[发明专利]一种基于噪声水平估计的图像降噪方法

权利要求书

1.一种基于噪声水平估计的图像降噪方法，其特征包括以下步骤：

步骤1：对原始图像数据进行预处理，具体处理方式为：

(1)在图像中加入不同噪声水平的高斯噪声，并将图像调整为n×n的像素大小尺寸；

(2)将预处理后的图像数据集划分为训练集和测试集，以未加噪声的原始数据作为训练目标；

步骤2：构建噪声水平估计网络模块，整个噪声水平估计网络由主成分分析降维和卷积神经网络构成，具体处理方式为：

(1)采集原始含噪图像划分为若干大小相同的图像块并进行数字化，得到图像矩阵，并计算特征矩阵的协方差矩阵以及协方差矩阵的特征值；

(2)使用皮尔逊、斯皮尔曼以及肯德尔相关系数指标计算特征值与噪声水平之间的相关性，计算各相关性指标的均方差值来确定权重，方差越大信息量便越多，于是均方差值大的指标被赋予更大的权重；设置特征阈值k，采用主成分分析方法，选取与噪声水平相关性系数较高的特征值作为主要特征，相关性系数权重计算公式如下：

式中W₁，W₂，W₃分别为皮尔逊、斯皮尔曼以及肯德尔相关系数的权重；s₁，s₂，s₃分别为皮尔逊、斯皮尔曼以及肯德尔相关系数的标准差；

(3)降维后的图像输入到由1个1×1、m个3×3卷积、m个线性整流激活函数、(m-1)个池化层以及1个全连接层组成的卷积神经网络，得到估计的噪声水平；

步骤3：构建降噪网络模块，具体处理方式为：

(1)构建密集连接模块，整个密集连接模块由3×3卷积、线性整流激活函数构成，模块计算结构如下：

x₁＝r(Con_3×3(x_in))

x₂＝r(Con_3×3(x₁+x_in))

x_out＝r(Con_3×3(x₁+x₂))

式中，x_in和x_out分别代表模型的输入和输出，r()表示进行线性整流激活函数计算操作，Con()代表3×3的卷积操作；

(2)整个降噪网络包含n个密集连接模块、一个下采样层以及一个上采样层；

步骤4：使用步骤1得到的训练集对步骤2和步骤3搭建好的网络模型进行训练，分别使用交叉熵损失函数和均方根误差损失函数计算两部分的误差构建自适应权重联合损失函数，同时优化两个网络，使用峰值信噪比对网络模型进行客观评估，保存最佳的模型参数；

联合损失函数合损失函数公式如下：

其中L_N为噪声水平估计网络对应的交叉熵损失函数，L_D为降噪网络对应的均方根误差损失函数，M表示给定噪声水平值的类别；当预测的噪声水平与真实噪声水平相同时，p_c值取1，否则取0；q_c表示预测的噪声水平为_c噪声水平时的概率，N为像素点总量，为真实图像，λ为损失函数权重；损失函数权重的选取根据上一轮训练的损失自适应更新，自适应的权重系数使交叉熵损失和均方根误差损失始终相等，以达到平衡网络的作用；权重系数的计算公式如下：

λ＝L'_N/(L'_N/L'_D)

其中λ为当前训练轮次的权重系数，L'_N为上一轮训练的噪声估计损失，L'_D为上一轮训练的降噪声损失；

将步骤2估计出的噪声水平重构为噪声映射图，与噪声图像一同输入降噪网络中，得到降噪后的图像。