[发明专利]一种图像去噪方法及系统

说明书

本发明提供了一种图像去噪方法及系统，包括：获取噪声图像；将噪声图像输入去噪模型，得到去噪图像；其中，去噪模型依次通过多尺度特征提取块和Ghost特征提取块，对噪声图像进行特征提取后，得到噪声特征，利用噪声图像减去噪声特征，得到去噪图像。不仅改善了图像去噪效果，而且提高了图像去噪的效率，减少训练参数，缩短网络结构训练的时间。

技术领域

本发明属于图像处理技术领域，尤其涉及一种图像去噪方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

图像去噪是众多图像处理问题中必不可少的一步，在生物、医学和军事等领域都有广泛的应用，因此，提高图像去噪的效果具有非常重要的意义。传统的图像去噪方法具有复杂的模型并且包含很多需要手动调节的参数。深度学习因为其强大的学习能力被应用于图像去噪中，用来改善传统图像去噪方法中存在的缺点。

尤其是，基于卷积神经网络的方法在图像去噪上表现出强大的性能。但是，深度卷积神经网络内存消耗依旧很大，模型的训练时间也比较长，很难有较高的图像去噪效率。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种图像去噪方法及系统，不仅改善了图像去噪效果，而且提高了图像去噪的效率，减少训练参数，缩短网络结构训练的时间。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种图像去噪方法，其包括：

获取噪声图像；

将噪声图像输入去噪模型，得到去噪图像；

其中，去噪模型依次通过多尺度特征提取块和Ghost特征提取块，对噪声图像进行特征提取后，得到噪声特征，利用噪声图像减去噪声特征，得到去噪图像。

进一步的，所述多尺度特征提取块采用若干个1×1卷积层和3×3的空洞卷积层分别对所述噪声图像进行特征提取，得到不同尺度的特征。

进一步的，所述多尺度特征提取块将所述不同尺度的特征依次输入特征结合层和特征融合层后，得到噪声图像的多尺度特征图。

进一步的，所述Ghost特征提取块包含若干个顺次连接的Ghost块。

进一步的，所述Ghost块采用32通道的1×1卷积层对输入的特征图进行特征提取；并采用深度可分离卷积层对所述32通道的1×1卷积层提取的特征进行处理后，得到输出特征图。

进一步的，所述Ghost特征提取块中最后一个Ghost块中的深度可分离卷积层得到的输出特征图为所述噪声特征。

进一步的，所述去噪模型采用均方误差作为损失函数，并通过Adam优化器进行优化。

本发明的第二个方面提供一种图像去噪系统，其包括：

图像获取模块，其被配置为：获取噪声图像；

去噪模块，其被配置为：将噪声图像输入去噪模型，得到去噪图像；

其中，去噪模型依次通过多尺度特征提取块和Ghost特征提取块，对噪声图像进行特征提取后，得到噪声特征，利用噪声图像减去噪声特征，得到去噪图像。

本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种图像去噪方法中的步骤。

本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种图像去噪方法中的步骤。

与现有技术相比，本发明的有益效果是：