN)的图像去噪方面取得了巨大的成功。但是在真实含噪照片上的性能有限。主要是因为所学习的模型容易在简化的AWGN模型上过拟合，这严重偏离了真实的噪声模型。对于单一去噪模型，虽然能在指定类别的噪声图像上取得良好去噪效果，但并不具备泛化能力，对于非目标噪声去除效果表现不尽人意。针对混合噪声(如泊松高斯混合噪声)，很难取得较好的去噪效果。而真实的含噪图像都是包含混合噪声的，这是由于拍照的数码设备内部电路因素及拍照环境光照强度共同影响的结果。泊松-高斯噪声模型通常被用来描述原始图像中的真实源相关噪声，它具有非均匀噪声方差和两个参数(λ，σ)。λ表示泊松噪声的强度，泊松噪声一般在亮度很小或者高倍电子放大线路中出现；σ表示高斯噪声的方差，它是在图像传感器在拍摄时视场不够明亮、亮度不够均匀或电路各元器件自身噪声相互影响下产生的。现有的大多数泊松-高斯噪声估计方法首先获得局部估计的均值和方差，然后用这些局部估计用极大似然估计(MLE)来拟合噪声模型，其存在处理速度慢，去除噪声效果不佳的问题。

发明内容

本发明的目的在于提供一种泊松-高斯混合噪声的去除方法，以解决上述背景技术中提出的问题。

本发明是通过以下技术方案实现的：一种泊松-高斯混合噪声的去除方法，包括下列步骤：

构建包含泊松-高斯混合噪声图像的数据集，将所述数据集划分为训练集与测试集；

建立噪声图像去噪模型，所述模型包括GAT层、CNN层、残差层、逆GAT层，将所述训练集中的数据输入所述非盲泊松-高斯混合去噪模型中进行训练，从而获得训练完成的非盲泊松-高斯混合去噪模型；

将所述测试集的数据输入所述非盲泊松-高斯混合去噪模型，获得图像去噪结果。