[发明专利]一种基于噪声水平估计的图像降噪方法

说明书

本发明公开了一种基于噪声水平估计的图像降噪的方法，以特征降维与卷积神经网络为基础，本发明的噪声水平估计模块具有估计准确和计算效率高的优点，在先行估计出噪声水平后再进行降噪，克服了常用的FFDNet等模型严重依赖先验参数的问题，并且将FFDNet模型的连续卷积部分替换为了密集连接块，大大提升了模型的特征提取能力。本发明可快速高效地完成图像降噪，具有广泛的应用价值。

技术领域

本发明属于计算机图像处理技术领域，具体涉及一种基于噪声水平估计的图像降噪的方法。

背景技术

在采集图像时，往往会产生图像噪声，这会对后续的图像处理造成不利影响，比如图像分割、图像分类等等。随着计算机图像技术的发展，人们在图像降噪领域展开了大量的研究。Dabov等人(Image denoising by sparse 3-D transform-domain collaborativefiltering)提出三维块匹配(BM3D)算法，该方法在空间域中匹配相似图像，在频率域中得到图像间的变化关系，最后利用这些信息在变换域上进行降噪，但该算法的计算复杂度较高。Zhang等人(Beyond a gaussian denoiser:Residual learning of deep cnn forimage denoising)将残差学习的思想融入到深度卷积网络，提出DnCNN降噪模型。通过学习图像噪声的分布，将噪声信号去除，取得了不错的降噪效果。然而，由于DnCNN网络的卷积过程不改变图像尺度，导致其模型参数量过大，执行效率低。鉴于此，Zheng等人(Toward afast and flexible solution for CNN-based image denoising[J].IEEE Transactionson Image Processing)又提出了FFDnet降噪模型，在DnCNN网络的输入增加噪声水平映射图(NLM)作为辅助输入，并且网络在在输入输出阶段分别进行了下采样和上采样。与DnCNN模型相比，不仅具有更好的降噪能力，而且执行效率更高。但是，其作为非盲降噪模型，其降噪效果依旧依赖于输入噪声水平的准确性。所以，要发挥这类非盲降噪网络的降噪性能，就需要对噪声图像的噪声水平进行估计。

传统的噪声水平估计(NLE)方法是将噪声信号从噪声图像中分离出来，然后根据噪声信号的特征估计噪声水平。例如，Liu等人(Single-image noise level estimationfor blind denoising)提出一种两阶段的基于奇异值分解(SVD)的NLE方法。该算法首先利用SVD进行一次噪声水平粗估，然后再分析已知噪声水平图像的奇异值变化，对粗估计值进行修正。该方法的噪声水平估计能力优秀，但计算量十分巨大。为解决这一问题，Yu等人(AFast Noise Level Estimation Algorithm Based on Convolutional Neural Network)采用深度学习的方法直接训练含噪图像，输入噪声图像到卷积神经网络(CNN)中映射得到对应的噪声水平值。该算法能做到端到端地直接估计噪声水平，执行效率高，但预测准确率较低。

发明内容

本发明主要是克服现有技术中的不足之处，本发明的目的是提供一种基于基于噪声水平估计的图像降噪的方法。

为达到以上技术目的，本发明采用以下技术方案：

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；